假设我有一个序列和相应的标签.
一个例子是一个人进行网站访问和标签告诉我们之前的访问中是否有购买。
将多个序列训练为一个序列或将单个序列训练为序列之间有区别吗？
这种方法给了我们数据点。此外，模型似乎会看到n次，而只会喂一次。
...
这种方法只给了我们 1 个数据点。
，数据中没有重复。
这些在 RNN（例如 LSTM）训练中产生相同的结果吗？似乎当您的数据不平衡时，您将从第一种方法中受益匪浅，因为您可以获得更多观察结果。
我的理解是，由于在我的情况下，即使是单个数据点在技术上也是有效的数据点，我应该使用多序列到一种方法。但是在 NLP 的情况下（其中第一个单词没有上下文），显然我们需要整个序列。
当您谈论 RNN 时，我将稍微更改您问题的参数。
多序列为一将是：
...
因为将始终使用先前的状态。
这通常是一个马尔科夫过程，其状态包含一个n输入向量。它具有已知的属性，这就是 RNN 用来能够逐个元素地创建序列的特性。
在一个序列对一个序列的情况下，没有这样的状态，我们没有一个词跟随另一个词的概念。它基本上n是输入中的n值和输出中的值。但是在这种伪序列中不再有“一个接一个”的限制，所以输出可以被加扰，它仍然是一个序列到序列输出。
现在，对于 NLP，您在时间 0 之前没有状态这一事实不是问题。您甚至可以丢弃第一个n-1元素并保留系统的马尔可夫属性。
这正是我在使用 Python 构建机器学习的第 8 章中所做的事情，如果您在系统处于正确状态时开始检索单词，它会很好地工作。