مروری برالگوریتم حافظه کوتاه مدت طولانی و کاربردهای آن

 شبکه های عصبی بازگشتی مدلی از روش های یادگیری عمیق است که در چند دهه گذشته موضوع بسیار پرطرفداری بوده است. شبکه های عصبی LSTM روشی جدید از پردازش اطلاعات است که به خاطر ساختار زنجیرهای که دارد بر روی داده هایی با سری زمانی فعالیت می کند که منجر به رخدادهای قدرتمندی در حوزه یادگیری عمیق می شود. اگر LSTM ویژگی مهمی در دنباله ورودی در گام های ابتدایی را تشخیص دهد، به دلیل داشتن حافظه کوتاه مدت طولانی می تواند این اطلاعات را طی مسیر طولانی منتقل کند و این گونه وابستگی های بلندمدت احتمالی را دریافت و حفظ می کند. در این مقاله سعی شده است انواع LSTM و کاربرد آنها در پردازش متن در حوزه های طبقه بندی 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.

Keywords:

: Deep learning , Recurrent neural network LSTM , Natural language processing , Feature extraction , یادگیری عمیق , شبکه های بازگشتی LSTM , پردازش متن , استخراج ویژگی