·阅读摘要：
提出基于3层LSTM和CNN网络结构的ResLCNN深度学习模型。该模型使用了3层LSTM获取文本的长距离依赖，用CNN通过卷积获取句子局部特征，同时使用了残差模型，在第1层LSTM层与CNN层之间加入恒等映射，构建残差层，缓解深层模型梯度消失问题。
·参考文献：
[1] 短文本分类的ResLCNN模型
参考论文信息
论文名称：《短文本分类的ResLCNN模型》
发布期刊：《软件学报》
期刊信息：CSCD
本文是2017年提出的，模型较为简单，年份也比较老，感觉没太大的参考价值了。
模型结构
模型结构如下：
1. 长短时记忆网络
。
2. 卷积神经网络
通过卷积层对单词进行卷积运算，将低级特征组合形成更高级的特征表示，可以得到更高级的特征信息，这可以直观地理解为从单词到词组的特征学习,比如学习词组 neural network的含义。然后通过池化层(max-over-time pooling)，针对卷积得到的若干特征值，保留最有价值的特征。
3. ResLCNN模型
ResLCNN模型以Word2vec和GloVe词向量构成的句子矩阵作为输入，第1层LSTM根据隐藏层和记忆单元获取文本时序特征，随后残差层包含两层 LSTM，接着 CNN层使用多个卷积核进行卷积运算,并提取最优卷积特征通过softmax分类。ResLCNN模型为了获取更复杂的特征，将3层LSTM结合CNN构建深层网络，同时在第1层LSTM输出与CNN层输入之间添加恒等映射，构建残差层缓解训练模型阶段低网络层梯度消失问题。