用CNN做query相似度任务
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
文章探讨了用CNN替代LSTM进行查询理解的实验。结果显示，CNN在训练集和验证集上的表现优于LSTM，整体提升约3个百分点。尽管可调的Embedding层有所提升，但验证集效果仍不理想，需要进一步分析原因。
🔎
延伸解读
CNN与LSTM的比较
在查询理解任务中，CNN相较于LSTM展现出更好的性能，训练集准确率提升至85.1%。这表明CNN在处理局部特征时更具优势，尤其适合短文本的特征提取。
滤波器大小的影响
实验中使用的滤波器大小为(2,3,4,5)，但调整不同大小并未显著提升效果。这提示研究者在选择滤波器时需谨慎，可能需要探索更复杂的结构或组合方式。
Embedding层的作用
可调的Embedding层在验证集上提升了约2个百分点，显示出其在模型性能中的重要性。未来的研究可以进一步优化Embedding层，以提高整体效果。
验证集效果的局限性
尽管CNN在训练集表现良好，但验证集的效果仍不理想，达到78%。这提示研究者需深入分析模型结构或数据特征，以找出影响性能的潜在因素。
❓
Q&A
为什么选择用CNN替代LSTM进行查询理解？
因为CNN在query理解上表现优于LSTM，整体提升约3个百分点。
CNN在查询理解中的结构是怎样的？
CNN使用多个滤波器进行一维卷积，提取局部特征，并通过max pooling得到隐层向量。
实验中使用了哪些滤波器大小？
实验中使用的滤波器大小为(2,3,4,5)，并尝试过(3,5,7,9)，但效果没有显著提升。
Embedding层的调整对验证集效果有何影响？
Embedding层可调后，验证集效果提升至0.771，整体提升约2个百分点。
实验结果显示CNN和LSTM的准确率分别是多少？
LSTM的验证集准确率为0.758，而CNN的验证集准确率为0.751。
验证集效果不理想的原因可能是什么？
可能是CNN的网络结构不够好，或滤波器长度不足，但长滤波器实验未显著提升效果。
🏷️
