要約
時間的なシーケンス情報を優れた精度で保存する能力により、より複雑な計算ユニットを持つ再帰型ニューラルネットワークの一種であるLong Short-Term Memory (LSTM) ネットワークは、さまざまなシーケンスモデリングタスクにおいて優れた結果を示しています。これまでに探索されたLSTMの基本構造は線形チェーンのみです。しかし、自然言語には文節を形成するために単語を自然に結合する文法的特性があります。本稿では、Tree-LSTMと呼ばれるLSTMの一般化版を導入します。これは、木構造ネットワークトポロジーへの拡張です。Tree-LSTMsは、2つのタスクにおいて既存のシステムや強力なLSTMベースラインを上回る性能を発揮しました。これらのタスクは、2つの文の意味的関連性予測（SemEval 2014, タスク1）と感情分類（Stanford Sentiment Treebank）です。