近年来,深度学习发展迅猛,在多方面取得了显著成就。实践表明,深度卷积神经网络在很多人工智能的应用中非常有用,尤其在推荐系统、图像识别与分割、语音识别领域,有很多应用已经证明这些方法非常有效。在视觉方面,深度卷积神经网络除了为机器人和自动驾驶汽车的视觉提供动力之外,还成功地识别了人脸,物体和交通标志。与此同时,越来越多的人们尝试将深度卷积神经网络应用在自然语言处理领域。情感分析是自然语言处理中一项基础的研究。情感分析是一种方法,它可以确定一段文字是积极的或者是消极的又或者是中立的。通常它也被称为意见挖掘,用以获得发言者的意见或态度。这项技术的常见用例是发现人们对特定主题的看法,为公司、政府等部门提供舆论情报挖掘。假设你想知道微博上的人认为某明星演技情况。可以利用微博上的留言数据来回答这个问题。你甚至可以通过确切地提取人们为什么或不喜欢这个明星的关键词来了解人们认为这位明星是好还是坏的原因。例如,如果“外表”显示为消极评论的常见主题,那么我们立即就会明白观众为什么不开心。通常我们可以利用词向量数值化表示单词,来进行语义的情感分类任务。词向量相较于one-hot编码更加朴素自然。它最大的优势来源于它的稀疏性,是单词的稀疏编码,由一个隐含层通过迭代学习形成的一个低维度向量空间。在这个低维空间中,词向量能够得到一些重要语法特征,同义词和近义词有着更为接近的欧式距离。卷积神经网络利用多个卷积过滤层提取较高抽象的特征。卷积神经网络最早由计算机视觉技术转化而来,通常情况下,我们可以把卷积层看做某种滤波器。卷积神经网络可以为各种各样的任务提供人工智能化解决方案。和图像分类类似,在自然语言处理领域,卷积神经网络也同样能够很好的工作。简单、高效,使得卷积神经网络是数据建模的最佳选择。尽管传统的神经网络为大数据模型的训练提供了一种强大的参数学习机制,但并不是说神经网络处理任何问题都通用。神经网络模型仍然有缺陷。在使用时它的不够灵活、不可解释一直是困扰神经网络和深度学习的重大问题。有时候我们的模型甚至是反直觉的。反过来说,这些缺陷也使得用人类的意图来直接指导模型非常困难。一直以来,卷积神经网络由于它黑盒的特质,它的诊断和调试往往都需要不断重复和尝试,这是一个痛苦的过程。当出错时是我们无法精确定位到参数的位置和问题。后文中会重点以文本情感为例,结合实践讨论如何将卷积神经网络应用在它本不擅长的领域结合深度学习和结构化的规则对于解释神经网络非常有利,我们也需要结合神经网络和结构化的逻辑规则来提高模型的灵活性。我们通过“蒸馏法”把结构化信息转化成神经网络的参数或权重,利用这一框架,只需加入一些简单的结构化规则即可强化神经网络。在文章的最后,我们以文本情感分析为例,在模型中加入了一些语法规则,成功达到优化卷积神经网络准确度和加快训练速度的目的。在竞赛或者工业界的实践中,可以快速将一些直觉和见解融入最终结果,提高模型指标。