使用传统Recurrent Neural Networks完成中文文本分类任务

1
提供了BoWEncoder，CNNEncoder，GRUEncoder，LSTMEncoder，RNNEncoder等模型
BoWEncoder 是将输入序列Embedding Tensor在num_token维度上叠加，得到文本语义表征Enocded Texts Tensor。
2
CNNEncoder采用卷积操作，提取局部特征，其特点是可以共享权重。但其缺点同样只考虑了局部语义，上下文信息没有充分利用。

3
RNNEnocder采用RNN方法，在计算下一个token语义信息时，利用上一个token语义信息作为其输入。但其缺点容易产生梯度消失和梯度爆炸

4
LSTMEnocder采用LSTM方法，LSTM是RNN的一种变种。为了学到长期依赖关系，LSTM 中引入了门控机制来控制信息的累计速度， 包括有选择地加入新的信息，并有选择地遗忘之前累计的信息。

5
GRUEncoder采用GRU方法，GRU也是RNN的一种变种。一个LSTM单元有四个输入 ，因而参数是RNN的四倍，带来的结果是训练速度慢。 GRU对LSTM进行了简化，在不影响效果的前提下加快了训练速度。

BOW（Bag Of Words）	非序列模型，将句子表示为其所包含词的向量的加和
RNN (Recurrent Neural Network)	序列模型，能够有效地处理序列信息
GRU（Gated Recurrent Unit）	序列模型，能够较好地解决序列文本中长距离依赖的问题
LSTM（Long Short Term Memory）	序列模型，能够较好地解决序列文本中长距离依赖的问题
Bi-LSTM（Bidirectional Long Short Term Memory）	序列模型，采用双向LSTM结构，更好地捕获句子中的语义特征
Bi-GRU（Bidirectional Gated Recurrent Unit）	序列模型，采用双向GRU结构，更好地捕获句子中的语义特征
Bi-RNN（Bidirectional Recurrent Neural Network）	序列模型，采用双向RNN结构，更好地捕获句子中的语义特征
Bi-LSTM Attention	序列模型，在双向LSTM结构之上加入Attention机制，结合上下文更好地表征句子语义特征
TextCNN	序列模型，使用多种卷积核大小，提取局部区域地特征