[人工智能]深度学习(七) RNN循环神经网络

前言

本篇文章将会介绍另外一种神经网络，是RNN循环神经网络

一、Slot Filling(槽填充)

1.Chatbot简介

chatbot是一个对话系统，基本分为两类:闲聊型对话和任务驱动类。前者产生有意义且丰富的回复，后者则是生活中常见的智能机器人。目前市面上的技术都是基于规则型的，这种机器人的对话生硬，但是准确率高，而基于生成式的chatbot，则可以生成更加丰富、有意义、特别的对话响应，但是准确率不高。

2.Chatbot结构

1. 开放域多轮对话
   
   由于前面没有任何对话，当用户发出第一个对话的时候，Chatbot并不能很清楚用户的意图，所以此时就开始进入了开放域多轮对话，随便抽出一个回答进行回答。
   但是，机器从用户的信息中，获取到了奶奶这一信息，奶奶是一个槽(slot),在这里实际上就开始进行了槽填充(slot filling)。

2. 准入条件
   
   从一个开放域转入到封闭域，或者从一个封闭域转入到另一个封闭域，中间的跳转是需要逻辑判断的，而这个逻辑判断就是准入条件。正正是因为有了这个准入条件，才能进入封闭域。而上面触发这一个准入条件的恰恰就是打车这一个关键字。当机器读取到这一个关键字后，就关闭了开放域，转而询问了
   

3. 封闭域多轮对话

3.槽的性质

1. 可默认填写/不可默认填写
   有些槽是不可默认填写的，不填没办法继续下去，有些即使不填，有默认值也可
2. 澄清话术
   当有些槽是不可默认填写的，但又没有填写的，就会触发澄清话术，询问相应的内容进行填写
3. 澄清顺序
   当有多个槽需要澄清的时候，就存在先后顺序的问题，所以需要一个澄清顺序，先问什么，再问什么。
4. 平级槽或依赖槽
   平级槽，槽与槽之间没有依赖，例如打车中的三槽
   依赖槽，后续的槽是否依赖前面槽的结果，例如手机号码槽，不同国家手机号码格式不同（槽的属性不同），所以国家槽会影响选择哪个手机号码槽。
5. 槽的能力：多轮记忆状态
   我们可以发现槽具有记忆能力，当在填写一个槽的时候触发了另外一个槽的准入条件，将会跳转到另外一个槽中进行填充，但这时并不会忘记之前的槽的内容，等该槽填充完毕后又会跳转到前一个槽的填充。

二、RNN(循环神经网络)

1.为什么要使用RNN?

前面我们了解到，卷积神经网络CNN能够很好地处理图片，但是在处理语句问题上就会出现问题，这是因为CNN没有记忆性，输入和输出的一一对应，也就是一个输入得到一个输出。不同的输入之间是没有联系的。换就话说，在处理语句问题中它把前后几句话，几个词语孤立起来，这样子整句话的意思可能就有了翻天覆地的变化。
$RNN(循环神经网络)$是一类用于处理序列数据的神经网络。序列数据的特点:后面的数据与前面的数据有关系。

2.RNN的基本结构

传统神经网络的结构比较简单：输入层 – 隐藏层 – 输出层。RNN 跟传统神经网络最大的区别在于每次都会将前一次的输出结果，带到下一次的隐藏层中，一起训练。如下图所示：

在上图我们可以看到，有两个一模一样的Taipei字样，如果是传统的神经网络，这两个一模一样的字符输出来的结果肯定是一样的，因为每一个输出都是独立的输出。但是通过RNN网络时，由于前面的隐藏层存储了上一层的输出，所以这两个Taipei字样虽然输入是一样的，但是通过隐藏层的存储不同，最后计算出来的结果也是不同。

我们把它展开，其中$x_t$是输入，$s_t$是一个向量，它表示隐藏层的值。$U$是输入层到隐藏层的权重矩阵，$V$隐藏层到输出层的权重矩阵，$W$是隐藏层上一次的值作为这一次的输入的权重。
$$\begin{gathered} o_t=g(v{s}_t) \\ {s}_t=f(w{s}_{t?1}+u{x}_t) \end{gathered}$$
$f()$是神经网络中的激活函数，做一个非线性的映射，将实现信息过滤（如将不重要的信息过滤掉，表现为概率低的信息）

3.Bidirectional RNN(双向神经网络)

这样使得预测结果不仅输入了过去的信息，还有现在的信息，同时涉及了前向和反向的传播信息以及未来的信息,就可以联系上下文信息来进行预测，一定程度上利用了整个序列的信息进行预测

4.RNN的缺点

1. RNN只能处理短时记忆的问题，无法处理很长的输入序列
2. RNN 是一种死板的逻辑，越晚的输入影响越大，越早的输入影响越小，且无法改变这个逻辑。
3. RNN会产生梯度消失和梯度爆炸

三、LSTM(长短期记忆网络)

1.LSTM的优缺点

• 优点

1. LSTM是RNN的一个优秀的变种模型，可以有限度地抑制RNN出现的梯度消失问题
2. LSTM可以长期的保存输入。一种称作记忆细胞的特殊单元类似累加器和门控神经元：它在下一个时间步长将拥有一个权值并联接到自身，拷贝自身状态的真实值和累积的外部信号。

• 缺点

1. 并行处理上存在劣势。与一些最新的网络相对效果一般
2. 计算费时。每一个LSTM的cell里面都意味着有4个全连接层(MLP),如果LSTM的时间跨度很大，并且网络又很深，这个计算量会很大，很耗时。

2.LSTM的结构

我们可以看到LSTM里面存在三个特殊的神经网络作为门信号控制(遗忘、输入、输出)，还有一个作为输入。
这个图反映了LSTM里面详细的内部结构，下面将会慢慢剖析这个内部结构。

其中$x_t$是输入，$h_t$是输出cell经过sigmoid函数归一化后的值，而黄色方框中的$\sigma$跟$\tanh$都是一个神经元，分别代表不同的函数，其中$\tanh$的值域是(-1,1)

1.遗忘门

遗忘门中，将输入$x_t$与上一层的归一化输入$h_{t?1}$进行两个向量连接起来，然后经过激活函数后输出到第一个cell节点上，如果$f_t$越接近1，说明$C_{t?1}$里面的数据保留程度就越高，反之越接近0，则遗忘程度就越高。

2.输入门

输入门中加入了一个$tanh$函数处理进来的数据，另一部分与遗忘门一样。然后两者加权相乘，跟遗忘门一样，如果$C_t$越接近1，说明$C_t$里面更新的数据就越多，反之越接近0，则更新数据越少。

3.输出门

输出门则通过与细胞$C_{t?1}$中存放完的值作两个向量连接起来，得到的结果则为输出，当乘积越接近0时，则越阻止输出，只有接近1时，才允许输出

总结

本文介绍了RNN，希望大家能从中获取到想要的东西，下面附上一张思维导图帮助记忆。