Motivation：
Razavian等人(2014)使用预训练特征提取器在图像分类任务上取得了不错的效果，同时CNN在自然语言处理的任务上的应用也很有效。受此启发，本文作者使用预训练的词向量搭建一个简单的CNN网络。实验表明：在句子分类任务上，预训练的词向量+简单CNN模型往往比复杂的大型神经网络的分类效果好。
核心思想：
一般情况下，使用CNN进行句子分类是先将单词用向量表示，这个向量是随机初始化的。然后在训练过程中逐渐对词向量进行更新，使相似的单词在距离上相近，最终识别输入句子的类型。（本文的Baseline）
本文使用Mikoliv等人在100 billion个单词上训练的词向量作为以下三个模型的输入：
- 在训练过程中，这些词向量始终不变（CNN-static）；
- 在训练过程中，允许对词向量进行微调，即更新词向量（CNN-non-static）；
- 综合上面两种情况，设置两个channel，一个channel的词向量不变，一个微调(CNN-multichannel)。
模型结构：
实验结果：
Baseline是效果最差，这也符合我们直观理解。因为从0训练词向量的效果，肯定不如使用大量预料训练过的词向量好。
虽然模型简单，但上面三种模型的分类效果都能达到业界顶尖水平。CNN-non-static还是比CNN-static的效果更好一点，因为CNN-non-static毕竟对词向量进行更新，学习到了和训练集相关的特征。
总的来看CNN-non-static的效果最好，对于CNN-multichannel性能下降的一个合理的解释是：不应该使用一整个非静态的channel而是只要增加一个可以修改的维度就可以了。
启发：
- 对于在训练集中未出现过的单词，模拟预训练单词的分布能够达到更好的效果。论文中考虑了方差，所以考虑均值+方差的会不会更好一点。
- 使用Dropout往往会有意想不到的效果。
- CNN网络的容量很大，能够提升模型性能。