CNN文本分类maxpooling因padding位置不同对应词不唯一的解法

歧义的核心成因是padding位置不固定时，卷积输出序列的位置索引和原始输入token的映射规则未对齐，可通过以下三类方法彻底解决：

• 固定全局padding策略，从根源消除歧义
  文本分类任务的CNN预处理阶段必须固定padding规则，行业通用做法是统一在序列尾部补全0向量的padding标记，禁止中途切换头部/尾部补全逻辑。针对给定参数：6×3输入、2×3卷积核、步长1、输出1×6的场景，提前固化索引映射规则：输出向量第k位（索引从0开始计数）对应原始序列中以第k个词为起始的2-gram卷积窗口，max-pooling取到最大值的位置索引为k时，直接绑定原始序列第k个词即可，映射关系全程不随其他参数变动。
• 屏蔽含padding的卷积窗口参与max-pooling计算
  不管padding补在头部还是尾部，提前标记所有覆盖padding向量的卷积窗口位置，将这些位置的卷积输出值设为极小值（如-1e9），直接剥夺其参与max值筛选的资格。以该场景为例：头部补1个padding时，第0位输出对应[padding, 词1]窗口，直接屏蔽；尾部补1个padding时，第5位输出对应[词6, padding]窗口，直接屏蔽。屏蔽后剩余的5个有效输出值和无padding场景的卷积结果完全一致，max值必然对应原始文本中真实存在的词，不会随padding位置变化产生偏移。
• 固化窗口到核心词的绑定规则，不随padding位置变动
  如果必须保留单边padding的等长输出逻辑，不要根据输出位置顺序反推对应词，而是给每个卷积窗口提前绑定固定核心词：2×3的卷积核每个窗口覆盖2个连续词，统一取窗口内第一个非padding的词作为该窗口输出对应的核心词，无论padding补在头部还是尾部，只要窗口内的原始词内容一致，对应的核心词绑定关系就不变，从映射规则层面避免歧义。

注意：padding位置属于文本CNN预处理流程的固定超参数，同一组实验、推理全流程必须保持一致，不能随意切换，否则不仅会出现max-pooling映射错误，还会导致模型特征分布混乱，影响分类精度。

内容的提问来源于stack exchange，提问作者Encipher