使用CNN做文本分类已经有一段时间了，之前在封闭式测试集中模型的表现还是不错的。但是，拿到实际环境汇总测试，问题就来了。模型过拟合严重，泛化能力弱。最终带来的结果是，用户体验不佳。

改进的方面：

　　1）改变字符向量为词向量。实际发现，以字符为单元的模型，在数据量少的情况下（10W以下），更容易过拟合，词向量因具有最小语义单元的特性，能客服该问题

　　2）加入预处理工作。主要是去表情符，以“/微笑”等形式的文本如果不处理干净，非常影响短文本的长度，带来模型性能下降

　　3）优化jieba分词的用户自定义字典。观察jieba分词后的语料，还是有很多分错的词，在垂直领域有很多特定词汇，我们需要根据任务将这些特定词汇加入分词词典，以使之分词正确

　　4）提升模型精度。

　　　　模型优化调参是重要的一个部分。在我的过程中影响最大的还是预训练词向量，迭代次数（稍不注意就会模型过拟合），batch size的大小（尽可能的大一些，模型收敛会更平稳）。

　　　　谨慎地细心的扩充数据源。增加数据往往是一个很好的思路，这样可以数据可以“告诉”我们更多的信息，而不是仅仅依靠假设和弱相关性来构建模型，更多的数据无疑能带来更好更精确的模型。 比较好的正负样本是1:5.

 

以上是近期的一个模型优化感悟，现在发现，针对短文本聊天内容分类，这个任务还是很难做的。希望对你有帮助。

版权声明：本文为demo-deng原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/demo-deng/p/10898455.html