背景

从公司大佬哪儿得知，CNN在query理解上有难以被超越的效果（当然除了bert类的巨无霸模型），就尝试了下。

做法

仍然使用 上一篇博客 中的query相似度任务和数据，同样用孪生网络来做，不过表征query向量的LSTM替换成了CNN，对比CNN和LSTM在query理解上效果的差异，CNN结构参考14年的一篇 paper 来做。

CNN结构先用多个滤波器做卷积，滤波器的某一维与词向量维度大小保持一致，做一维卷积。对每个样本和每个滤波器，都会产生一个一维向量，再做max pooling，得到隐层向量。多个滤波器得到的隐层向量concat起来，再过一个fc全连接层，得到最终的query向量。

网络结构如下

1. 一维卷积比较有趣，必须保证滤波器能接受到完整的词向量，所以卷积操作的结果一定是个一维的。
2. 不同滤波器的大小可以理解为对当前窗口内的term做的一个映射，从这些term中提取出局部特征输出，后续的max pooling 则取到当前窗口的有效值。假如滤波器大小为2，就是对每两个相邻的term做一个特征提取，如果是3，就是每相邻的3个term做特征提取。试验大多是用的(2,3,4,5)四个滤波器，有尝试过(3,5,7,9)，效果并没有显著提升。

实验数据如下： |实验内容|训练集acc|验证集acc| |–|–|–| |LSTM | 0.810 | 0.758 | |cnn base| 0.851 | 0.751 | |Embedding层参数可调| 0.960 | 0.771 | |提高dropout到 0.6| 0.874 | 0.786 | 滤波器用的(2,3,4,5)，调整无明显的提升。试验的数据基本是在10个epoch内选择验证集最优的结果。 数据中term数量呈大概的正态分布，以6为中心，分布在[0, 20]之间

结论

1. 一维卷积比较有趣。卷积提取局部特征，在短语料场景会比较有效。
2. Embedding 层调整大约有2个点的提升。
3. 整体相对于LSTM提升3个点。

思考

验证集78%，效果不够好的掣肘在哪里？Embedding 层做成可调，那么w2v向量应该不会是效果差的原因。CNN的网络结构不够好？滤波器太短？但是已经做实验了长的滤波器没有显著提升。