TextCNN
Convolutional Neural Network for Text Classification (TextCNN) · Ayrıca şöyle bilinir: CNN — Metin Sınıflandırma (TextCNN), convolutional neural network for sentence classification, sentence-level CNN, TextCNN
TextCNN, Yoon Kim tarafından 2014 yılında tanıtılan, kelime gömme vektörleri üzerinde farklı pencere boyutlarına sahip paralel evrişim filtreleri uygulayarak yerel n-gram örüntülerini yakalayan bir metin sınıflandırma evrişimli sinir ağıdır. Duygu analizi ve konu sınıflandırması için hızlı ve etkilidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlenmiş metinlerden sınıflandırma veya tahmin yapma için uygundur — duygu analizi veya konu sınıflandırması — makul büyüklükte etiketlenmiş bir veri kümeniz olduğunda (en az yaklaşık 200 belge, daha rahat 500+) ve kullanıma hazır Word2Vec veya GloVe gibi önceden eğitilmiş kelime gömme vektörleri bulunduğunda. Normal dağılımlı veri gerektirmez. Çok küçük metin kümelerinde (yaklaşık 100 belgenin altında) derin öğrenme başarısız olur ve klasik bir TF-IDF artı makine öğrenmesi işlem hattı yeterlidir; yaklaşık 100 ila 500 belge arasında gradyan artırma (gradient boosting) daha güvenli bir seçimdir çünkü TextCNN aşırı uyuma eğilimindedir.
Güçlü yönler & sınırlılıklar
- Eğitimi hızlıdır ve duygu analizi ile konu sınıflandırması için etkilidir.
- Birden fazla pencere boyutuna sahip paralel filtreler aracılığıyla yerel n-gram örüntülerini yakalar.
- Konumdan bağımsız: maksimum havuzlama anahtar ifadeyi metinde nerede görünürse görünsün yakalar.
- Manuel özellik mühendisliği olmadan anlamı kodlamak için önceden eğitilmiş kelime gömme vektörlerinden yararlanır.
- İyi performans göstermesi için etiketlenmiş bir metin veri kümesi ve önceden eğitilmiş kelime gömme vektörleri gerektirir.
- Küçük veri kümelerinde aşırı uyuma eğilimindedir: yaklaşık 500 belgenin altında n-gram örüntüleri güvenilir bir şekilde öğrenilmez.
- Yaklaşık 100 belgenin altında derin öğrenme tamamen başarısız olur ve daha basit modeller tercih edilir.
- Yalnızca yerel pencereleri yakalar, bu nedenle bir belge boyunca çok uzun mesafeli bağımlılıkları modellemek daha zordur.
SSS
Ne kadar etiketlenmiş metne ihtiyacım var?
TextCNN, birkaç yüz etiketlenmiş belge veya daha fazlasıyla en iyi şekilde çalışır. Yaklaşık 500'ün altında aşırı uyuma eğilimindedir ve n-gram örüntüleri güvenilir bir şekilde öğrenilmez, yaklaşık 100 belgenin altında ise derin öğrenme tamamen başarısız olur — bu durumda klasik bir TF-IDF artı makine öğrenmesi işlem hattı yeterlidir.
Önceden eğitilmiş kelime gömme vektörlerine ihtiyacım var mı?
Word2Vec veya GloVe gibi önceden eğitilmiş gömme vektörleri varsayılır ve şiddetle tavsiye edilir. Büyük veri kümelerinden öğrenilen kelime anlamlarını kodlarlar, bu da etiketlenmiş kümeniz mütevazı olduğunda özellikle değerlidir.
Farklı pencere boyutları ne işe yarar?
Her pencere boyutu, bir filtrenin farklı uzunluktaki ifadeleri — örneğin üç, dört veya beş ardışık kelimeyi — incelemesine olanak tanır. Paralel olarak birden fazla boyutu çalıştırmak, farklı uzunluklardaki n-gram örüntülerini yakalar ve hassasiyet analizi bunları seçmeye yardımcı olabilir.
Ne zaman farklı bir yöntem seçmeliyim?
Çok küçük metin kümelerinde (yaklaşık 100 belgenin altında) TF-IDF artı klasik makine öğrenmesi modeli kullanın; yaklaşık 100 ila 500 belge arasında gradyan artırma (gradient boosting) daha güvenli bir seçimdir, çünkü veri kıt olduğunda TextCNN aşırı uyuma eğilimindedir.
Kaynaklar
- Kim, Y. (2014). Convolutional Neural Networks for Sentence Classification. EMNLP. DOI: 10.3115/v1/D14-1181 ↗
- Zhang, Y. & Wallace, B. (2015). A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification. arXiv:1510.03820. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Convolutional Neural Network for Text Classification (TextCNN). ScholarGate. https://scholargate.app/tr/deep-learning/cnn-text-classification
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Yönlü RNNDerin öğrenme↔ karşılaştır
- Genişletilmiş Evrişimli Sinir AğıDerin öğrenme↔ karşılaştır
- Kapılı Tekrarlayan Birim (GRU)Derin öğrenme↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır