这里首先要明白两种网络：
-
recursive neural network递归神经网络：网络是定义在递归树结构上，每一个树结点是从它的孩子计算出来的向量。叶子节点和中间节点自底向上的组合。 -
recurrent neural network循环神经网络：链式结构，LSTM是循环神经网络的特例。
递归神经网络示例，来自论文Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank
句子的语义并不是单词的线性的拼接；相反，句子有解析结构。
论文将LSTM扩展为树形结构，称为S-LSTM。S-LSTM可以看作是上述两种网络的结合。
利用S-LSTM来代替recursive neural network中的语义组合层，从而更好的学习不同文本片段组合之后的文本语义表征。
与先前的recurrent neural network相比，S-LSTM有避免梯度消失的潜力，通过树结构对长距离交互进行建模。
S-LSTM的例子
图中的圆圈和横线分别代表pass（通过）和block（阻滞）；这里通过LSTM中的遗忘门实现，是一个概率值。可以看出有多少个孩子结点，就有多少个遗忘门。孩子节点之间是没有交互的
S-LSTM模型
S-LSTM的记忆单元包括一个输入门，一个输出门，和多个遗忘门（数量和孩子的结点数相同），图中是给出的二叉树的结构，所以有两个遗忘门，此结构在现实生活中应该有很多应用，也可以把一般的树转化为二叉树。
对应的计算公式如下：
与标准的LSTM区别在于:
(1) 标准的LSTM将上一个时刻的，
作为
时刻的输入，而
S-LSTM需要考虑左右孩子结点。
(2) 标准的LSTM每个时刻都有当前时刻对应的输入,而
S-LSTM对应的输入来自于左右孩子结点隐层状态
反向误差传递的时候要区分当前处理的节点是左孩子还是右孩子。反向传播的时候，先计算各个门的的导数，然后再计算权重的导数，做更新。
目标函数需要考虑输出结构，依赖问题规模，本文定义目标函数是最小化所有节点的交叉熵的和。
实验
在Stanford Sentiment Tree Bank 进行情感五分类的实验，该数据集不仅包含句子级别的情感类别信息，还包含了短语级别的情感类别信息，详见介绍
RvNN 递归神经网络
RNTN 论文Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank
提出的模型
