23.3.1调研

上一篇调研之后，还是没有思路，继续调研文献。

WEAKLY SUPERVISED EXPLAINABLE PHRASALREASONING WITH NEURAL FUZZY LOGIC

蕴含关系的分类问题，首先识别出句子中的短语块，软匹配到最接近的短语，然后，通过判断phrase之间的关系，进而得到句子的蕴含关系（可解释性会强一些）
在模型参数更新上，考虑使用adversary loss函数，使应该接近的更加靠近，应该疏远的短语彼此之间距离更远。

也许，相似函数与adversary Loss函数是绝配
我们通过弱监督短语逻辑推理来解决NLI的可解释性问题。

所以，使用phrase的软匹配，还是为了可解释性的问题。。。。短语是突破口，短语相似度是工具或者说方法

.我们的模型将短语作为语义单位，并通过嵌入相似性对相应的短语进行对齐。然后，我们为对齐的短语预测NLI标签（即Entailment, Contradiction, 和Neutral）。最后，我们建议以模糊逻辑的方式从短语标签中诱导出句子级别的标签（Zadeh, 1988; 1996）。

根据这段话，关键信息有：
1、研究单位是短语。
2、短语是soft matching
3、从短语之间的NLI过渡到句子之间的NLI，使用了逻辑规则。

模型结构

phrase detection and alignment, phrasal NLI prediction, and sentence label induction

短语块获取：在短语块获取上，是通过设计了语法规则做的捕捉，比如“[AUX] + [NOT] + VERB + [RP]” is treated as a verb phrase
短语块语义表示：对句子做embedding，然后将短语块中的所有token做mean-pool操作，作为短语块语义的global表示，对短语块做embedding，得到的表示作为短语块的local 表示。
soft matching:
phrase NLI prediction：在对短语块的蕴含关系进行推断时，考虑了中立。矛盾。蕴含。
使用的是MLP网络。

sentence label induction:

1. 蕴含关系推断规则：

根据Bowman等人（2015）的观点，一个前提包含一个假设意味着，如果前提是真的，那么假设