• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于圖分類的中文長(zhǎng)文本匹配算法

    2020-11-11 08:02:56郭佳樂(lè)鄔向前
    關(guān)鍵詞:語(yǔ)義卷積神經(jīng)網(wǎng)絡(luò)

    郭佳樂(lè), 卜 巍, 鄔向前

    (1 哈爾濱工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱150001; 2 哈爾濱工業(yè)大學(xué) 媒體技術(shù)與藝術(shù)學(xué)院, 哈爾濱150001)

    0 引 言

    近年來(lái)隨著移動(dòng)互聯(lián)網(wǎng)的蓬勃發(fā)展,涌現(xiàn)了大量基于內(nèi)容分發(fā)服務(wù)的App 和相關(guān)自媒體平臺(tái),它們?cè)谌粘I钪邪缪葜絹?lái)越重要的角色,改變了人們獲取信息的方式和途徑。 當(dāng)用戶在瀏覽感興趣的內(nèi)容時(shí),這些平臺(tái)常常會(huì)主動(dòng)為用戶推薦相同或者相近話題的其他文章。 而如何判斷文章之間的主要內(nèi)容是否關(guān)于相同或相近的主題,即判斷一對(duì)文章之間的關(guān)系,其實(shí)可以歸結(jié)為自然語(yǔ)言處理領(lǐng)域中的文本語(yǔ)義匹配任務(wù)。

    文本匹配任務(wù)本質(zhì)上是判斷源文本與目標(biāo)文本之間的語(yǔ)義相似度(比如:查詢-文檔的匹配、問(wèn)題-答案的匹配等),而如何正確地建模文本中蘊(yùn)含的語(yǔ)義信息對(duì)于實(shí)現(xiàn)更高質(zhì)量的文本匹配結(jié)果十分重要。 目前,在實(shí)際建模過(guò)程中主要有兩個(gè)難點(diǎn):一是詞匯和短語(yǔ)本身是有歧義的,存在廣泛的指代和省略等問(wèn)題;二是待匹配的文本篇幅很長(zhǎng),文本中詞匯、短語(yǔ)、句子本身的語(yǔ)義受到復(fù)雜文章結(jié)構(gòu)很大的影響。

    本文針對(duì)互聯(lián)網(wǎng)上的文本信息,譬如新聞文章都具有較長(zhǎng)的篇幅以及一定的行文邏輯結(jié)構(gòu),設(shè)計(jì)出一種高精度的基于圖分類的中文長(zhǎng)文本匹配模型,并在CNSE 和CNSS 數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試。本文的主要貢獻(xiàn)總結(jié)如下:

    (1)提出了基于圖分類的長(zhǎng)文本匹配算法。 該算法將輸入的文本對(duì)轉(zhuǎn)化為圖結(jié)構(gòu),利用基于注意力機(jī)制的圖神經(jīng)網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)特征進(jìn)行抽取,通過(guò)基于多層感知機(jī)的圖分類模塊融合全圖信息的特征表示向量,進(jìn)行圖分類計(jì)算,從而得到長(zhǎng)文本匹配的結(jié)果,完成長(zhǎng)文本匹配任務(wù)。

    (2)提出了一種基于圖注意力機(jī)制的圖池化算法,增強(qiáng)圖節(jié)點(diǎn)融合過(guò)程中最大化圖的可辨別性,有效的提升了圖的表示效果,從而獲得了更魯棒且優(yōu)異的長(zhǎng)文本匹配結(jié)果。

    (3)針對(duì)網(wǎng)絡(luò)模型的輸入,設(shè)計(jì)了多尺度卷積神經(jīng)網(wǎng)絡(luò)模塊對(duì)節(jié)點(diǎn)編碼,從而提升網(wǎng)絡(luò)模型輸入特征質(zhì)量,獲得更豐富且魯棒的節(jié)點(diǎn)語(yǔ)義表示。 同時(shí)在模型中引入更多的非線性,增強(qiáng)了模型的擬合能力。

    (4)本文提出的中文長(zhǎng)文本匹配算法,在CNSE和CNSS 兩個(gè)公開數(shù)據(jù)集上超越了先前算法模型的結(jié)果,各項(xiàng)指標(biāo)均達(dá)到了目前最好的匹配結(jié)果。

    1 相關(guān)工作

    1.1 文本匹配

    為了衡量?jī)善谋局g的相似度,深度學(xué)習(xí)模型之前主流的模型有向量空間模型(vector space model,VSM)、 隱 含 語(yǔ) 義 分 析(Latent Semantic Analysis,LSA)模型以及引入例如知識(shí)庫(kù)等外部的語(yǔ)義知識(shí)資源來(lái)輔助計(jì)算,但是傳統(tǒng)方法和模型仍舊受限于離散的單詞表示。 基于深度學(xué)習(xí)的文本語(yǔ)義匹配模型通常將文本編碼為分布式特征表示,通過(guò)用于度量學(xué)習(xí)的孿生結(jié)構(gòu)(siamese structure)來(lái)學(xué)習(xí)文本之間的相似度信息[1]。 其中有大量的研究工作聚焦于使用深度神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)文本進(jìn)行編碼,但是過(guò)去的這些研究主要都集中于短文本之間的匹配,當(dāng)隨著待匹配文本篇幅增加,基于RNN 的模型在超長(zhǎng)序列中傳遞信息會(huì)丟失重要的語(yǔ)義信息,而基于CNN 的模型也無(wú)法充分地表示結(jié)構(gòu)更復(fù)雜的長(zhǎng)文本的語(yǔ)義信息。

    此外,大多數(shù)文本語(yǔ)義匹配的工作都忽略了長(zhǎng)文本所具有的結(jié)構(gòu)信息,而這種結(jié)構(gòu)信息對(duì)于語(yǔ)義匹配是十分重要的,應(yīng)當(dāng)加以有效地利用。 Liu 等人提出層次性結(jié)構(gòu)(hierarchical structure)來(lái)聚焦于句子級(jí)別的層次信息。 為了更充分地利用文本中的結(jié)構(gòu)信息,Jiang 等人提出基于孿生多深度注意力機(jī)制的層次性循環(huán)神經(jīng)網(wǎng)絡(luò)(SMASH RNN)模型,來(lái)處理長(zhǎng)文本匹配的任務(wù)[2]。 Liu 等人基于分治思想將待匹配的長(zhǎng)文本轉(zhuǎn)化到多個(gè)關(guān)鍵詞的匹配,并融合結(jié)果,形成整體的匹配得分,同時(shí)提出了兩個(gè)中文長(zhǎng)文本匹配數(shù)據(jù)集[3]。

    1.2 圖表示學(xué)習(xí)

    傳統(tǒng)的圖結(jié)構(gòu)用不同的符號(hào)命名節(jié)點(diǎn),用鄰接矩陣來(lái)存儲(chǔ)節(jié)點(diǎn)之間的關(guān)系。 但這種表示方法節(jié)點(diǎn)之間沒(méi)有語(yǔ)義關(guān)系,且表示形式稀疏,很難應(yīng)用于深度學(xué)習(xí)的模型當(dāng)中。 因此后續(xù)有很多工作聚焦于將節(jié)點(diǎn)特征低維稠密化,比如Deepwalk 模型,通過(guò)隨機(jī)游走獲得當(dāng)前節(jié)點(diǎn)的上下文信息[4],之后針對(duì)大規(guī)模網(wǎng)絡(luò)計(jì)算,LINE 模型被提出[5]。 Node2vec 模型被提出改進(jìn)的隨機(jī)游走策略,可以同時(shí)考慮到局部和宏觀的信息,并且具有很高的適應(yīng)性[6]。

    1.3 圖池化

    目前針對(duì)圖池化算法相關(guān)的工作大致可以劃分為基于節(jié)點(diǎn)選擇的圖池化算法和基于節(jié)點(diǎn)聚類的圖池化算法兩類。 基于節(jié)點(diǎn)選擇的模型比如gPool 算法,將節(jié)點(diǎn)Embedding 隱射到一維空間中,根據(jù)值的大小選擇其中top k 個(gè)節(jié)點(diǎn),再進(jìn)行圖卷積的計(jì)算,自適應(yīng)地選擇圖全部節(jié)點(diǎn)的子集來(lái)形成一個(gè)新的小圖[7]。 還 有 研 究 者 提 出 SortPooling 算 法 通 過(guò)Weisfeiler-Lehman( WL)算法 可以對(duì)節(jié)點(diǎn)進(jìn)行著色,而節(jié)點(diǎn)的顏色可以定義節(jié)點(diǎn)之間的次序,通過(guò)1-D 卷積的方法進(jìn)行卷積運(yùn)算,從而得到全圖的表示,用于圖分類任務(wù)[8]。 由于基于節(jié)點(diǎn)選擇的圖池化算法一定程度上忽略了圖的層級(jí)結(jié)構(gòu)信息,而這對(duì)提升最終圖表示的可辨別性有一定的輔助作用,因此有研究者提出了一種端到端的可微可微圖池化模塊DiffPool[9]。 為了實(shí)現(xiàn)圖中某一個(gè)節(jié)點(diǎn)分配到哪一個(gè)簇,應(yīng)該與其他節(jié)點(diǎn)的簇分配相互約束,有研究者提出了StructPool 來(lái)高效地學(xué)習(xí)高層次的圖表示,使用條件隨機(jī)場(chǎng)(conditional random fields,CRF)顯示地捕捉了圖中不同節(jié)點(diǎn)之間的高階結(jié)構(gòu)關(guān)系[10]。

    2 基于圖分類的中文長(zhǎng)文本匹配算法

    2.1 算法概況

    本文提出基于圖分類的中文長(zhǎng)文本匹配算法,即將長(zhǎng)文本匹配任務(wù)等價(jià)地轉(zhuǎn)化為圖分類的任務(wù),在圖分類任務(wù)的模式下求解問(wèn)題,得到原任務(wù)的結(jié)果。 如圖1 所示,首先將待匹配的一對(duì)長(zhǎng)文本轉(zhuǎn)化為圖的結(jié)構(gòu),然后通過(guò)圖表示學(xué)習(xí)來(lái)提取節(jié)點(diǎn)的特征,最后通過(guò)融合全圖節(jié)點(diǎn)的表示來(lái)獲得圖的表示,并對(duì)圖的表示進(jìn)行圖分類,獲得的圖分類結(jié)果等價(jià)于長(zhǎng)文本匹配的結(jié)果。

    2.2 文本對(duì)的圖結(jié)構(gòu)表示算法

    給定一個(gè)文本對(duì)包含文章DA和DB, 對(duì)兩篇文章分別通過(guò)TextRank 算法來(lái)抽取出文章中的命名實(shí)體和關(guān)鍵詞作為圖的頂點(diǎn)并合并,把文章中的所有句子通過(guò)與每個(gè)關(guān)鍵詞計(jì)算TF-IDF 相關(guān)度來(lái)對(duì)其劃分,使得每個(gè)句子都只隸屬于一個(gè)頂點(diǎn)。 這樣每個(gè)頂點(diǎn)均包含了一個(gè)句子子集S(v),其中S(v)={SA(v),SB(v)}。 得到的文本對(duì)圖結(jié)構(gòu)表示的可視化結(jié)果,如圖2 所示。

    圖1 基于圖分類的長(zhǎng)文本匹配算法框架Fig. 1 The pipeline of the proposed document matching algorithm based on graph classification

    然后把關(guān)鍵詞所包含的句子集合中的文本內(nèi)容使用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)和詞項(xiàng)相似度(Term Similarity,TS)兩種編碼模式向量化。 其中DNN 編碼器使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)文本進(jìn)行編碼, 即把S(v)={SA(v),SB(v)} 的SA(v)、SB(v) 分別輸入到CNN模型中得到向量cA(v)、cB(v)。 對(duì)其計(jì)算逐元素差的絕對(duì)值和逐元素乘,最后把兩個(gè)向量進(jìn)行拼接,即固定長(zhǎng)度的輸出向量mAB(v);對(duì)于TS編碼器,每個(gè)節(jié)點(diǎn)v用5 種常見(jiàn)的詞項(xiàng)相似度度量方式來(lái)計(jì)算SA(v)和SB(v)的相似度,包括TF-IDF余弦相似度、TF余弦相似度、BM25 余弦相似度、Jaccard相似度和Ochiai相似度。 通過(guò)把5 種相似度向量進(jìn)行拼接,得到針對(duì)每個(gè)節(jié)點(diǎn)的固定長(zhǎng)度向量m′AB(v)。mAB(v) 與m′AB(v) 拼接,得到節(jié)點(diǎn)v的語(yǔ)義向量。

    圖2 文本對(duì)圖結(jié)構(gòu)表示的可視化結(jié)果Fig. 2 Visualization of the graph structure of the documents pairs

    2.3 基于注意力機(jī)制圖神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)特征抽取算

    近年來(lái)很多圖表示學(xué)習(xí)的工作使用常規(guī)的圖卷積神經(jīng)網(wǎng)絡(luò),獲得了很好的結(jié)果,但是其在聚合節(jié)點(diǎn)的一階鄰居信息時(shí),對(duì)于每個(gè)鄰居的信息給予的權(quán)重是相同的,并沒(méi)有考慮該信息的價(jià)值貢獻(xiàn)大小。而在信息聚合時(shí),對(duì)于不同鄰居的信息根據(jù)其價(jià)值來(lái)給以不同大小的權(quán)重,實(shí)現(xiàn)了選擇性的信息聚合,從而有利于更有效地對(duì)節(jié)點(diǎn)特征進(jìn)行變換。

    此外,樸素圖卷積需要在建圖時(shí)完成鄰接矩陣的構(gòu)建,而在實(shí)際應(yīng)用當(dāng)中這一步需要做大量的預(yù)處理計(jì)算,同時(shí)在進(jìn)行圖卷積運(yùn)算時(shí),將鄰接矩陣加載到內(nèi)存中或者GPU 顯存中時(shí)非常耗時(shí),不利于算法在工業(yè)界大規(guī)模圖上的實(shí)際應(yīng)用,因此本文使用基于自注意力機(jī)制的圖節(jié)點(diǎn)特征抽取算法(Graph Attention Network,GAT),來(lái)代替樸素圖卷積方法。 這樣可以省略文本建圖時(shí)必須構(gòu)建鄰接矩陣的過(guò)程,同時(shí)在訓(xùn)練測(cè)試加載數(shù)據(jù)時(shí)大大提升處理效率。 基于注意力機(jī)制圖神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3 所示。 自注意力機(jī)制在計(jì)算相似度得分時(shí),使用公式(1)計(jì)算:

    其中,a和W是訓(xùn)練參數(shù), [a‖b] 代表拼接(concatenate)操作。αij代表節(jié)點(diǎn)i與節(jié)點(diǎn)j之間的相似度,hi代表i節(jié)點(diǎn)的屬性特征。 LeakyReLU 為激活函數(shù),增強(qiáng)模型的非線性表達(dá)能力。

    此外,為了增加模型的容量以及模型訓(xùn)練過(guò)程的穩(wěn)定性, 引入了多頭機(jī)制( Multi - head mechanism)。 多頭機(jī)制可以將特征向量映射到不同的子空間,通過(guò)聚合多個(gè)子空間的映射結(jié)果,來(lái)得到更好的特征表示。 通過(guò)堆疊多層的GAT 層,可以抽取到更有效的節(jié)點(diǎn)特征表示,在相鄰的GAT 層之間同樣引入非線性激活函數(shù)LeakyReLU 來(lái)增加模型的非線性,使得訓(xùn)練得到的模型更魯棒。

    圖3 基于注意力機(jī)制圖神經(jīng)網(wǎng)絡(luò)Fig. 3 Self attention based graph neural network model

    2.4 基于圖注意力機(jī)制的圖池化算法

    學(xué)習(xí)圖數(shù)據(jù)的高層語(yǔ)義表示對(duì)于圖分類任務(wù)十分重要,除了引入圖卷積操作來(lái)對(duì)圖數(shù)據(jù)進(jìn)行處理,類比圖像文本領(lǐng)域常見(jiàn)的池化操作,如何對(duì)圖結(jié)構(gòu)數(shù)據(jù)引入圖池化操作也是一個(gè)很重要的研究方向,目前最普遍的融合算法策略是對(duì)所有節(jié)點(diǎn)的特征向量形成的矩陣在節(jié)點(diǎn)數(shù)量維度上做求和(Sum Pool)或者平均池化(Mean Pool)/最大池化(Max Pool)等操作,從而得到一個(gè)與節(jié)點(diǎn)特征維度相同的向量,并用這個(gè)向量作為全圖的最終表示,送入到圖分類模塊進(jìn)行圖的分類。 但是,這些樸素的融合方式都可能丟失掉重要特征的信息,同時(shí)在融合時(shí)沒(méi)有考慮到圖節(jié)點(diǎn)之間的語(yǔ)義信息交互的關(guān)系,以及完全丟失了圖所具有的拓?fù)浣Y(jié)構(gòu)對(duì)最終圖表示向量的貢獻(xiàn),因此獲得的全圖表示的可分辨性較弱,在一定程度上限制了圖分類模型性能進(jìn)一步提升的潛力。

    本文為了在省略鄰接矩陣的情況下依然能夠得到魯棒的結(jié)果,提出了基于圖注意力機(jī)制的圖池化算法(Graph Attention Pooling, GATPool)來(lái)完成圖節(jié)點(diǎn)的融合過(guò)程,基于圖注意力機(jī)制的圖池化模型算法模型如圖4 所示。算法把輸入的節(jié)點(diǎn)特征矩陣(N個(gè)節(jié)點(diǎn))通過(guò)一層圖注意力網(wǎng)絡(luò)來(lái)得到一個(gè)N ×N的相似度矩陣(attention matrix) A 來(lái)衡量圖中任意兩個(gè)節(jié)點(diǎn)之間的相似度,如公式(2)所示,同時(shí)相似度矩陣可以作為一種既融合了節(jié)點(diǎn)的特征表示又顯示地建模了圖拓?fù)浣Y(jié)構(gòu)的模塊。 然后使用公式(3)對(duì)相似度矩陣按列進(jìn)行softmax 歸一化后按行求和,公式(4)依據(jù)每個(gè)節(jié)點(diǎn)與其他節(jié)點(diǎn)的交互計(jì)算,得到了每個(gè)節(jié)點(diǎn)在全圖中的重要性得分Z。 通過(guò)選擇值最大的K個(gè)節(jié)點(diǎn)作為圖的代表X′,通過(guò)公式(7)完成節(jié)點(diǎn)的選擇后,通過(guò)平均池化(Mean Pooling)得到全圖的特征表示Xout。

    圖4 基于圖注意力機(jī)制的圖池化模型Fig. 4 Graph Attention Pool,GATPool

    2.5 多尺度卷積神經(jīng)網(wǎng)絡(luò)模塊

    為了充分地挖掘和利用輸入信息,本文提出使用多尺度卷積神經(jīng)網(wǎng)絡(luò)模塊(記為Inception)來(lái)對(duì)每個(gè)節(jié)點(diǎn)所包含的文本信息S進(jìn)行編碼,從而得到節(jié)點(diǎn)的表示向量X, 如公式(8)。 通過(guò)組合三種大小的卷積核形成層次性的模型結(jié)構(gòu),可以有效地捕獲輸入文本中在不同語(yǔ)義層次和空間的語(yǔ)義表示,通過(guò)最大池化(max pooling)操作對(duì)特征進(jìn)行篩選,最后對(duì)不同卷積核的輸出結(jié)果進(jìn)行拼接(concatenate),得到輸入文本的編碼向量X。

    如圖5 所示,本文設(shè)計(jì)的多尺度卷積神經(jīng)網(wǎng)絡(luò)使用了大小分別為1、2、3 三種尺寸的卷積核,最左側(cè)的K =1 的卷積核數(shù)量為32,中間和右側(cè)K =1 的卷積核數(shù)量為16,K =2 和3 的卷積核數(shù)量均為32。尺寸為1 的卷積核主要對(duì)輸入的特征維度進(jìn)行變換,使得模型可以在不降低感受野大小的前提下減少模型的參數(shù)量,降低模型過(guò)擬合的風(fēng)險(xiǎn)。 尺寸為2、3 的卷積核用來(lái)捕獲文本的2-gram、3-gram 特征,通過(guò)這種局部信息和模式的提取,來(lái)增強(qiáng)文本的表示效果。

    圖5 多尺度卷積神經(jīng)網(wǎng)絡(luò)模塊Fig. 5 Multi-scale CNN module

    2.6 圖分類模塊和損失函數(shù)

    文本匹配任務(wù)是一個(gè)二分類任務(wù),通過(guò)將文本對(duì)表示為圖結(jié)構(gòu),則將文本匹配任務(wù)等價(jià)轉(zhuǎn)化為圖的二分類任務(wù)。 在融合圖節(jié)點(diǎn)特征得到整個(gè)圖的向量表示后,通過(guò)多層感知機(jī)(Multi-Layer Perceptron,MLP)可以實(shí)現(xiàn)分類過(guò)程。 多層感知器的結(jié)構(gòu)如圖6 所示。

    兩層線性層的隱藏單元數(shù)分別為32 和16。 將MLP 的輸出結(jié)果通過(guò)與二分類標(biāo)簽進(jìn)行交叉熵(Cross Entropy)計(jì)算作為損失函數(shù)。

    模型網(wǎng)絡(luò)的目標(biāo)函數(shù)使用二元交叉熵?fù)p失函數(shù)(Binary Cross Entropy Loss,記為BCELoss),計(jì)算公式(9)為:

    其中,yn是標(biāo)簽值,xn是模型網(wǎng)絡(luò)輸出的值,wn是該類別的權(quán)重值。

    圖6 多層感知機(jī)(MLP)結(jié)構(gòu)圖Fig. 6 The scheme of the Multi-layer perceptron(MLP) module

    3 實(shí)驗(yàn)

    3.1 數(shù)據(jù)集介紹

    模型分別在CNSE(Chinese News Same Event dataset)和CNSS(Chinese News Same Story dataset)兩個(gè)數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試。 數(shù)據(jù)集的劃分比例均保持為訓(xùn)練集:驗(yàn)證集:測(cè)試集=6 ∶2 ∶2,同時(shí)確保了不同集合之間不存在數(shù)據(jù)泄露,具體劃分詳情如表1 所示。

    表1 兩個(gè)數(shù)據(jù)集的劃分詳情Tab. 1 Description of two evaluation datasets

    CNSE 數(shù)據(jù)集中的文章來(lái)源于主流中文新聞平臺(tái)上的長(zhǎng)文報(bào)道,包括了開放領(lǐng)域豐富多彩的新聞話題。 一共包含29 063 個(gè)新聞文章對(duì),由人工根據(jù)一對(duì)新聞文章是否報(bào)道同一件新聞事件來(lái)進(jìn)行標(biāo)注。

    CNSS 數(shù)據(jù)集中的文章來(lái)源于主流中文新聞平臺(tái)上的長(zhǎng)文報(bào)道,包括了開放領(lǐng)域豐富多彩的新聞話題。 一共包含33 503 個(gè)新聞文章對(duì),由人工根據(jù)一對(duì)新聞文章是否報(bào)道同一系列新聞熱點(diǎn)來(lái)進(jìn)行標(biāo)注。

    兩個(gè)數(shù)據(jù)集中的所有文章的平均詞數(shù)是734,最大詞數(shù)是21 791。 同時(shí)在構(gòu)造負(fù)樣本對(duì)時(shí)兼顧了兩篇文章TF-IDF 的相似度高于一定的閾值,增加了負(fù)樣本對(duì)本身的質(zhì)量和模型識(shí)別判斷的難度。

    3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

    實(shí)驗(yàn)的評(píng)測(cè)標(biāo)準(zhǔn)采用通用的二分類評(píng)價(jià)標(biāo)準(zhǔn),分別為準(zhǔn)確率(Accuracy) 和F1 值(F1scores),分別由公式(10) 和(11) 進(jìn)行計(jì)算。

    3.3 實(shí)驗(yàn)結(jié)果與分析

    由表2 中的實(shí)驗(yàn)結(jié)果可以看出,與先前的7 種有代表性的文本匹配算法相比,本文提出的算法在CNSE和CNSS 兩個(gè)數(shù)據(jù)集上的準(zhǔn)確率和F1 值等各項(xiàng)指標(biāo)均達(dá)到了目前最好的結(jié)果。 充分說(shuō)明本文提出的基于圖分類的中文長(zhǎng)文本匹配算法通過(guò)結(jié)合注意力機(jī)制圖神經(jīng)網(wǎng)絡(luò)、圖注意力池化算法、多尺度卷積神經(jīng)網(wǎng)絡(luò)模塊等模型可以有效地提升文本匹配任務(wù)中的表現(xiàn)。

    表2 基于圖分類的中文長(zhǎng)文本匹配結(jié)果Tab. 2 Results on low-level feature enhanced model

    表3 中得到了本文提出的模型消融實(shí)驗(yàn)的結(jié)果,可以看出本文提出的算法需要各模塊之間緊密有效的配合,去除其中的某一些模塊會(huì)不可避免的導(dǎo)致模型在CNSE 和CNSS 兩個(gè)數(shù)據(jù)集上的準(zhǔn)確率和F1 值等各項(xiàng)指標(biāo)不同程度的下降。 其中,基于自注意力機(jī)制的圖神經(jīng)網(wǎng)絡(luò)可以有效地對(duì)節(jié)點(diǎn)特征進(jìn)行抽取,基于圖注意力的圖池化算法有利于獲得更具可辨別性的圖全局特征表示,而多尺度卷積神經(jīng)網(wǎng)絡(luò)模塊可以為網(wǎng)絡(luò)模型的輸入提供語(yǔ)義豐富且魯棒的節(jié)點(diǎn)特征表示。

    表3 模型消融實(shí)驗(yàn)結(jié)果Tab. 3 Ablation study of the model

    4 結(jié)束語(yǔ)

    本文針對(duì)中文長(zhǎng)文本匹配任務(wù)提出了基于圖分類框架的長(zhǎng)文本匹配算法,通過(guò)將長(zhǎng)文本匹配任務(wù)等價(jià)的轉(zhuǎn)化為圖分類任務(wù),使用圖表示學(xué)習(xí)的范式來(lái)求解,從而獲得長(zhǎng)文本匹配的結(jié)果。 同時(shí),從增強(qiáng)圖節(jié)點(diǎn)特征表示抽取建模,強(qiáng)化圖節(jié)點(diǎn)融合池化過(guò)程,保持圖可辨別性,增強(qiáng)模型網(wǎng)絡(luò)的輸入特征、表示等方面來(lái)提升基于圖表示學(xué)習(xí)模型的文本匹配算法的性能表現(xiàn)。 通過(guò)本文提出的各模塊之間緊密有效地配合,本文提出的中文長(zhǎng)文本匹配算法,在兩個(gè)公開數(shù)據(jù)集上進(jìn)行了充分的實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明:各項(xiàng)指標(biāo)均達(dá)到了目前最好的結(jié)果,證明了本文方法的有效性和優(yōu)越性。

    猜你喜歡
    語(yǔ)義卷積神經(jīng)網(wǎng)絡(luò)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    語(yǔ)言與語(yǔ)義
    神經(jīng)網(wǎng)絡(luò)抑制無(wú)線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    “上”與“下”語(yǔ)義的不對(duì)稱性及其認(rèn)知闡釋
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    認(rèn)知范疇模糊與語(yǔ)義模糊
    十分钟在线观看高清视频www | 亚洲精品第二区| 一区二区三区四区激情视频| 亚洲怡红院男人天堂| 精品久久久久久电影网| 国产极品粉嫩免费观看在线 | 国产精品久久久久久av不卡| 三上悠亚av全集在线观看 | 99九九在线精品视频 | 又粗又硬又长又爽又黄的视频| 美女内射精品一级片tv| 欧美成人精品欧美一级黄| 久久这里有精品视频免费| 亚洲欧美一区二区三区黑人 | av视频免费观看在线观看| 在线天堂最新版资源| 日韩精品有码人妻一区| 美女xxoo啪啪120秒动态图| 最近的中文字幕免费完整| 男女无遮挡免费网站观看| 免费观看在线日韩| 国产亚洲欧美精品永久| 春色校园在线视频观看| 日本91视频免费播放| 女性生殖器流出的白浆| 欧美亚洲 丝袜 人妻 在线| 欧美另类一区| 国产亚洲一区二区精品| 国产精品国产av在线观看| 天堂中文最新版在线下载| 久久久久久久久大av| 热re99久久国产66热| 香蕉精品网在线| 久久久久久久久久成人| 中文欧美无线码| 中国国产av一级| 欧美xxxx性猛交bbbb| 久久婷婷青草| a级毛片在线看网站| 少妇的逼好多水| 久久国内精品自在自线图片| 老女人水多毛片| 国产高清不卡午夜福利| 五月玫瑰六月丁香| 午夜激情福利司机影院| 亚洲,欧美,日韩| 在线观看免费日韩欧美大片 | 国产精品国产三级国产专区5o| 国产午夜精品一二区理论片| 亚洲精品久久久久久婷婷小说| 激情五月婷婷亚洲| 免费在线观看成人毛片| 日本黄色日本黄色录像| 国产极品粉嫩免费观看在线 | 国产淫片久久久久久久久| 精品久久久噜噜| 日本-黄色视频高清免费观看| 最近最新中文字幕免费大全7| 一区二区三区免费毛片| 一个人免费看片子| 在线观看av片永久免费下载| 久久久精品94久久精品| 免费黄色在线免费观看| 亚洲精品一二三| 日日啪夜夜撸| 国产成人免费无遮挡视频| 久久久久久人妻| 久久久久久久久久久免费av| 亚洲自偷自拍三级| 麻豆精品久久久久久蜜桃| 亚洲欧美成人精品一区二区| 69精品国产乱码久久久| 日韩欧美精品免费久久| 日本欧美视频一区| 国产永久视频网站| 午夜免费鲁丝| 国产在线一区二区三区精| 欧美区成人在线视频| 久久久久久伊人网av| 性色avwww在线观看| 老女人水多毛片| 在线看a的网站| 午夜久久久在线观看| 精品一区二区三区视频在线| 亚洲人成网站在线观看播放| av福利片在线| 一本久久精品| 午夜免费男女啪啪视频观看| 欧美bdsm另类| 日韩亚洲欧美综合| h视频一区二区三区| 亚洲一区二区三区欧美精品| 高清不卡的av网站| 亚洲第一av免费看| 国产精品福利在线免费观看| 久久精品久久精品一区二区三区| 久久久a久久爽久久v久久| 肉色欧美久久久久久久蜜桃| 搡老乐熟女国产| 免费看av在线观看网站| 看十八女毛片水多多多| 国精品久久久久久国模美| 国产精品久久久久久av不卡| 亚洲综合精品二区| 99热全是精品| 99热这里只有精品一区| 免费黄频网站在线观看国产| 久久精品熟女亚洲av麻豆精品| 国产成人freesex在线| 午夜福利网站1000一区二区三区| 亚洲综合色惰| 18禁在线无遮挡免费观看视频| 免费在线观看成人毛片| 一级毛片aaaaaa免费看小| 97超视频在线观看视频| 美女xxoo啪啪120秒动态图| a级毛色黄片| 久久这里有精品视频免费| 国产一区二区三区综合在线观看 | 国产淫片久久久久久久久| 国产深夜福利视频在线观看| 亚洲精品一区蜜桃| 99热这里只有是精品50| 国产成人精品福利久久| 久久久午夜欧美精品| 日日撸夜夜添| 天美传媒精品一区二区| 简卡轻食公司| 久久婷婷青草| 亚洲电影在线观看av| 我的女老师完整版在线观看| 嫩草影院入口| 国产精品久久久久久久久免| 国产成人午夜福利电影在线观看| 永久网站在线| 精品久久久久久电影网| 中文字幕av电影在线播放| 啦啦啦啦在线视频资源| 十八禁高潮呻吟视频 | 国产亚洲最大av| 欧美日韩av久久| h视频一区二区三区| 精品国产露脸久久av麻豆| 亚洲精品久久久久久婷婷小说| 精品久久久久久电影网| 亚洲欧洲精品一区二区精品久久久 | 国模一区二区三区四区视频| 韩国av在线不卡| 免费黄频网站在线观看国产| www.av在线官网国产| 一级,二级,三级黄色视频| 亚洲综合色惰| 18禁在线无遮挡免费观看视频| 在线观看一区二区三区激情| 深夜a级毛片| 精品卡一卡二卡四卡免费| 中文字幕久久专区| 日韩伦理黄色片| 99久久精品国产国产毛片| 少妇的逼水好多| 国产熟女午夜一区二区三区 | 丝瓜视频免费看黄片| 久久人妻熟女aⅴ| 丰满乱子伦码专区| 十八禁高潮呻吟视频 | 亚洲人成网站在线播| 精品熟女少妇av免费看| 免费观看无遮挡的男女| 午夜免费观看性视频| 如日韩欧美国产精品一区二区三区 | 在线观看国产h片| 三上悠亚av全集在线观看 | 婷婷色av中文字幕| 在线看a的网站| 偷拍熟女少妇极品色| 国产深夜福利视频在线观看| 日产精品乱码卡一卡2卡三| 在线观看免费高清a一片| 成人综合一区亚洲| 欧美精品一区二区免费开放| 夜夜骑夜夜射夜夜干| 蜜桃在线观看..| 亚洲美女视频黄频| 建设人人有责人人尽责人人享有的| 久久久国产精品麻豆| 久久人人爽人人爽人人片va| 国产一级毛片在线| 在线观看av片永久免费下载| 插阴视频在线观看视频| 十八禁网站网址无遮挡 | kizo精华| 日韩中文字幕视频在线看片| 18禁动态无遮挡网站| 成年美女黄网站色视频大全免费 | 国产一级毛片在线| 久久久久久久久久久久大奶| 国语对白做爰xxxⅹ性视频网站| 日韩欧美一区视频在线观看 | 大又大粗又爽又黄少妇毛片口| 午夜av观看不卡| 一区二区三区乱码不卡18| 国产成人午夜福利电影在线观看| 爱豆传媒免费全集在线观看| 极品教师在线视频| 亚洲精品日韩在线中文字幕| 性色avwww在线观看| 中国美白少妇内射xxxbb| 一级毛片 在线播放| 99热6这里只有精品| 久久国产精品大桥未久av | 国产精品.久久久| 高清av免费在线| 中文字幕免费在线视频6| 永久免费av网站大全| 日日爽夜夜爽网站| 中国美白少妇内射xxxbb| 中国三级夫妇交换| 免费黄网站久久成人精品| 国产永久视频网站| av不卡在线播放| 在线精品无人区一区二区三| 午夜激情久久久久久久| 久久久久久久国产电影| 一级,二级,三级黄色视频| 午夜91福利影院| 欧美高清成人免费视频www| 久久久久人妻精品一区果冻| tube8黄色片| 久久99蜜桃精品久久| 亚洲四区av| 成年人免费黄色播放视频 | 中文字幕人妻熟人妻熟丝袜美| 国产极品天堂在线| 我要看黄色一级片免费的| 国产精品99久久久久久久久| 中文精品一卡2卡3卡4更新| 国产精品久久久久久久久免| av在线观看视频网站免费| 夜夜骑夜夜射夜夜干| 一个人看视频在线观看www免费| av又黄又爽大尺度在线免费看| 如何舔出高潮| 自拍偷自拍亚洲精品老妇| 99久国产av精品国产电影| 伊人久久精品亚洲午夜| 国产亚洲午夜精品一区二区久久| 观看免费一级毛片| 亚洲国产精品专区欧美| 亚洲精品456在线播放app| 交换朋友夫妻互换小说| av卡一久久| 色5月婷婷丁香| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲av福利一区| 中文字幕免费在线视频6| 日韩av在线免费看完整版不卡| 亚洲va在线va天堂va国产| 国产一区二区三区综合在线观看 | 国产一区亚洲一区在线观看| 日日啪夜夜爽| 人人妻人人澡人人看| 免费在线观看成人毛片| 久久久亚洲精品成人影院| 丰满少妇做爰视频| 久久女婷五月综合色啪小说| 综合色丁香网| kizo精华| 亚洲欧洲精品一区二区精品久久久 | 99热这里只有精品一区| av免费观看日本| 欧美精品亚洲一区二区| 人妻夜夜爽99麻豆av| 大片免费播放器 马上看| 亚洲欧美成人精品一区二区| 亚洲欧洲日产国产| 日韩电影二区| 中文精品一卡2卡3卡4更新| 丝瓜视频免费看黄片| 91aial.com中文字幕在线观看| 黄色视频在线播放观看不卡| 成人毛片60女人毛片免费| 一区二区三区免费毛片| 亚洲国产日韩一区二区| 人人澡人人妻人| 久久这里有精品视频免费| 一级毛片 在线播放| 亚洲精品国产av蜜桃| 自拍偷自拍亚洲精品老妇| 亚洲欧美中文字幕日韩二区| av福利片在线观看| 久久人人爽人人爽人人片va| 一本大道久久a久久精品| 久久久久精品久久久久真实原创| 久久人人爽av亚洲精品天堂| 国产 精品1| h视频一区二区三区| 日产精品乱码卡一卡2卡三| 精品卡一卡二卡四卡免费| 亚洲精华国产精华液的使用体验| 看非洲黑人一级黄片| 国精品久久久久久国模美| 久久精品国产亚洲av天美| 大陆偷拍与自拍| 我的女老师完整版在线观看| 2021少妇久久久久久久久久久| 国产午夜精品一二区理论片| av免费观看日本| 一本大道久久a久久精品| 男人添女人高潮全过程视频| 午夜日本视频在线| 国产av国产精品国产| 久久久国产欧美日韩av| av网站免费在线观看视频| 亚洲情色 制服丝袜| 丝瓜视频免费看黄片| 国产免费一级a男人的天堂| 成人影院久久| 九九爱精品视频在线观看| 日本黄大片高清| 国产综合精华液| 老女人水多毛片| 亚洲激情五月婷婷啪啪| 国内精品宾馆在线| 在线看a的网站| 美女cb高潮喷水在线观看| 亚洲av二区三区四区| 亚洲,一卡二卡三卡| 内射极品少妇av片p| 丰满迷人的少妇在线观看| 人妻 亚洲 视频| 国产一区亚洲一区在线观看| 欧美97在线视频| 久久久久视频综合| 日本欧美视频一区| 一级片'在线观看视频| 老女人水多毛片| 久久久久久伊人网av| 99久久人妻综合| 久久精品久久久久久噜噜老黄| 国产无遮挡羞羞视频在线观看| freevideosex欧美| 99热这里只有是精品在线观看| 午夜日本视频在线| 丰满饥渴人妻一区二区三| 午夜日本视频在线| 日本黄色片子视频| 欧美精品一区二区免费开放| 香蕉精品网在线| 成人黄色视频免费在线看| 欧美3d第一页| 国产一区二区在线观看日韩| 丝瓜视频免费看黄片| 视频区图区小说| 纯流量卡能插随身wifi吗| 如日韩欧美国产精品一区二区三区 | 午夜久久久在线观看| 青春草视频在线免费观看| 国产男人的电影天堂91| 美女中出高潮动态图| 自拍欧美九色日韩亚洲蝌蚪91 | 一级二级三级毛片免费看| 亚洲精品一二三| 国产日韩一区二区三区精品不卡 | 国产精品一区二区在线观看99| 久久国产亚洲av麻豆专区| 女人久久www免费人成看片| 国产av国产精品国产| 亚洲国产精品999| 亚洲国产精品专区欧美| 国产精品久久久久成人av| 色哟哟·www| 在线亚洲精品国产二区图片欧美 | 国产免费福利视频在线观看| 青青草视频在线视频观看| 亚洲第一av免费看| 精华霜和精华液先用哪个| 国产精品一二三区在线看| 国产永久视频网站| av不卡在线播放| 高清午夜精品一区二区三区| 一二三四中文在线观看免费高清| a级片在线免费高清观看视频| 十分钟在线观看高清视频www | 一级毛片aaaaaa免费看小| 日本wwww免费看| 国产无遮挡羞羞视频在线观看| 国产精品一区二区性色av| 啦啦啦中文免费视频观看日本| 午夜视频国产福利| 大码成人一级视频| 高清在线视频一区二区三区| 亚洲精品久久久久久婷婷小说| 五月天丁香电影| 久久国产精品大桥未久av | 日韩成人伦理影院| 久久人人爽人人爽人人片va| videos熟女内射| 国产精品成人在线| 一级毛片久久久久久久久女| 欧美国产精品一级二级三级 | 尾随美女入室| 少妇人妻久久综合中文| 人妻少妇偷人精品九色| 美女cb高潮喷水在线观看| 熟女av电影| 国产精品免费大片| 欧美成人午夜免费资源| 国产极品天堂在线| 最近手机中文字幕大全| 久久女婷五月综合色啪小说| 国产黄片视频在线免费观看| 少妇被粗大的猛进出69影院 | 国产精品熟女久久久久浪| av线在线观看网站| 久久热精品热| 王馨瑶露胸无遮挡在线观看| h视频一区二区三区| 在线观看三级黄色| 精品人妻一区二区三区麻豆| 最黄视频免费看| 两个人的视频大全免费| 另类精品久久| 成人美女网站在线观看视频| 熟女av电影| 欧美精品一区二区大全| www.av在线官网国产| 丰满人妻一区二区三区视频av| 噜噜噜噜噜久久久久久91| 国产乱来视频区| 赤兔流量卡办理| 中文字幕人妻丝袜制服| 99热网站在线观看| 国产精品欧美亚洲77777| 免费观看无遮挡的男女| 亚洲成人一二三区av| 18+在线观看网站| 在线观看av片永久免费下载| 免费不卡的大黄色大毛片视频在线观看| 啦啦啦视频在线资源免费观看| 一级黄片播放器| 80岁老熟妇乱子伦牲交| 在线观看av片永久免费下载| 一边亲一边摸免费视频| 免费看日本二区| 另类亚洲欧美激情| freevideosex欧美| av一本久久久久| 51国产日韩欧美| av在线app专区| 一级,二级,三级黄色视频| 精品国产国语对白av| 午夜视频国产福利| 亚洲美女黄色视频免费看| 丰满迷人的少妇在线观看| 九草在线视频观看| 街头女战士在线观看网站| 一级二级三级毛片免费看| 国产精品福利在线免费观看| 菩萨蛮人人尽说江南好唐韦庄| 又粗又硬又长又爽又黄的视频| 欧美日韩国产mv在线观看视频| 国产乱人偷精品视频| 日韩人妻高清精品专区| 欧美另类一区| 国产日韩欧美视频二区| 99精国产麻豆久久婷婷| 97超视频在线观看视频| 久久久久国产精品人妻一区二区| 国产成人一区二区在线| 欧美日韩精品成人综合77777| 成年人午夜在线观看视频| 国产伦精品一区二区三区四那| 婷婷色麻豆天堂久久| 最近中文字幕高清免费大全6| 内地一区二区视频在线| 日本与韩国留学比较| 国产av国产精品国产| 亚洲国产精品国产精品| av在线观看视频网站免费| 一区二区三区四区激情视频| 日本91视频免费播放| 在线观看av片永久免费下载| 久久综合国产亚洲精品| 美女中出高潮动态图| 国产午夜精品久久久久久一区二区三区| 在线观看美女被高潮喷水网站| 久久精品熟女亚洲av麻豆精品| 亚洲精品久久久久久婷婷小说| 国产黄片视频在线免费观看| 午夜影院在线不卡| 这个男人来自地球电影免费观看 | 国产伦精品一区二区三区四那| 99久久精品热视频| av不卡在线播放| 亚洲,欧美,日韩| 十分钟在线观看高清视频www | 人人妻人人看人人澡| 看非洲黑人一级黄片| 99久久精品国产国产毛片| .国产精品久久| 国产精品三级大全| 91精品国产九色| 男女啪啪激烈高潮av片| 久久久久久久精品精品| 免费黄频网站在线观看国产| 国产精品秋霞免费鲁丝片| 亚洲欧美中文字幕日韩二区| 欧美+日韩+精品| 中文精品一卡2卡3卡4更新| 免费在线观看成人毛片| 大陆偷拍与自拍| 国产视频首页在线观看| 丝瓜视频免费看黄片| 日本色播在线视频| 中文字幕精品免费在线观看视频 | 精品久久久久久久久av| 99久久人妻综合| 婷婷色麻豆天堂久久| 99久久综合免费| 岛国毛片在线播放| 一边亲一边摸免费视频| 在线亚洲精品国产二区图片欧美 | 国产成人精品久久久久久| 亚洲成人手机| 中文资源天堂在线| 最近最新中文字幕免费大全7| 久久久久久久大尺度免费视频| 我的老师免费观看完整版| 嫩草影院新地址| 久久av网站| 男女边吃奶边做爰视频| 男人添女人高潮全过程视频| 国产成人91sexporn| 久久久久久久大尺度免费视频| 天天躁夜夜躁狠狠久久av| 老司机亚洲免费影院| av福利片在线观看| 91精品国产国语对白视频| 亚洲在久久综合| 久久久精品94久久精品| 亚洲三级黄色毛片| 日日撸夜夜添| 亚洲精品一区蜜桃| 少妇被粗大猛烈的视频| 啦啦啦啦在线视频资源| 亚洲av国产av综合av卡| 一本一本综合久久| 国产av码专区亚洲av| 啦啦啦中文免费视频观看日本| 蜜桃在线观看..| 欧美精品国产亚洲| av在线app专区| 成人国产麻豆网| 欧美3d第一页| 日产精品乱码卡一卡2卡三| 少妇熟女欧美另类| 国产极品天堂在线| 国产视频内射| 黄片无遮挡物在线观看| 丝袜在线中文字幕| 少妇丰满av| 熟妇人妻不卡中文字幕| 亚洲av成人精品一二三区| 自线自在国产av| 成人国产麻豆网| 亚洲精品国产av蜜桃| 69精品国产乱码久久久| 国产视频内射| 亚洲天堂av无毛| 国产欧美日韩一区二区三区在线 | 日日啪夜夜撸| 建设人人有责人人尽责人人享有的| 欧美亚洲 丝袜 人妻 在线| 国产中年淑女户外野战色| 国产精品成人在线| 久久久久久久国产电影| 国产极品粉嫩免费观看在线 | 久久精品熟女亚洲av麻豆精品| 一级片'在线观看视频| 久久久精品免费免费高清| 国产精品免费大片| 久久毛片免费看一区二区三区| 国产精品三级大全| av视频免费观看在线观看| 免费av中文字幕在线| 国产欧美日韩精品一区二区| 午夜久久久在线观看| 国产伦精品一区二区三区四那| 亚洲欧洲日产国产| 国产成人午夜福利电影在线观看| av天堂久久9| 亚洲国产精品999| 精品少妇久久久久久888优播| 日韩,欧美,国产一区二区三区| 高清不卡的av网站| 人妻制服诱惑在线中文字幕| 久久99热这里只频精品6学生| 久久久久国产网址| 少妇猛男粗大的猛烈进出视频| h日本视频在线播放| 午夜福利影视在线免费观看| 成人毛片60女人毛片免费| 久久久久国产精品人妻一区二区| 国产亚洲5aaaaa淫片| 超碰97精品在线观看| 日韩不卡一区二区三区视频在线| 亚洲精品乱码久久久v下载方式| 最新中文字幕久久久久| 亚洲精品一区蜜桃| 亚洲自偷自拍三级| 亚洲人成网站在线观看播放| 亚洲国产精品一区三区| 国产探花极品一区二区| 久久 成人 亚洲| 日本免费在线观看一区|