传统的文本分类方法主要是基于统计的机器学习方法，使用向量空间模型（vector space model，VSM）或者叫做词袋模型（bag of words），抽取文本中的单词特征，并利用TF-IDF方法计算每个单词的权重。这样，得到一个单词-文档矩阵，矩阵的行为不同的文档，矩阵的列为不同的单词特征。将这个矩阵输入至相应的文本分类器（e.g. SVM，NB，...），就可以实现文本的分类任务。这类方法使用的特征是单词的出现与否（较强一点是单词的词频），忽略了单词的顺序、单词构成的词组（n-grams）和单词与单词之间的语义相似度关系。在工程实践中实现较为容易，但是缺点也较为明显。
本文所提到的方法，将文本转换为类似图像的矩阵，采用CNN来完成文本分类任务，则更多的利用到单词的顺序、和语义特征。笔者对原论文[1]进行简要介绍，并参考文献[2]，对本CNN网络超参数的影响进行分析，并在最后给出调参的实践方法论。
1. 网络结构
首先祭出这张网络结构图，这是作者kim Yoon给出的结构图。
网络自左至右分别为输入层-卷积层-池化层-全连接层。
1.1 输入层：
输入层为单词矩阵，这个矩阵中，行向为每个单词对应的单词表示，纵向为句子的所有单词构成。图中句子为：wait for the video and do n't rent it. ，可以明白，句子的每个单词构成了矩阵的一行。那么，每一行的内容是什么呢？这里可以说是句子中的单词表示，或谓之单词嵌入（word embedding）。单词嵌入是带有单词语义的表示方法，不同于one-hot编码（类似于vsm和bag of words），单词嵌入得到的向量是稠密的，相似的两个单词向量在希尔伯特空间中的距离较小，反之较大。作者使用的单词向量是预训练的，方法为fasttext得到的单词向量，当然也可以使用word2vec和GloVe方法训练得到的单词向量。
实践上，作者在这里使用了两个通道，一是static的，在训练过程中不会发生改变，另一种是non-static的，将之设为可训练的，在训练过程中可以改变。单词向量的长度为100维等长的向量，设句子中的单词数相等，采用padding的方法，对较长的句子进行截断，对较短的句子采用填0方法补充。
1.2 卷积层：
作者使用了卷积的方法来提取文本特征，这也是该网络结构的核心。卷积核的size分别为2,3,4，其含义为在2个3个4个单词上作为一个窗口进行计算。不同于图像，文本的卷积核是只有长度没有宽度的。这样说吧，假设单词向量的长度为100维，单词数量为10，那么在3个单词上进行卷积的卷积核尺寸为100*3，步长为1，那么得到的结果为一个8*1的向量。
作者使用3种卷积核，size为2,3,4，数量分别为100,100,100，总共为300个卷积核。
1.3 池化层：
池化层是直接连接在卷积层之后的。上面说到300个卷积核，共得到300个卷积之后的向量，池化则是对每个向量进行处理。作者采用最大池化策略（max-pooling），具体的说就是对这300个向量中的每个向量，取维度中的最大值。这个的主要想法是取出最重要的特征。池化的结果是得到300个值，可以拼接为300维的向量。
1.4 全连接层：
这里的全连接层接受300维的向量，设n为类别数目，则全连接层的神经元数量为n。通过全连接层，起到分类器的作用，输出结果经过softmax方法，就可以得到各个类别的可能性概率。
下图是文献[2]中给出的网络结构图，参数上不同但结构上是一致的。可能更有助于理解吧。
2. 实验结果
首先给出数据集：
作者在上述数据集上进行实验。实验中作者给出四种变体。CNN-rand：随机初始化单词向量；CNN-static：单通道不可变的预训练单词向量；CNN-non-static：单通道可变的预训练单词向量；CNN-multichannel：双通道可变与不可变相组合的预训练单词向量。
可以看到，在作者的实验结果上看，好于之前的所有分本分类方法。
3. 超参数的分析
重头戏来了。文献[2]对超参数进行了十分详尽的实验，对每个超参数的具体影响进行了考察。我想还是不要展开了，确实很详尽.......这里仅仅给出baseline参数，并给出结论和实践方法论。
调参的实践方法：
（1）以baseline参数作为初始设置
（2）使用单词向量来进行初始化，好于one-hot和随机
（3）寻找最优的卷积核大小值，并适当组合值附近的卷积核
（4）寻找最优的卷积核数量（100~500），调整dropout权重（0~0.5），较弱的l2-norm限制
（5）尝试不同的激活函数（ReLU、tanh和Iden）
（6）1-max pooling
（7）在改变卷积核数量时，重新调整dropout
（8）评价性能时使用CV，多次重复取平均值
4. 结语
作者使用的基于CNN的文本分类方法，使用单词向量表示来作为输入。从特征工程的角度上讲，我认为和传统的文本特征相比，增加了单词的语义特征，卷积核的使用类似于n-grams特征，增加了多种n-grams信息。总之，这是一篇很经典的利用CNN来处理文本分类问题的论文，后来的CNN文本分类可能都有借鉴这篇论文。最后，以上观点只代表笔者所饰演的笔者的观点，与笔者本人无关。如有错误，不吝赐教，不胜感激。
传送门：
大佬博客：http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow/
代码实现：https://github.com/dennybritz/cnn-text-classification-tf
REFERANCE：
1. Kim Y. Convolutional Neural Networks for Sentence Classification[J]. Eprint Arxiv, 2014.
2. Zhang Y, Wallace B. A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification[J]. Computer Science, 2015.