TextCNN 的原理与适用场景
哪些公司问过
答案要点
- 输入为词向量矩阵,多种高度卷积核提取不同长度的 n-gram 特征
- 每个卷积核输出做最大池化,拼接后经 dropout 和全连接分类
- 结构简单、可并行,训练和推理快,适合低延迟场景
- 擅长短文本分类,关键短语即可决定类别
- 局限:缺乏长距离依赖与语序建模,复杂任务通常不如预训练模型
易错点
- 卷积核宽度只覆盖部分词向量维度,TextCNN 中通常等于整个维度
- 认为 TextCNN 能很好建模长距离依赖
- 把 TextCNN 用于长文档且不做截断或分段
面试官常见追问
- 为什么用最大池化而不是平均池化?
- 词向量用随机初始化还是预训练?
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。