自然语言处理——循环神经网络

在前向神经网络中，由于相邻两层之间存在单向连接，每层的节点之间是无连接的（无循环），因此输入和输出的维数都是固定的，不能任意改变，而且也无法处理变长序列数据。
另外假设每次输入都是独立的，也就是说每次网络的输出只依赖于当前的输入。
为了给网络增加记忆能力，我们提出了延时神经网络（Time Delay Neural Network，TDNN）建立一个额外的延时单元，用来存储网络的历史信息（可以包括输入、输出、隐状态等），这样，前馈网络就具有了短期记忆的能力。
$${\mathbf{h}}_t^{(l)}=f\left({\mathbf{h}}_t^{(l-1)},{\mathbf{h}}_{t-1}^{(l-1)},\cdots ,{\mathbf{h}}_{t-K}^{(l-1)}\right)$$

循环神经网络

通过使用带自反馈的神经元，能够处理任意长度的时序数据。

• 循环神经网络比前馈神经网络更加符合生物神经网络的结构。
• 循环神经网络已经被广泛应用在语音识别、语言模型以及自然语言生成等任务上
  
  状态更新时：每一层的隐藏层依赖于当前时刻的输入和前一时刻的隐藏层表示$${\mathbf{h}}_t=f\left(\mathbf{U}{\mathbf{h}}_{t-1}+\mathbf{W}{\mathbf{x}}_{\mathbf{t}}+\mathbf{b}\right)$$

应用到基于机器学习的自然语言处理任务

序列到类别

正常模式下最后一个隐藏层的表示作为输出（记住了前面全部的隐藏层信息）。
也可以进行AveragePooling，按照时间进行平均采样。

同步的序列到序列模式

中文分词就是用的就是如下图所示的模式

异步的序列到序列模式

先对输入句子进行隐藏层表示（Encoder）。之后预测句中第一个单词，再依次预测后面的隐藏层表示和y（Decoder），输入序列和输出序列的长度不一定一样。机器翻译就是这样子的一个典型例子。

参数学习和长程依赖问题

给定一个训练样本(𝒙,𝒚)，其中$\mathbf{x}=({\mathbf{x}}_1,\cdots ,{\mathbf{x}}_{\mathbf{T}})$为长度是T 的输入序列，$\mathbf{y}={\mathbf{y}}_1,\cdots ,{\mathbf{y}}_{\mathbf{T}}$ 是长度为T 的标签序列。
时刻t的瞬时损失函数为${\mathcal{L}}_t=\mathcal{L}\left({\mathbf{y}}_t,g\left({\mathbf{h}}_t\right)\right)$
总损失函数为$\mathcal{L}={\sum }_{t=1}^T{\mathcal{L}}_t$
梯度：随时间反向传播算法

$$\begin{array}{rl}{\delta }_{t,k}& ={\delta }_{t,t}\prod _{\tau =k}^{t-1}\frac{\left({\mathbf{U}}^T{f}^{\prime }\left({\mathbf{z}}_{\tau }\right)\right)}{\gamma }\\ & \cong {\delta }_{t,t}{\gamma }^{t-k}\end{array}$$
由于梯度爆炸或消失问题，实际上只能学习到短周期的依赖关系。这就是所谓的长程依赖问题(循环神经网络在时间维度上非常深)。

梯度爆炸问题

• 权重衰减
• 梯度截断

梯度消失问题

• 改进模型

改进方法：

1. 循环边改为线性依赖关系
   
   $$\begin{array}{rl}{\delta }_{t,k}& ={\delta }_{t,t}\prod _{\tau =k}^{t-1}\frac{({\mathbf{U}}^T{f}^{\prime }\left({\mathbf{z}}_{\tau }\right)}{\gamma }\\ & \cong {\delta }_{t,t}{\mathbf{\gamma }}^{t-k}\end{array}$$
   将f去掉并将U变成单位阵，宗旨是为了让gamma=1
2. 增加非线性
   $${\mathbf{h}}_t={\mathbf{h}}_{t-1}+\mathbf{g}\left({\mathbf{x}}_t,{\mathbf{h}}_{t-1};\theta \right)$$
   非线性激活函数不可以用RELU：会导致h爆炸，Sigmoid也不可以，没有负区间，同样会导致h爆炸，用tanh（-1，1）！

基于门控的循环神经网络

门控机制：控制信息的累积速度，包括有选择地加入新的信息，并有选择地遗忘之前历史累计的信息

门控循环单元（GRU）

更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，也就是更新门帮助模型决定到底要将多少过去的信息传递到未来，简单来说就是用于更新记忆。

简单来说重置门就是构造一个输入（决定输入中有多少过去的成分）；更新门就是决定构造的新输入有多少会传下去。

当rt的值接近0时，说明上一时刻的内容需要全部丢弃，只保留当前时刻的输入，所以可以用来丢弃与预测无关的历史信息。
当rt的值接近1时，表示保留上一时刻的隐藏状态。
重置门决定了如何将新的输入信息与前面的记忆相结合。

长短期记忆神经网络（LSTM）

LSTM（长短期记忆网络）是RNN的一种特殊类型，它通过引入“门”（输入门、遗忘门、输出门）来解决传统RNN在处理长序列时梯度消失或梯度爆炸的问题，从而有效捕捉长期依赖关系。这些门控机制像阀门一样控制着信息在“细胞状态”（Cell State）中的流动、添加和删除，允许重要信息在较长时间内保留，而无关信息则被过滤掉。

深度循环神经网络

堆叠循环神经网络

双向循环神经网络

递归神经网络

循环神经网络用于处理任意长度的时序数据，那么如何处理具有预定义结构的数据？我们需要参照程序语言的句法结构。
转变到自然语言的句法结构之后：

Richard Socher等人在2011年提出了递归神经网络

当然了递归神经网络也可能会退化为循环神经网络，当递归神经网络的树状结构退化为线性的链式结构时，它就退化（或者说等价于）为循环神经网络。

标准递归神经网络

所有的W都是共享的，无法区分叶结点的词性

Syntactically-Untied RvNN

不同的句法成分类别对应不同的聚合函数，把W改成不是全局共享的

Matrix-Vector Recursive Neural Network

每个节点由一个向量和一个矩阵来共同表示，但是有一个缺点就是参数量过大。

Recursive Neural Tensor Network

聚合时引入张量运算

注意力机制

人脑每个时刻接收的外界输入信息非常多，包括来源于视觉、听觉、触觉的各种各样的信息。但就视觉来说，眼睛每秒钟都会发送千万比特的信息给视觉神经系统。人脑通过注意力来解决信息超载问题。

注意力机制可以分为两步：

1. 计算注意力分布$\alpha$
   $$\begin{array}{rl}{\alpha }_n& =p(z=n\mid \mathbf{X},\mathbf{q})\\ & =\mathrm{softmax}\left(s\left({\mathbf{x}}_n,\mathbf{q}\right)\right)\\ & =\frac{\exp \left(s\left({\mathbf{x}}_n,\mathbf{q}\right)\right)}{{\sum }_{j=1}^N\exp \left(s\left({\mathbf{x}}_j,\mathbf{q}\right)\right)}\end{array}$$
   $s(x_n,q)$是打分函数
2. 根据$\alpha$来计算输入信息的加权平均
   $$\begin{array}{rl}\mathrm{att}(\mathbf{X},\mathbf{q})& =\sum _{n=1}^N{\alpha }_n{\mathbf{x}}_n\\ & ={\mathbb{E}}_{z\sim p(z\mid \mathbf{X},\mathbf{q})}\left[{\mathbf{x}}_z\right]\end{array}$$