Text-CNN 的结构和特点
哪些公司问过
答案要点
- 结构:词嵌入矩阵 → 多尺寸一维卷积 → max-over-time pooling → 拼接 → dropout+全连接 → softmax
- 卷积核宽度等于词向量维度,高度为窗口大小,只沿词序方向滑动,提取n-gram特征
- max pooling取每个特征图最大值,得到与句长无关的定长表示
- 优点:参数少、并行度高、速度快,善于捕捉局部关键短语,适合短文本分类
- 缺点:感受野受窗口限制,难建模长距离依赖,池化丢失位置和词序信息
易错点
- 说成用二维卷积在词向量维度上滑动,混淆与图像CNN的区别
- 忘记说明max pooling解决变长输入、得到定长向量的作用
- 夸大其长文本建模能力,忽略窗口受限和丢失词序的问题
面试官常见追问
- 为什么卷积核宽度要等于词向量维度?
- Text-CNN的词向量有哪些用法?
- 怎么让Text-CNN处理更长的依赖?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。