看法一：

当我们谈论NLP建模时，我们应该小心。特别地，像RNN这样的序列模型最初被应用于NLP作为改进的语言模型，在给定其上下文的情况下提供可能性。RNN非常适合这种情况，因此我们在处理每个新令牌时都会保持上下文状态的概念。您可以看到这将如何推广到其他令牌级模型，如词性标注。

现在，当我们将这些方法用于对整个句子或文档的单个数量进行建模时，您会发现在序列末尾的单词在影响模型方面的权重通常不成比例。CNN没有这个问题。

CNN用于句子/文档建模的一些直觉是，可以构建一个组合结构，最初代表一个小的局部性，并结合更大的句法结构，类似于语法分析。虽然语法分析（特别是选区语法）之间的“相关性”有点波动，但它基于CNN通常能够将一些“本地”信息传递给更大的结构，最后传递到全局状态的基础。

看法二：

文本还具有局部空间相关性。彼此相邻的词语带有关于邻居的信号。因此，如果你看到“希拉里”这个词，你就知道下面这个词很有可能成为“克林顿”。同样，可以认为文本中的语义单位是短语。

此外，从语法上讲，一个形容词可能后面跟着另一个形容词或名词，一篇文章也可能跟着一个名词。同样适用于所有其他POS标签。

那你为什么要把CNN用于NLP问题呢？很好地模拟这些类型的关系，也因为它们比LSTM更快更容易训练。特别是如果你正在进行分类问题，我认为CNN绝对值得一试，尤其是如果你想要速度的话。作为一个起点，我建议你看看Denny Britz的架构，在那里他通过word2vec嵌入传递卷积。