Artikeln introducerar Convolutional Neural Networks (CNNs), som ursprungligen utvecklades för datorseende och bildklassificering, men som nu även tillämpas inom Natural Language Processing (NLP). CNNs förklaras genom konceptet med en "glidande fönster"-funktion (kärna/Filter) som appliceras på en matris (t.ex. bildpixlar) för att extrahera funktioner som suddighet eller kanter. Kärnan i CNNs är flerskiktade konvolutioner med icke-linjära aktiveringsfunktioner som automatiskt lär sig Filtervärden under träning, vilket ger egenskaper som platsinvarians och lokal kompositionalitet. Inom NLP behandlas meningar eller dokument som matriser av ordinbäddningar, där Filter glider över ord för att identifiera mönster, trots att de intuitiva fördelarna från datorseende inte direkt överförs. Trots initiala tvivel om deras lämplighet för NLP jämfört med rekurrenta neurala nätverk (RNNs), har CNNs visat sig vara effektiva och är mycket snabba tack vare hårdvaruacceleration på GPU:er.