NLP学习笔记八-RNN文本自动生成

RNN文本自动生成的原理：
结合下面一张图，我们讲一下RNN文本自动生成的原理，RNN文本自动生成其实从一种简单意义上来说，就是做的分类任务，为什么这门说呢？
如下图，我们输入一个句子，这个句子会被拆分成一个个的字符：
比如 I like oranges. 会被按字符进行拆分,空格标点符号也算作一个字符，然后呢，和之前的word embedind有区别，应为，此时我们的输入单位是按照字符来进行输入的，以英文字符加上各种标点符号，一共只有57个字符，所以在做英文文本自动生成的时候，是不需要在做embeding的，因为类别比较少，且各个字符是独立的，没有什么相关性，就不需要做embeding,我认为主要原因还是因为，字符之间是独立的，不像我们做词向量那样，单词之间是有相关性的，不能简单地用数字去标识，那样没法反映他们的相关性，如果输入单元不具有相关性，或者相关性很弱，那么可以不需要做嵌入向量处理。
另外我认为RNN模型主要还是它的神经网络矩阵，输入的数据经过其网络转化，信息被提取，或者过滤，或者保留，这个矩阵的特性，也会决定我们数据输入的特性，如果在这个矩阵当中，该矩阵因为对字符进行1-57的编码标记而不能提取有价值的信息，那么就要采取其他特征处理。不过RNN对于英文文本自动生成还是有一些效果的，说明，该神经网络还是具有很强的特征容错性的和识别性的，对于输入的数据可以有着较好的提取能力。这一部分知识其实应该跟矩阵里面的相关理论有关。
softmax(Wh)输出的就是各个字符可能被选择对应的概率。

那么我们这里提出一个猜想，是不是我们也可以用RNN进行中文本文生成。
对于这个猜想，博主目前有这样一些想法：
1.如果是中文文本生成，那么输入单元是什么，是词语，是一个字（英文文本输入是一个单词）？
2.那么问题其实很清晰了，无论输入单元是一个字还是一个词语，如果我们不进行embeding,只是对单词或者字进行简单的编码，我们知道，这都是一个极具挑战的任务，如果以字为单位，编码应该是1-100000+,汉字有十万个，而且我们的分类变成了十几万类，如果以词语为单位只会更多。
3.其实我们可以以拼音为单位进行处理，先对文本进行分词，在把分词的词语翻译成拼音，然后以拼音字符为单位进行输入，但是这个方法，得到的也会是拼音，最终，我们需要在将拼音翻译回来，这个方法是有很大问题的，因为不一定能翻译回来，生成的拼音必须要和汉语字尽可能对应，否则无法翻译成汉语。
4.对于汉语RNN文本生成方法，或许还需实验才能真正知道效果怎么样。但是目前来看，如果仅以简单文本生成，以字为单位是比较好的。