文献阅读-Robsut Wrod Reocginiton via Semi-Character Recurrent Neural Network

---

题目：Robsut Wrod Reocginiton via Semi-Character Recurrent Neural Network
作者：Keisuke Sakaguchi Kevin Duh Matt Post Benjamin Van Durme
出处：AAAI CCF A

---

摘要

人类的语言处理机制通常比计算机更健壮。心理语言学文献中的Cmabridge Uinervtisy（剑桥大学）效应证明了这样一种强大的文字处理机制，在这种机制中，杂乱的单词（如Cmabrigde/Cambridge）可以以很低的成本被识别。另一方面，单词识别的计算模型（例如拼写检查器）在具有此类噪声的数据上表现不佳。受Cmabride Uinervtisy效应的发现启发，我们提出了一种基于半字符级递归神经网络（scRNN）的单词识别模型。在我们的实验中，我们证明了scRNN在单词拼写校正（即单词识别）。此外，我们通过使用我们的模型复制关于人类阅读困难的心理语言学实验，证明了该模型在认知上是合理的。

介绍

从技术上讲，我们模型的输入层由三个子向量组成：输入单词的开头（b）、内部（i）和结尾（e）字符（图1）。这种半特征级递归神经网络被称为scRNN。

半字符递归神经网络

  为了实现类人的鲁棒文字处理机制，我们提出了一种基于半字符的递归神经网络（scRNN）。该模型为给定的杂乱单词取半字符向量（x），并在每个时间步预测一个（拼写正确的）单词（y）。scRNN的结构基于标准递归经网络，其中通过在每个时间步长（t）应用具有线性变换参数（W）和偏差（b）的特定（例如，S形）函数（g），通过隐藏状态（h）连接当前输入（x）和先前信息。
  虽然RNN的标准输入向量来自一个词或一个字符，但scRNN的输入向量由三个子向量（$b_n,i_n,e_n$）组成，分别对应于字符的位置。
  第一个和第三个子向量（$b_n，e_n$）代表第n个字的第一个和最后一个字符。因此，这两个子向量是独热（one-hot）表示法。第二个子向量($i_n$)表示该词的一袋不含首尾位置的字符。例如，"University "这个词表示为$b_n=U=1，e_n=y=1，i_n=e=1，i=2，n=1，s=1，r=1，t=1，v=1$，其他元素都是零。子向量（$b_n,i_n,e_n$）的大小等于我们语言中的字符数（N），因此$x_n$通过串联子向量的大小为3N。
  举个例子，假设字符表是26维，分别代表着a、b、c、……、z这26个字母。那么apple由三个向量来表示，分别为

a : [1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0],

ppl : [0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,2,0,0,0,0,0,0,0,0,0,0],

e : [0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]。

将三个向量拼接起来输入到LSTM中，输出结果与正确拼写的单词做交叉熵损失，训练得到ScRNN模型
  关于最终输出（即预测的单词$y_n$），LSTM的隐藏状态向量（$h_n$）被作为输入到以下具有固定词汇量（v）的softmax函数层中
我们使用交叉熵训练标准应用于输出层，就像大多数LSTM语言建模工作一样；模型学习权重矩阵（W ）以最大化训练数据的可能性。这应该与预测输出中准确的单词匹配数量最大化有密切关系。图1显示了scRNN的图解概况。

实验

  scRNN的输入层由一个长度为76的向量组成（A-Z，a-z和24个符号字符）。隐层单元的大小为650，总词汇量被设定为10k

 &emsp我们对每个词都施加一种噪音，但带有数字的词（如1980s）和短词（长度≤3）没有受到干扰，因此这些词在评估中被排除。我们通过运行5个epochs来训练模型，（小型）批处理量为20。我们将通过时间的反向传播（BPTT）参数设置为3：scRNN更新前两个词（ $x_{n-2}，x_{n-1}$ ）和当前词（$x_n$）的权重。
注：
1、看到了另一篇文章中的有关ScRNN的代码，放在这，给大家参考
2、这个的输出应该是全连接的onehot，即词汇表如果是10000，那么全连接的输出就是10000