หน่วยความจำระยะสั้นแบบยาวแบบสองทิศทาง (BiLSTM หรือ BLSTM) เป็นสถาปัตยกรรมการเรียนรู้เชิงลึกสำหรับงานลำดับต่อลำดับที่ให้วิธีที่มีประสิทธิภาพในการประมวลผลลำดับข้อมูล เพื่อประมวลผลลำดับอินพุตและเอาท์พุตที่มีความยาวผันแปรได้ในสภาพแวดล้อมการเรียนรู้ภายใต้การดูแล สถาปัตยกรรม BiLSTM ได้รวมสถาปัตยกรรมโครงข่ายประสาทเทียมแบบคาดการณ์ล่วงหน้า (RNN) เข้ากับสถาปัตยกรรม RNN แบบย้อนหลังในรูปแบบสองทิศทาง ความสามารถนี้ช่วยให้ BiLSTM สามารถเก็บข้อมูลชั่วคราวได้แม่นยำและมีประสิทธิภาพมากกว่าโครงข่ายประสาทที่เกิดซ้ำแบบเดิมๆ ซึ่งนำไปสู่ประสิทธิภาพที่ดีขึ้นในงานต่างๆ มากมาย เช่น การรู้จำเสียง การประมวลผลภาษาธรรมชาติ (NLP) การพยากรณ์อนุกรมเวลา และอื่นๆ
โดยแก่นแท้แล้ว BiLSTM ประกอบด้วย RNN สองส่วนแยกจากกัน: RNN แบบคาดการณ์ล่วงหน้า และ RNN แบบมองย้อนหลัง RNN แบบมองไปข้างหน้าจะประมวลผลอินพุตจากซ้ายไปขวา ในขณะที่ RNN แบบมองย้อนกลับจะประมวลผลอินพุตจากขวาไปซ้าย จากนั้นเอาต์พุตจากแต่ละเครือข่ายเหล่านี้จะรวมกันเป็นการนำเสนอเดียว ซึ่งสามารถใช้เป็นอินพุตไปยังเลเยอร์เอาต์พุตที่เชื่อมต่ออย่างสมบูรณ์หรือมีความหนาแน่นสูง
ข้อดีของการรวม RNN สองตัวไว้ในสถาปัตยกรรมเดียวอยู่ที่ความสามารถในการจับการเปลี่ยนแปลงชั่วคราวในระยะยาว ด้วยการวนซ้ำข้อมูลตามลำดับยาวของข้อมูลในทั้งสองทิศทาง (จากซ้ายไปขวาและจากขวาไปซ้าย) สถาปัตยกรรม BiLSTM ไม่เพียงแต่สามารถจับภาพการโต้ตอบโดยตรงระหว่างองค์ประกอบเท่านั้น แต่ยังรวมไปถึงวิธีที่องค์ประกอบต่างๆ อาจโต้ตอบกันในช่วงเวลาที่ขยายออกไป . สิ่งนี้อาจทำให้ BiLSTM ได้เปรียบเหนือสถาปัตยกรรมตามลำดับอื่นๆ ที่อาจจำกัดอยู่เพียงการจับเฉพาะผลกระทบชั่วคราวหรือระยะสั้นเท่านั้น
BiLSTM ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพในงานจำนวนหนึ่ง รวมถึงการสร้างแบบจำลองภาษาระดับอักขระ การรู้จำลายมือ และการวิเคราะห์ความรู้สึก พวกเขาได้รับความนิยมมากขึ้นในช่วงไม่กี่ปีที่ผ่านมาเนื่องจากความยืดหยุ่นและความสามารถในการจับรูปแบบชั่วคราวในข้อมูล ด้วยเหตุนี้ สิ่งเหล่านี้จึงกลายเป็นสถาปัตยกรรมสำหรับงานต่างๆ มากมายที่เกี่ยวข้องกับการเรียนรู้แบบเรียงลำดับตามลำดับ
