本文首先介绍基于n-gram的语言模型，然后引出RNN模型
一、基于n-gram的语言模型
语言模型：计算一个词汇序列出现的概率
(a language model computes a probability for a sequence of words: P(w_1, w_2,…, w_T)
语言模型的作用：
1. word ordering
p(the cat is small) > p(small the is cat)
2. word choice
p(walking home after school) > p( walking house after school)
sequence的概率计算：
在实际中，会去计算所有的P(wi|w1,w2,w3,…,w(i-1))的概率，并进行结果的保存。而由于序列w1,w2,w3,…,w(i-1)这样的序列个数非常之多，值得计算过程计算量非常巨大。为了简化计算，引入马尔科夫性质，在计算下一个可能出现的词时只考虑之前的n个词，P(wi|w1,w2,w3,…,w(i-1))变为P(wi|w1,w2,w3,…,w(i-(n-1)))，此即为n-gram。
n-gram模型的效果于n的大小有关，n越大，模型效果越好，然而模型的计算复杂度也越高。所以一般n取值偏小，实际中也能取得不俗的效果，一般n可取2，3，4这些值。
二、基于RNN的language model
基本的模型数学关系式如下：
在某一时刻t，其neuron示意图如下：
其中，x_t是在timestep t，输入word的word embedding。
h_t = sigma(w(hh) * h_t-1 + w(hx) * x_t)，可以理解成在timestep t，把h_t-1和x_t进行concate操作，因为 w(hh) * h_t-1 + w(hx) * x_t = [w(hh) | w(hx)] * [h_t-1 | x_t].T
对应的时间序列示意图如下
网络怎么预测下一个可能出现的word呢？softmax ！
网络的cost function为croos entropy形式，
在t时刻，
在完整的序列上，
然而RNN的训练存在困难: gradient vanishing or gradient exploding
注意到，网络每个时刻共享一个w
模型的cost E，对W的gradietn，等于每个时刻的损失E_t对W的gradient之和。
对于gradient exploding，采用gradient clipping即可解决；对于gradient vanishing，最重要的策略是采用LSTM/GRU，但在这之前，还可以通过一些trick，在一定程度上解决这些问题。
重点在于W矩阵(W(hh)、W(hx))的初始化。
(参考paper: https://arxiv.org/pdf/1504.00941.pdf)
双向RNN
多个隐藏层的双向RNN
RNN的表现
由于很难解决gradient vanishing问题，所以一般情况下RNN不宜太深，2-3层就差不多了，再深效果反而下降。