Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Languag...

文章首发于zhkun的小窝

介绍

这篇文章是COLING 2018的beat reproduction paper,文章主要对现有的做句子对任务的最好的几个模型进行了重现,并且作者实现出来的效果和原文章声称的效果相差不多,这点还是很厉害的,而且作者对语义理解的集中任务也做了相关梳理,文章简单易读,还是很值得一看的。

任务

句子对建模是NLP,NLU中比较基础,并扮演着重要角色的任务,主要集中在语义理解,语义交互上,也是我自己的一个研究方向,大致有这几类任务

  1. Semantic Textual Similarity (STS) :判断两个句子的语义相似程度(measureing the degree of equivalence in the underlying semantics of paired snippets of text)
  2. Natural Language Inference (NLI) :也叫Recognizing Textual Entailment(RTE),判断两个句子在语义上是否存在推断关系,相对任务一更复杂一些,不仅仅是考虑相似,而且也考虑了推理。
  3. Paraphrase Identification (PI) :判断两个句子是否表达同样的意思(identifing whether two sentences express the same meaning)
  4. Question Answering (QA) :主要是指选择出来最符合问题的答案,是在给定的答案中进行选择,而不是生成
  5. Machine Comprehension (MC) :判断一个句子和一个段落之间的关系,从大段落中找出存在答案的小段落,对比的两个内容更加复杂一些。

模型

有了任务,作者选取了集中目前情况下最好的模型,因为原文中每个模型可能只针对了某些任务进行了很多优化,那这些模型是否真的有效呢,作者考虑这些模型在所有的任务上进行比较,在介绍模型之前,作者首先介绍了句子对建模的一般框架:

一般框架

  1. 输入层:适用预训练或者参与训练的词向量对输入中的每个词进行向量表示,比较有名的Word2Vec,GloVe,也可以使用子序列的方法,例如character-level embedding
  2. 情境编码层:将句子所处的情境信息编码表示,从而更好的理解目标句子的语义,常用的例如CNN, HighWay Network等,如果是句子语义表示的方法,一般到这里就结束了,接下来会根据具体的任务直接使用这一层得到语义表示
  3. 交互和注意力层:该层是可选的,句子语义表示有时候也会用到,但更多的是词匹配方法用到的,通过注意力机制建模两个句子在词层面的匹配对齐关系,从而在更细粒度上进行句子对建模,个人认为句子语义表示也会用到这些,只是句子语义表示最后会得到一个语义表示的向量,而词匹配的方法不一定得到句子语义的向量
  4. 输出分类层:根据不同的任务,使用CNN,LSTM,MLP等进行分类判断。

下图展示了一些句子语义表示的模型的基本框架:

Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Languag..._第1张图片
model structure

有了这个一般的框架,接下来作者选取了集中目前最好的模型进行重现

模型选择

  1. InferSent[1]:BiLSTM+max-pooling
  2. SSE[2]:如图1,和InferSent比较类似
  3. DecAtt[3]:词匹配模型的代表,利用注意力机制得到句子1中的每个词和句子2中的所有词的紧密程度,然后用句子2中的所有词的隐层状态,做加权和表示句子1中的每个词
  4. ESIM[4]:考虑了一些词本身的特征信息,和DecAtt比较类似
  5. PWIM[5]:在得到每个词的隐层状态之后,通过不同的相似度计算方法得到词对之间相似关系,最后利用CNN进行分类。

数据:

为了更好的展示每个数据的情况,在这里直接用下图展示作者使用到的数据集:

Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Languag..._第2张图片
data info

结果

直接上结果,上图是原文章中的结果,下图是作者重现的结果

Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Languag..._第3张图片
origin result
Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Languag..._第4张图片
reproduction result

从结果上看,作者实现的效果还是很厉害的,基本上跟原文章声明的不相上下,当然由于不是针对特定任务进行特别优化,所有效果还是有一点点差的,但基本上可以认为是实现了原来的效果,而且作者也发现了一些有意思的现象,例如:表现最好的就是ESIM,个人感觉这里面加入了很多次本身的一些信息,例如近义词,反义词,上下位信息等,这些信息其实对句子语义理解十分重要。

以上就是这篇文章的整体介绍,作者完整实现了这些方法,并在不同的数据集上进行验证,工作量还是很大的,而且对句子对建模进行了比较完整的介绍,还是很有意思的。♪(^∀^●)ノ

引用

[1]:Supervised learning of universal sentence representations from natural language inference data

[2]:Shortcut-stacked sentence encoders for multi-domain inference

[3]:A decomposable attention model for natural language inference

[4]:Enhanced LSTM for natural language inference

[5]:Pairwise word interaction modeling with deep neural networks for semantic similarity measurement

你可能感兴趣的:(Neural Network Models for Paraphrase Identification, Semantic Textual Similarity, Natural Languag...)