本文主要是介绍文本匹配-dssm，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

文章目录

• 论文链接地址
• github
• 前言
• 整体模型结构
• • 输入层
  • 表示层
  • 匹配层
  • 训练阶段
  • 优缺点
  • 模型改进
• 欢迎指正

论文链接地址

Learning Deep Structured Semantic Models for Web Search using Clickthrough Data

github

https://github.com/KATEhuang920909/deep_text_match

前言

传统文本相似性如BM25、tf-idf等，无法发现语义的query-doc相似对，因此DSSM为计算语义相似度提供了一种方法。

整体模型结构

DSSM模型结构如下：

输入层

在输入层用到了word hashing操作，这里用了n-grams方式进行hash，例如trigram将boy切分：#-b-o, b-o-y, o-y-#。这样可以将将50万个单词压缩到三万个，bigram可以压缩到1607个，但是会产生更多碰撞冲突，即不同单词会用同一个n-gram形式表示，paper中做了一些统计如下：

因此作者选择了tri-gram，然后one-hot。中文可以以字为最小单位，常用字为1.5万左右，因此可以直接one-hot。

表示层

表示层为多层DNN，隐藏层神经元大小均为300，最后一层为128，激活函数tanh。

匹配层

匹配层用余弦距离得出相似分数，然后接入softmax将query和doc之间的相似性转化为一个概率值，公式如下：
，
其中， γ \gamma γ为平滑引子， D ∈ ( D + , D − ) D \in (D^+ ,D^-) D∈(D+,D−)，D为整个样本空间，D+为正样本，D-为负样本。

训练阶段

极大似然估计

利用随机梯度下降（SGD）使模型收敛。

优缺点

DSSM用字向量，减少切词产生的误差，同时送入模型的编码方式为one-hot，最大程度上减少了基于词向量累加或者拼接这种方式所带来的误差，缺点就是未考虑语序上下文信息

模型改进

CDSSM：1.添加word-trigram，即构建大小为3的滑动窗口，然后拼接起来，维度大小为90K；2.在word-hash层后面接入卷积层和池化层，这样可以一定程度保留了上下文信息。整体结构如下：

图中feature map 为 300*1，采用max-pooling，然后接128维输出层。
优缺点： 上下文信息有效的保存，间隔较远的上下文信息无法保留

欢迎指正

这篇关于文本匹配-dssm的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！