K-MaxPooling的意思是：原先的Max Pooling Over Time從Convolution層一系列特征值中只取最強(qiáng)的那個(gè)值，那么我們思路可以擴(kuò)展一下，K-Max Pooling可以取所有特征值中得分在Top –K的值，并保留這些特征值原始的先后順序（圖3是2-max Pooling的示意圖），就是說通過多保留一些特征信息供后續(xù)階段使用。

?

圖3 .2-max pooling

很明顯，K-Max Pooling可以表達(dá)同一類特征出現(xiàn)多次的情形，即可以表達(dá)某類特征的強(qiáng)度；另外，因?yàn)檫@些Top K特征值的相對(duì)順序得以保留，所以應(yīng)該說其保留了部分位置信息，但是這種位置信息只是特征間的相對(duì)順序，而非絕對(duì)位置信息。

|Chunk-Max Pooling

Chunk-MaxPooling的思想是：把某個(gè)Filter對(duì)應(yīng)的Convolution層的所有特征向量進(jìn)行分段，切割成若干段后，在每個(gè)分段里面各自取得一個(gè)最大特征值，比如將某個(gè)Filter的特征向量切成3個(gè)Chunk，那么就在每個(gè)Chunk里面取一個(gè)最大值，于是獲得3個(gè)特征值。（如圖4所示，不同顏色代表不同分段）

?

圖4. Chunk-Max Pooling示意圖

乍一看Chunk-Max Pooling思路類似于K-Max Pooling，因?yàn)樗彩菑腃onvolution層取出了K個(gè)特征值，但是兩者的主要區(qū)別是：K-Max Pooling是一種全局取Top K特征的操作方式，而Chunk-Max Pooling則是先分段，在分段內(nèi)包含特征數(shù)據(jù)里面取最大值，所以其實(shí)是一種局部Top K的特征抽取方式。

至于這個(gè)Chunk怎么劃分，可以有不同的做法，比如可以事先設(shè)定好段落個(gè)數(shù)，這是一種靜態(tài)劃分Chunk的思路；也可以根據(jù)輸入的不同動(dòng)態(tài)地劃分Chunk間的邊界位置，可以稱之為動(dòng)態(tài)Chunk-Max方法（這種稱謂是我隨手命名的，非正式稱謂，請(qǐng)注意）。

Chunk-Max Pooling很明顯也是保留了多個(gè)局部Max特征值的相對(duì)順序信息，盡管并沒有保留絕對(duì)位置信息，但是因?yàn)槭窍葎澐諧hunk再分別取Max值的，所以保留了比較粗粒度的模糊的位置信息；當(dāng)然，如果多次出現(xiàn)強(qiáng)特征，則也可以捕獲特征強(qiáng)度。

Event Extraction via Dynamic Multi-Pooling Convolutional Neural Networks這篇論文提出的是一種ChunkPooling的變體，就是上面說的動(dòng)態(tài)Chunk-Max Pooling的思路，實(shí)驗(yàn)證明性能有提升。Local Translation Prediction with Global Sentence Representation 這篇論文也用實(shí)驗(yàn)證明了靜態(tài)Chunk-Max性能相對(duì)MaxPooling Over Time方法在機(jī)器翻譯應(yīng)用中對(duì)應(yīng)用效果有提升。

如果思考一下，就會(huì)發(fā)現(xiàn)，如果分類所需要的關(guān)鍵特征的位置信息很重要，那么類似Chunk-Max Pooling這種能夠粗粒度保留位置信息的機(jī)制應(yīng)該能夠?qū)Ψ诸愋阅苡幸欢ǔ潭鹊奶嵘饔?；但是?duì)于很多分類問題，估計(jì)Max-Pooling over time就足夠了。

比如我們拿情感分類來說，估計(jì)用Chunk-max策略應(yīng)該有幫助，因?yàn)閷?duì)于這種表達(dá)模式:

“Blablabla….表?yè)P(yáng)了你半天，BUT…..你本質(zhì)上就是個(gè)渣”

與這種表達(dá)模式

“雖然說你是個(gè)渣，但是…..Blablabla…..歐巴我還是覺得你最好，因?yàn)槟阕顜洝?/p>

明顯位置信息對(duì)于判別整體情感傾向是有幫助作用的，所以引入位置信息應(yīng)該有幫助。

所以，你分析下你手頭的問題，看看位置是不是重要特征，如果是，那么套用一下Chunk-Max策略，估計(jì)性能會(huì)有提升，比如上面舉的情感分類問題估計(jì)效果會(huì)有提升。