在序列数据建模场景下，LSTM 与 GRU 分别通过什么内部机制来解决长期依赖问题？请对比两者的核心结构差异，并说明各自的适用场景。
考察说明
考查对两种循环神经网络变体在序列数据上的理解，包括长期依赖处理机制、结构差异及适用场景。
回答思路
- 【回答框架 1】LSTM 通过门控机制控制信息流动，包含遗忘门、输入门和输出门，以及细胞状态（cell state）。遗忘门决定丢弃哪些历史信息，输入门决定新增哪些信息，输出门决定当前时刻输出哪些信息，从而缓解梯度消失，实现长距离依赖的建模。
- 【回答框架 2】GRU 是 LSTM 的简化变体，只含两个门：重置门和更新门。重置门控制过去信息的忽略程度，更新门同时控制记忆的保留和更新，没有独立的细胞状态，参数更少，训练效率更高。
- 【回答框架 3】两者在标准序列建模任务上性能相近，但 GRU 参数更少，在小数据集或资源受限时训练更快；LSTM 表达能力强，在长序列或复杂依赖场景可能略有优势。实际应用中常通过实验比较选择。
- 【关键点 1】LSTM 由遗忘门、输入门、输出门和细胞状态组成，GRU 由更新门和重置门组成。
- 【关键点 2】门控机制通过选择性记忆和遗忘缓解长序列中的梯度消失问题。
- 【关键点 3】GRU 参数更少，训练更快，适合小数据或快速迭代场景。