一种用于即席检索的深度相关性匹配模型

近年来，深度神经网络在语音识别、计算机视觉与自然语言处理（NLP）任务中带来了令人振奋的突破。然而，深度模型在即席检索任务上鲜有积极结果。这部分归因于即席检索任务的许多重要特性尚未在深度模型中得到很好处理。通常，现有使用深度模型的工作将即席检索任务形式化为两段文本间的匹配问题，并等同于释义识别、问答与自动对话等许多NLP任务。然而，我们认为即席检索任务主要关注相关性匹配，而多数NLP匹配任务关注语义匹配，且这两类匹配任务间存在一些根本差异。成功的相关性匹配需要恰当处理精确匹配信号、查询词项重要性以及多样化的匹配需求。本文提出一种用于即席检索的新型深度相关性匹配模型（DRMM）。具体而言，我们的模型在查询词项层级采用联合深度架构进行相关性匹配。通过使用匹配直方图映射、前馈匹配网络与词项门控网络，我们能有效处理上述三个相关性匹配因素。在两个代表性基准集合上的实验结果表明，我们的模型可显著优于一些知名检索模型及最先进的深度匹配模型。