鴿了很久的NLP入門系列終于在我的努力下又更新了。

上次聊了分類任務的模型與技巧，今天我們就來聊聊句間關系任務。句間關系的輸入是一對文本，輸出是文本間的關系。常用的判別有語義相似度、語義關系推理（蘊含/中立/矛盾）、問答對等，拿GLUE榜單來說，其中有6個（QQP/MNLI/QNLI/STS/RTE/MRPC）都是句間關系任務。這個任務的應用場景也很廣泛，比如搜索推薦的語義相關性、智能問答中的問題-問題、問題-答案匹配、知識圖譜中的實體鏈接、關系識別等，是成為NLPer必須卷的一個方向。

在深度學習中，文本匹配模型可以分為兩種結構：雙塔式和交互式。

雙塔式模型也稱孿生網絡、Representation-based，就是用一個編碼器分別給兩個文本編碼出句向量，然后把兩個向量融合過一個淺層的分類器；交互是也稱Interaction-based，就是把兩個文本一起輸入進編碼器，在編碼的過程中讓它們相互交換信息，再得到最終結果。如下圖：

兩種框架比較的話，交互式通常準確率會高一些，畢竟編碼器能使用的信息更多了，而雙塔式的速度會快很多，比如線上來一個query，庫里有一百萬個候選，等交互式算完了用戶都走了，但雙塔式的候選可以提前計算好，只用給query編碼后去和候選向量進行淺層計算就好了。工程落地的話，通常會用雙塔式來做召回，把一百萬個候選縮減為10個，再對這10個做更精細的計算。

所以說這兩種方式都是實際應用中必不可缺的，兩個方向也都有著不少的模型：

下面我們就先講講雙塔式模型的SOTA發展。這里面通常有三個點可以優化：encoder、merged_vec、classifier，大部分研究都在專注提升encoder的能力。我個人主要將雙塔的發展分為詞袋、有監督、預訓練+遷移三個階段。

詞袋句向量

最簡單的就是直接從詞向量計算句向量。首先可以用mean、max池化，相比字面n-gram重合度肯定是有提升的。但當句子中的噪聲多起來之后，如果兩個句子有大量重合的無意義詞匯，分數也會很高，這時候就可以考慮加權求和，比如TF-IDF。

ICLR2017論文SIF提出了名為smooth inverse frequency的方法，先由詞向量加權平均得到句向量，再對多個句子組成的句向量矩陣進行PCA，讓每個句向量減去第一主成分，去掉“公共”的部分，保留更多句子本身的特征。該方法在相似度任務上有10%-30%的提升，甚至超過了一些RNN模型，十分適合對速度要求高、doc相似度計算的場景。

之前提到的相似度任務都適用cosine相似度衡量的，也有學者研究了其他metric。2016年的WMD提出了Word Mover‘s Distance這一概念，用句子A走到句子B的最短距離來衡量兩者的相似程度。表示在下圖中就是非停用詞的向量轉移總距離：

上面介紹的兩篇文章使用的都是word2vec向量，但實際操作中我推薦使用fasttext（就是加上ngram，但仍用word2vec結構訓練），一方面ngram可以增加信息，另一方面也避免了OOV。

千萬不要小看詞向量，用好了真的是很強的baseline。另外現在很多線上場景因為對速度要求高，或者是toB的業務甲方不愿意買GPU，有不少落地都停留在這個階段。

有監督句向量

詞向量雖然可以經過處理變成句向量，但詞袋式的融合也會丟失掉順序信息，同時在訓練時其目標還是word-level的，想要獲得「真正的句向量」，還是需要尋找sentence-level的目標函數。

微軟在2013年提出的CIKM論文DSSM是相當知名的多塔模型，它對文本進行word hash（也就是表示成ngram，減少詞表數），再將ngram轉成向量再平均得到句向量，經過三層MLP得到128維的編碼，用cosine相似度作為每個Q-D對的分數，經過sofamax歸一化后得到P（D|Q），最終目標為最大化正樣本被點擊的概率。

但BOW式的詞向量平均會損失上下文信息，所以之后也有學者提出了CNN-DSSM、LSTM-DSSM，基本上結構都差不多。

Siam-CNN

題目：Applying Deep Learning to Answer Selection： A Study and An Open Task

論文：https://arxiv.org/pdf/1508.01585.pdf

在2015年IBM提出的Siam-CNN架構中，作者嘗試了多種孿生架構，使用CNN作為基礎編碼器，pairwise loss作為損失函數，最后實驗發現第二種是最好的：

說實話這個結果有點迷，Query和Answer的表達還是略有不同的，經驗上看我覺得第三個結構更靠譜些。不過作者只在一種數據集上進行了嘗試，或許換個數據集結果會有變化。

Siam-LSTM

題目：Siamese Recurrent Architectures for Learning Sentence Similarity

論文：http://www.mit.edu/~jonasm/info/MuellerThyagarajan_AAAI16.pdf

2016年的Siam-LSTM在結構上比較簡單，就是直接用共享權重的LSTM編碼，取最后一步的輸出作為表示。有個改進點是作者使用了Manhattan距離計算損失：

后續還有一些模型改成雙向、char-level的，這里就不過多贅述了。

Multi-View

題目：Multi-view Response Selection for Human-Computer Conversation

論文：https://www.aclweb.org/anthology/D16-1036.pdf

百度的EMNLP2016論文針對多輪對話問題，提出了Multi-view的Q-A匹配方式，輸入的query是歷史對話的拼接，分別編碼了word sequence view和utterance sequence view兩種表示。詞級別的計算和Siam-LSTM差不多，都是用RNN的最后一步輸出做Q-A匹配，而句子級別的會對RNN每步輸出做max pooling得到句子表示，然后再將句子表示輸入到GRU中，取最后一步作為帶上下文的表示與回答匹配，如下圖：

融合了兩個level的匹配后比普通方法的R@1要好上4-6個點，提升很明顯。

預訓練+遷移

有監督、領域內的語料總是有限的，目前很多任務都開始轉向預訓練+遷移的范式。

Skip-Thought

題目：Skip-Thought Vectors

論文：https://arxiv.org/pdf/1506.06726.pdf

代碼：https://github.com/ryankiros/skip-thoughts

多倫多大學的NIPS2015論文Skip-Thought提出了一種無監督句向量訓練方法，參考wrod2vec，一句話與它的上下文也是存在關聯的，因此我們可以用一個句子的編碼去預測它的上下句：

Skip-Thought用GRU作為編碼器，條件GRU作為解碼器，預測時候只用編碼器就可以得到句子表示。

但這種方法訓出的decoder不用比較浪費，后續也有學者用同樣的思想改成了判別任務，比如Quick-Thought對句子分別編碼，過分類器選擇上下文，又或者BERT中的NSP，或者ALBERT的SOP。

FastSent

題目：Learning Distributed Representations of Sentences from Unlabelled Data

論文：https://www.aclweb.org/anthology/N16-1162.pdf

代碼：https://github.com/fh295/SentenceRepresentation/tree/master/FastSent

2016年的FastSent主要對Skip-Thought的速度進行了改進，其實就是用詞袋模型去替換RNN編碼，再用中間句子的表示去預測上下文的詞。同時也提出了一個FastSent+AE變體，預測目標也加上了自身的詞。

最終效果在無監督任務上好于Skip-Thought，但有監督任務上還是略遜色。

InferSent

題目：Supervised Learning of Universal Sentence Representations from Natural Language Inference Data

論文：https://www.aclweb.org/anthology/D17-1070.pdf

代碼：https://github.com/facebookresearch/InferSent

前幾篇可遷移的encoder都是無監督的，因為學者們一直沒有發現更通用的數據，直到InferSent。

EMNLP2017中Facebook提出了InferSent，文中使用NLI數據集來預訓練雙塔結構，超越了之前眾多無監督方法。該文章用了很簡單的雙塔結構，但在計算loss時先對兩個向量用了多種方式融合，再過分類器。同時也提出了多個基于RNN、CNN的編碼器，最后實驗發現BiLSTM+Max效果最好，在評估的10個任務中有9個達到了SOTA。

InferSent提出的結構到現在還用很多同學在用，包括后文的Sentence-BERT（19年的SOTA）也只是換了個編碼器而已。同時用NLI來做預訓練這個點也很重要，優質語料對模型提示有很大幫助。

后續也有模型進行了小改進，比如2017年的SSE，使用3層堆疊BiLSTM+Shortcut，效果比InferSent好一些。

GenSen

題目：Learning General Purpose Distributed Sentence Representations via Large Scale Multi-task Learning

論文：https://arxiv.org/abs/1804.00079

代碼：https://github.com/Maluuba/gensen

同樣是提升可遷移性，微軟在ICLR2018上提出了GenSen，使用GRU編碼，將encoder下游接上4種不同的任務（預測上下文、翻譯、NLI、句法分析），但只在6/10個任務上超越了之前的模型，個別情況下增加新的任務還會使效果下降。

這種多任務的思想后續也被用在其他模型上，比如MT-DNN（狗頭。

USE

題目：Universal Sentence Encoder， Learning Semantic Textual Similarity from Conversations

論文：https://arxiv.org/pdf/1803.11175v1.pdf， https://arxiv.org/pdf/1804.07754.pdf

谷歌在ACL2018提出了USE模型，這也是引用量很高的一篇文章（但寫的不是很清楚，推薦讀第二篇），主要改進如下：

提出了用Transformer和平均池化+MLP作為encoder，分別適用不同的場景

爬取了大量reddit的問答數據，用于無監督Q-A訓練，因為query和answer的表示空間不一樣，結構上給answer多加一層DNN。并且在問答任務上使用batch negative策略，也就是除了對應的正確答案外batch內剩下的樣本都作為負例，用softmax計算P（A|Q）的概率，跟現在對比學習的loss一樣。

多任務，在無監督訓練Q-A的同時也用SNLI進行有監督訓練

這樣訓練出的模型比InferSent高3-5個點，效果很好。現在這個模型也在一直更新，可以在TFhub上使用，不僅速度快，效果也沒比BERT系差太多。

Sentence-BERT

題目：Sentence-BERT： Sentence Embeddings using Siamese BERT-Networks

論文：https://arxiv.org/pdf/1908.10084

代碼：https://github.com/UKPLab/sentence-transformers

EMNLP2019的Sentence-BERT是目前最常用的BERT式雙塔模型，一是效果真的好，二是作者的開源工具做的很方便，用的人越來越多。結果其實就是把InferSent改成BERT編碼，訓練語料也不變，做離線任務可以直接用起來。

BERT-flow

題目：On the Sentence Embeddings from Pre-trained Language Models

論文：https://arxiv.org/pdf/2011.05864.pdf

代碼：https://github.com/bohanli/BERT-flow

字節在EMNLP2020提出了BERT-flow，主要是基于Sentence-BERT做改動，因為之前的預訓練+遷移都是使用有監督數據，而作者基于對原生BERT表示的分析發現，那些表示在空間的分布很不均勻，于是使用flow-based生成模型將它們映射到高斯分布的均勻空間，比之前的Sentence-BERT提升了4個點之多。

但這個模型的缺點是又加了一層機制，在預測時候會降低速度，同時在知乎上看到個別同學在自己任務上的試用反饋也不太好。不過我倒是驗證了SentEval上有監督的效果（論文只給了無監督的），效果跟Sentence-BERT差不多。

Cross-Thought

題目：Cross-Thought for Sentence Encoder Pre-training

論文：https://arxiv.org/abs/2010.03652

代碼：https://github.com/shuohangwang/Cross-Thought

微軟在EMNLP2020提出了Cross-Thought，先用transformer對每個句子編碼，再取多個CLS（紅點部分）作為句子表示再進行attention，得到一個整體的上下文表示，再回頭去預測每個句子被mask的token。相比起NSP來說，該任務的解空間更豐富，相比單純的BERT表示提升明顯，在QA任務上更是提了幾十個點。

對比學習

對比學習是20年圖像領域火熱的表示預訓練方法，在訓練時會給輸入A生成一個數據增強版本B，經過編碼器對A和B編碼后，如果兩個表示還是最接近的（batch內分類），就說明這個編碼器抓住了用于區分A與其他樣本的本質特征。對比學習目前在NLP領域還沒開始大放異彩，從20年下半年的一些新論文來看，在預訓練過程、精調中加入對比損失都會輕微提升模型效果并增強魯棒性、小樣本場景的表現。相信用對比做出的優秀文本表示不久就會出現。

！！！我是朋克風分割線！！！

上文講了眾多雙塔模型，其主要的重點都在編碼器的優化，對速度要求高的召回場景可以用BOW+MLP、CNN，精度要求高的排序場景可以用LSTM、Transformer。同時兩個向量的融合方法以及loss也都可以優化，比如做一些輕微的交互、像Deformer一樣前面雙塔接后面的多層交互，或者根據需要選擇pointwise、pairwise（排序場景）損失。

但真要想做句間關系SOTA的話，比如刷榜，光靠雙塔模型還是不行的，它有兩個問題比較大：

位置信息。如果用BOW的話“我很不開心”和“我不很開心”兩句的意思就變成一樣了，雖然用RNN、BERT引入位置編碼可以減緩一些，但不去讓兩個句子相互比較的話對于最后的分類層還是很難的

細粒度語義。比如“我開心”和“我不開心”這兩句話只有一個字的區別，但BOW模型很可能給出較高的相似度，交互式模型則可以稍有緩解

交互式匹配

比起雙塔只能在encoder上下功夫，交互式模型的套路就多多了，其核心思想是將兩個句子逐個詞比較。比如判斷“進擊的巨人”和“進擊的矮子”語義是否相同時，前三個字在兩句話中都能找到，而第二句里沒找到跟“巨人”接近的，那分數就會被降低一些。因此得讓兩個句子有interaction，一般用attention解決，因為沒那么在意速度了，在交互前后都可以加encoder，再讓向量拼接、做差、點積。。。不說了，請開始讓它們表演。

DecAtt

題目：A Decomposable Attention Model for Natural Language Inference

論文：https://arxiv.org/pdf/1606.01933.pdf

Google在EMNLP2016提出了輕量級的交互模型DecAtt，作者的出發點是讓句子中的各個元素相互對比，找出詞級別的同義和反義。分為三步計算：

Attend：將兩個句子中每對次 相互attention，加權后得到對齊的

Compare：將 分別拼接，過一層FFN得到

Aggregate：分別將第二步得到的表示求和得到 ，拼接起來進行分類

比較難懂的主要是第二步，作者的解釋是經過第一步attend后可以將問題拆解為子問題，再通過每個詞向量的compare解決。

這個模型的缺點是最后一步求句向量時用了求和操作，如果序列過長的話數值會較大，造成梯度大，需要裁剪。但計算還是很輕量的，從結果來看跟LSTM差不多。

MatchPyramid

題目：Text Matching as Image Recognition

論文：https://arxiv.org/pdf/1602.06359.pdf

代碼：https://github.com/pl8787/MatchPyramid-TensorFlow

計算所在2016AAAI發表的MatchPyramid主要受圖像處理的啟發，先對詞進行交互得到Matching矩陣，然后通過多層2D卷積抽取更高維度的特征，最后得到表征用MLP分類。作者憑借此模型在2017年的Quora Question Pairs比賽上拿到了全球第四。

相比上文的DecAtt，MatchPyramid通過CNN捕獲到了ngram特征。從結果看比DSSM等模型高出了3、5個點。

PWIM

題目：Pairwise Word Interaction Modeling with Deep Neural Networks for Semantic Similarity Measurement

論文：https://www.aclweb.org/anthology/N16-1108.pdf

代碼：https://github.com/lanwuwei/Subword-PWIM

ACL2016的PWIM模型主打細粒度交互，模型非常的深，分為以下四個計算步驟：

Context Modeling：用BiLSTM對輸入編碼

Pairwise Word Interaction Modeling：作者定義了一個對比向量的函數coU（包含cosine、點積、歐式距離），對兩句話的詞進行兩兩比較，總共計算了前向向量、反向向量、前后向拼接、前后向相加四種表示的coU，作者將輸出稱為simCube

Similarity Focus Layer：提出了一個算法，根據simCube的分數排序，計算出一個mask矩陣，其中重要元素的權重是1，非重要為0.1。作者認為如果句子A中的某個詞在句子B中也找到了，那這就是一個衡量兩者相似度的重要指標。最終mask和simCube相乘得到focusCube

Deep ConvNet：作者把前面產出的三維矩陣看作圖像，用19層卷積神經網絡的到最后的表征，再過softmax分類

這篇文章真的是花式計算，雖然從結果來看超過了雙層BiLSTM 2、3個點，但這計算復雜度讓人難以承受。在后文也會被ESIM超越，所以就別用了，當做多學習一些思想吧～

ESIM

題目：Enhanced LSTM for Natural Language Inference

論文：https://www.aclweb.org/anthology/P17-1152.pdf

代碼：https://github.com/coetaur0/ESIM

ACL2017中的ESIM也是效果很好的模型，基于DecAtt改動，在兩句話交互融合后又加了一層BiLSTM，將效果提升了1-2個點。同時也嘗試使用句法樹進一步提升效果。它的計算過程有一下四步：

用BiLSTM對embedding編碼，得到表示

將兩句話的BiLSTM輸出進行attention，得到融合的句子表示

將 拼接作為新表示，用BiLSTM進行推理

池化后過進行最終分類

DIIN

題目：Natural Language Inference over Interaction Space

論文：https://arxiv.org/pdf/1709.04348.pdf

代碼：https://github.com/YerevaNN/DIIN-in-Keras

ICLR2018的DIIN看起來像PWIM一樣花式，比ESIM高出5、6個點。主要有以下改動：

在embedding層除了使用詞向量，還使用了字向量、詞性特征和英文詞根的完全匹配特征

使用Self-Attention編碼

HCAN

題目：Bridging the Gap Between Relevance Matching and Semantic Matching for Short Text Similarity Modeling

論文：https://cs.uwaterloo.ca/~jimmylin/publications/Rao_etal_EMNLP2019.pdf

代碼：https://github.com/jinfengr/hcan

HCAN是Facebook在EMNLP2019提出的模型，雖然比上文的ESIM、PWIM等模型高上4+個點，但還是被BERT甩了很遠。不過這個模型的核心也不只是做語義匹配，而是同時做檢索相關性（Relevance Matching），也就是搜索中query-doc的匹配。

模型計算如下：

Encoding層作者提出了三種方法，堆疊的CNN作為Deep Encoder，不同尺寸卷積核作為Wide Encoder，BiLSTM作為Contextual Encoder編碼更長距離的上下文

先把兩句話交互得到attention score矩陣，之后對于query中每個詞，求得doc中最相似的詞的分數，作為向量Max（S），按照同樣的方法求出Mean（S），長度都為|Q|，再分別乘上query中每個詞的tfidf統計，得到相關性匹配向量

用加性attention對query和doc進行交互，得到新的表示，再花式拼接過BiLSTM，得到語義匹配向量

將 拼接起來過MLP，最后分類

通過實驗結果來看，Deep Encoder的表現是最好的，在7/8個評估上都超過另外兩個。

RE2

題目：Simple and Effective Text Matching with Richer Alignment Features

論文：https://www.aclweb.org/anthology/P19-1465.pdf

代碼：https://github.com/hitvoice/RE2

RE2是阿里在ACL2019提出的模型，也是很不錯的一個工作，優點是模型輕量且效果好。上文雖然很多模型都用到了交互，但只交互1、2次，而RE2則像transformer一樣把兩句話交互了多次。

計算邏輯是（圖中只展示了雙塔的一半）：

Encoding：對輸入進行embedding得到，拼接上之前的輸出，用CNN編碼

Alignment：把encoder的輸入輸出拼接起來，兩句話進行attention

Fusion：將encoder的輸入輸出與attention的結果一起融合，得到的表示進入下一循環或max pooling輸出句子表示

將兩個句子表示各種拼接后進行分類

這個模型除了多次交互之外，還有個點是一直都把最初的embedding拼接上，從消融實驗看可以提升1-6個點。

！！！我是朋克風分割線！！！

一口氣講了7個交互式匹配模型，感覺自己都不會愛了。其實大部分都是為了解之前的思想，因為現在無腦用BERT就夠了。

同時老司機們也很清楚，模型只是工具，數據才是天花板，數據質量不好/數量不夠，模型再花哨也沒用。所以這里分享兩個數據洗刷刷經驗：

負例的構造。都說句間關系任務負例的構造是很重要的，確實如此。但構造前一定要把正、負界定清楚，明確這個任務的粒度有多細。比如“我很不開心”和“我不太開心”都是不開心，但程度不一樣，在自己的任務中到底是算正例還是負例呢？這個界定的越清楚、標注人員培訓越到位，數據噪聲也就越少。之后才是盡量構造有難度的負例，比如用BOW召回一些再人工標注，讓樣本們越來越逼近分類邊界

數據增強。交互式模型雖然準確，但他們有個缺點是容易過擬合，因為對“交互”看得太重了。比如一對正例里只有一兩個字一樣，模型可能就會認為這兩個字很重要，有些overlap超低的文本對也會給出高得分。這時候就要對正例進行清洗，看看特殊情況是否存在，再嘗試用增刪改的方法加一些負例，避免過擬合這種極端正例。另外BERT這種交互式模型是不對稱的，如果做paraphrase任務也可以鏡面構造些新正負例。

總結

可能是文本匹配方面看得比較多吧，終于把我收藏的模型都扒拉出來了，直接像文本分類一樣再給大家提供一個選型方案吧：

原文標題：【代碼&技巧】21個經典深度學習句間關系模型

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq