2020李宏毅机器学习笔记——18. Recursive Network(递归网络)

最新推荐文章于 2023-09-25 09:31:26 发布

catcous

最新推荐文章于 2023-09-25 09:31:26 发布

阅读量783

点赞数

分类专栏：机器学习基础课程知识文章标签：神经网络机器学习深度学习

本文链接：https://blog.csdn.net/weixin_44790306/article/details/119182138

版权

机器学习基础课程知识专栏收录该内容

31 篇文章 26 订阅

订阅专栏

摘要：本章主要讲解了Recursive Network(递归网络)的基本原理，首先通过情感分析任务为例来说明递归神经网络（recursive neural network）和循环神经网络（recurrent neural network）的关系，即循环神经网络可以看做递归神经网络的特殊情况，以及Recursive 模型与具体的实现过程。接着阐述了Recursive Structure中function f 的具体设计，如：Recursive Neural Tensor Network、Matrix-Vector Recursive network和Tree LSTM。

文章目录

1. 递归神经网络（recursive neural network）
- 1.1 Application: Sentiment Analysis(应用：情感分析)
2. Recursive Model
3. Recursive Network 的function f 是怎样的
4. Matrix-Vector Recursive Network
5. Tree LSTM
6. 总结与展望

1. 递归神经网络（recursive neural network）

1.1 Application: Sentiment Analysis(应用：情感分析)

情感分析案例的目标：输入一个word sequence，machine判断该word sequence的sentiment(正面，负面，中性)。

用RNN做情绪分析案例：我们先word Sequence用一组vector(x1,x2,x3,x4)表示，然后找一个初始的h0，将h0和x1丢到function f中，得到h1，依此类推（使用相同的function-f），将最后得到的值丢入function g，得到最后的结果。假如正面-负面分为5个等级，那么最后的输出是5维的vector。如下图（上部分）：

在这里插入图片描述
用Recursive Structure去做分析：必需先决定这几个Sequence的关联，上图（下部分）来看，我们将x1,x2丢到function-f得到h1，再将x3,x4丢入相同的function-f，得到h2，再将h1,h2丢到function-f得到h3，再经过function-g得到最后结果。

Recursive Networ与RNN的关系：Recursive network是RNN一种更更一般型式的神经网络，RNN是Recursive network的一种结构模式（相当于它的一个子集）。

2. Recursive Model

Recursive Network是一种RNN的扩展形式，他是空间的展开，且具有树形结构。（RNN是一种结构模式）
在这里插入图片描述
判断一个句子的情感分析
具体过程如下：
从syntactic structure(文法结构)可以看的出这句话的结合方式

先用词嵌入将每一个Word用Vectory来表示
根据文法结构来结合：将Very, Good丢入function-f得到输出（词向量维等于| Z |）输入：| 2Z |，输出：| Z |）

function-f是一个NN，它所处理的事情或许比想像中还要复杂一些，因此不会只是单纯的将两个向量相加而以。如下图：
在这里插入图片描述

举例来说，not是中性字，而good是正面，两个加起来并不是正面偏中性，而是一个负面字眼，因此这不可能是单纯的相加就可以达成的。如下图：
在这里插入图片描述
比如：机器需要识别not,看到not就将词性转向！

而very则需要机器去将与之关联的词性加强，如下图：
在这里插入图片描述

通过训练资料的学习，让“not very good”经过function-f 的产出再经过function-g 来得到最终的情绪等级，再依据与实际情绪（标签）的loss做优化。过程如下图：
在这里插入图片描述
那么我们的function f 到底应该是什么样子的呢？其实我们的function f是一个NN，那究竟是怎样的模型呢？

3. Recursive Network 的function f 是怎样的

最简单的模型就是下图所示：乘以一个权重矩阵W（W是一个2X4的矩阵），是由机器直接学到的,然后经过一个激活函数。这样做的缺点是没有将输入a,b联系起来，机器就没法知道两者之间的关系，不能做到反转或者加重情感，因此很难达到理想的效果。模型如下图：
改进的function-f 模型，我们要让a,b两个向量是有相乘的关联，调整模型，让两个向量堆叠之后转置XT乘上权重W再乘上X（ $x^Twx$ ),它的计算逻辑就是将两个元素相乘xixj之后再乘上相对应的权重索引元素值Wij 做加总∑i,j ，这么计算之后得到的是一个数值，而后面所得项目是一个2x1矩阵，无法相加，因此同样的事再做一次，要注意到上下两个W颜色不同代表的是不同的权重值。如下图：

在这里插入图片描述

4. Matrix-Vector Recursive Network

Matrix-Vector Recursive Network的核心思想：将词向量分成两部分，一是代表自身的意思的部分，二是代表影响别其他word能力部分。如下图：

在这里插入图片描述
那究竟哪些部分代表自身意思，哪些代表影响其他Word的能力？

5. Tree LSTM

LSTM（长短期记忆网络）是一种改进之后的循环神经网络（RNN），可以解决RNN无法处理长距离的依赖问题。
典型的LSTM: h和m的输入对应相应的输出，但是h的输入输出差别很大，m的不大。
Tree LSTM:就是把其中的function-f 换成LSTM（如下图)

在这里插入图片描述

6. 总结与展望

本章主要是学习Recursive Structure（递归神经网络），它是采用树状结果进行设计的，可以很好的解决词性判断的问题，Recursive Model的设计并不是难点，重点是在设计归神经网络的中function f，如何选择一个合适的函数f，将每个word之间联系起来，让机器知道word之间的含义，这一点尤为重要。

主要有三种f设计：Recursive Neural Tensor Network，Matrix-Vector Recursive Network，Tree LSTM。Matrix-Vector Recursive Network的核心思想是：将词向量分成两部分，一是代表自身意思的部分，二是代表影响其他word能力的部分。这个方法感觉比较有道理，但实际上的Performance是较Recursive Network Tensor Network差。Tree LSTM也就是使用LSTM来充当递归神经网络的。

递归神经网络主要应用在情感分析和评估句子相似度等应用上，即输入的序列有明显的结构层次（比如文法结构等），但是这种结构是需要去提取预处理的，耗费较大，所以一般的效果都不是很好！