|
مروری برالگوریتم حافظه کوتاه مدت طولانی و کاربردهای آن
|
| میترا حسینی، مهرداد جلالی |
|
|
|
چکیده: (1407 مشاهده) |
| شبکه‌های عصبی بازگشتی مدلی از روش‌های یادگیری عمیق است که در چند دهه گذشته موضوع بسیار پرطرفداری بوده است. شبکه‌های عصبی LSTM روشی جدید از پردازش اطلاعات است که به‌خاطر ساختار زنجیرهای که دارد بر روی داده‌هایی با سری زمانی فعالیت می‌کند که منجر به رخدادهای قدرتمندی در حوزه یادگیری عمیق می‌شود. اگر LSTM ویژگی مهمی در دنباله ورودی در گام‌های ابتدایی را تشخیص دهد، به‌دلیل داشتن حافظه کوتاه مدت طولانی می‌تواند این اطلاعات را طی مسیر طولانی منتقل کند و این گونه وابستگی‌های بلندمدت احتمالی را دریافت و حفظ می‌کند. در این مقاله سعی شده است انواع LSTM و کاربرد آنها در پردازش متن در حوزه‌های طبقه‌بندی متون و تحلیل احساسات و استخراج ویژگی بررسی شود علاوه بر این ما شناسایی اهداف آینده را مد نظر قرار داده و مسیر تحقیق آینده برجسته شده است. |
|
| واژه‌های کلیدی: یادگیری عمیق، شبکه‌های بازگشتی LSTM، پردازش متن، استخراج ویژگی |
|
|
متن کامل [PDF 5802 kb]
(477 دریافت)
|
نوع مطالعه: علمی- ترویجی |
موضوع مقاله:
تخصصي
دریافت: 1400/5/11 | پذیرش: 1400/5/10 | انتشار: 1400/5/10
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
