Query（Intent）的表达和Document（Content）的表达？
最近关注了一些Deep Learning在Information Retrieval领域的应用，得益于Deep Model在对文本的表达上展现的优势（比如RNN和CNN），我相信在IR的领域引入Deep Model也会取得很好的效果。
IR的范围可能会很广，比如传统的Search Engine（query retrieves documents），Recommendation System（user retrieves items）或者Retrieval based Question Answering（Question retrieves answers）可能都可以属于IR的范畴。仔细考虑这些应用，不难看出他们都存在一个模式，也就是几个基本需要解决的任务：
Query（Intent）的表达和Document（Content）的表达？
Matching Model：maps query-document pairs to a feature vector representation where each component reflects a certain type of similarity, e.g., lexical, syntactic, and semantic。或者这里根据matching vector与参数w直接得到matching score，相当于做了内积。
Ranking Model：接受q-d的matching结果（matching vector或matching score），在当前end-to-end的训练框架下，其实使用matching score更方便一点（为什么更方便一点本文后面会说明），然后使用learning to rank的方法（pointwise，pairwise或listwise）来进行训练，重点是如何设计loss function。
下面我主要参考Li Hang在sigir 2016上的tutorial（http://www.mhylpt.com t.cn/Rt7OK2w）来组织我的笔记，同时会重点阅读几篇有代表性的论文来更好的理解细节。一句话，希望学习可以既见森林，又可见树木。
我主要从以下四个部分来讲解：
IR的基础
相关的Deep Learning模型（Word Embedding，RNN和CNN）
Deep Learning for IR的基础性问题
Deep Learning for IR的具体应用
IR的基础
下图展现了Information Retrieval的一个整体构架，
IR
传统的IR使用向量空间模型（VSM）来计算query和document的相似度，具体方法如下：
Representing query and document as tf-idf (or BM25) vectors
Calculating cosine similarity between them
IR
现代的IR使用了一个更加general的框架来处理similarity的问题：
Conducting query and document understanding
Representing query and document as feature vectors
Calculating multiple matching scores www.douniu828.com between query and document (Matching Model)
Training ranker with matching scores as features using learning to rank (Ranking Model)
IR
一般这四个步骤都是在一个end-to-end的神经网络结构下进行训练的。这里注意，Matching Model只有唯一一个，就是说所有的query-document对都使用一个Matching Model，Ranking Model只使用这唯一一个Matching Model产生的Matching Score或Matching Vector。
Deep Learning的方法可以渗透在IR中的不同步骤中，如下图所示，一般包括了Intent和Content的表示和Matching Model的学习。
IR
注意，这里并没有说明Ranking Model，其实Ranking Model可以看做整个神经网络结构的loss function层，不同的learning to rank方法有不同的loss形式，本文只讨论pointwise和pairwise方法，因为这两种方法效率足够高，在实践中应用的最多。
同时，本文重点考察两种工业中应用最多的训练数据形式。
第一种形式，数据提供了某个query对应的完全的document的排序（或relevance值）；
第二种形式，数据只提供了某个query对应的一个或几个相关document，其他document并不知道相关性，具体类似推荐系统的数据。
其实，在工业环境中第二种数据形式是最普遍的，由于本身只有正样本，所以需要进行随机负采样，来构造一种排序关系。同时loss function也可以使用pointwise或pairwise的方法，pointwise方法直接把问题当做二分类问题来做；pairwise使用了正样本和每个负样本的偏序关系，可以使用RankSVM的形式（hinge loss）或RankNet的形式（cross entropy loss）。
相关Deep Learning模型的基础
Word Embedding
Word Embedding的教程可以参考《word2vec中的数学原理详解》，我觉得这篇文章讲的很详细也很生动。
RNN
RNN的教程可以参考我之前写的tutorial https://www.ahor.net github.com/pangolulu/rnn-from-scratch，其中也包含了很多拓展的资料。
CNN
CNN for text可以参考这篇论文https://www.aqgc.net /pdf/1408.5882v2.pdf，他将CNN模型应用到了sentence classification的问题上，并取得了state-of-art的效果。
Deep Learning for IR的基础性问题
Representation Learning
Word Embedding的出现使得我们可以使用低维的向量空间来表示Word的语义，避免了使用one-hot表示产生了一些问题，比如维度高、one-hot词向量间无法表达相关性等等。这种embedding的方法称为hierarchy representation。
那么，如何将一段文本表示成embedding的形式呢？也就是sentence representation或document representation，目的是represent syntax, semantics, and even pragmatics of sentences。目前有很多研究工作可以应用，对于sentence的表示可以使用rnn或cnn，对于document的表示会复杂一点，可以参考Hierarchical Attention Networks for Document Classification和Convolutional Neural Network Architectures for Matching Natural Language Sentences这两篇工作。它们主要的思想其实就是使用cnn或rnn来表示document中的sentences，然后使用表示好的sentence vectors作为另外的rnn的输入来最终表示整个document。
一般CNN或RNN会随着整个网络进行end-to-end的训练，也就是Task-dependent的，也是有监督的。
Representation Learning是整个IR或NLP task的基础，无论是Classification的问题，Matching的问题，还是Translation的问题，都需要先学习一个document或sentence的中间表示。可以看下面的示意图，表示IR或NLP不同任务之间的关系，和representation learning所处的位置。
IR
Matching Model
Matching是IR任务中重要的一步，意义是maps query-document pairs to a feature vector representation where each component reflects a certain type of similarity, e.g., lexical, syntactic, and semantic。这里产生的是一个matching vector，接下来可以根据matching vector与参数w直接得到matching score（比如做内积）。
IR
Maching Model产生的结果（matching vector或matching score）接下来会作为ranking model的输入，ranking model其实相当于整个网络的loss function，在当前end-to-end的训练框架下，其实使用matching score更方便一点。之后可以看到，使用matching vector + LTR的方法和使用maching score + ranking loss的方法一定程度上是等价的（这里只考虑pointwise和pairwise方法），而且后面一种形式更加general，它包含了传统的LTR的表达，也可以做一些变化，比如做一些negative sampling等等。之后在Ranking Model的讲解会重点介绍几篇论文中常见的ranking loss的形式，并且说明一下LTR方法使用matching vector和使用matching score的等价性。
好，现在我们重点讲解使用深度学习来做Matching的方法。一般Matching的方法有三种形式：
Projection to Latent Space
One Dimensional Matching
Two Dimensional Matching
Tree Matching
本文暂时只讨论前三种。
Matching: Projection to Latent Space
类似于VSM的方法
IR
Matching: One Dimensional Matching
应用的比较多，可以在这个基础上融合不同的matching方法得到的结果，比如融入了第一种matching方法（query和document的vector做内积）。
IR
Matching: Two Dimensional Matching
直接生成二维的matching score，然后用cnn模型进行学习。
IR
有一些研究的结论，如下：
对于sentence的表示学习，cnn方法要比rnn方法好，这个有待于验证。
2-dimensional CNN比1-dimensional CNN方法好
Matching scores can be used as features of learning to rank models，这个方法相当于可以融合不同方法得到的matching score，然后组成一个matching vector。
Ranking Model
也就是大家熟知的Learning to Rank，不过我这里想解释的更加general一点，可能在构造训练集上和LTR有一些不同。
先说一下问题的定义，假设我有query q和候选的document集合D={d1, d2, ..., dn}。对于训练集，首先必须再次强调一下训练数据的形式：
第一种形式，数据提供了某个query对应的完全的document的排序（或relevance值）；
第二种形式，数据只提供了某个query对应的一个或几个相关document，其他document并不知道相关性，具体类似推荐系统的数据。
然后说一下LTR的输入，LTR接受Matching Model得到的结果，即可以使Matching Vector或者是Matching Score。
对于第一种形式的数据，可以采用传统的LTR方法：
pointwise方法直接当做回归问题，可以看到Matching Score就可以看做是回归的值了，如果使用Matching Vector作为输入，相当于继续使用一些参数W做了一次回归问题。但其实这是可以通过神经网络end-to-end学习出来的，相当于整个网络（包括Representation Learning和Matching Model）的目标函数就是回归问题（损失函数为最小二乘）。
pairwise方法考虑了document集合中两两document的偏序关系，由此构造训练集。考虑所有两两的document，比如d1和d2，如果训练集中d1 > d2，那么我们希望通过Matching Model得到的d1和d2对应的Matching Score m1要大于m2。在上面的intuition的指导下，我们可以定义不同的loss function了，最常见就是hinge loss function，也就是我们希望m1比m2要至少大于一个值，对应了SVM中的1，具体可以写成max(0, theta - m1 + m2)。这个Hinge Loss的定义方法其实就是RankSVM的方法，不过传统的RankSVM的定义使用了Matching Vector作为输入，比如v1和v2，并且重新构造了训练集，v1 - v2对应的label为+1（正类），v2 - v1对应的label为-1（负类）。大家可以看一下RankSVM的公式形式，不难会发现RankSVM和我这里表达的定义其实是等价的，感兴趣的同学可以参考http://www.cnblogs.com/kemaswill/p/3241963.html。其实，对于RankNet也是相同的道理，感兴趣的可以参考http://www.cnblogs.com/kemaswill/p/kemaswill.html。
对于第二种形式的数据，训练数据中只提供了某个query对应的一个或几个相关document，其他document并不知道相关性。由于只提供了正反馈的数据，目前主流的做法就是进行contrastive sampling，也就是随机负采样。当有了负样本之后，相当于可以得到document之间的偏序关系了，就可以使用LTR的方法，这里面我倾向于称为ranking loss，也包括了pointwise和pairwise这两种方法：
pointwise方法直接把问题当做二分类来做，正相关的document为正例，采样的负相关的数据为负例。如果接收Matching Score，可以在外面套一层sigmoid函数转化成概率，使用交叉熵损失函数进行训练；如果接收Matching Vector，相当可以再做一次logistics regression，但其实和前面方法是等价的。
pairwise方法是目前主流的做法，对一个query来说正相关的document偏序关系要大于这个query下随机采样的负相关的document，采样的个数可以作为一个超参数。这样可以使用和第一种数据形式的pairwise方法设计ranking loss了，这里不再赘述。一般文献里面都会使用hinge loss，表达示为e(x, y_pos, y_neg) = max(0, theta - s_match(x, y_pos) + s_match(x, y_neg))，其中x为query，y_pos为正相关document，y_neg为负相关document，s_match为Matching Model得到的Matching Score。
Deep Learning for IR的具体应用
Document Retrieval
这里考虑Learning to Rank for Document Retrieval，下图是整体的构架图，可以看到系统直接返回Ranking Model，相当于Matching Model和Ranking Model以一起学出来的。
IR
具体有一下几点考虑：
simultaneously learn matching model and ranking model
Matching model: Projection into Latent Space, Using CNN
Ranking model: taking matching model output as features, as well as other features, Using DNN
比较重要的就是Matching Model和Ranking Model的关系，下图直观的表示出来：
IR
其实，在我看来图中最后都会输出一个score，这个score就是matching score，而这个是最重要的。
下面给出一篇论文的网络结构图，这篇论文发表在sigir 2015，叫做Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks，有兴趣的同学可以回去精读。
IR
首先，这篇论文使用了pointwise的方法，所以是一个二分类问题；使用CNN来对query和document学习representation；使用一个双线性函数来match query-vector和document-vector（q_vec M d_vec的内积）；之后与query-vector和document-vector或者加上其他feature一同连接成一个feature vector，这个就是Matching Vector；网络后几层经过若干fully connected层，最后会得到一个实数，就是Matching Score；由于是一个二分类问题，Matching Score外面套一层sigmoid函数转换成概率，使用交叉熵损失函数进行训练。
Retrieval based Question Answering
Retrieval based QA其实和Document Retrieval没有什么区别，下图给出了一个整体的框架图：
IR
具体的一篇论文可以参考李航发表在nips 2015的文章，题目叫Convolutional Neural Network Architectures for Matching Natural Language Sentences。文中也是用了CNN来学习sentence的表示，但文中提出了两种Matching Model结构，一种是One Dimensional Matching，另一种是Two Dimensional Matching。分别表示如下图所示：
IR
IR
最后Matching Model会生成一个Matching Score，正如我在这篇博文阐述的一样。
对于Ranking Model，也就是ranking loss，这篇文章使用了pairwise的方式，使用了hinge loss function，具体为：e(x, y+, y−) = max(0, 1 + s(x, y−) − s(x, y+))。其中，y+比y- match x的分数要高，也就是y+排在y-之前；s(x, y)是x和y的matching score。
Image Retrieval
这个任务的意义是用文字来搜索图，反过来或者用图来搜索文字。一个整体的示意图如下：
IR
具体的一篇论文也是来自李航老师的，发表在ICCV 2016，题目叫作Multimodal Convolutional Neural Networks for Matching Image and Sentence。这篇论文使用了Multimodal CNN的方法，具体为：
Represent text and image as vectors and then match the two vectors
三种matching方法：Word-level matching, phrase-level matching, sentence-level matching
CNN model works better than RNN models (state of the art) for text
其中sentence-level matching和Word-level matching的示意图如下：
IR
IR
最后网络会输出一个Matching Score，这篇文章也使用了pairwise方法，但是训练数据没有负相关样本，所以使用了随机负采样的方法；loss function选择了hinge loss，具体形式为e_θ(xn, yn, ym) = max(0, theta − s_match(xn, yn) + s_match(xn, ym)，其中ym是随机采样的负样本。
总结一下，可以看到，无论是Document Retrieval，Retrieval based Question Answering还是Image Retrieval，它们的模式都已一样的，都包括了三个基本要素：Representation Learning，Matching Model和Ranking Model。
总结
本文在于帮助梳理一下这种retrieve，match，similarity或者说recommend等一类问题的一些模式和关键要素，使点连成线，在大脑中构建真正的理解，能做到举一反三，遇到相似的任务能很自然的联想过去。大家如果有什么意见或想法，欢迎在下面留言。
Reference
Convolutional Neural Network Architectures for Matching Natural Language Sentences, nips 2015
Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks, sigir 2015
Multimodal Convolutional Neural Networks for Matching Image and Sentence, iccv 2016
TOWARDS UNIVERSAL PARAPHRASTIC SENTENCE, ICLR 2016
deep_learning_for_information_retrieval, sigir 2016 tutorial
IR的范围可能会很广，比如传统的Search Engine（query retrieves documents），Recommendation System（user retrieves items）或者Retrieval based Question Answering（Question retrieves answers）可能都可以属于IR的范畴。仔细考虑这些应用，不难看出他们都存在一个模式，也就是几个基本需要解决的任务：
Query（Intent）的表达和Document（Content）的表达？
Matching Model：maps query-document pairs to a feature vector representation where each component reflects a certain type of similarity, e.g., lexical, syntactic, and semantic。或者这里根据matching vector与参数w直接得到matching score，相当于做了内积。
Ranking Model：接受q-d的matching结果（matching vector或matching score），在当前end-to-end的训练框架下，其实使用matching score更方便一点（为什么更方便一点本文后面会说明），然后使用learning to rank的方法（pointwise，pairwise或listwise）来进行训练，重点是如何设计loss function。
下面我主要参考Li Hang在sigir 2016上的tutorial（http://www.mhylpt.com t.cn/Rt7OK2w）来组织我的笔记，同时会重点阅读几篇有代表性的论文来更好的理解细节。一句话，希望学习可以既见森林，又可见树木。
我主要从以下四个部分来讲解：
IR的基础
相关的Deep Learning模型（Word Embedding，RNN和CNN）
Deep Learning for IR的基础性问题
Deep Learning for IR的具体应用
IR的基础
下图展现了Information Retrieval的一个整体构架，
IR
传统的IR使用向量空间模型（VSM）来计算query和document的相似度，具体方法如下：
Representing query and document as tf-idf (or BM25) vectors
Calculating cosine similarity between them
IR
现代的IR使用了一个更加general的框架来处理similarity的问题：
Conducting query and document understanding
Representing query and document as feature vectors
Calculating multiple matching scores www.douniu828.com between query and document (Matching Model)
Training ranker with matching scores as features using learning to rank (Ranking Model)
IR
一般这四个步骤都是在一个end-to-end的神经网络结构下进行训练的。这里注意，Matching Model只有唯一一个，就是说所有的query-document对都使用一个Matching Model，Ranking Model只使用这唯一一个Matching Model产生的Matching Score或Matching Vector。
Deep Learning的方法可以渗透在IR中的不同步骤中，如下图所示，一般包括了Intent和Content的表示和Matching Model的学习。
IR
注意，这里并没有说明Ranking Model，其实Ranking Model可以看做整个神经网络结构的loss function层，不同的learning to rank方法有不同的loss形式，本文只讨论pointwise和pairwise方法，因为这两种方法效率足够高，在实践中应用的最多。
同时，本文重点考察两种工业中应用最多的训练数据形式。
第一种形式，数据提供了某个query对应的完全的document的排序（或relevance值）；
第二种形式，数据只提供了某个query对应的一个或几个相关document，其他document并不知道相关性，具体类似推荐系统的数据。
其实，在工业环境中第二种数据形式是最普遍的，由于本身只有正样本，所以需要进行随机负采样，来构造一种排序关系。同时loss function也可以使用pointwise或pairwise的方法，pointwise方法直接把问题当做二分类问题来做；pairwise使用了正样本和每个负样本的偏序关系，可以使用RankSVM的形式（hinge loss）或RankNet的形式（cross entropy loss）。
相关Deep Learning模型的基础
Word Embedding
Word Embedding的教程可以参考《word2vec中的数学原理详解》，我觉得这篇文章讲的很详细也很生动。
RNN
RNN的教程可以参考我之前写的tutorial https://www.ahor.net github.com/pangolulu/rnn-from-scratch，其中也包含了很多拓展的资料。
CNN
CNN for text可以参考这篇论文https://www.aqgc.net /pdf/1408.5882v2.pdf，他将CNN模型应用到了sentence classification的问题上，并取得了state-of-art的效果。
Deep Learning for IR的基础性问题
Representation Learning
Word Embedding的出现使得我们可以使用低维的向量空间来表示Word的语义，避免了使用one-hot表示产生了一些问题，比如维度高、one-hot词向量间无法表达相关性等等。这种embedding的方法称为hierarchy representation。
那么，如何将一段文本表示成embedding的形式呢？也就是sentence representation或document representation，目的是represent syntax, semantics, and even pragmatics of sentences。目前有很多研究工作可以应用，对于sentence的表示可以使用rnn或cnn，对于document的表示会复杂一点，可以参考Hierarchical Attention Networks for Document Classification和Convolutional Neural Network Architectures for Matching Natural Language Sentences这两篇工作。它们主要的思想其实就是使用cnn或rnn来表示document中的sentences，然后使用表示好的sentence vectors作为另外的rnn的输入来最终表示整个document。
一般CNN或RNN会随着整个网络进行end-to-end的训练，也就是Task-dependent的，也是有监督的。
Representation Learning是整个IR或NLP task的基础，无论是Classification的问题，Matching的问题，还是Translation的问题，都需要先学习一个document或sentence的中间表示。可以看下面的示意图，表示IR或NLP不同任务之间的关系，和representation learning所处的位置。
IR
Matching Model
Matching是IR任务中重要的一步，意义是maps query-document pairs to a feature vector representation where each component reflects a certain type of similarity, e.g., lexical, syntactic, and semantic。这里产生的是一个matching vector，接下来可以根据matching vector与参数w直接得到matching score（比如做内积）。
IR
Maching Model产生的结果（matching vector或matching score）接下来会作为ranking model的输入，ranking model其实相当于整个网络的loss function，在当前end-to-end的训练框架下，其实使用matching score更方便一点。之后可以看到，使用matching vector + LTR的方法和使用maching score + ranking loss的方法一定程度上是等价的（这里只考虑pointwise和pairwise方法），而且后面一种形式更加general，它包含了传统的LTR的表达，也可以做一些变化，比如做一些negative sampling等等。之后在Ranking Model的讲解会重点介绍几篇论文中常见的ranking loss的形式，并且说明一下LTR方法使用matching vector和使用matching score的等价性。
好，现在我们重点讲解使用深度学习来做Matching的方法。一般Matching的方法有三种形式：
Projection to Latent Space
One Dimensional Matching
Two Dimensional Matching
Tree Matching
本文暂时只讨论前三种。
Matching: Projection to Latent Space
类似于VSM的方法
IR
Matching: One Dimensional Matching
应用的比较多，可以在这个基础上融合不同的matching方法得到的结果，比如融入了第一种matching方法（query和document的vector做内积）。
IR
Matching: Two Dimensional Matching
直接生成二维的matching score，然后用cnn模型进行学习。
IR
有一些研究的结论，如下：
对于sentence的表示学习，cnn方法要比rnn方法好，这个有待于验证。
2-dimensional CNN比1-dimensional CNN方法好
Matching scores can be used as features of learning to rank models，这个方法相当于可以融合不同方法得到的matching score，然后组成一个matching vector。
Ranking Model
也就是大家熟知的Learning to Rank，不过我这里想解释的更加general一点，可能在构造训练集上和LTR有一些不同。
先说一下问题的定义，假设我有query q和候选的document集合D={d1, d2, ..., dn}。对于训练集，首先必须再次强调一下训练数据的形式：
第一种形式，数据提供了某个query对应的完全的document的排序（或relevance值）；
第二种形式，数据只提供了某个query对应的一个或几个相关document，其他document并不知道相关性，具体类似推荐系统的数据。
然后说一下LTR的输入，LTR接受Matching Model得到的结果，即可以使Matching Vector或者是Matching Score。
对于第一种形式的数据，可以采用传统的LTR方法：
pointwise方法直接当做回归问题，可以看到Matching Score就可以看做是回归的值了，如果使用Matching Vector作为输入，相当于继续使用一些参数W做了一次回归问题。但其实这是可以通过神经网络end-to-end学习出来的，相当于整个网络（包括Representation Learning和Matching Model）的目标函数就是回归问题（损失函数为最小二乘）。
pairwise方法考虑了document集合中两两document的偏序关系，由此构造训练集。考虑所有两两的document，比如d1和d2，如果训练集中d1 > d2，那么我们希望通过Matching Model得到的d1和d2对应的Matching Score m1要大于m2。在上面的intuition的指导下，我们可以定义不同的loss function了，最常见就是hinge loss function，也就是我们希望m1比m2要至少大于一个值，对应了SVM中的1，具体可以写成max(0, theta - m1 + m2)。这个Hinge Loss的定义方法其实就是RankSVM的方法，不过传统的RankSVM的定义使用了Matching Vector作为输入，比如v1和v2，并且重新构造了训练集，v1 - v2对应的label为+1（正类），v2 - v1对应的label为-1（负类）。大家可以看一下RankSVM的公式形式，不难会发现RankSVM和我这里表达的定义其实是等价的，感兴趣的同学可以参考http://www.cnblogs.com/kemaswill/p/3241963.html。其实，对于RankNet也是相同的道理，感兴趣的可以参考http://www.cnblogs.com/kemaswill/p/kemaswill.html。
对于第二种形式的数据，训练数据中只提供了某个query对应的一个或几个相关document，其他document并不知道相关性。由于只提供了正反馈的数据，目前主流的做法就是进行contrastive sampling，也就是随机负采样。当有了负样本之后，相当于可以得到document之间的偏序关系了，就可以使用LTR的方法，这里面我倾向于称为ranking loss，也包括了pointwise和pairwise这两种方法：
pointwise方法直接把问题当做二分类来做，正相关的document为正例，采样的负相关的数据为负例。如果接收Matching Score，可以在外面套一层sigmoid函数转化成概率，使用交叉熵损失函数进行训练；如果接收Matching Vector，相当可以再做一次logistics regression，但其实和前面方法是等价的。
pairwise方法是目前主流的做法，对一个query来说正相关的document偏序关系要大于这个query下随机采样的负相关的document，采样的个数可以作为一个超参数。这样可以使用和第一种数据形式的pairwise方法设计ranking loss了，这里不再赘述。一般文献里面都会使用hinge loss，表达示为e(x, y_pos, y_neg) = max(0, theta - s_match(x, y_pos) + s_match(x, y_neg))，其中x为query，y_pos为正相关document，y_neg为负相关document，s_match为Matching Model得到的Matching Score。
Deep Learning for IR的具体应用
Document Retrieval
这里考虑Learning to Rank for Document Retrieval，下图是整体的构架图，可以看到系统直接返回Ranking Model，相当于Matching Model和Ranking Model以一起学出来的。
IR
具体有一下几点考虑：
simultaneously learn matching model and ranking model
Matching model: Projection into Latent Space, Using CNN
Ranking model: taking matching model output as features, as well as other features, Using DNN
比较重要的就是Matching Model和Ranking Model的关系，下图直观的表示出来：
IR
其实，在我看来图中最后都会输出一个score，这个score就是matching score，而这个是最重要的。
下面给出一篇论文的网络结构图，这篇论文发表在sigir 2015，叫做Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks，有兴趣的同学可以回去精读。
IR
首先，这篇论文使用了pointwise的方法，所以是一个二分类问题；使用CNN来对query和document学习representation；使用一个双线性函数来match query-vector和document-vector（q_vec M d_vec的内积）；之后与query-vector和document-vector或者加上其他feature一同连接成一个feature vector，这个就是Matching Vector；网络后几层经过若干fully connected层，最后会得到一个实数，就是Matching Score；由于是一个二分类问题，Matching Score外面套一层sigmoid函数转换成概率，使用交叉熵损失函数进行训练。
Retrieval based Question Answering
Retrieval based QA其实和Document Retrieval没有什么区别，下图给出了一个整体的框架图：
IR
具体的一篇论文可以参考李航发表在nips 2015的文章，题目叫Convolutional Neural Network Architectures for Matching Natural Language Sentences。文中也是用了CNN来学习sentence的表示，但文中提出了两种Matching Model结构，一种是One Dimensional Matching，另一种是Two Dimensional Matching。分别表示如下图所示：
IR
IR
最后Matching Model会生成一个Matching Score，正如我在这篇博文阐述的一样。
对于Ranking Model，也就是ranking loss，这篇文章使用了pairwise的方式，使用了hinge loss function，具体为：e(x, y+, y−) = max(0, 1 + s(x, y−) − s(x, y+))。其中，y+比y- match x的分数要高，也就是y+排在y-之前；s(x, y)是x和y的matching score。
Image Retrieval
这个任务的意义是用文字来搜索图，反过来或者用图来搜索文字。一个整体的示意图如下：
IR
具体的一篇论文也是来自李航老师的，发表在ICCV 2016，题目叫作Multimodal Convolutional Neural Networks for Matching Image and Sentence。这篇论文使用了Multimodal CNN的方法，具体为：
Represent text and image as vectors and then match the two vectors
三种matching方法：Word-level matching, phrase-level matching, sentence-level matching
CNN model works better than RNN models (state of the art) for text
其中sentence-level matching和Word-level matching的示意图如下：
IR
IR
最后网络会输出一个Matching Score，这篇文章也使用了pairwise方法，但是训练数据没有负相关样本，所以使用了随机负采样的方法；loss function选择了hinge loss，具体形式为e_θ(xn, yn, ym) = max(0, theta − s_match(xn, yn) + s_match(xn, ym)，其中ym是随机采样的负样本。
总结一下，可以看到，无论是Document Retrieval，Retrieval based Question Answering还是Image Retrieval，它们的模式都已一样的，都包括了三个基本要素：Representation Learning，Matching Model和Ranking Model。
总结
本文在于帮助梳理一下这种retrieve，match，similarity或者说recommend等一类问题的一些模式和关键要素，使点连成线，在大脑中构建真正的理解，能做到举一反三，遇到相似的任务能很自然的联想过去。大家如果有什么意见或想法，欢迎在下面留言。
Reference
Convolutional Neural Network Architectures for Matching Natural Language Sentences, nips 2015
Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks, sigir 2015
Multimodal Convolutional Neural Networks for Matching Image and Sentence, iccv 2016
TOWARDS UNIVERSAL PARAPHRASTIC SENTENCE, ICLR 2016
deep_learning_for_information_retrieval, sigir 2016 tutorial