先把論文放出來：Enhanced LSTM for Natural Language Inference，說實話這篇論文不算新了，但是在語義相似度方至今仍流傳著他的傳說，因此我還是把這篇論文拿著讀了起來。近期也是看了很多文章，但是終究不如讀論文來的過癮，大部分博客對這篇論文的模型核心做了很多介紹，但各個操作的出發點和一些獨到的見解卻寫的不多，這次我會在介紹ESIM的過程中討論一下。

當然，還是建議大家好好品讀原論文，更有味道。

另外給點代碼，看論文不清楚的看看論文也挺好：

https://blog.csdn.net/wcy23580/article/details/84990923。

https://github.com/weekcup/ESIM。

有關語義匹配和推理

一般地，向量召回主要用的表征模型，但是表征模型沒有用到交互特征，因此匹配的準確率上肯定比不過交互模型，所以一般工程上用表征模型召回，然后用交互模型來做精排，這樣能保證整個搜索系統的效果更加穩定可靠（看到沒，準召分離的思路又來了），而交互模型這塊，比較可靠的基線，應該就要數ESIM了。

ESIM里，我比較欣賞的是這幾點：

LSTM抽取上下文信息。Tree-LSTM的嘗試也為信息抽取帶來啟發。

把Decomposable attention作為交互特征的思路有機組合起來了。

多種交互形式的特征concat起來。

當然具體閱讀后，我還提煉了一些新的idea，在文末。有了這些思路，先讓我們來看看具體的模型，其實論文的行文里討論了很多思路，我們先來看整體論文思路，然后再來提煉里面的獨到之處。

模型整體

論文的模型其實沒有想象中的困難，在很早就把整篇論文給到了：

輸入層是embedding+LSTM的組合。

Local Inference Modeling層，用的Decomposable Attention來體現兩者的交互型。

Inference composition層則把上面一層的結果進行多種組合計算，得到多種特征，說白了就是比較。

輸出層就不多說了，大家都懂的。

輸入層

一般的輸入層只會是簡單的word2vector，但這里其實加了一個LSTM，還是雙向的，就是用來獲取各路信息。來看看代碼，這個還是比較清晰的：

i1=Input(shape=(SentenceLen,),dtype='float32') i2=Input(shape=(SentenceLen,),dtype='float32') x1=Embedding([CONFIG])(i1) x2=Embedding([CONFIG])(i2) x1=Bidirectional(LSTM(300,return_sequences=True))(x1) x2=Bidirectional(LSTM(300,return_sequences=True))(x2)

Local Inference Modeling

中文翻譯應該是局部推理層，我的理解這一層是用于抽取局部信息的，作者用的方法應該來源于這篇論文：A Decomposable Attention Model for Natural Language Inference，這里其實是一個計算交互特征的過程，即一一分析兩個句子之間每個位置的相似度，最簡單的方式就是點乘，而這篇論文就是使用的這個最簡單的方式：

然后再把權重分散到各個位置，其實形態就很像softmax了：

這個其實就是做了一個交叉，計算整個句子的權重，然后用類似softmax的形式整上，非常討巧，相信ESIM的成功很大程度上就和這個有關。

而這并沒結束，作者進行了進一步的強化，對比Decomposable Attention前后的變化，進行了組合。

Inference Composition

推理層應該是進入最終預測之前的最后一層了。這一層的操作同樣沒那么簡單，大部分人可能flatten、maxpool、avgpool之類的就直接全連接了，但是這里并不是，而是做了一系列的再提取和再處理，最終才完成預測向量的：

作者是真的把信息抽取和特征的組合做到了極致，對上面構造的兩個組合特征再進行了一次特征提取，用的依舊是熟悉的Bilstm，值得注意的是他操作的維度，來看一個ESIM的開源代碼吧：

classInferenceCompositionLayer(object): """ Layertocomposethelocalinferenceinformation. """ def__init__(self,hidden_units,max_length=100,dropout=0.5, activation='tanh',sequences=True): self.hidden_units=hidden_units self.max_length=max_length self.dropout=dropout self.activation=activation self.sequences=sequences def__call__(self,input): composition=Bidirectional(LSTM(self.hidden_units, activation=self.activation, return_sequences=self.sequences, recurrent_dropout=self.dropout, dropout=self.dropout))(input) reduction=TimeDistributed(Dense(self.hidden_units, kernel_initializer='he_normal', activation='relu'))(composition) returnDropout(self.dropout)(reduction)

這里用到另一個我沒見過的keras層，即TimeDistributed，有興趣可以了解下。

此后，非常精髓的使用avg-pool和max-pool的組合，有關池化，max和avg一直打得火熱，沒有人能給出非常穩定的結論，因此作者就用了兩者的組合：

啟示

整篇文章其實沒有構造出非常高端的結構，只是一些非常樸素的操作，但是綜合起來成了現在也非常推薦用的基線，是有很多有借鑒意義的東西的，我這里一一列舉，大家可以直接在里面選擇需要的來用。

BiLSTM似乎還挺好用的。當然私以為CNN其實也可以嘗試的。

花式concat，多種信息抽取方式進行組合，小孩子才做選擇，大人全都要。

attention的使用，其實有出處A Decomposable Attention Model for Natural Language Inference，思想其實是兩者一一對比得到交互矩陣，利用該交互矩陣構造類似softmax的權重，為各自的關鍵信息進行加權，重點提取。

信息的對比來自于可以來自減和乘，減直接計算兩者的差距，類似歐氏距離，乘的使用則來源于余弦距離，既然要對比特征，那就把這兩個用到極致。

avg和max哪個好，別爭了，都用，哪個比較重要交給后面的全連接層來決定吧。

我的這篇文章里面沒有講tree-lstm，主要是因為我們平時比較難用到，原因是這個樹不好構建，需要依賴依存句法，但是的確是一個挺有意思的思想，只有真的去讀論文的人才能知道。

參考資料

論文原文：Enhanced LSTM for Natural Language Inference

論文解讀：https://blog.csdn.net/wcy23580/article/details/84990923

keras版本代碼：https://github.com/weekcup/ESIM/blob/master/src/model.py

依舊推薦大家直接去讀論文，文章對他為什么做這些操作有很明確的思想，其實在我看來這些思想比操作本身還要重要，畢竟思想是需要啟發的，在這些思想的指導下，我在思考解決方案的時候就能有參考，方案可以借鑒，但是這個思想的實現并不局限在一個方法上。

責任編輯：lq