一种用于问题检索的带注意力自编码器的无监督模型
计算与语言
2018-03-12 v1
摘要
问题检索是社区问答的关键子任务。以往研究聚焦于严重依赖训练数据和人工特征工程的监督模型。本文提出一种新颖的无监督框架，即约减注意力匹配网络(RAMN)，用于计算两个问题间的语义匹配。我们的 RAMN 将深层语义表示、浅层词汇失配信息以及外部搜索引擎给出的初始排序整合在一起。我们首次提出注意力自编码器来生成问题的语义表示。此外，我们采用词汇失配来捕捉两个问题间的表层匹配，其源于问题中每个词的重要性。我们在 SemEval-2016 和 SemEval-2017 的开放 CQA 数据集上开展实验。实验结果表明，我们的无监督模型在 SemEval-2016 Task 3 中取得与最优监督方法相当的性能，并以较大优势超越 SemEval-2017 Task 3 中的最佳系统。
引用
@article{arxiv.1803.03476,
title = {An Unsupervised Model with Attention Autoencoders for Question Retrieval},
author = {Minghua Zhang and Yunfang Wu},
journal= {arXiv preprint arXiv:1803.03476},
year = {2018}
}