用于句子分类的卷积神经网络

训练卷积神经网络进行情感分析。基于Yoon Kim的论文《用于句子分类的卷积神经网络》，链接。受Denny Britz的文章《在TensorFlow中实现用于文本分类的CNN》启发，链接。

对于“CNN-rand”和“CNN-non-static”，准确率可达88%-90%，而“CNN-static”则为85%。

与原文的一些不同之处：

• 使用更大的IMDB语料库，句子也更长；句子长度与数据量一样重要。
• 嵌入维度较小，为20，而非300。
• 只使用2种滤波器尺寸，而不是原文中的3种。
• 滤波器数量大大减少；实验表明3-10个就足够了，而原作使用了100个。
• 在IMDB语料库上，随机初始化的效果并不比word2vec初始化差。
• 使用滑动最大池化，而非原文中的全局池化。

依赖项

• 应安装Keras深度学习库以及最新版本的Theano后端。可以使用pip进行安装。 尚未在TensorFlow上测试过，但理论上应该可以运行。

CNN-for-Sentence-Classification-in-Keras 快速上手指南

本指南基于 Yoon Kim 的经典论文《Convolutional Neural Networks for Sentence Classification》，帮助开发者快速在 Keras 框架下构建用于情感分析的卷积神经网络（CNN）。该实现在 IMDB 数据集上可达到 88%-90% 的准确率。

环境准备

• 操作系统：Linux、macOS 或 Windows（需配置相应 Python 环境）
• Python 版本：推荐 Python 3.6+
• 核心依赖：
  • Keras 深度学习库
  • Theano 后端（官方主要测试环境）
  • 注：虽然未正式测试，但该代码通常也兼容 TensorFlow 后端。

安装步骤

建议使用国内镜像源加速安装过程。以下命令使用清华大学开源软件镜像站。

1. 安装 Theano 后端

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple theano
   

2. 安装 Keras

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple keras
   

3. 验证安装 确保 Keras 配置文件 ~/.keras/keras.json 中的 backend 字段设置为 "theano"（如需使用 TensorFlow 后端，请改为 "tensorflow" 并确保已安装 tensorflow 包）。

基本使用

本项目主要用于训练和评估句子分类模型。假设你已克隆仓库并进入项目目录，以下是运行训练的最简示例。

启动训练

直接运行主脚本即可开始在 IMDB 数据集上进行训练。默认配置使用了较小的嵌入维度（20）和较少的滤波器数量（3-10），以复现论文中的高效设置。

python cnn_sentence_classification.py

关键参数说明（代码内调整）

• 模型变体：代码支持 CNN-rand（随机初始化）、CNN-non-static（微调预训练向量）和 CNN-static（固定预训练向量）。
• 数据特性：本实现使用了更大的 IMDB 语料库和更长的句子长度，这对最终性能至关重要。
• 池化策略：采用了滑动最大池化（Sliding Max Pooling）替代原文的全局池化。

运行结束后，终端将输出模型在测试集上的准确率（预期范围：85%-90%）。