摘要
本文提出了一种低复杂度的词级别深度卷积神经网络（CNN）架构，用于文本分类任务，能够高效地捕捉文本中的长距离依赖关系。在现有研究中，已有多项针对该任务提出的深度且复杂的神经网络模型，其设计通常基于大量训练数据的假设。然而，随着网络深度的增加，计算复杂度显著上升，这在实际应用中带来了严峻挑战。此外，近期研究发现，即使在大规模训练数据的设置下，浅层词级别CNN在准确率和运行速度上也优于当前最先进的极深层网络（如字符级别CNN）。受此启发，我们系统研究了词级别CNN的深度扩展策略，以捕捉文本的全局语义表征，最终发现一种简洁的网络架构：通过增加网络深度即可显著提升性能，而计算开销几乎不增加。我们将其命名为“深度金字塔CNN”（Deep Pyramid CNN）。实验结果表明，该模型在包含15个权重层的情况下，在六个基准数据集（涵盖情感分类与主题分类任务）上均超越了以往最优模型的性能表现。