本文通过构建大规模数据集，比较了基于字级别的卷积神经网络与传统模型如词袋、n-gram及基于词的卷积神经网络和循环神经网络在文本分类方面的表现。结果表明，基于字级别的卷积神经网络能够达到当前领域最佳或竞争性的结果。

Sep, 2015

本文提出了基于卷积神经网络的、能够自动获取丰富n-gram特征的中文分词模型，并结合词嵌入有效地解决了单个字不足以表示完整词汇信息的问题，经过在PKU和MSR两个基准数据集的实验，该模型在两个数据集上均表现出有竞争力的性能。

Nov, 2017

探讨了是否需要将中文文本分词为词语的问题，并对基于分词和不基于分词的神经网络模型在四个自然语言处理任务上进行了比较。研究发现，不基于分词的字符级模型在数据稀疏性和词汇量不足等复杂情况下更加鲁棒。

May, 2019

使用韩语作为案例语言，比较使用不同编码方案（Jamo级别独热、字符级别独热、字符级别稠密、字符级别多热）所得到的分类效果，结果显示字符级别特征较优秀。

May, 2019

本文填补了中文文本识别领域的数据集缺失和统一的评测标准，提出了搜集四大类中文文本数据集的方法，为各类应用场景提供基准，并探究了基于偏旁部首的辅助方法对中文识别性能的提升。

Dec, 2021

该论文提出了一种新的方法Byte2Word，通过引入交叉注意力网络建立单词级别的表示，并基于单词级别的隐藏状态进行子词级别的预测，从而实现了更精简的输入嵌入方式，同时在语言模型和文本分类上表现出与强大的基准模型BERT相当的性能。

Nov, 2022

提出Moto模型以融合汉字的语义信息，包括偏旁部首、拼音码和五笔码以提高中文文本分类性能。通过对四项任务的广泛实验，该模型在中文新闻标题，复旦语料库和清华新闻上实现显著改善，F1得分最高可达0.8316，词性标注任务的准确率可达96.38％，文本分类任务的准确率可达0.9633。

Dec, 2022

本文提出了一种混合粒度的中文BERT模型（MigBERT），通过同时考虑字符和词来学习其特征表示，并在各种中文NLP任务上进行了广泛的实验以评估现有的PLMs以及所提出的MigBERT，实验结果表明，MigBERT在所有这些任务中都实现了新的最佳表现，MigBERT还能与日语一起使用。

Mar, 2023

本文提出了一种混合粒度的中文BERT模型（MigBERT），通过同时考虑字符和词，设计了学习字符和单词级表示的目标函数，在各种中文NLP任务上获得了新的SOTA性能，实验结果表明，单词语义比字符更丰富，而MigBERT也适用于日语。

Mar, 2023

该研究通过深度学习和嵌入可视化对多语言文本分类方法进行比较研究，特别关注FastText和Sentence Transformer模型，并探索了维度对聚类的影响。研究结果显示，FastText在二维可视化中显示出更清晰的聚类效果，取得了显著的准确性、精确率、召回率和F1分数，优于Sentence Transformer模型。该研究强调了这些技术在多语言文本分类中的有效性，并强调了使用大型多语言语料库进行嵌入训练的重要性。它为未来的研究奠定了基础，并辅助开发语言检测和分类系统。此外，研究还对多层感知机、LSTM和卷积模型进行了比较。

Dec, 2023