本章节主要研究内容：基于word2vec 提取特征 + 文本分类
finetune
就是用别人训练好的模型，加上我们自己的数据，来训练新的模型。finetune相当于使用别人的模型的前几层，来提取浅层特征，然后在最后再落入我们自己的分类中。 finetune的好处在于不用完全重新训练模型，从而提高效率，因为一般新训练模型准确率都会从很低的值开始慢慢上升，但是fine tune能够让我们在比较少的迭代次数之后得到一个比较好的效果。 在数据量不是很大的情况下，finetune会是一个比较好的选择。但是如果你希望定义自己的网络结构的话，就需要从头开始了。
词向量在NLP被广泛应用，通过引入word2vec，不仅可以对单个词进行词向量表示，而且可以对整个句子或文章进行表示。 想象一下，能够使用固定长度的向量表示整个句子，然后我们可以使用标准的分类算法去分类。是一件很神奇的事情。
本章以Word2Vec 为基础，来解决文本分类问题。
主要涉及内容包括
数据预处理全量训练word2vec模型增量训练word2vec模型（fine tune）特征工程处理LR 和 xgboost 模型训练数据预测在线预测
处理流程
文本数据-> 数据预处理-> word2vec 增量模型训练-> 文本 word2vec 特征表示 + Label 标签 -> LR 和 xgboost 训练-> 在线预测
lr 和 xgboost 分类效果
