论文笔记:Multi-level Abstraction Convolutional Model
神经网络应用于IR相比于传统方法有了很好的提升,但是目前的方案都认为所有的query应该公用一个match function。如DSSM,先分别对query和doc做深层表示,然后两个表示的相似度作为match function,再如MatchPyramid和ARC-II,先对query和doc计算相似度矩阵,然后做深层卷积、pooling,最后接全连接输出做match function。
本文认为,实际上用户的query有时需要结合不同层次的匹配信息,有时候需要底层的word级别的match,有时更需要上层概念级别的匹配。因此提出多层抽象化的卷积模型((MACM)来做文本匹配,主要贡献:
- 使用网络中多个抽象层的信息做match,该方法可很容易的应用在其他深度模型中。
2018-08-28