应用举例 Slot Filling-对号入座
智能客服\智能订票等
1/N编码 - 把词变为向量的最简单方法
遇到了问题 - 语境
对于相同的输入Taipei,输出的结果必然是相同的.所以这个朴素的方法不能满足需求
我们希望的是,神经网络可以记住关键词之前的词(即某程度上的考虑语境)
也就是RNN
RNN的思想
神经元上次的输出会对本次运算造成影响.
也就是说,数据的输入顺序也会影响到训练结果
elman&jordan
双向RNN
LSTM(Long Short-term Memory-长短期记忆)
还是短期记忆,只不过比较长(注意横杠符号的位置就能理解)
三个门的开关,都是在学习过程中学出来的.每个门都可看作一个输入.
Zi的激活函数f,一般选用sigmoid.因为(0,1)能很好的对应门的开关程度.
这四个输入,其实都是从输入来的.(上图是比较原始的网络和LSTM的对比)
根据不同的输入,更新权证,门的开关就会有不同.
可以看到,参数量明显变多了.
LSTM的连结示意图。实际情况比讲的还要复杂一些