2015年的经典分类论文整理如下
1.character-level-convolutional-networks-for-text-classification
基本信息：2015 nips 1000+
模型参数：字符个数70，亦即特征有70；输入长度是1014，每个字母可以是one-hot或者是embedding；非padding，在文本长度上做pooling；下图仅仅是指示conv和pool的计算方式，维度上并没有与原论文对应。
优势：不需要已有的语法或者语义信息；能够处理很多语言，因为它所有语言都是通过character组成的；也能检测到拼写错误和表情符号。
2.Recurrent Convolutional Neural Networks for Text Classification
基本信息：2015 AAAI 500+
提出问题：传统特征表达忽略了上下文信息和词序；high-order n-gram 会出现数据稀疏问题；recursive NN可以表达文本，但是时间复杂度是O(n2)；RNN是一个有偏向性的模型，后来的词比较重要。
解决问题：RNN捕捉上下文信息，而max-pooling选取最重要的信息给分类。
共性知识：CNN可以很好地检测到语义信息
先通过双向RNN处理，而后再通过乘以权重、最后pooling
