本文深入探讨了使用CNN进行句子相似性建模的论文，通过两种卷积方式和三种池化方法提取句子特征。文章介绍了模型架构，包括句子表示层、相似性计算层和全连接层，并详细阐述了卷积核、池化层的设计及其工作原理。最后，文章提及了相似性计算的算法和全连接层的使用，为后续的tensorflow实现奠定了基础。
最近在读“Multi-Perspective Sentence Similarity Modeling with Convolution Neural Networks”这篇论文，该文通过CNN层对两个句子分别进行建模，然后添加一个句子相似性测量层来计算两个句子的相似度。首先可以看一下其模型的架构图方便有一个直观的理解：
可以看到一个句子首先被转化为嵌入矩阵[sentence_length， embed_size]，然后输入卷积-池化层（这里论文中提出使用两种卷积方式+三中池化方式，如图所思）得到处理后的句子向量。为了计算两个句子之间的相似度，论文中提出了两种算法，分别应用于不同卷积层的输出结果计算其相似性。最终将得到的相似性向量输入全连接层得到相似性分数，与标签相比较。从而进行训练等。接下来就详细的看一下每一部分内容。
句子表示层
本文之所以成为Multi-Perspective的句子相似性建模就是因为其提出了两种卷积核+三种池化方法，从而可以从不同层面提取出句子的特征。如下图所示：
最低0.47元/天 解锁文章
370
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
