递归神经网络（recursive NN）结合自编码（Autoencode）实现句子建模

递归神经网络（recursive NN）结合自编码（Autoencode）实现句子建模

---

递归神经网络（recursive NN）

目前有两种RNN比较常用，一种是recurrent neural networks，另一种是recursive neural networks。这两种句子转换模型相似而又有所不同。

---

recurrent neural networks

recurrent neural networks，是markov提出来的，其模型如下:

隐藏层如下：

合成顺序：沿着序列进行
合成特点：每个结点的表示都包含之前所有历史信息
合成函数：LSTM/GPU/Vanilla
应用：建模句子

---

recursive neural networks

recursive neural networks,是Richard提出来的，其模型如下：

这个树的构成，有多种方法，常用且最实用的就是采用贪心思想，具体怎么实现，要结合模型。
合成顺序：沿着某种树结构
合成特点：每个结点的表示与其孩子结点相关
合成函数：Vanilla/Tensor/LSTM
应用：建模短语，句子

注：这两种表示方法到底哪个效果更好现在还没有定论（still cognitively debatable），用recurrent neural network来建模，就是假设句子后面的词的信息和前面的词有关，而用recursive neural network来建模，就是假设句子是一个树状结构，由几个部分(主语，谓语，宾语）组成，而每个部分又可以在分成几个小部分，即某一部分的信息由它的子树的信息组合而来，整句话的信息由组成这句话的几个部分组合而来。

---

自编码（Autoencode）

Auto-Encoder(AE)是20世纪80年代晚期提出的，它是一种无监督学习算法，使用了反向传播算法，让目标值等于输入值。基本的AE可视为一个三层神经网络结构：一个输入层、一个隐藏层和一个输出层，其中输出层与输入层具有相同的规模。具体如下图所示。

Auto-Encoder(AE)尝试学习一个 hW,b(x)≈x 的函数，来尽可能复现输入信号的神经网络。这么做的意义在于我们想发现输入数据中隐含的一些特定的结构，并训练出一种更好的表达输入数据的方法。

---

recursive autoencoder

这个模型是将recursive NN结合Autoencoder构成一个无监督的句子转换模型。可以将不定长的句子转换成句子向量。其结构如下：

具体算法如下:
准备工作：将句子的词训练成词向量
1. 将句子里面的词的词向量，两两结合，形成一个词向量对
2. 用这些词向量对去初始化Autoencoder，生成模型和参数
3. 将句子中邻近的词结合，输入初始化训练的Autoencoder模型，选择还原度最高的两个词生成的隐藏层输出，即x3,x4和对应的y1。
4. 将y1代替句子中的x3,x4，重复步骤3，直到句子所有词合并完成
5. 将选出的句子对，即[x3,x4],[x2,y1],[x1,y2]放入模型Autoencoder继续训练，更新参数
6. 直到所有还原度都大于阈值为止
7. 保留模型参数，计算句子向量

---

参考各位大牛的博客和论文
deep learning 自编码算法详细理解与代码实现（超详细）
人人都能用Python写出LSTM-RNN的代码
http://blog.csdn.net/pi9nc/article/details/27711441
CS224d lecture 9札记
这个大牛Richard Socher的课程和论文