|
|
مروری برالگوریتم حافظه کوتاه مدت طولانی و کاربردهای آن
|
|
|
|
|
نویسنده
|
حسینی میترا ,جلالی مهرداد
|
منبع
|
عصر برق - 1400 - دوره : 8 - شماره : 15 - صفحه:70 -77
|
|
|
چکیده
|
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.
|
کلیدواژه
|
یادگیری عمیق، شبکههای بازگشتی Lstm، پردازش متن، استخراج ویژگی
|
آدرس
|
دانشگاه آزاد اسلامی واحد مشهد, گروه مهندسی کامپیوتر, ایران, دانشگاه آزاد اسلامی واحد مشهد, گروه مهندسی کامپیوتر, ایران
|
پست الکترونیکی
|
dr_mehrdadjalali@yahoo.com
|
|
|
|
|
|
|
|
|
A Survey of Long Short Term Memory (LSTM) a Lgorithm and its Application
|
|
|
Authors
|
|
Abstract
|
Recursive neural networks are a model of deep learning techniques that has been a very popular topic for the past few decades. LSTM neural networks are a new way of processing information that, because of its chain structure, operates on timeseries data that leads to powerful deep learning events if LSTM is an important feature in the input sequence. Recognize in the early stages because of its shortterm memory, it can transmit this information over long distances and receive and maintain such potential longterm dependencies. In this article, we have tried to examine the types of LSTM and their application in text processing in the fields of text classification, emotion analysis and feature extraction. In addition, we have also considered identifying future goals and highlighting the path of future research
|
Keywords
|
: Deep learning ,Recurrent neural network LSTM ,Natural language processing ,Feature extraction
|
|
|
|
|
|
|
|
|
|
|