人工智能考试论文——基于人工智能解决盲人使用APP问题

循环神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive neural network） 。
对循环神经网络的研究始于二十世纪80-90年代，并在二十一世纪初发展为深度学习（deep learning）算法之一 ，其中双向循环神经网络（Bidirectional RNN, Bi-RNN）和长短期记忆网络（Long Short-Term Memory networks，LSTM）是常见的循环神经网络 。
循环神经网络具有记忆性、参数共享并且图灵完备（Turing completeness），因此在对序列的非线性特征进行学习时具有一定优势 。循环神经网络在自然语言处理（Natural Language Processing, NLP），例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。引入了卷积神经网络（Convolutional Neural Network,CNN）构筑的循环神经网络可以处理包含序列输入的计算机视觉问题。
自然语言处理
RNN在NLP问题中有得到应用。在语音识别（speech recognition）中，有研究使用L双向STM对英语文集TIMIT进行语音识别，其表现超过了同等复杂度的隐马尔可夫模型（Hidden Markov Model, HMM）和深度前馈神经网络] 。RNN是机器翻译（Machine Translation, MT）的算法之一 ，并形成了区别于“统计机器翻译”的“神经机器翻译（neural machine translation）”方法 。有研究使用端到端学习的LSTM成功对法语-英语文本进行了翻译 ，也有研究将卷积n元模型（convolutional n-gram model）与RNN相结合进行机器翻译 。有研究认为，按编码器-解码器形式组织的LSTM能够在翻译中考虑语法结构 。
基于上下文连接的RNN被用于语言建模（language modeling）问题。有研究在字符层面（character level）的语言建模中，将RNN与卷积神经网络相结合 。RNN也是语义分析（ sentiment analysis）的工具之一，被应用于文本分类 、社交网站数据挖掘等场合。
在语音合成（speech synthesis）领域，有研究将多个双向LSTM相组合建立了低延迟的语音合成系统，成功将英语文本转化为接近真实的语音输出 。RNN也被用于端到端文本-语音（Text-To-Speech, TTS）合成工具的开发，例子包括Tacotron 、Merlin 等。
RNN也被用于与自然语言处理有关的异常值检测问题，例如社交网络中虚假信息/账号的检测 。