关键词

End2End, Memory Networks, Multiple hops

来源

arXiv 2015.03.31 (published at NIPS 2015)

特色

设计了全新网络，相对于LSTM，以词为单位的时序，memory network是以句子为单位。

解决方案

原图

加备注图

计算过程

按原图

lookup词表A获得句子向量表示，
mi=Axi , i大小是memory size
计算attention，或者说计算输入的权重
pi=softmax(uTmi)

将输出乘权重，得到最终的输出o
输出的嵌入向量
ci=Couti , i大小是memory size
最终输出嵌入向量
o=∑ipici
查询的嵌入向量
u=Bq
预测结果
a^=softmax(W(o+u))

按实现代码

计算过程与原图不一致，我按论文的实现代码做了标注，参见备注图。
输入sentences和query时，都有矩阵TA和TB矩阵
即
Ain=Axi+TAxi , i代表句子，长度固定为memory size
Aout=AinHlast , H代表隐藏层, Aout可看作mi
pi=softmax(Aout)
Bin=Bq+TBq
Bout=pBin
Cout=HlastBout
Dout=CoutBout
最后，保存Dout为新的Hidden

多层网络

原文提供两种方式。
第一种是邻接，即Ak+1=Ck，依次递推
第二种是类似于 RNN 中共享权重的模式，A1=A2=…=Ak，C1=C2=…=Ck。
其余与单层网络一致。

参考代码

facebook实现，使用Lua语言
网友实现，使用tensorflow