论文理解（一）树形lstm

Long Short-Term Memory Over Tree Structures

树结构的lstm中的记忆细胞可以通过递归的过程反映多个孩子及后代的历史信息。孩子节点之间是否有交互（图一）？提供一种特定的方法考虑不同等级上的长距离交互。例如语言和图像的解析结构。

用s-lstm的记忆模块代替递归模型中的组合层，应用在通过语义组合来理解一段文本。句子的语义并不是线性的拼接，他是有结构的。与先前的lstm比s-lstm有避免梯度消失的潜力（前者也有，因为连续自乘引起的），通过树结构对长距离交互进行建模。S-LSTM can be viewed as considering together a recursive neural network and a recurrent neural network。In brief, S-LSTM wires memory blocks in a partial-order tree structures instead of in a full-order sequence as in a chain-structured LSTM。

论文有两点贡献，s-lstm在理解语义上效果较之前的方法好，利用结构信息有助于得到更好表现。

recursive：网络是定义在递归树结构上，每一个树节点是从它的孩子计算出来的向量。叶子节点和中间节点自底向上的组合。

recurrent：不同于前馈网络，在时间上分享隐藏状态。The sequential history is summarized in a hidden vector. RNN also suffers from the decaying of gradient, or less frequently, blowing-up of gradient problem. LSTM replaces the hidden vector of a recurrent neural network with memory blocks which are equipped with gates; it can in principle keep longterm memory by training proper gating weights

尽管链式结构的lstm很有前途，但是很多有趣的问题都和输入结构有着固有的联系，那比序列结构更复杂。就如前面提到的句子语义不是简单的单词拼接。尽管序列结构可以隐含的捕捉结构信息但是缺乏声称力量（claim power）。例如在机器翻译及语音识别领域，句子倒序会引起很大的变化。不同于先前的工作，我们提出s-lstm利用结构信息可以得到更好的结果相比于忽略结构信息而言。

记忆模块包括一个输入门，一个输出门，和多个遗忘门（数量和孩子的节点数相同），本文中是给出的二叉树的结构，所以有两个遗忘门，此结构在现实生活中应该有很多应用，也可以把一般的树转化为二叉树。

x（t）的当前输入是孩子节点传入父节点的隐含值。逆向误差传递的时候要区分当前处理的节点是左孩子还是右孩子。反向传播的时候，先计算各个门的的导数，然后再计算权重的导数，做更新。

目标函数需要考虑输出结构，依赖问题规模，本文定义目标函数是最小化所有节点的交叉熵的和。

我们把模型应用在语义组合上面。先前我们处理类似的问题一般是考虑目标短语较小的片段，用词袋模型。最近的工作，就会建模来组合，这是语义生成的一种新的方法。

更详细的解释在 https://blog.csdn.net/ltochange/article/details/118940404