黑马程序员技术交流社区

标题: 【上海校区】基于神经双蕴含的问题释义识别 [打印本页]

---

作者: 梦缠绕的时候    时间: 2018-7-15 09:39
标题: 【上海校区】基于神经双蕴含的问题释义识别

释义识别概念

1、两个问题具有相同的语义(二分类)，即如果两个问题的回答完全相同，那么这两个问题是相互释义的。

2、检验检索出来的问题是否是一个输入问题的释义。

模型架构

模型分为四部分：编码器、注意力对齐、匹配聚合、双预测网络。该模型利用双向递归神经网络将前提问题编码为短语向量，然后利用注意机制从候选问题中提取软对齐的对应短语嵌入。

最后的相似性得分是基于两个蕴涵方向的聚合短语比较来产生的。

模型是对称的，且参数对于两侧是共享的。即使在中等大小的数据集上也可以有效训练模型参数。

问题数学表达

假如有两个问题句子A和B，A表示为，B表示为；A问题词个数是，B问题词个数是；每个词都在两个句子当中，和属于词汇 。

训练集由标签文本对构成，是二值标签，代表A问题()是否是B问题()的释义。目标是预测是否是释义的。

一、编码器

目的：获取每个单词在上的稠密表示（捕获了上下文词义）

1.  利用混合嵌入矩阵， 将映射成d维向量；词嵌入矩阵（由大语料训练得到，训练时会被修正）；随机初始化的可训练嵌入矩阵。

混合设置的目的是：对嵌入做fine-tune，避免过早偏离预先训练的表示，以识别特定领域的词义语义。

2  .编码器将词嵌入序列转换成上下文向量列表H=，H的大小随着段落的长度而改变。

由两层堆叠双向循环神经网络（BRNN）利用两边的上下文构成。BRNN编码器从两个方向用两个分开的隐藏子层处理数据。表示成：

是LSTM当中的激活单元。通过级联两个方向的隐向量和来形成当前时间步骤的输出；BRNN的上层把来自下层的输出作为输入，进一步产生。最后已编码的上下文向量是嵌入向量和两层输出的和

二、注意力对齐

目的：从另一个句子的编码序列 中收集一个软对齐上下文向量。

1.      计算每对上下文向量基于内容的得分，得分衡量和的第j个上下文向量的相关性。

2.      对相关性得分进行归一化，作为注意力权重。

   

3.      生成软对齐短语向量，是注意力权重和上下文向量的加权和.

   

三、匹配聚合

给定H和它的软对齐向量，问题简化为比较对齐短语向量序列。

每对对齐向量首先被合并成一个匹配向量；随后由RNN层扫描，最后一个时间戳的输出作为最终的聚合向量。

四、双预测网络

预测网络由两层批处理归一化多层感知机，MaxOut神经元网络，和基于上述匹配聚合向量产生蕴含得分的线性层构成。然而，注意对齐、匹配聚合、预测网络只能检查一个句子的信息是否被另一个句子所覆盖。为了识别释义，我们使用共享网络从两个方向的问题对去计算蕴涵得分。最后，将两个分数相加，然后用Logistic层预测标签P。

---

欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2