摘要
文本分类是自然语言处理（NLP）诸多应用中的基础性任务。传统文本分类方法通常依赖大量人工设计的特征，例如词典、知识库以及特定的树核（tree kernels）等。与传统方法不同，本文提出一种无需人工设计特征的循环卷积神经网络（recurrent convolutional neural network）用于文本分类。在所提出的模型中，我们引入循环结构，在学习词向量表示时尽可能捕捉上下文信息，相较于传统的基于窗口的神经网络，该方法可显著降低噪声干扰。此外，我们还采用最大池化（max-pooling）层，自动识别在文本分类中起关键作用的词汇，从而有效提取文本中的核心语义成分。我们在四个常用数据集上进行了实验，结果表明，所提出的方法在多个数据集上优于当前最先进的方法，尤其在文档级（document-level）数据集上表现更为突出。