u013250861的博客

Learning to Rank: pointwise、pairwise、listwiseLTR（Learning to rank）是一种监督学习（SupervisedLearning）的排序方法，已经被广泛应用到推荐与搜索等领域。传统的排序方法通过构造相关度函数，按照相关度进行排序。然而，影响相关度的因素很多，比如tf，idf等。传统的排序方法，很难融合多种因数，比如向量空间模型以tf*idf作为权重构建相关度函数，就很难利用其他信息了，并且如果模型中参数比较多，也会使得调参非常困难，而且很可能会出现过

深度语义结构模型（DSSM）首次提出了将深度学习应用到文本匹配方法中，该模型通过建模用户查询和文档的匹配度，同传统文本匹配模型相比获得了显著的提升。在深度语义结构模型中，每个文本对象均由５层的神经网络进行向量化表示，最后通过向量间的余弦值来衡量文本对象的相似度...

MaLSTM模型（ManhaĴan LSTM，孪生神经网络）介绍模型的构建之前，我们先介绍下孪生神经网络(Siamese Network)和其名字的由来。Siamese和Chinese有点像。Siamese是古时候泰国的称呼，中文译作暹罗。Siamese在英语中是“孪生”、“连体”的意思。为什么孪生和泰国有关系呢？十九世纪泰国出生了一对连体婴儿，当时的医学技术无法使两人分离出来，于是两人顽强地生活了一生，1829年被英国商人发现，进入马戏团，在全世界各地表演，1839年他们访问美国北卡罗莱那州后来成

NLP-文本匹配-2016：SiamseNet【Learning text similarity with siamese recurrent networks】

NLP-文本匹配-2016：Compare-Aggregate【A Compare-Aggregate Model for Matching Text Sequences】

NLP-文本匹配-2016：ESIM【Enhanced LSTM for Natural Language Inference】

NLP-文本匹配-2016：BiMPM【Bilateral Multi-Perspective Matching for Natural Language Sentences】

NLP-文本匹配-2017：RE2【Simple and Effective Text Matching with Richer Alignment Features】

NLP-文本匹配-2018：MGCN【Matching Article Pairs with Graphical Decomposition and Convolutions】

NLP-文本匹配-2019：Poly-encoders【Poly-encoders: Transformer Architectures and Pre-training Strategies fo】