文本匹配模型-DSSM

这里主要实现的是基于表征文本匹配和基于交互的文本匹配模型。
同时也对比了各个模型在wikiQA上的运行结果。

1. 基于表征的文本匹配模型

1.1 DSSM 模型

1. 简介

DSSM 模型是2013提出的 最早的基于表征的文本匹配方法，整体流程比较简单：首先基于bag-of-words得到文本的向量表征，再基于word-hashing方法进行降维，接着就是MLP，得到最终128维的文本embedding, 最后对两个文本emebdding 计算cosine相似度得到相似度分数。
该模型也奠定了基于表征匹配的基本范式（Embedding层–Encoding层—DNN层----Prediction层）之后的表征匹配大抵都是类似的流程。

DSSM是Deep Structured Semantic Model的缩写，即我们通常说的基于深度网络的语义模型，其核心思想是将query和doc映射到到共同维度的语义空间中，通过最大化query和doc语义向量之间的余弦相似度，从而训练得到隐含语义模型，达到检索的目的。DSSM有很广泛的应用，比如：搜索引擎检索，广告相关性，问答系统，机器翻译等。

典型的DNN结构是将原始的文本特征映射为在语义空间上表示的特征。DNN在搜索引擎排序中主要是有下面2个作用：

• 将query中term的高维向量映射为低维语义向量
• 根据语义向量计算query与doc之间的相关性分数

通常，x表示谁让的term向量，y表示输出的term向量， $l_i,i=1,2,...N-1$ 层，$W_i$表示第i层的参数矩阵，$b_i$表示第i个偏置项。
$l_1=W_{1}x，l_i=f(W_i{l}_{i-1}+b_i),i=2..N-1,y=f(W_N{l}_{N-1}+b_N)$
我们使用tanh作为输出层和隐藏层的激活函数，有下列公式：
$f(x)=\frac{1-e^{-2x}}{1+e^{-2x}}$
在搜索排序中，我们使用Q表示一个query，D 表示一个doc, 那么他们是的相关性可以用下面的公式衡量 $R(Q,R)=cosine(y_Q,y_D)=\frac{y_Q^T{y}_D}{||y_Q||||y_D||}$
其中$y_Q$与$y_D$是query和doc的语义向量。在搜索引擎中，给定一个query,会返回相关性分数排序的文档。
通常情况下，输入的term向量使用最原始的bag of words特征，通过one-hot进行编码，但是在实际中，词典的大小将会非常大，如果直接将数据输入给DNN，神经网络时无法进行训练和预测的，因此，在DSSM中，引入了word hashing的方法，并且作为DNN中的第一层。

2. WordHashing

word hashing方法是用来减少输入向量的维度，该方法基于字母的n-gram，给定一个单词（good），我们首先增加词的开始和结束部分（#good#），然后将该词转换为字母 [公式] -gram的形式（假设为trigrams：#go，goo，ood，od#）。最后该词使用字母 n-gram的向量来表示。

这种方法的问题在于有可能造成冲突，因为两个不同的词可能有相同的n-gram向量来表示。下图显示了word hashing在2个词典中的统计。与原始的one-hot向量表示的词典大小相比，word-hashing明显降低了向量的表示维度。

3. dssm的学习

点击日志里通常包含了用户搜索的query和用户点击的doc，可以假定如果用户在当前query下对doc进行了点击，则该query与doc是相关的。通过该规则，可以通过点击日志构造训练集与测试集。

首先，通过softmax 函数可以把query 与样本 doc 的语义相似性转化为一个后验概率：
$P(D|Q)=\frac{exp(rR(Q,D))}{{\sum }_{D^{\prime }\in D}exp(rR(Q,D^{\prime }))}$
其中r是softmax 函数的平滑因子，D表示被排序的候选文档集合，在实际中，对于正样本，每一个query-doc对儿，使用（Q,D+）表示，对于负样本，随机选择4个曝光但未点击的doc，使用{D-j，j=1,…4}来表示。
在训练阶段，通过极大似然估计来最小化损失函数：
$L(W)=-log{\prod }_{Q,D^{+}}P(D+|Q)$
其中W表示神经网络的参数，模型通过随机梯度下降SGD来进行优化，最终可以得到各网络层的参数{W,b}

4. 总结

DSSM的提出主要有下面的优点：

• 解决了LSA，LDA， AutoEncoder等方法存在的一个最大的问题，字典爆炸（导致计算复杂度非常高），因为在英文单词中，词的数量可能是没有限的，但是字母n-gram的数量通常是有限的。
• 基于词的特征表示比较难处理新词，字母的n-gram可以有效地处理OOV，鲁棒性比较强。
• 使用监督方法，优化语义embedding的映射问题
• 省去了人工的特征工程

缺点：

• wordhash 可能造成冲突，所谓的冲突是 两个不同的词 可能由相同的n-gram来表示
• DSSM采用词袋模型，损失了上下文信息，对于每一个词都是用n-gram 没有上下文信息。
• 在排序中，搜索引擎的排序由多种因素决定，由于用户点击时doc的排名靠前，点击的概率就越大，如果仅仅使用点击来判断是否为正负样本，噪音比较大，难以收敛。

对于中文而言，处理方式与英文有很多不一样的地方，中文往往需要分词，但是我们可以仿照英文的处理方式，将中文的最小粒度看做是单字，因此，通过这种wordhash的方法，可以将向量空间大大降低。

对DSSM的优化出现了很多的变种，有CNN-DSSM, LSTM-DSSM, MV-DSSM等，大多对隐藏层做了一些修改。

其他可以参考：
DSSM在推荐上的应用