【论文泛读】基于扩展的Ｓ－ＬＳＴＭ 的文本蕴含识别

摘要

文本蕴含识别旨在自动判断给定的前提和假设（通常为２个句子）之间是否存在蕴含关系，是自然语言处理领域一项基础但富有挑战的任务．当前，主流的基于深度学习的模型通常分别建模前提和假设的语义表示，而没有把它们看作一个整体；另外，在捕获它们之间的语义关系时，大都没有同时利用句子级别的全局信息和短语级别的局部信息．最近提出的Ｓ－ＬＳＴＭ 能够同时学习句子和短语的语义表示，在文本分类等任务上取得了较好的效果．基于上述情况，提出了一种基于扩展的Ｓ－ＬＳＴＭ 的文本蕴含识别模型．一方面，把前提和假设看作一个整体，扩展Ｓ－ＬＳＴＭ 以同时学习它们的语义表示；另一方面，在建模语义关系时，既利用句子级别的信息又利用短语级别的信息，以此获得更好的语义表示．在 英 文ＳＮＬＩ数据集和中文ＣＮＬＩ数据集上的实验结果表明：提出的模型取得了比基准模型更好的识别性能．

模型

总结

本文提出了一种基于扩展 的 Ｓ－ＬＳＴＭ 的 文 本蕴含识别模型．具体地，从编码层中前提和假设的信息交换的建模、交互层中句子级别的全局语义的利用这２个方面对前人的工作进行改进．所 提 模 型 在文 ＳＮＬＩ和 中 文 ＣＮＬＩ数 据 集 上，都 取 得 了 同 类方法中较好的识别性能．在未来的工作中，我们将探索把扩展的Ｓ－ＬＳＴＭ 用于其他句子对相关的任务，如隐式篇章关系识别、复述识别等．