Neural network 如何在keras CNN（2D）中使用word2vec进行文本分类？

有一个没有word2vec的卷积1D示例

目前，我正在使用gensim来训练word2vec模型

我想用word2vec和KerasCNN（2D而不是1D）来做文档分类（中文文本）。我在cnn学习了文本分类的基本流程，想做一个测试

例如（我想象的步骤）：

使用一个好的电影化文本集来训练word2vec模型

model = gensim.models.Word2Vec(new_sentences, workers=10, size=200, min_count=2)

将我的句子数据集标记为单词列表数据集（最长的句子超过8000个单词，最短的少于50个）

使用方法将单词列表数据集转换为word2vec数据集

通过训练模型将每个年龄段中的每个单词转换为一个vec

1     [[word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200]]
2     [[word2vec size=200], [word2vec size=200]]
...
9999  [[word2vec size=200], [word2vec size=200], [word2vec size=200]]

Pad word2vec数据集（大小=200零数组）

转到CNN（使用卷积2D）

---

---

我搜索了很长时间，但找不到任何方法来执行步骤3（步骤3之后，步骤5中的参数和层设置也很难理解）

将单个句子转换为二维向量

假设您有一个单词列表和一个模型，您可以：

import numpy as np
sentence_vec = None
for word in sentence:
    word_vec = np.expand_dims(model[word], axis=0)
    if sentence_vec is None:
        sentence_vec = word_vec
    else:
        sentence_vec = np.concatenate((sentence_vec, word_vec), axis=0)

---

至于第5步-如果你列出你遇到的问题，这将是很有帮助的。基本上，您只需将两个1D操作（卷积1D、GlobalMapooling1D）更改为它们的2D计数器部件。

谢谢，没想到它这么简单，只需

model[word]

！我查看了gensim.models.Word2Vec的所有方法，但没有找到类似于

transform

的东西，这甚至让我想到如果我选择了错误的库。。。关于

第5步

，我只是不知道它需要多少层，每一层使用哪一个退出？什么激活功能？等这一步很难理解。如果没有特定问题的经验，很难猜测哪种体系结构工作得最好。我建议寻找做类似事情的文章，并尝试他们正在做的事情。这将包括您链接但更新为2D的1D示例，以及在文本上进行CNN的其他作品（CharCNN和其他）。这主要是一个反复试验的问题。我发布了一个关于如何使用

卷积2D

的问题，您是否介意看看：

1     [[word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200]]
2     [[word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200]]
....
9999  [[word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200], [word2vec size=200]]

import numpy as np
sentence_vec = None
for word in sentence:
    word_vec = np.expand_dims(model[word], axis=0)
    if sentence_vec is None:
        sentence_vec = word_vec
    else:
        sentence_vec = np.concatenate((sentence_vec, word_vec), axis=0)