版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u014665013/article/details/80822317
RCNN
刚看到这个模型的时候你可能回想，就是RNN后面连上CNN呗，话说完之后你自己肯定也会觉得很不负责，我也是，开始以为这就是一个“垃圾”的简单模型，但是还是忍不住找到了paper拿来读一读，读完之后虽然没有大彻大悟，但是感觉这种思想算是吧RNN和CNN融会贯通了，当然这个模型也只是在textCNN基础上用RNN来替代，获取语义上下文罢了。
虽然这个思想很不错，但是在很多分类实践中，效果可能还没有textCNN效果好，笔者的理解是可能你的文本分类本身就相对规则，谈到这里，我再整理下之前的几个模型，从简到繁：
- 想想为什么fasttext效果会好，笔者认为是因为相对规则的句法，训练一个基于word-bag的词向量，再加一个线性分类器就可以分类了，这里比word-embedding优秀在能把这个词向量不断根据线性分类器调节，让其更加适合线性分类器
- 那textcnn呢？他的优点又在哪里？当然是CNN里面的滑动窗口的思想啦，就像图像处理里面的pooling一样，这里只不过pooling的是结果单词，其实种方式就是n-gram，说到这里，你应该就能恍然大悟了，这不就是增加了简单的语义信息吗？几个词之间的联系考虑进来了，对的，确实是这样。
- 最后再说说今天的主角，就是RCNN，它比textcnn的优势是能用RNN获取整个doc的语义信息，然后在用CNN中的pooling的思想来解决，只不过在pooling的时候没有用到像textcnn一样的窗口的思想，paper里说原因是窗口不好选择，所以直接每个维度上进行max_pooling，这样直接吧结果做成了一个vector.
