这是《简介》系列的最后一篇文章。原本我是想写一下Universal Sentence Encoder这篇文章,但是我觉得其实很多工作包括之前介绍的几篇文章都是在寻找”Universal Sentence Encoder”,没有理由起这么个名字。再者文章本身写得不够详细,相比之下,同样的作者所写的这篇Learning Semantic Textual Similarity from Conversations要更全面。论文
方法
Input-Response Prediction
论文基于这样的观察:在对话中,如果两个问句的回答是相似的,那么这两个问句的相似度就高。比如”How old are you” 和 “What is your age”的回答都是”I am 20 years old”。相反,问句“How are you”和“How old are you”的用词虽然很相似,但是回答不一致,那么它们的意义也不一样。
整个算法的任务就是从一堆候选句子中,找到给定问句正确的回答,如下图:
具体而言,作者利用conversational input-response model来预测正确的response,做法如下: