劉禮文　俞弦

【摘 要】循環(huán)神經(jīng)網(wǎng)絡是一種具有記憶功能的神經(jīng)網(wǎng)絡，適合序列數(shù)據(jù)的建模。它在語音識別和自然語言處理等領域具有較強的應用。本文主要對循環(huán)神經(jīng)網(wǎng)絡的模型、訓練和應用領域做了初步的探索。

【關鍵詞】循環(huán)神經(jīng)網(wǎng)絡;訓練;應用

中圖分類號： TP391.1文獻標識碼： A文章編號： 2095-2457（2019）32-0054-002

DOI：10.19694/j.cnki.issn2095-2457.2019.32.022

循環(huán)神經(jīng)網(wǎng)絡-RNN（Recurrent Neuron Network）的主要用途是處理和預測序列數(shù)據(jù)，是一種對序列數(shù)據(jù)建模的神經(jīng)網(wǎng)絡，即一個序列當前的輸出與前面的輸出也有關。從網(wǎng)絡結(jié)構(gòu)上，循環(huán)神經(jīng)網(wǎng)絡會記憶之前的信息，并利用之前的信息影響后面結(jié)點的輸出。

1 RNN模型

RNN模型如下圖所示，其中x是輸入，U是輸出層到隱含層的權(quán)重，s是隱含層值，W則是上個時刻隱含層作為這個時刻輸入的權(quán)重，V是隱含層到輸出層的權(quán)重，o是輸出。

圖1

將上圖展開，輸入x、隱層值s和輸出o都有了下標t，這個t表示時刻，t-1是上一時刻，t+1則是下一時刻。不同時刻輸入對應不同的輸出，而且上一時刻的隱含層會影響當前時刻的輸出。

2 RNN的正向計算

設輸出層的輸入為nett，則很容易可以得到輸出，

nett=Vst

ot=σ（nett）

其中σ是激活函數(shù)，再設隱含層的輸入為h

ht=Uxt+Wst-1

st=σ（ht）

可以繼續(xù)往前一個時刻推，有

st=σ（Uxt+Wσ（Uxt-1+Wst-2））

而t-2時刻又可以用t-3時刻來表示，從這就可以看出循環(huán)神經(jīng)網(wǎng)絡具有記憶，可以往前看任意個輸入。

3 RNN的訓練

通過下面實現(xiàn)梯度下降訓練。

假設損失函數(shù)為E

在t時刻，根據(jù)誤差逆?zhèn)鞑?，?/p>

■=■■=E'（o■）σ'（net■）

首先，對V求導，每個時刻t的誤差與當前時刻的誤差相關，則

■=■■=■St

其次，對W求導，對于一個訓練樣本，所有時刻的誤差加起來才是這個樣本的誤差，某時刻t對W求偏導為，

■=■■■

其中，st=σ（Uxt+Wσ（Uxt-1+Wst-2））一直依賴上個時刻，某個樣本的總誤差是需要所有時刻加起來，不斷對某個時刻進行求偏導，誤差一直反向傳播到t為0時刻，則

■=∑■■■■■

其中■根據(jù)鏈式法則是會一直乘到k時刻，k可以是0、1、2…，那么上式可以表示成，■=∑■■■■■■

最后，對U求導，■=■■=■xt

4 RNN 的應用

4.1 情感分析

循環(huán)神經(jīng)網(wǎng)絡用于情感分析主要思路是利用情感分析數(shù)據(jù)集，通過原始語料的預處理，將詞轉(zhuǎn)化為計算機可以處理的向量，進行向量化的特征提取，利用循環(huán)神經(jīng)網(wǎng)絡將矩陣形式的輸入編碼為較低維度的一維向量，而保留大多數(shù)有用信息，經(jīng)過循環(huán)神經(jīng)網(wǎng)的訓練，構(gòu)建情感分析分類器，實現(xiàn)定性分類，得到可以預測的模型，進而實現(xiàn)情感的分析。比如輸入一個句子，輸出的對于這句話的情感的分析。傳統(tǒng)的情感分析法方法簡單易懂穩(wěn)定性也比較強，相較于傳統(tǒng)情感分析的方法，利用循環(huán)神經(jīng)網(wǎng)絡來進行情感分析，一方面能提高精度，另一方面評價更客觀，人為因素干擾更小。

4.2 提取關鍵詞

基于循環(huán)神經(jīng)網(wǎng)絡的關鍵詞提取方法相對于其他方法更加有效，其主要是利用循環(huán)神經(jīng)網(wǎng)絡具有自動學習的特征，將學習的特征納入模型構(gòu)建過程中，避免了人為設定特征的干擾。此外，利用循環(huán)神經(jīng)網(wǎng)絡，可以將處理對象的上下文信息都考慮在內(nèi)，能更好地利用詞語的語義信息。利用循環(huán)神經(jīng)網(wǎng)絡進行關鍵詞提取還有有個特點，就是能存儲歷史信息，這樣更有助于預測關鍵詞的概率。

4.3 語音識別

語音識別的困難之處在于輸入語音信號序列中每個發(fā)音單元的起始位置和終止位置是未知的，即不知道輸出序列和輸入序列之間的對齊關系。循環(huán)神經(jīng)網(wǎng)絡具有可以接受不固定長度的序列數(shù)據(jù)作為輸入的優(yōu)勢，可實現(xiàn)輸出的長度小于輸入的長度，而且具有記憶功能。這樣以來，將輸入分割成小的向量，之后進行訓練，可以把重復出現(xiàn)的字去掉，獲得最后的結(jié)果

4.4 機器翻譯

機器翻譯就是從源語言到目標語言中找到一個最佳匹配的過程。傳統(tǒng)機器翻譯方法需要大量的人力和時間去構(gòu)造翻譯系統(tǒng)，從對源語言的編碼，對目標語言的解碼，中間需要多個學習模型。利用循環(huán)神經(jīng)網(wǎng)絡，將要翻譯的內(nèi)容通過RNN編碼成一個固定維度的向量，并將結(jié)果作為輸入，再通過RNN進行解碼翻譯。這樣不僅可以提高翻譯質(zhì)量，還可以實現(xiàn)對語言只使用一個系統(tǒng)，而不不要針對每種語言都構(gòu)造一種新的學習模型。

4.5 自編碼器

自編碼器的基本思想就是實現(xiàn)對原始數(shù)據(jù)進行特征提取，最終濃縮為更精煉、數(shù)量更少的特征，進而便于后續(xù)數(shù)據(jù)的處理。它是一種無監(jiān)督學習技術(shù)，利用神經(jīng)網(wǎng)絡來開展表征學習。利用循環(huán)神經(jīng)網(wǎng)絡也可以構(gòu)建自編碼器，這些可以用來實現(xiàn)異常監(jiān)測、數(shù)據(jù)去燥、數(shù)據(jù)降維、圖像修復、信息檢索等功能。此外，利用自編碼的方法，還可以實現(xiàn)對文本中句子的語義進行提取。

【參考文獻】

[1]葛垚，陳瑞，童瑩，曹雪虹.基于循環(huán)神經(jīng)網(wǎng)絡的非特定目標追蹤方法研究[J].南京郵電大學學報（自然科學版），2019（04）：103-110.

[2]唐美麗，胡瓊，馬廷淮.基于循環(huán)神經(jīng)網(wǎng)絡的語音識別研究[J].現(xiàn)代電子技術(shù)，2019，42（14）：152-156.

[3]楊麗，吳雨茜，王俊麗，劉義理.循環(huán)神經(jīng)網(wǎng)絡研究綜述[J].計算機應用，2018，38（S2）：1-6+26.

[4]陳波.基于循環(huán)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡文本分類方法[J].重慶郵電大學學報（自然科學版），2018，30（05）：705-710.

[5]梁丕軍.基于循環(huán)神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡的中文情感分類研究[D].湖南大學，2017.

[6]曾誰飛，張笑燕，杜曉峰，陸天波.基于神經(jīng)網(wǎng)絡的文本表示模型新方法[J].通信學報，2017，38（04）：86-98.