K-MaxPooling的意思是：原先的Max Pooling Over Time從Convolution層一系列特征值中只取最強的那個值，那么我們思路可以擴展一下，K-Max Pooling可以取所有特征值中得分在Top –K的值，并保留這些特征值原始的先后順序（圖3是2-max Pooling的示意圖），就是說通過多保留一些特征信息供后續階段使用。

?

圖3 .2-max pooling

很明顯，K-Max Pooling可以表達同一類特征出現多次的情形，即可以表達某類特征的強度；另外，因為這些Top K特征值的相對順序得以保留，所以應該說其保留了部分位置信息，但是這種位置信息只是特征間的相對順序，而非絕對位置信息。

|Chunk-Max Pooling

Chunk-MaxPooling的思想是：把某個Filter對應的Convolution層的所有特征向量進行分段，切割成若干段后，在每個分段里面各自取得一個最大特征值，比如將某個Filter的特征向量切成3個Chunk，那么就在每個Chunk里面取一個最大值，于是獲得3個特征值。（如圖4所示，不同顏色代表不同分段）

?

圖4. Chunk-Max Pooling示意圖

乍一看Chunk-Max Pooling思路類似于K-Max Pooling，因為它也是從Convolution層取出了K個特征值，但是兩者的主要區別是：K-Max Pooling是一種全局取Top K特征的操作方式，而Chunk-Max Pooling則是先分段，在分段內包含特征數據里面取最大值，所以其實是一種局部Top K的特征抽取方式。

至于這個Chunk怎么劃分，可以有不同的做法，比如可以事先設定好段落個數，這是一種靜態劃分Chunk的思路；也可以根據輸入的不同動態地劃分Chunk間的邊界位置，可以稱之為動態Chunk-Max方法（這種稱謂是我隨手命名的，非正式稱謂，請注意）。

Chunk-Max Pooling很明顯也是保留了多個局部Max特征值的相對順序信息，盡管并沒有保留絕對位置信息，但是因為是先劃分Chunk再分別取Max值的，所以保留了比較粗粒度的模糊的位置信息；當然，如果多次出現強特征，則也可以捕獲特征強度。

Event Extraction via Dynamic Multi-Pooling Convolutional Neural Networks這篇論文提出的是一種ChunkPooling的變體，就是上面說的動態Chunk-Max Pooling的思路，實驗證明性能有提升。Local Translation Prediction with Global Sentence Representation 這篇論文也用實驗證明了靜態Chunk-Max性能相對MaxPooling Over Time方法在機器翻譯應用中對應用效果有提升。

如果思考一下，就會發現，如果分類所需要的關鍵特征的位置信息很重要，那么類似Chunk-Max Pooling這種能夠粗粒度保留位置信息的機制應該能夠對分類性能有一定程度的提升作用；但是對于很多分類問題，估計Max-Pooling over time就足夠了。

比如我們拿情感分類來說，估計用Chunk-max策略應該有幫助，因為對于這種表達模式:

“Blablabla….表揚了你半天，BUT…..你本質上就是個渣”

與這種表達模式

“雖然說你是個渣，但是…..Blablabla…..歐巴我還是覺得你最好，因為你最帥”

明顯位置信息對于判別整體情感傾向是有幫助作用的，所以引入位置信息應該有幫助。

所以，你分析下你手頭的問題，看看位置是不是重要特征，如果是，那么套用一下Chunk-Max策略，估計性能會有提升，比如上面舉的情感分類問題估計效果會有提升。