全文总字数：2166字

1. 研究目的与意义及国内外研究现状

卷积神经网络（Convolutional Neural Network, CNN），多用于图像处理等视觉应用场景。的确，CNN 在计算机视觉领域做出了巨大贡献，是当今绝大多数计算机视觉系统的技术核心，在谷歌 AlphaGo、ImageNet 图像分类和 Facebook 图像自动标记等场景得到了广泛应用。但其实，把模型的输入元素从像素点换成文本集，CNN 还可以应用在自然语言处理（Natural Language Processing，NLP）场景中，例如文本分类，而且依然能够取得不错的效果。

在文本分类的应用中相对于其他文本分类方式能够有效地解决不公平性问题，提高工作效率。

国内外研究现状

时至今日，卷积神经网络（Convolution Neural Network, CNN）在数字图像处理领域取得了巨大的成功，从而掀起了深度学习在自然语言处理领域（Natural Language Processing, NLP）的狂潮。2015年以来，有关深度学习在NLP领域的论文层出不穷。尽管其中必定有很多附庸风雅的水文，但是也存在很多经典的应用型文章。目前，我们所看到的CNN在NLP中的应用，大部分的网络结构都非常浅，主要是对于文本的不定长的特点，不好用多层CNN网络去训练，但是如果网络不够深，似乎又无法捕捉到更深层次的特征。如何合理的应用一层或多层卷积神经网络（Convolution Neural Network, CNN），应采取何种策略成为首要问题。

2. 研究的基本内容

1.数据的获取和准备。

2.如何在tensorflow实现卷积神经网络做文本分类。

3.实现卷积神经网络和损失函数最小化。

3. 实施方案、进度安排及预期效果

实施方案：采用tensorflow深度学习框架，实现卷积神经网络做文本分类。

进度安排及预期效果。

1.数据的获取和准备。

4. 参考文献

1.Denny Britz. Implementing a CNN for Text Classification in TensorFlow2.卷积神经网络在NLP领域的实践：文本分类3.Kim, Y. (2014). Convolutional Neural Networks for Sentence Classification. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP 2014), 1746–1751.4. Johnson, R., Zhang, T. (2015). Semi-supervised Convolutional Neural Networks for Text Categorization via Region Embedding.5.Wang, P., Xu, J., Xu, B., Liu, C., Zhang, H., Wang, F., Hao, H. (2015). Semantic Clustering and Convolutional Neural Network for Short Text Categorization. Proceedings ACL 2015, 352–357.6.Shen, Y., He, X., Gao, J., Deng, L., Mesnil, G. (2014). A Latent Semantic Model with Convolutional-Pooling Structure for Information Retrieval. Proceedings of the 23rd ACM International Conference on Conference on Information and Knowledge Management – CIKM ’14, 101–110.7. Santos, C., Zadrozny, B. (2014). Learning Character-level Representations for Part-of-Speech Tagging. Proceedings of the 31st International Conference on Machine Learning, ICML-14(2011), 1818–1826. 8.Kim, Y., Jernite, Y., Sontag, D., Rush, A. M. (2015). Character-Aware Neural Language Models.