TC；DR

目前的LSTM仅能对序列信息进行建模， 但是自然语言中通常由词组成的短语形成了句法依存的语义树。为了学习到树结构的语义信息。论文中提出了两种Tree-LSTM模型。Child-Sum、Tree-LSTM、和N-ary Tree LSTMs。实验部分的Tree-LSTM、对比多种LSTMs的变体，在语义相似性计算和情感分类任务超过有bselilnes。

Model

LSTM

首先简单介绍下 LSTM提供的后续论文改进对比，主要模型结构如下所示：

每个门电路的计算方式如下：
$$f_t=\sigma (W^f{x}_t+U^f{h}_{t-1}+b^f)$$
$$i_t=\sigma (W^i{x}_t+U^i{h}_{t-1}+b^i)$$
$$c_t=i_t\odot u_t+f_t\odot c_{t-1}$$
$$0_t=\sigma (W^0{x}_t+U^0{h}_{t-1}+b^0)$$
$$h_t=o_t\odot tanh(c_t)$$

总结

通过不断的门控单元和门控细胞，复杂的计算并一层一层的传递，。
此部分不再阐述，详细可以参考另一篇文章全部都将其搞定都行啦的样子与打算。
LSTM能够处理序列信息，但是无法处理带有树结构的数据，例如，下图所示的依存句法分析树。成分句法分析树等。
$$带有树结构的信息$$

以上仅表示两种自然语言分析中的两种语义表示格式，但是模型可以类推到其他树结构数据。

Tree-LSTM

为了将树结构的数据作为输入训练RNN，论文提出了两种结构:
$Tree-StructuredLSTM$

• Child-SUM Tree-LSTMS(Dependency Tree-LSTMs)
• 适用于子节点个数不定或子节点乱序的树结构。
• N-ary Tree-LSTM(Constituency Tree-LSTMs)
• 适用于每个单元子单元的个数最多是N，且子单元之间是有序的。
  
  与标准的LSTM结构类似，Tree-LSTM中的每个cell ,都包括类似的输入门$i_t$,输出门$o_t$,cell state $c_t$和隐藏输出$h_t$.

不同的是Tree-LSTM单元中门向量和细胞状态更新依赖于所有与子相关的子单元的状态。另外， 相比较于标准的LSTM的单个遗忘门，Tree-LSTM拥有多个遗忘门$f_{jk}$,分别对应当前单元的每个子单元$k$,因此，Tree-LSTM可以选择地从子节点中获取信息，例如再情感分类中，去保**存语义信息更加丰富的子节点信息

**。
与标准的LSTM不同，每个Tree-LSTM单元会有一个输入向量$x_J$

$x_j$可以表示一个句子中单词的向量表示，每个节点的input word取决于网络的树结构，例如要处理的Dependency tree 的Tree-LSTM,那么Tree-LSTM树中的每个节点，将[head word]，对应的向量当做输入，而在[constituency tree]中，将对应的词向量当做输入。
考虑到目前需要处理的数据类似于 Dependency Tree.因此，本文中仅介绍下**： Child-Sum Tree-LSTMs**。

Child-Sum Tree-LSTMs

给定树且另$C(j)$表示节点$j$的子节点集合。那么Child-SUM Tree-LSTMs的计算公式如下：

从上述计算公式即可：Tree-LSTM与LSTM间的区别包含两点：

• LSTM只用到了上一步神经元的隐藏输出$h_{t-1}$,而Tree-LSTM用了所有子节点的隐藏输出$\widetilde{h_j}={\sum }_{k\in C_j}{h}_k$
• Tree-LSTM使用多个遗忘门$f_{jk}$来控制多个子节点:cell state candidate$c_k$

由于Child_Tree Tree-LSTMs将其子节点的状态$h_k$进行累加，因此适合（多分枝、子节点无序的树。）例如：dependency tree, 一个 head 的 dependent 数量是高度可变的，因此我们将应用在dependency tree上的 Child-Sum Tree-LSTM称为 Dependency Tree-LSTM 。

介绍完Child-Sum Tree-LSTMS后即可将其应用于下游任务，论文中用于情感分类和语义相似性的计算任务中。

实验

即不同实验中模型参数如下所示:

情感分类任务:

语义相似性计算任务中：

总结

慢慢的将各种树结构，啥的全部都将其搞定，会自己学习各种树结构。
慢慢的整理即可，全部将其搞定都行啦的样子于打算。
还有都是慢慢的将自己的树结构啥的全部都将其搞定。学习各种树模型。慢慢的全部将其掌握都行啦的回事与打算。