Dynamic convolutional neural network是由 Kalchbrenner et al.(2014, 牛津)在 A Convolutional Neural Network for Modelling Sentences 提出，相較於人為或提前給定的語法樹，而本文提出文字之間的關聯可藉由網路歸納出來，不需要外部建立。
網路概念
當時的背景下，NLP的主要工作在於建立語言學結構，而這樣的結構通常是人為或提前給定的語法樹，而本文提出文字之間的關聯可藉由網路歸納出來，不需要外部建立。利用網路向前傳播時在每一層篩選出較強的訊號，便可歸納出一個個子圖，作為句子建模的方法。
網路結構
將嵌入層產生的word vector，經由一層層wide convolution, dynamic k max pooling, bias, non-linear activation取得特徵，最後在folding這層將相鄰特徵兩兩相加，接上分類器做判斷。
形式類似於Network in network，在卷積層後方接上非線性轉換。
上圖的wide convolution是平常兩倍zero padding的卷積層，相較於平常使用的narrow convolution(圖左)會得到downsample的較小特徵圖，圖右的wide convolution會將每個輸入點置於中間得到更大的特徵圖。
為了篩選出較強烈的連結，作者提出一個k max pooling的改版，使用序列長度與當前是第幾個卷積層作為比例，逐步縮小top k的數量，在語意程度越來越高的特徵中篩選出較重要的token。
資料集
Covid19-tweet , Kaggle上一個關於covid19推特訊息的資料集，分類標籤為情緒，共分五種: Extremely Negative, Nagative, Neutral, Positive, Extremely Positive。
評估
使用論文的參數，測試準確度可達到45%，模型大小為2.2MB
使用加大版的自訂參數，測試準確度可達到54%，模型大小為14.46MB
移除hashtag對準確度幫助不大。
