语言模型：
词袋模型(BoW)-简单：
一篇文本(文章)被表示成"装着词的袋子",也就是说忽略文章的词序和语法,句法;将文章看做词的组合,文中出现的每个词都是独立的,不依赖于其他词.虽然这个事实上并不成立,但是在实际工作中,效果很好.
如下，在词袋模型BoW中,每个词的数量表示有多种方法:可以表示为0-1(在这篇文章中,这个词出现了没有–词集模型),词频(在这篇文章中,这个词出现了多少次),也可以用tf-idf.
词袋模型在较小数据集上有一定优势，深度学习模型在较大数据库上取得更好的效果。
发现两者其实是极为相似的．在词袋模型中，对底层特征进行特征编码的过程，实际上近似等价于卷积神经网络中的卷积层，而汇聚层所进行的操作也与词袋模型中的汇聚操作一样。不同之处在于，词袋模型实际上相当于只包含了一个卷积层和一个汇聚层，且模型采用无监督方式进行特征表达学习，而卷积神经网络则包含了更多层的简单、复杂细胞，可以进行更为复杂的特征变换，并且其学习过程有监督过程。
短语结构树-复杂：
额外再标注一些诸如指代、语义等标签。
语义合成性
snowboarder 《==》people on the snowboard
就算一个人没见过snowboarder这个单词，他也能明白这与下面这个短语是同一个意思。人们可以用更大颗粒度的文本来表达自己的意思，而不仅仅是词袋中的某个单词。有什么模型可以做到这一点呢？
它希望通过同时学习句法树和复合性向量表示，能够达到将短语映射到词向量空间（这不可能说用vocabulary dict去学习，因为短语的组合是无穷的）
递归神经网络（recursive neural network）
得到一个向量表示，以及得到一个结构得分
最简单的Recursive Neural Network
利用单层的神经网络作为组合函数，向量内积作为打分函数，马上就可以得到一个最简单的RNN：
用RNN分析句子
计算任意两个单词合并的得分（虽然下图是相邻两个，但我觉得那只是绘图方便；就算是我第一次写的玩具级别的依存句法分析器，也是任意两个单词之间计算）：
然后贪心地选择得分最大的一对合并：
重复这一过程
直到得到根节点：
Recursive vs. recurrent neural networks
两者都是递归神经网络，只不过前者在空间上递归，后者在时间上递归。中文有时会把后者翻译为“循环神经网络”，但这明显混淆了等级，令人误解。
它们各有各的优缺点，Recursive neural net需要分析器来得到句法树，而Recurrent neural net只能捕捉“前缀”“上文”无法捕捉更小的单位。
但人们还是更倾向于用后者，LSTM之类。因为训练Recursive neural net之前，你需要句法树；句法树是一个离散的决策结果，无法连续地影响损失函数，也就无法简单地利用反向传播训练Recursive neural net。另外，复杂的结构也导致Recursive neural net不易在GPU上优化。
Recursive vs. convolution neural networks
RNN只会为满足语法的短语计算向量，而CNN为每个可能的短语计算向量。从语言学和认知科学的角度来讲，CNN并不合理。甚至recurrent neural network也比tree model和CNN更合理。
两者的关系可以这样想象，RNN将CNN捕捉的不是短语的部分删除了：
得到：
更强的递归神经网络：
- 改进不同短语结构学习不同的组合函数的神经网络
-
改进向量为矩阵的神经网络
详情还是看
http://www.hankcs.com/nlp/cs224n-tree-recursive-neural-networks-and-constituency-parsing.html
https://blog.csdn.net/sscc_learning/article/details/78856375
递归神经网络的缺点：
- 树状的结构，是离散的，每一个节点分离的地方都有可能造成误差传播
- 尽管递归神经网络具有更为强大的表示能力，但是在实际应用中并不太流行。其中一个主要原因是，递归神经网络的输入是树/图结构，而这种结构需要花费很多人工去标注。想象一下，如果我们用循环神经网络处理句子，那么我们可以直接把句子作为输入。然而，如果我们用递归神经网络处理句子，我们就必须把每个句子标注为语法解析树的形式，这无疑要花费非常大的精力。很多时候，相对于递归神经网络能够带来的性能提升，这个投入是不太划算的。