?????? 遞歸神經(jīng)網(wǎng)絡(luò)（recursive neural network）是具有樹狀階層結(jié)構(gòu)且網(wǎng)絡(luò)節(jié)點按其連接順序?qū)斎胄畔⑦M行遞歸的人工神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)算法之一。

?????? 遞歸神經(jīng)網(wǎng)絡(luò)提出于1990年，被視為循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network）的推廣。當遞歸神經(jīng)網(wǎng)絡(luò)的每個父節(jié)點都僅與一個子節(jié)點連接時，其結(jié)構(gòu)等價于全連接的循環(huán)神經(jīng)網(wǎng)絡(luò)。遞歸神經(jīng)網(wǎng)絡(luò)可以引入門控機制（gated mechanism）以學(xué)習(xí)長距離依賴。遞歸神經(jīng)網(wǎng)絡(luò)具有靈活的拓撲結(jié)構(gòu)且權(quán)重共享，適用于包含結(jié)構(gòu)關(guān)系的機器學(xué)習(xí)任務(wù)，在自然語言處理（Natural Language Processing, NLP）領(lǐng)域有重要應(yīng)用。

?

實例（https://blog.csdn.net/zb123455445/article/details/78178794）

因為神經(jīng)網(wǎng)絡(luò)的輸入層單元個數(shù)是固定的，因此必須用循環(huán)或者遞歸的方式來處理長度可變的輸入。循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)了前者，通過將長度不定的輸入分割為等長度的小塊，然后再依次的輸入到網(wǎng)絡(luò)中，從而實現(xiàn)了神經(jīng)網(wǎng)絡(luò)對變長輸入的處理。一個典型的例子是，當我們處理一句話的時候，我們可以把一句話看作是詞組成的序列，然后，每次向循環(huán)神經(jīng)網(wǎng)絡(luò)輸入一個詞，如此循環(huán)直至整句話輸入完畢，循環(huán)神經(jīng)網(wǎng)絡(luò)將產(chǎn)生對應(yīng)的輸出。如此，我們就能處理任意長度的句子了。然而，有時候把句子看做是詞的序列是不夠的，比如下面這句話『兩個外語學(xué)院的學(xué)生』：

上圖顯示了這句話的兩個不同的語法解析樹。可以看出來這句話有歧義，不同的語法解析樹則對應(yīng)了不同的意思。一個是『兩個外語學(xué)院的/學(xué)生』，也就是學(xué)生可能有許多，但他們來自于兩所外語學(xué)校；另一個是『兩個/外語學(xué)院的學(xué)生』，也就是只有兩個學(xué)生，他們是外語學(xué)院的。為了能夠讓模型區(qū)分出兩個不同的意思，我們的模型必須能夠按照樹結(jié)構(gòu)去處理信息，而不是序列，這就是遞歸神經(jīng)網(wǎng)絡(luò)的作用。當面對按照樹/圖結(jié)構(gòu)處理信息更有效的任務(wù)時，遞歸神經(jīng)網(wǎng)絡(luò)通常都會獲得不錯的結(jié)果。

遞歸神經(jīng)網(wǎng)絡(luò)可以把一個樹/圖結(jié)構(gòu)信息編碼為一個向量，也就是把信息映射到一個語義向量空間中。這個語義向量空間滿足某類性質(zhì)，比如語義相似的向量距離更近。也就是說，如果兩句話（盡管內(nèi)容不同）它的意思是相似的，那么把它們分別編碼后的兩個向量的距離也相近；反之，如果兩句話的意思截然不同，那么編碼后向量的距離則很遠。如下圖所示：

從上圖我們可以看到，遞歸神經(jīng)網(wǎng)絡(luò)將所有的詞、句都映射到一個2維向量空間中。句子『the country of my birth』和句子『the place where I was born』的意思是非常接近的，所以表示它們的兩個向量在向量空間中的距離很近。另外兩個詞『Germany』和『France』因為表示的都是地點，它們的向量與上面兩句話的向量的距離，就比另外兩個表示時間的詞『Monday』和『Tuesday』的向量的距離近得多。這樣，通過向量的距離，就得到了一種語義的表示。

上圖還顯示了自然語言可組合的性質(zhì)：詞可以組成句、句可以組成段落、段落可以組成篇章，而更高層的語義取決于底層的語義以及它們的組合方式。遞歸神經(jīng)網(wǎng)絡(luò)是一種表示學(xué)習(xí)，它可以將詞、句、段、篇按照他們的語義映射到同一個向量空間中，也就是把可組合（樹/圖結(jié)構(gòu)）的信息表示為一個個有意義的向量。比如上面這個例子，遞歸神經(jīng)網(wǎng)絡(luò)把句子"the country of my birth"表示為二維向量[1,5]。有了這個『編碼器』之后，我們就可以以這些有意義的向量為基礎(chǔ)去完成更高級的任務(wù)（比如情感分析等）。如下圖所示，遞歸神經(jīng)網(wǎng)絡(luò)在做情感分析時，可以比較好的處理否定句，這是勝過其他一些模型的。

在下圖中，藍色表示正面評價，紅色表示負面評價。每個節(jié)點是一個向量，這個向量表達了以它為根的子樹的情感評價。比如"intelligent humor"是正面評價，而"care about cleverness wit or any other kind of intelligent humor"是中性評價。我們可以看到，模型能夠正確的處理doesn't的含義，將正面評價轉(zhuǎn)變?yōu)樨撁嬖u價。

?

計算

1前向計算

遞歸神經(jīng)網(wǎng)絡(luò)的輸入是兩個子節(jié)點（也可以是多個），輸出就是將這兩個子節(jié)點編碼后產(chǎn)生的父節(jié)點，父節(jié)點的維度和每個子節(jié)點是相同的。如下圖所示：

分別是表示兩個子節(jié)點的向量，P是表示父節(jié)點的向量。子節(jié)點和父節(jié)點組成一個全連接神經(jīng)網(wǎng)絡(luò)，也就是子節(jié)點的每個神經(jīng)元都和父節(jié)點的每個神經(jīng)元兩兩相連。我們用矩陣W表示這些連接上的權(quán)重，它的維度將是d×2d ，其中，d 表示每個節(jié)點的維度。父節(jié)點的計算公式可以寫成：

在上式中，tanh是激活函數(shù)（當然也可以用其它的激活函數(shù)），b 是偏置項，它也是一個維度為d 的向量。

然后，我們把產(chǎn)生的父節(jié)點的向量和其他子節(jié)點的向量再次作為網(wǎng)絡(luò)的輸入，再次產(chǎn)生它們的父節(jié)點。如此遞歸下去，直至整棵樹處理完畢。最終，我們將得到根節(jié)點的向量，我們可以認為它是對整棵樹的表示，這樣我們就實現(xiàn)了把樹映射為一個向量。在下圖中，我們使用遞歸神經(jīng)網(wǎng)絡(luò)處理一棵樹，最終得到的向量 ，就是對整棵樹的表示：

舉個例子，我們使用遞歸神將網(wǎng)絡(luò)將『兩個外語學(xué)校的學(xué)生』映射為一個向量，如下圖所示：

最后得到的向量 就是對整個句子『兩個外語學(xué)校的學(xué)生』的表示。由于整個結(jié)構(gòu)是遞歸的，不僅僅是根節(jié)點，事實上每個節(jié)點都是以其為根的子樹的表示。比如，在左邊的這棵樹中，向量 是短語『外語學(xué)院的學(xué)生』的表示，而向量 是短語『外語學(xué)院的』的表示。

式1就是遞歸神經(jīng)網(wǎng)絡(luò)的前向計算算法。它和全連接神經(jīng)網(wǎng)絡(luò)的計算沒有什么區(qū)別，只是在輸入的過程中需要根據(jù)輸入的樹結(jié)構(gòu)依次輸入每個子節(jié)點。需要特別注意的是，遞歸神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置項在所有的節(jié)點都是共享的。

2 訓(xùn)練

遞歸神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法和循環(huán)神經(jīng)網(wǎng)絡(luò)類似，兩者不同之處在于，前者需要將殘差δ 從根節(jié)點反向傳播到各個子節(jié)點，而后者是將殘差δ 從當前時刻 反向傳播到初始時刻 。

誤差項的傳遞

首先，先推導(dǎo)將誤差從父節(jié)點傳遞到子節(jié)點的公式，如下圖：

?

?

?

?

?

?

上圖是在樹型結(jié)構(gòu)中反向傳遞誤差項的全景圖，反復(fù)應(yīng)用式2，在已知 的情況下，我們不難算出 為：

權(quán)重梯度的計算

根據(jù)加權(quán)輸入的計算公式：

式3就是第l層權(quán)重項的梯度計算公式。我們知道，由于權(quán)重W是在所有層共享的，所以和循環(huán)神經(jīng)網(wǎng)絡(luò)一樣，遞歸神經(jīng)網(wǎng)絡(luò)的最終的權(quán)重梯度是各個層權(quán)重梯度之和。即：

把上式擴展為矩陣的形式：

???????????????????????? （式5）

式5是第l層偏置項的梯度，那么最終的偏置項梯度是各個層偏置項梯度之和，即：

應(yīng)用

自然語言和自然場景解析

?

兩種不同的場景，可以用相同的遞歸神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn)。我們以第一個場景，自然語言解析為例。

https://www.sohu.com/a/128784058_487514

我們希望將一句話逐字輸入到神經(jīng)網(wǎng)絡(luò)中，然后，神經(jīng)網(wǎng)絡(luò)返回一個解析好的樹。為了做到這一點，我們需要給神經(jīng)網(wǎng)絡(luò)再加上一層，負責(zé)打分。分數(shù)越高，說明兩個子節(jié)點結(jié)合更加緊密，分數(shù)越低，說明兩個子節(jié)點結(jié)合更松散。如下圖所示：

一旦這個打分函數(shù)訓(xùn)練好了（也就是矩陣U的各項值變?yōu)楹线m的值），我們就可以利用貪心算法來實現(xiàn)句子的解析（貪心算法的基本思路是從問題的某一個初始解出發(fā)一步一步地進行，根據(jù)某個優(yōu)化測度，每一步都要確保能獲得局部最優(yōu)解。每一步只考慮一個數(shù)據(jù)，他的選取應(yīng)該滿足局部優(yōu)化的條件。若下一個數(shù)據(jù)和部分最優(yōu)解連在一起不再是可行解時，就不把該數(shù)據(jù)添加到部分解中，直到把所有數(shù)據(jù)枚舉完，或者不能再添加算法停止）。第一步，我們先將詞按照順序兩兩輸入神經(jīng)網(wǎng)絡(luò)，得到第一組打分：

我們發(fā)現(xiàn)，現(xiàn)在分數(shù)最高的是第一組，The cat，說明它們的結(jié)合是最緊密的。這樣，我們可以先將它們組合為一個節(jié)點。然后，再次兩兩計算相鄰子節(jié)點的打分：

?????

現(xiàn)在，分數(shù)最高的是最后一組，the mat。于是，我們將它們組合為一個節(jié)點，再兩兩計算相鄰節(jié)點的打分。這時，我們發(fā)現(xiàn)最高的分數(shù)是on the mat，把它們組合為一個節(jié)點，繼續(xù)兩兩計算相鄰節(jié)點的打分......最終，我們就能夠得到整個解析樹：

總結(jié)

以上是生活随笔為你收集整理的递归神经网络的认识的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。