本文介绍了如何利用Keras实现Siamese Network，特别是将其应用在语句相似度计算上。通过LSTM层获取语句的固定长度表示，然后计算相似度。使用Quora问题对数据集进行训练，模型在训练集上达到86%的正确率，但在验证集上为80%，表明模型仍有提升空间。文章提供了相关资源链接和视频讲解课程。
简介
使用Keras实现Siamese Network并进行语句相似度的计算
原理
Siamese Network是指网络中包含两个或以上完全相同的子网络，多应用于语句相似度计算、人脸匹配、签名鉴别等任务上
- 语句相似度计算：输入两句话，判断是否是一个意思
- 人脸匹配：输入两张人脸，判断是否是同一个人
- 签名鉴别：输入两个签名，判断是否是同一个人所写
以语句相似度计算为例，两边的子网络从Embedding层到LSTM层等都是完全相同的，整个模型称作MaLSTM（Manhattan LSTM）
通过LSTM层的最后输出得到两句话的固定长度表示，再使用以下公式计算两者的相似度，相似度在0至1之间
D = exp ( − ∥ h ( l e f t ) − h ( r i g h t ) ∥ 1 ) D=\exp{(-\left\| h^{(left)}-h^{(right)} \right\|_1)} D=exp(−∥∥∥h(left)
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
