我使用doc2vec矩阵（6000,1024）作为特征空间输入分类模型，该模型可以将每个文档（在我的情况下为句子）分类为两个类（A，B）中的一个。对于数据集中的6000个句子，我的特征空间都有1024个特征。
因此，基本上doc2Vec矩阵的每一行都代表该句子的特征向量。我正在尝试将此单一矩阵用作一维CNN的输入。通常，用于NLP任务的CNN输入每个句子有一个矩阵，因此批处理大小等于句子的数目。尽管我的情况略有不同，但是如上所述，我只有一个矩阵。
因此，基本上，我希望过滤器具有仅跨一个句子向量滑动的内核（各种宽度），而不是通常跨一组单词滑动的内核（即一次以多个高度滑动多个单词向量的内核）大于1）。但是，我发现很难在keras API for R中将参数值设置为以下层
layer_input(shape = 1024, batch_shape = c(6000,1024), dtype = 'float64', name = 'input1')
这个输入层代表我想要它代表什么，如果不是，它应该是什么样子？
，不确定如何设置参数值
layer_conv1d(filters = , kernel_size = )。
我不确定如何给出kernel_size的值列表，这些值表示（高度= 1和宽度= n），其中n是大于1的整数。
因此，总而言之，我希望CNN从原始特征空间（6000 * 1024）中选择一个特征空间（6000 * n），然后将其与另一个特征空间进行列绑定，以将其馈送到CNN中完全连接的层建筑。