【每周一文】Supervised Sequence Labelling with Recurrent Neural Networks

概述

序列化标注是NLP领域非常常见的问题，很多问题都可以归结为序列化标注问题，例如分类可以看做多对一的标注；词性标注属于一对一的标注；机器翻译属于多对多的标注。
深度学习在NLP上取得不错的效果，常用的模型有前向神经网络（FNN）、卷积神经网络（CNN）、循环神经网络（RNN、BIRNN）、LSTM、关注度模型（AM）等，对于特定任务还有相关变形
本文主要科普下各个模型的结构，方便在后续NLP任务中应用。

RNN技术演化

常见激活函数

在多层神经网络中，一般先进行线性变换，然后进行非线性变换。如果多层神经网络只进行线性变换可以证明和一层网络一致。常见的非线性变换函数，也叫激活函数，如下：

常用的以sigmoid和tanh为主，他们都是将实数区间转换为固定区间（0，1）或者（-1,1）

前向神经网络（FNN）

FNN也称之为多层神经网络，主要结构如下：

1. FNN 整体分为三层，输入层、隐含层和输出层，可以理解为输入层为原始特征层常常表示为向量结构；隐含层为特征非线性变换层；输出层为特征变换后的结果。
2. 输入层表示为：x
3. 隐藏层表示为 $$a_h=\sum_{i=1}^I w_{ih}x_i \\ b_h=\theta_h(a_h)$$
4. 输出层表示为 $$a_o=\sum_{i=1}^{H_L} w_{io}b_i$$
5. 模型层：一般会根据不同的问题选择不同的模型或者损失函数，对于回归问题均方差；二分类问题采用sigmoid变换采用对数损失；多分类问题采用softmax；以二分类为例 $$y=sigmoid(a_o) \\ -l(z_i,x_i)=z_i ln(y) + (1-z_i)ln(1-y)$$
6. 模型计算，可以采用标准的BP算法进行求解，即采用链式规则求解，这里不再赘述。

循环神经网络（RNN）

简单的FNN不太适用于NLP，主要原因是没有考虑上下文特征，如果仅仅考虑前一个词特征，可以考虑使用RNN，结构如下：

1. 该图看上去比较复杂，可以简单的理解为计算某个神经元时，除了考虑当前输入外，还要考虑上一时间点隐藏状态值，从公式看一目了然

ath=∑i=1Iwihx