闲记

零散问题：
1）编辑距离

def minEditDist(sm,sn):
    m,n = len(sm)+1,len(sn)+1
    # create a matrix (m*n) 
    matrix = [[0]*n for i in range(m)] 
    matrix[0][0]=0
    for i in range(1,m):
        matrix[i][0] = matrix[i-1][0] + 1 
    for j in range(1,n):
        matrix[0][j] = matrix[0][j-1]+1 
     for i in range(m):
        print matrix[i]

    print "********************"
    cost = 0 
    for i in range(1,m):
        for j in range(1,n):
            if sm[i-1]==sn[j-1]:
                cost = 0
            else:
                cost = 1 
            matrix[i][j]=min(matrix[i-1][j]+1,matrix[i][j-1]+1,matrix[i-1][j-1]+cost)
    for i in range(m):
        print matrix[i]  return matrix[m-1][n-1]
	mindist=minEditDist("ivan1","ivan2")
	print mindist

2）cos–相似度计算
input1.size() [batch_size, num_choices, hidden_size]
input2.size() [batch_size, hidden_size]
input2.repeat(1,num_chioces,1)
returned = torch.nn.CosineSimilarity(dim=2,eps=1e-6)->[batch_size, num_choices]
3）word break

---

CHID比赛：
1）

求blank state和choice_sentence余弦度，感觉过于简单，首先blank states应该进行更深的embedding, 其实cos太过简单（我只是想随便改改参数做个比赛，说实话我不是很认真，纯属是想碰运气外加了解了解）
一般阅读理解是给出，context，question，answer。而CHID是给出context和answer，有点像完形填空，但是完形填空是单个词，而我的是有解释的文本向量，

2）方法搜查：
想问题和sentence每个词做attn，之后问题与sentence匹配，
I. 略，依存语法：理解较复杂句子的结构和语义信息
II. bert阅读理解，是直接问题和context通过concat之后输入bert，之后预测答案（start，end),实际意义不大，
III. 语义匹配：
解决answer selction的一般思路是：首先用LSTM或者CNN的神经编码器学习问题和答案的表示，然后进行text matching，将任务转换为分类或者learning-to-rank问题。神经排序模型在QA中对候选答案进行排序以回答问题，核心是问答表示之间交互函数的设计。
https://zhuanlan.zhihu.com/p/39920446 主要是各种attention，

cloze传统方法：

• AoA Reader这个比较厉害，
  预计使用atted-context，与blank state 进行concat，然后两个矩阵进行，运算太大，

textcnn: