文本匹配_如何又好又快的做文本匹配

本文介绍了ESIM模型在文本匹配中的应用,强调其推理速度快、效果良好。文章详细阐述了模型的整体架构,包括Input Encoding、Local Inference Modeling、Inference Composition和Prediction四个部分,并通过实例解释了如何通过单词交互矩阵获取句子间交互结果。ESIM模型的思想在后续许多模型中都有所应用,是理解文本匹配的重要参考。
摘要由CSDN通过智能技术生成

40ce589f45396052b49d1c2ac2f5c630.png

BERT推理速度慢,导致落地困难;找到效果不错,推理速度快的模型是一个方向,ESIM是一个很好的选择;

ESIM[1] 推理速度快,效果不错,堪称文本匹配的利器;

对于ESIM,重点掌握就一点:是两个句子之间究竟是如何交互的.

0 整体架构

先来看整体结构是什么样子:

148eaa06e7df8597a7f7310c3dccda6f.png
ESIM整体架构

对于这个架构,我们主要是看左边这个就可以;

可以看到,从架构上来看,这个模型大概可以范围四层:最底层是一个双向LSTMÿ

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值