QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 3111|回复: 0
打印 上一主题 下一主题

【文本匹配】交互型模型

[复制链接]
字体大小: 正常 放大
杨利霞        

5273

主题

82

听众

17万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    跳转到指定楼层
    1#
    发表于 2023-4-13 21:16 |只看该作者 |倒序浏览
    |招呼Ta 关注Ta
    【文本匹配】交互型模型  |% g- Y0 z' J" Q4 M8 O; Z

    1 b3 h3 D) U, r# {7 B" D. U表示型的文本匹配模型存在两大问题:(1)对各文本抽取的仅仅是最后的语义向量,其中的信息损失难以衡量;(2)缺乏对文本pair间词法、句法信息的比较  _% m4 ~: N2 ?. m* i
    . J7 R, n3 n6 G! X( S
    而交互型的文本匹配模型通过尽早在文本pair间进行信息交互,能够改善上述问题。. F: r3 U4 N' o6 U! d: I* L+ f+ y

    / `% o! c% y+ {" @4 A基于交互的匹配模型的基本结构包括:
    ) K5 z& m8 M9 Q6 Y' J  J+ K  J
    8 w4 e, |+ U8 h( d(1)嵌入层,即文本细粒度的嵌入表示;
    - M+ v6 B& o& ^$ ^3 F( ~) w( M7 r: D- d
    (2)编码层,在嵌入表示的基础上进一步编码;
    3 f7 b+ k8 Q" |) _: T% U2 u  P: v6 W1 E) T6 H1 e1 T
    (3)匹配层:将文本对的编码层输出进行交互、对比,得到各文本强化后的向量表征,或者直接得到统一的向量表征;
    6 W: I3 U8 H9 F: J% z9 X) _
    ( d2 f$ R- E* x& s( W- y* ~7 e(4)融合层:对匹配层输出向量进一步压缩、融合;
    0 ]: i( O# E$ q& r7 j( _
    & @; k$ v* `; m# W$ q, L$ A(5)预测层:基于文本对融合后的向量进行文本关系的预测。
    . |( X/ r! \# T5 K" J) u# Z0 [: N+ w4 Z) U& Y

    ; o6 L: _: R" p  _5 K2 \# {0 k4 k# p* r% U) @# T( ~
    1. ARC-II
    4 I3 D; K( V+ v. F1 ^ARC-II模型是和表示型模型ARC-I模型在同一篇论文中提出的姊妹模型,采用pair-wise ranking loss的目标函数。. X" `- Z) ~* Q  ?+ i9 B2 A- m8 H, S

    1 D5 N/ S- B9 ^9 h9 |其核心结构为匹配层的设计:
    , W2 Y  O( u6 t( @. Z
    ( v% j% p* x9 ]' O" A(1)对文本pair的n-gram Embedding结果进行拼接,然后利用1-D CNN得到文本S_X中任一token i和文本S_Y中任一token j的交互张量元素M_{ij}。该操作既然考虑了n-gram滑动窗口对于local信息的捕捉,也通过拼接实现了文本pair间低层级的交互。: L( `1 S, j4 o2 U' O& {; {3 F

    6 o9 Q) p; f; `5 z2 G(2)对交互张量进行堆叠的global max-pooling和2D-CNN操作,从而扩大感受野。
    ' S3 y" m! v- T% n& |+ S2 T$ x! D8 x5 Y" B
    2. PairCNN
    & N% `: M0 L/ g* m% ~2 BPairCNN并没有选择在Embedding后直接进行query-doc间的交互,而是首先通过TextCNN的方式分别得到query和doc的向量表征,然后通过一个中间Matrix对query和doc向量进行交互得到pair的相似度向量,然后将query的向量表征、doc的向量表征、相似度向量以及其它的特征向量进行拼接,最后经过两层的MPL得到最后的二分类向量。
    ; m& ^: l5 u* Y; K& F8 A1 h, X6 t; t0 x5 r
    PairCNN的模型架构中的亮点在于各View向量的拼接,既能利用原始的语义向量,还能够很便捷的融入外部特征。; c* L+ [: G7 f& }9 @

    , Z% }8 d( t! h) ?& ]. r5 H. P3. MatchPyramid
    9 F% h+ Z0 J, B9 I6 J无论是ARC-II中的n-gram拼接+1D conv还是Pair-CNN中的中间Matrix虽然均通过运算最终达到了信息交互的作用,但其定义还不够显式和明确,MatchPyramid借鉴图像卷积网络的思想,更加显式的定义了细粒度交互的过程。
    : N9 x+ \* z) h2 h9 k8 [  L. |MatchPyramid通过两文本各token embedding间的直接交互构造出匹配矩阵,然后将其视为图片进行2D卷积和2D池化,最后Flatten接MLP计算得匹配分数。本文共提出了三种匹配矩阵的构造方式:
    . ~2 o! T. A- t6 W1 ^# e$ ^& K4 s( B8 ^9 X; i! l
    (1)Indicator:0-1型,即一样的token取1,否则取0;这种做法无法涵盖同义多词的情况;: y  @4 X8 `/ i, j. D, F3 D

    2 g8 h4 @5 r' Q8 |$ @(2)Cosine:即词向量的夹角余弦;
    * \# J+ e+ r5 c0 P4 y, F$ I0 [2 X0 F* o8 U4 n% l$ }: i$ Q
    (3)Dot Product:即词向量的内积4 ?( l! [" `* @  b; W+ o

    : d3 M, M1 d0 h此外值得注意的是因为各个文本pair中句子长度的不一致,本文并没有采用padding到max-lenght的惯用做法,而是采用了更灵活的动态池化层,以保证MPL层参数个数的固定。' h( a; Q0 O" |3 l& E

    ( _9 ]1 D9 a/ ^4. DecAtt( `" }2 H: `0 r# k( P' j& e7 \; g
    DecAtt将注意力机制引入到交互型文本匹配模型中,从而得到各token信息交互后增强后的向量表征。
    - W* m8 g9 g4 H$ G- |8 M) H1 n, e/ |, Q
    , O+ T/ T/ ?1 q1 }( M模型被概括为如下层级模块:. b& z  H- G) X. }$ e; R0 Y' }

      Q3 e$ E) ^8 O! r7 ~; o  I4 u(1)Attend层:文章提供了两种注意力方案,分别为文本间的cross-attention,以及各文本内的intra-attention。具体而言,分别采用前向网络F和F_{intra}对文本token embedding进行编码,然后通过F(x)F(y)计算cross-attention的score,以及F_{intra}(x)F_{intra}(y)计算self-attention的score。然后利用softmax将attention score进行归一化,再对各token embedding进行加权平均,得到当前query token处的增强表征,最后与原始token embedding进行拼接计为attend后的最终embedding。/ Q$ I( C! F  A5 D

    ( B8 `8 q4 B0 p. T* Y% v(2)Compare层:将前序Attend层计算得到的最终embedding,喂入一个全连接层进行向量维度的压缩。4 y! D+ v% _8 B5 y" R

    ! L. w' N' L& @$ y3 Y$ P% h(3)Aggregate层:将每个文本各token处压缩后的向量进行简单的求和,再拼接起来通过MPL得到最后的匹配得分。1 `. I# B; q2 I  K! r0 Z- }) Y0 ~

    / o) r# H" K4 ?8 K4 \7 O8 ]: W% l5. CompAgg# o- }, k* ~: N; x3 ?
    CompAgg详细对比了在文本间cross-attention得到的各token向量表征与原始token向量进行compare的各种方案。
    4 }4 j; V+ q) ]; ?1 n' {. |# E7 C3 O# ~, I  c
    该模型的主要结构包括:; }6 h/ h+ r( M8 \; H" E( K: B

    ( S- x/ O. C! P(1)reprocessing层:采用类似于LSTM/GRU的神经网络得到token的深层表示(图中的\bar a_i);( S7 J, Q/ n8 y, Z5 E. P
    # l6 J  m, J/ b8 A6 _
    (2)Attention层:利用软注意力机制计算文本间的cross-attention(与DecAtt相同),从而得到各token处交互后的向量表示(图中的h_i);& ?" }: W8 a; [# t

    4 O3 G1 E( ]& I0 S) P6 Y0 l(3)Comparison层:通过各种网络结构或计算将\bar a_i和h_i计算求得各token的最终表征。$ @' v9 O: h( C- B9 D
    5 N5 @# L& m* y) o. F8 Y- ?
    (4)Aggregation层:利用CNN网络对Comparison层的输出进行计算,得到最后的匹配得分。8 |4 e# U$ g/ u8 T8 \

    " z% ?& w' K. [" f% Q其中Comparison层的构造方式包括:% U1 B% Y! f6 b8 l
    : N% Y4 D* j9 o2 P
    (1)矩阵乘法,类似于Pair-CNN中的中间Matrix
    / H, ~0 W! S9 T+ c$ V# T" B
    5 j4 _( H$ n8 g(2)前向神经网络,即将\bar a_i和h_i进行拼接,然后利用输入FFN;
    3 x# J8 v8 y  P5 `' E$ Z
    9 p4 Q1 q& d) |/ }(3)分别计算cosine和欧式距离,然后拼接;, R. {3 I0 R! w

    6 {  I# n0 M8 ?* L, J(4)各维度进行减法;( x6 K" ?$ e, U, s

      ?4 K! o  ~' h0 v" _; h- D(5)各维度进行乘法;6 ?  }4 Y' y: l/ L7 C+ ^

    1 r5 R. @/ C' p' [(6)各维度进行减法和乘法,然后再接一个前向网络。: C4 @. a$ x8 ?0 a0 Z" P! ?

    . o, F; Y# @5 A6 b6. ABCNN
    , [& v; L' ^# {7 K8 ]ABCNN是将Attention机制作用于BCNN架构的文本匹配模型。
    7 k4 }1 q4 K/ F/ i& x* k) p' ?+ i2 B
    6.1 BCNN9 [( t5 F4 Q# {7 d* O. [
    首先简单介绍下BCNN架构:
    ; W2 u& v) J5 M2 T/ `' f( t- O' s. i4 w
    BCNN的整体结构比较简单:(1)输入层;(2)卷积层,因为采用了反卷积的形式,所以在size上会增加;
    7 @" d. W- W/ h! D' T) d- m. W0 j( Q8 \8 i/ X1 K& @6 F. c
    (3)池化层,采用了两种池化模式,在模型开始阶段采用的是local平均池化,在最后句子向量的抽取时采用了global平均池化;(4)预测层,句子向量拼接后采用LR得到最后的匹配得分。
    ; T2 w7 g' ~+ h( J  E$ k% c
    : X4 L& ~8 L) G6 s1 Q- `ABCNN共包括三种变形,下面依次介绍。
      ?: @# t0 _# K) C4 j8 U0 O; v4 l( C1 w$ G1 B: t$ y
    6.2 ABCNN. P5 B$ {% d  h  V  z) {
    * k: ]2 c2 H) j+ K  n& y6 r
    ABCNN-1直接将Attention机制作用于word embedding层,得到phrase 级的词向量表示。区别于CompAgg中的软注意力机制,ABCNN-1直接基于下式得到注意力矩阵: A i j = 1 1 + ∣ x i − y j ∣ A_{ij}=\frac{1}{1+|x_i-y_j|} A ; Y" s4 ~9 Y) M7 g+ H' t
    ij
    & j# b) ^( D2 r+ ~# E* j​        + z0 G- F5 d  D5 ?5 o: n) ^
    = 7 G5 p/ ?9 |  U% \$ ~& _, K
    1+∣x 5 H0 C! r) w2 L4 c8 ]# Z' ~  w3 h
    i. p1 V1 ]6 ]2 N; H
    ​        ' |2 \. ?, I+ a! }: l# y5 g
    −y
    ! l& J1 G% K# \- b! tj
    - Y$ i* `% W  R* L7 G  N( f0 |( k​       
    ; ^6 e2 X) Q3 {3 H! G4 L1 u, e* p. Q6 v. k# t- E; ?
    1
    * p' Y" e# C3 @8 C# a8 e​       
    5 o7 e+ ?! i  i' f# X ,然后分别乘以可学习的权重矩阵 W 0 W_0 W   u7 j7 ~8 a$ t4 d1 [/ |* f
    0
    ' }1 X: _# Q, D5 K​       
    5 N$ h" a4 q% p* w, }2 d8 w 和 W 1 W_1 W
    " g: R$ P! V* {1 N, }1& V  Z# M7 ~* v. u/ q- S" U
    ​       
    ( f7 P  s+ ?( o3 G 得到attetion feature map。" k2 J2 ~2 p, K/ P; K1 d+ `
    * t$ U3 ?$ Z6 b3 g
    6.3 ABCNN-2% f. d/ I, a* M* e* L: e+ A
    : O  P8 O5 j$ @' b6 _5 z
    ABCNN-2将Attention机制作用于word embedding层后的反卷积层的输出结果,其中注意力矩阵的计算原理与ABCNN-1一致。然后将注意力矩阵沿着row和col的方向分别求和,分别代表着各文本token的attention socre;接着将反卷积层的输出结果与attention socre进行加权平均池化,得到与输入层相同shape的特征图。; h6 {1 k% w7 X- D4 o% K
    # l1 ?5 k8 E( m3 |( G
    6.4 ABCNN-32 H1 W" K' X  r# R, u
    * T" L. w0 y8 Y7 ?6 Q2 R# ^. @8 ]6 d
    ABCNN-3的基本模块可视为ABCNN-1和ABCNN-2的堆叠,即在嵌入层和卷积层上面都引入了attention的机制用来增强对token向量的表示。- L. C" t1 Y5 o9 s
    , Z! o- {6 [6 I+ \
    7. ESIM
    " _: b' h- n! L4 I. ~0 p2 P  xESIM模型基于NLI任务给出了一种强有力的交互型匹配方法。其采用了BiLSTM和Tree-LSTM分别对文本序列和文本解析树进行编码,其亮点在于:( h9 H; }% d' x# |0 ~  W

    ' T( s+ w1 `$ C3 u) V) c) u0 d9 s(1)匹配层定义了cross-attention得到各token的向量表示与原token向量间的详细交互关系,即采用 [ a ˉ , a ^ , a ˉ − a ^ , a ˉ ∗ a ^ ] [\bar a, \hat a,\bar a-\hat a,\bar a* \hat a] [ 5 k. K7 q- X% _2 @$ V. I
    a
    6 |- @# m2 [7 d: s# hˉ
    & b- |( V2 h. R ,
    6 P4 \" @) J" N  `' La: e$ |+ b, e& ~8 n
    ^
    ; S2 Y' y) ]  C0 c, ]) j8 E' x7 n% x" } ,
    2 _- M2 I! @' C# x* ca3 [. W  m4 g) M% X
    ˉ
    " o& X: ~  m4 g% S
    8 d, K' Z" @& Ra
    0 _; {, j. ]' E5 O^2 X0 h3 R% z$ Z8 L% `1 v
    , % j/ G: k$ D6 Y( G0 b4 X2 P' e& |
    a. D/ n1 L! e6 M) Z' y2 L
    ˉ* H& Q7 H2 t5 a" k
    3 r$ Q: _0 H# j" @% @5 t4 |2 b% @
    a! I" f$ ?. O1 j$ o0 _
    ^
    , B) o$ |/ H+ o  e% z ]作为最终文本token的向量表示,这也成为后续文本匹配模型的惯用做法。+ X5 ^8 a6 v7 G, ^5 m
    + p+ H1 I! r3 Z7 P" ]" b2 G
    (2)聚合层通过BiLSTM得到各文本token的编码,从而进一步增强了文本序列的信息传递;
    ( q. `( ]8 A  q5 d6 c+ ~- S$ N
    ' J+ Z5 j9 _3 \4 d/ ^8 C(3)预测层通过拼接各文本token编码的max-pooling和mean-pooling结果,再经过MPL进行匹配预测。7 k) l. R/ `- T: X6 ?

    * o; @$ [. u5 ~( H8 u  ^0 n& v! P, x* \# }  X; @# h

    . R3 L5 j+ ]+ o9 v& P. {8. Bimpm2 [# e# U8 f- {3 f' Q
    Bimpm可视为对之前各类交互型文本匹配模型的一次总结。) m% ~! k1 A2 s9 ^& X! l- d
    4 _. E' l# B- N2 M6 r& v% y& A
    该模型在各层的具体做法总结如下:
    & }, V, J5 |0 o, n4 j! G6 A- b' i' m$ Z
    (1)编码层采用BiLSTM得到每个token隐层的向量表示;
    1 K/ e" `4 O5 `* D" d: K" p8 Z( q6 A1 A9 V/ r
    (2)匹配层遵循 m k = c o s i n e ( W k ∗ v 1 , W k ∗ v 2 ) m_k=cosine(W_k*v_1,W_k*v_2) m & E$ g3 Y4 e; H$ I
    k! B, Y; z, y: E  |/ T1 [- }
    ​       
    ! y9 n: |9 [* v: I- C: T& S8 J =cosine(W / K8 s8 I& |8 q, X: P
    k
    . d! ?! G% v$ k0 r7 P; X​       
    : \) c& {0 C% N* N6 ^( x- e$ z ∗v
    " s  t5 X+ ?8 X8 C& v1
    $ W: `7 L+ P  Z% m​       
      d7 F# y5 T' X1 V% `" B ,W 9 P1 s0 z% O0 r% m! q9 S  y
    k2 l( z& P! D& @$ y
    ​       
    8 U* ]9 o) p& u. X, P8 f; c& _ ∗v
    : R5 f3 u& x& r4 Y3 H( F( ?8 n2
    1 S6 F( e( }3 Z; `5 g6 A0 ~​        1 X5 J' @# P8 w6 Z5 f% k
    )的方式可以得到两个文本的任意token pair之间在第k个view下的匹配关系,至于 v 1 v_1 v
    ' i% P3 ?. W8 ?. q; U15 x. a4 P; n6 R# ^
    ​       
    ! _: R2 R  P6 B: m0 w/ w 和 v 2 v_2 v
    ) }1 N+ `9 [7 `* z28 B2 W7 \+ [5 i' ^+ M1 _
    ​       
    3 N% X1 O$ v8 p; m) @. d 如何取,文章提供了4种策略:! w$ P: M% N! D# O2 t
    5 W; A) ^- l% ~4 h
    策略一:其中一个句子取各token隐层的向量表示,另一个句子采用隐层最后时间步处的输出;$ R9 h7 u& t' L# i: H* \* m
    策略二:其中一个句子取各token隐层的向量表示,另一个句子采用隐层各时间步输出与之匹配后取再取Max-Pooling值;  v& Y; H0 w+ G9 Z( O  ]4 h" r
    策略三:其中一个句子取各token隐层的向量表示,另一个句子采用cross-attentive后得到的加权句子向量;
    / M  ~: ^1 N1 p: ]4 v9 s2 Y策略四:其中一个句子取各token隐层的向量表示,另一个句子采用cross-attentive后attention score最高处token的向量作为句子向量。
    - u, Y+ @- Q4 U  X% \+ g" [这四种策略的区别在于对句子向量的计算不同。0 _5 b% w; F6 l+ F& |$ U, C
    ) T# x& u- D# v  o

    & I) T: L; |0 ~$ |! t9 T(3)聚合层,首先对上面各种策略得到的输出层再通过一层BiLSTM层,然后将各策略下最后时间步的输出进行拼接,得到最后的聚合向量;
    8 N7 W% i  n9 w* D6 p, c5 |
    - e. G$ b7 u  O7 k/ y" b+ J4 _(4)预测层:两层MPL+softmax0 I- l4 n! p: ^/ i) J  ]8 T
    # ^, D8 ]" q1 L/ v( V' ~
    9. HCAN
    8 |) i$ {3 E6 M1 T. \HCAN是除Bert类模型外在文本匹配领域表现最为优异的深度模型之一,其采用了较为复杂的模型结构。- e4 [( }. T! b0 P* L! x4 ?
    6 o3 l. ^5 q7 ~
    针对于信息抽取问题,文章首先分析了相关性匹配和语义匹配的差异:
    ) |$ P/ i. m* i/ `# N
    ! I/ `3 f6 q& R(1)相关性匹配主要关注于关键词的对比,因此更关注低层级词法、语法结构层面的匹配性;
    ( t' z0 P: x6 k( B2 L* D$ V! x' W$ C
    (2)语义匹配代表着文本的平均意义,因此其关注更高、更丑想的语义层面的匹配性。
    1 Z$ S& b5 }# g( q+ F
    : i. D9 \3 r) i+ R6 A; H3 V' z6 }7 z该模型首先采用三类混合的编码器对query和context进行编码:  Q) e. A5 t; X  }
    ' H0 T: j( x8 R$ F( a9 D5 g0 F
    (1)深层相同卷积核大小的CNN编码器;$ Z9 l* e9 q8 j3 C; [

    0 l: L, |: t3 @( M* i! b(2)不同卷积核大小的CNN编码器的并行编码;0 ~4 u+ `, j( C+ D& I$ ]
    8 D  [- t  B6 H3 U/ B4 P3 k+ }
    (3)沿着时序方向的stacked BiLSTM编码;1 M, E; S: ~+ L# r0 ^
    1 h3 D* ~) j1 ?! w
    对于前两者,通过控制卷积核的大小可以更好的捕捉词法和句法特征,即符合相关性匹配的目的;而对于后者,其能表征更长距离的文本意义,满足语义匹配的目的。
    - y# k& T1 a- K' f% {5 I9 f0 P# A& T
    在这三类编码器的编码结果基础上,模型分别进行了相关性匹配和语义匹配操作。其中相关性匹配主要采用各phrase间内积+max pooling/mean pooling的方式获取相关性特征,并通过IDF指进行各phrase的权重调整。而在语义匹配中,模型采用了精心设计的co-attention机制,并最终通过BiLSTM层输出结果。# _- Y1 S4 J9 T' Q
      i  }6 }0 {  v7 J1 L0 g" p$ n
    最后的预测层仍采用MPL+softmax进行预测。
    1 o( E' _, O. O; C' E% h& \" J; X) m2 w" \" G
    10. 小结
    , }7 i( f: ~. G, p3 }1 `8 g交互型语言匹配模型由于引入各种花式attention,其模型的精细度和复杂度普遍强于表示型语言模型。交互型语言匹配模型通过尽早让文本进行交互(可以发生在Embedding和/或Encoding之后)实现了词法、句法层面信息的匹配,因此其效果也普遍较表示型语言模型更好。
    3 @% x0 C% I' x( L$ a5 Z7 I( s8 \8 u
    【Reference】' z/ H* W- B) M/ T- b) D0 F

    ' ?# \4 r0 R4 U0 z& R% [- ^6 UARC-II: Convolutional Neural Network Architectures for Matching Natural Language Sentences
    ; ~# w0 Y" I5 I" l5 d# k) Y* |/ k, J. H' q7 d! D+ R$ |  l
    PairCNN: Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks
    8 c$ V6 c, D5 b
    : e# t6 @* j" h) Z$ `. I+ `MatchPyramid: Text Matching as Image Recognition  }, y7 d* T! x1 U  ]
    - H& w6 J" n# q3 f4 M
    DecAtt: A Decomposable Attention Model for Natural Language Inference# g- ?9 z, d! \$ n* B8 Y  V
    ) m3 n- F9 I' j7 J. j" g6 Y! c7 Q
    CompAgg: A Compare-Aggregate Model for Matching Text Sequences+ p( ^  W: M( ~! A2 h

      d" g9 j  I( K$ zABCNN: ABCNN: Attention-Based Convolutional Neural Network
    % ^5 @4 e1 x, Q& tfor Modeling Sentence Pairs# Q8 M) S; B2 P: |% ]

    6 v* Z# j* l6 @" h; _ESIM: Enhanced LSTM for Natural Language Inference
    7 \) v6 C7 j6 O8 \% _+ Y6 ]8 n5 T1 n% I5 Z
    Bimpm: Bilateral Multi-Perspective Matching for Natural Language Sentences7 H. a' \- U$ ^, G9 f1 a& E

    ' C4 P& y& r& c$ QHCAN: Bridging the Gap Between Relevance Matching and Semantic Matching( Y9 T( d! d; R% J  }
    for Short Text Similarity Modeling0 @( y7 x0 Z0 z+ ]7 x( j5 w

    6 z  q4 Z& |; e7 \; c  W/ U' H文本匹配相关方向打卡点总结(数据,场景,论文,开源工具)7 w" x( L8 h) s+ O2 G! j! S( H

    & c. g3 ^# q5 d( w谈谈文本匹配和多轮检索
    9 _, ]  ?( E" k# o& a3 @( r$ m6 k5 X* n" W8 X1 R
    贝壳找房【深度语义匹配模型 】原理篇一:表示型( h- [' Z8 a: H3 t  l( k
    ————————————————! x5 R& ~' B$ y) U5 C& I& X9 t2 t
    版权声明:本文为CSDN博主「guofei_fly」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
    7 J- B* M1 S1 E* b/ ?5 f& M原文链接:https://blog.csdn.net/guofei_fly/article/details/1075012764 g7 n; b6 v. ?3 W, q  C
    % r6 P+ A: U# l6 j  j1 B' D  r3 z

    7 ~4 s& o. P  F; W2 w: ]
    zan
    转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2026-6-9 10:14 , Processed in 0.581626 second(s), 50 queries .

    回顶部