RNN的高级应用


本文结构:

四个问题

  1. 每个问题是什么
  2. 应用什么模型
  3. 模型效果

CS224d-Day 11:
Recursive neural networks -- for different tasks (e.g. sentiment analysis)
课程链接
视频链接
课件链接


四个问题

这次课主要讲了标准的 Recursive neural networks 模型及其扩展模型在3个问题上的应用和效果,最后的 Tree LSTM 简单地介绍了模型和效果。
这3个问题分别是 Paraphrase detection,Relation classification,Sentiment Analysis。
每个模型都可以应用到任意一个问题上,只不过效果不同,有些模型对一些问题表现会更优一些。


1.Paraphrase detection

目的是判断两句话是否具有相同的意思

用到的模型是标准的RNN

为了解决这个问题,需要思考:

  • 怎样比较两个句子?

    通过成对地比较两个句子的短语,这个时候可以用 standard RNN,因为它可以得到一个合理的树结构,也就是句子的短语组成结构。

  • 怎样用相似度来判断两个句子的意义是一样的?

    如果用两个树结构的顶点去判断,那会丢掉很多中间环节的信息。
    如果只计数两个句子中相似短语的个数,那么会丢掉位置信息,即这些短语出现在什么位置。

所以用 similar matrix 来表示相似度。

如下图,左边是两个句子,树结构中分别有7个部分和5个部分,右边是由similar matrix到最后结果的过程。

similar matrix 由5行7列组成,颜色深浅表示两个树结构相应部分间的相似度大小。

  • 上图中,为什么不能直接把 similar matrix 直接投入神经网络中?

    因为这个矩阵的大小是随着输入句子的不同而变化的。

所以需要引用一个 pooling 层,它可以将输入的 similar matrix 映射成维度一致的矩阵,然后再投入到 RNN 中。

最后的效果:


2.Relation Classification

目的是识别词语之间的关系

尤其是 very + good 这种,very 此时只是一个加强 good 的作用

用到的模型是标准的 Matrix-Vector RNN

普通的 RNN 中,每个节点都是由向量表示的,在这个 Matrix-Vector RNN 中,每个节点除了向量外自带一个矩阵,在由 left 和 right child 生成 parent 的时候,对彼此作用各自的矩阵后,再去生成 parent。

  • 用向量和矩阵的区别?

    单独的向量反映不出相互作用这种层次的意义,加上矩阵作用给对方后,可以显示出 very 可以让 good 这种形容词更强的意义。

    矩阵是随机初始化的,通过 Back Propagation 和 Forward Propagation 可以不断地学习出来。

最后的效果:

下图中,横轴是 1-10 星号的电影,纵轴是 not annoying 这样的词出现在相应级别中的比例。

在 not annoying ,not awesome 这两个例子中,绿色的 RNN 没有蓝色的 MV-RNN 表现得好,因为 not annoying 出现在低星级的次数不应该比出现在高星级电影中的次数多。


另外一种问题是因果关系等的判断

最后的效果:

对于这个问题,用了不同的模型和feature来看效果。

在 SVM 用了好多feature,最后的效果是 82.2
POS:part of speech
wordnet 大量人工生成的数据
prefix 等其他形态学的特征
dependency parse feature 不同类型的parser
textrunner 百万的网上数据
Google n-gram 几十亿个 n-gram

单纯用神经网络模型,数据量没那么大的时候,效果不到80%
加入了 POS,WordNet,NER 数据后,变成了 82.4,优于SVM。

数据越多的话,效果越好。


3.Sentiment Analysis

目的是识别句子表达的情感

用到的模型是RNTN(Recursive Neural Tensor Network)

  • 用 Bag of words 这种方法有缺陷:
    一个 not 后面多个 positive 的词时,应该是否定,结果被判断成肯定。
    前半句否定,后半句肯定,后半句的效果比前半句更强的时候,怎么判断出来。

解决方案,一个是更好的数据,一个是更好的模型

更好的数据:

人工标注 11,855 个句子的 215,154 个短语,每个短语由不同的人标注 3 次。

下图是标注结果的可视化,横轴是短语的长度,纵轴是各个情感类别的比例。

最后的效果:

可以发现,用新的 tree bank 的模型效果要比原来的好,肯定否定情感分类越准。

更好的模型:
RNTN(Recursive Neural Tensor Network)

这个模型可以让 word 之间有更多的 interaction,‘very good’的词向量的转置和矩阵 V 再和词向量本身作用。

最后的效果:

RNTN 作用在新的 Tree Bank 上效果可以高达 85.4.


4.Semantic Similarity

目的是识别语义相似性

用到的模型是 Tree LSTMs

Tree LSTMs 和普通的 LSTMs 的不同之处在于 Tree LSTMs 是从 tree 的结构中进行LSTMs 的建模。

parent 的 hidden层是其 children 的 hidden 层的和,每一个 forget unit 是根据具体的某个节点来计算的,计算最终 cell 时要把所有 forget units 和对应的 cells 相乘并求和,其他部分和普通LSTMs计算方法一样。

最后的效果:

[cs224d]

Day 1. 深度学习与自然语言处理 主要概念一览
Day 2. TensorFlow 入门
Day 3. word2vec 模型思想和代码实现
Day 4. 怎样做情感分析
Day 5. CS224d-Day 5: RNN快速入门
Day 6. 一文学会用 Tensorflow 搭建神经网络
Day 7. 用深度神经网络处理NER命名实体识别问题
Day 8. 用 RNN 训练语言模型生成文本
Day 9. RNN与机器翻译
Day 10. 用 Recursive Neural Networks 得到分析树
Day 11. RNN的高级应用


我是 不会停的蜗牛 Alice
85后全职主妇
喜欢人工智能,行动派
创造力,思考力,学习力提升修炼进行中
欢迎您的喜欢,关注和评论!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,688评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,559评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,749评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,581评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,741评论 3 271
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,684评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,122评论 2 292
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,847评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,441评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,939评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,333评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,783评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,275评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,830评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,444评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,553评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,618评论 2 249

推荐阅读更多精彩内容