RNN

卷积神经网络（CNN）主要应用计算机视觉，而递归神经网络（RNN）主要应用于自然语言处理。

递归神经网络会涉及处理之前所有的数据，但并非所有数据特征都需要，所以RNN处理结果与我们所需要的存在误差，数据处理不精。
而LSTM网络中会适当过滤一些不必要的特征。

词向量模型

考虑：如何能将文本向量化？文本向量化需考虑到的因素有很多，比如不同文本位置不同所表达意思不同、同一个词不同语境下意义不同、不同的词同一语境下意义相同等。
因此。文本的词向量维度比不可能少，一般为50-300。通常情况下，维度越高，向量能提供的信息越多。

提取数据特征是构建模型中非常重要的一步。而如何描述词的特征？通常都是在词的层面上来构建特征。Word2Vec就是要把词转化为向量。

假设现在已经拿到了一份训练好的词向量，其中每一个词都表示为50维的向量：

将其在热度图中显示：

观察以下三个词的热度图可发现：man和boy这两个词有很多部分热度值相近，但与water这词的极少相近热度值。从中可以发现，相似的词在特征表达中比较相似，也就是说明词的特征是有实际意义的

模型整体框架

词向量模型是为了学习文本词语之间的关系。

举例：下面所示的，输入是 Thou 和 shalt，模型的任务是预测它们的下一个词是什么。

具体流程：
输入数据 -> 初始化词向量 -> 通过多次前向传播反向传播训练更新词向量（不光更新权重参数W，也会更新输入数据） -> 计算机通过最终的词向量预测下一个词 -> SoftMax后得到概率最高的词输出

训练数据构建

问：我们的训练数据应该从哪找呢？
答：一切具有正常逻辑的语句都可以作为训练数据。如小说、论文等。

构建训练数据：
如果我们有一个句子，我们可以选出其中连续三个词，用前两个作为词模型的输入，最后一个词作为词模型输出的目标值，这样就成功构建一条训练数据。

故而具体构建训练数据方法：在文本数据集中设置一滑动窗口，并规定好滑动窗口中哪些位置是输入数据，哪些位置是输出数据，哪些是标签；再通过滑动窗口一次次向后滑动可获得不同的训练数据。

CBOW与Skip-gram模型

1. CBOW
   输入：上下文，输出：预测词。通过文本上下文预测词

例如

2. Skip-gram模型
   输入：单个词，输出：词对应上下文。通过当前的词预测上下文。

例如：

负采样

如果一个语料库稍微大一点，可能的结果就太多了，最后一层 SoftMax 的计算就会很耗时，有什么办法来解决吗？

初始方案：输入两个单词，看他们是不是前后对应的输入输出，也相当于一个二分类任务。
传统模型中，我们输入 not ，希望输出是 thou，但是由于语料库庞大，最后一层 SoftMax 太过耗时，所以我们可以改为：将 not 和 thou 同时作为输入，做一个二分类问题，类别 1 表示 not 和 thou 是邻居，类别 0 表示它们不是邻居。

但是由于训练集本来就是用上下文构建出来的，所以训练集构建出来的标签全为 1 ，无法较好的进行训练。

故而需要人工手动添加一些标签为0的数据，通常情况下添加5个负样本。
改进方案：加入一些负样本（负采样模型）。