目录
一.递归神经网络基础概念
二.自然语言处理-词向量模型Word2Vec
2.1.词向量模型
2.2.常用模型对比
2.3.负采样方案
2.4.词向量训练过程
一.递归神经网络基础概念
递归神经网络(Recursive Neural Network, RNN)可以解决有时间序列的问题，处理诸如树、图这样的递归结构。
CNN主要应用在计算机视觉CV中，RNN主要应用在自然语言处理NLP中。
1.h0，h1.....ht对应的是不同输入得到的中间结果。
2.处理自然语言I am GodFishhh or AFish：
则对应的输入为X0 -- I，X1 -- am，X2 -- GodFishhh，X3 -- or，X4 -- AFish，再通过一定的方法将自然语言输入转换为计算机能够理解的形式（例如Word2Vec方法，将文本中的词语转换为向量形式）。
3.RNN网络最后输出的结果会考虑之前所有的中间结果，记录的数据太多可能会产生误差或者错误。
LSTM长短记忆网络是一种特殊的递归神经网络，可以解决上述记录数据太多的问题：
在普通的RNN中，t-1时刻得到的输出值h(t-1)会被简单的复制到t时刻，并与t时刻的输入值X(t)整合再经过一个tanh函数后形成输出。
而在LSTM中，对于t-1时刻得到的输出值h(t-1)会有更加复杂的操作。
二.自然语言处理-词向量模型Word2Vec
2.1.词向量模型
将文本向量化后，就可以通过不同方法（欧氏距离、曼哈顿距离、切比雪夫距离、余弦相似度等）来计算两个向量之间的相似度。
同时通常来说，向量的维度越高，能够提供的信息也越多，因此所计算出的相似度的可靠性也就越高，匹配的正确性也就越高（常用向量维度为50~300）
而词向量模型Word2Vec的作用就是把词转化为向量
例如如下训练好的词向量，将每一个词都表示为50维的向量：
通过比对不同词向量的热度图可以发现，有相关特性的词在热度图上较为相似，而无明显相关特性的词在热度图上则差异较大：
在词向量模型中，输入可以是多个词，而在模型的最后一层中连接了SoftMax，所以会输出所有词可能是下一个词的概率。
而文字的输入则是通过一个embeddings层（词嵌入层）来解决。在神经网络初始化时，会随机初始化一个N×K的矩阵，其中N为词典的大小，K为词向量的维度数。初始的词嵌入曾是随机生成的，通过反向传播进行更新优化。
2.2.常用模型对比
一切具有正常逻辑的语句都可以作为训练数据。
(1).CBOW模型
CBOW的全称是continuous bag of words（连续词袋模型）。其本质也是通过context word（背景词）来预测target word（目标词）。
该模型的输入为上下文，输出为该上下文中间的词汇：
(2).Skip-gram模型
该模型与CBOW模型相反，模型的输入为一个词汇，而输出是该词汇的上下文：
示例：
2.3.负采样方案
如下图所示，将构建好的数据集丢给词模型进行训练：
发现最后一层SoftMax的计算在语料库很大的情况下会非常耗时。
因此，有一种改进方法是将此时的输入和输出都作为输入值，做一个二分类问题，如果两个输入是邻居则输出1，不是邻居则输出0。(eg.传统模型中，输入not，希望输出是thou，但需要经过SoftMax层计算出所有词可能作为下一个词的概率，但此时则是将not和thou均作为输入，如果相邻则输出1，不相邻则输出0）
但此时的问题在于，训练集本身就是由上下文构建出来的，所以训练集构建出来的输出targer均为1，无法进行较好的训练。
改进方案：加入一些负样本，即不相邻的两个输入词，输出的target值为0.（一般负样本个数为5个左右）
2.4.词向量训练过程
(1).初始化词向量矩阵
(2).训练模型
通过神经网络反向传播来训练模型，与普通的训练模型只更新权重值不同，此时不光会更新权重参数矩阵，还会更新输入数据。
