本研究旨在通过 Dependency Sensitive Convolutional Neural Networks (DSCNN) 分类系统实现句子和文档的表示，不需要依靠解析器和昂贵的短语标记，拓展了句子层级处理的任务范围，并以其在情感分析、问题分类和主观分类等任务中取得的最新表现获得了验证。

Nov, 2016

本研究提出了一种基于树的卷积神经网络（TBCNN），用于区分性句子建模。文章通过 constituency trees 或 dependency trees 提取句子的结构特征，并通过最大池聚合这些特征。我们评估了我们的模型在情感分析和问题分类两个领域的表现，TBCNN 的表现均优于以前的最新结果，包括现有的神经网络和专门的特征 / 规则工程方法。我们还努力可视化基于树的卷积过程，来解释我们的模型工作原理。

Apr, 2015

本文提出了一种将传统基于特征的方法、卷积神经网络以及循环神经网络相结合的方法，以在关系提取任务上取得最先进的结果。

Nov, 2015

本文提出了基于 CNN 编码器和 LSTM 解码器的分布式句子表征学习方法，旨在实现对多种任务的应用。作者通过训练模型在大规模小说数据集上获得高通用性的卷积句子编码器，并通过多项实验表明该模型在各类应用中均优于竞争方法。

Nov, 2016

本文提出了一种基于循环神经网络的简单框架，并将其与基于卷积神经网络的模型进行比较。该模型在处理句子关系分类问题时具有学习长距离依赖关系模式的优点，并在使用 MIMLRE 数据集的实验中表现出优异的性能。

Aug, 2015

本文介绍了一种称为动态卷积神经网络的卷积架构，它使用动态 k-Max 池化进行句子的语义建模，并通过四项实验（二进制和多类情感预测，六路问题分类和推特情感预测）展示了出色的表现。

Apr, 2014

使用预训练字向量对卷积神经网络进行训练，支持 fine-tuning 并结合静态和动态字向量，以提高句子级分类准确率并在多项基准测试中超越现有技术。

Aug, 2014

本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

Jun, 2017

本文研究了使用卷积神经网络的文本分类的新基准模型，在这些模型中，将文档作为三维张量表示进行输入，从而实现了句子级分析，经实验证明该模型在长文档特别表现良好。

Jan, 2023

本文提出了一种名为 TextConvoNet 的基于卷积神经网络的体系结构，不仅可以提取句内 n-gram 特征，还可以捕获输入文本中的句间 n-gram 特征，进而优于现有的文本分类用的机器学习和深度学习模型。

Mar, 2022