[发明专利]一种基于循环神经网络的蒙古语语言模型的训练方法

权利要求书

1.一种基于循环神经网络的蒙古语语言模型的训练方法，其特征在于：

一、所述的基于循环神经网络的蒙古语语言模型MLMRNN在预训练阶段，使用Word2vec+k-means算法得到蒙古语词表中的蒙古语词及其所属的语义类别，并设计了基于one-hot的蒙古语语义词向量，蒙古语语义词向量是根据不同的语义类别下的蒙古语词的个数，作为每个语义类别下的蒙古语词向量的维度，依次按照语义类别进行词向量的编码，编码完成语义类别1下的所有蒙古语词后，继续进行语义类别2下的所有蒙古语词的词向量编码，直至完成所有语义类别下的蒙古语词编码，编码格式同one-hot编码格式相同，具体训练算法为：

输入：V表示包含|V|个蒙古语词向量{w₁,…,w_V}的数据集合；k表示簇的数目k≤|V|；

输出：k个簇的集合S；

1)随机初始化了K个与蒙古语词向量维度一致的类簇的簇心向量u₁,u₂,...,u_k；

2)采用循环语句repeat循环，For循环；

3)For外循环语句使用循环变量i遍历|v|；

4)For内循环语句使用循环变量j遍历K个类簇；

5)进入循环体，S_i←argmin_j||w_i-u_j||²代表计算得到的词向量与簇心向量的最小化平方误差；

6)代表更新簇心向量；

7)结束For内循环；

8)结束For外循环；

9)直到收敛，repeat循环结束；

二、当对循环神经网络的蒙古语语言模型MLMRNN进行训练和计算时，对每个输入的蒙古语词，根据类别信息创建基于one-hot的语义词向量，作为输入层进行计算；根据语义分为k类，基于one-hot的蒙古语语义词向量创建算法如下：

输入：k个簇的集合S，其中S_i表示第i个集合，S共有k个分类；k表示簇的数目；

index表示k个簇下的蒙古语词向量的位置；

输出：kc-one-hot，k个簇下的基于one-hot的蒙古语词向量；

1)读取词汇表大小，作为词向量维度；

2)初始化kc-one-hot长度为n；

4)For外循环语句使用循环变量j遍历K个类簇；

3)For内循环语句使用循环变量i遍历蒙古语词表中的每个词表的大小；

5)进入循环体，确定该蒙古语词向量在one-hot编码中的位置；

6)kc-one-hot[index]＝1，将该蒙古语词向量用one-hot编码形式编码；

7)结束For内循环；

7)结束For外循环；

三、模型的训练算法：

w_t表示t时刻的当前输入蒙古语基于one-hot的语义词向量，维度是词典V的大小；f_t表示t时刻预训练的蒙古语Skip-Gram词向量，维度为M＜|V|；

w_t表示t时刻的蒙古语分类词向量；f_t表示t时刻的蒙古语Skip-Gram词向量；α表示学习率；epoch表示循环次数；τ表示bptt大小，其中bptt表示反向传播的步长；W_xs,W_ss,W_fs,W_sc,W_sy分别表示输入部分中的蒙古语分类词向量到隐含层的权值矩阵；S_t-1代表上一时刻的隐含层的输出；l_t是词在类中期望输出概率；y_t是真实输出的类概率；c_t'是期望输出的类概率；c_t是真实输出的类概率；

输入：w_t，f_t；

输出：W_xs,W_ss,W_fs,W_sc,W_sy,y_t；

1)随机初始化W_xs,W_ss,W_fs,W_sc,W_sy矩阵；

2)For外循环使用循环变量j遍历每个epoch；

3)x_t←w_xs·w_t+w_ss·s_t-1+w_fs·f_t，将w_t，f_t，S_t-1与权值矩阵相乘并相加得到x_t；

4)s_t←sigmoid(x_t)，将x_t通过激活函数sigmoid计算得到S_t；

5)y_t←softmax(W_sy·s_t)，将W_sy和S_t相乘通过softmax函数计算得到y_t；

6)c_t←softmax(W_sc·s_t)，将W_sc和S_t相乘通过softmax函数计算得到c_t；

7)E_t(y_t，l_t)←-logy_t，使用y_t计算训练损失；

8)E_t(c_t，c'_t)←-c_tlogc'_t，使用c_t和c_t'计算训练损失；

9)For内循环使用循环变量τ遍历时间t；

10)

11)更新训练参数

12)结束For内循环；

13)结束For外循环；其中，所述的基于循环神经网络的蒙古语语言模型MLMRNN结构包括输入层x(t)、隐含层s(t)和输出层y(t)；在t时刻，输入向量x(t)包括三部分，分别是w(t)，s(t-1)和f(t)，其中w(t)代表t时刻输入的词的one-hot词向量表示；s(t-1)为t-1时刻隐含层的输出；f(t)为t时刻Skip-Gram训练出的上下文词向量，维度远小于|V|；隐含层为s(t)；输出向量用y(t)表示，包括两部分，一部分是类别层神经元，另一部分是蒙古语词神经元，c(t)为对词汇表进行的词向量的聚类的类别层，输出向量y(t)即表示下一个词w(t+1)的概率；

网络中，U、W、F为输入层与隐含层之间的权值矩阵，C为隐含层与类别层的权值矩阵，在输出层计算的时候先算词类的概率分布，再从所需的词类中计算特定词的概率，计算输出层的结果需要用到类别的输出结果；网络中各层输出值用表示为：

x(t)＝w(t)+s(t-1)+f(t) (1)

s(t)＝f(U·w(t)+W·s(t-1)+F·f(t)) (2)

c(t)＝g(C·s(t)) (3)

y(t)＝g(V′·s(t)) (4)

其中V′∈R(c(w(t)))，R(c(w(t))表示w(t)所属的聚类的词集合，f表示sigmoid激活函数，g表示softmax激活函数。