DR-BiLSTM：用于自然语言推理的依存式双向 LSTM
计算与语言
2019-05-21 v2
摘要
我们提出一种新颖的深度学习架构来解决自然语言推理（NLI）任务。现有方法大多依赖简单的阅读机制对前提和假设进行独立编码。相反，我们提出一种新颖的依存式双向 LSTM 网络（DR-BiLSTM），以在编码和推理过程中高效建模前提与假设之间的关系。我们还引入了一种精细的集成策略来组合我们提出的模型，这显著改善了最终预测。最后，我们展示了通过额外的预处理步骤如何进一步改进结果。我们的评估表明，DR-BiLSTM 取得了最佳的单模型与集成模型结果，在 Stanford NLI 数据集上达到了新的 SOTA 分数。
引用
@article{arxiv.1802.05577,
title = {DR-BiLSTM: Dependent Reading Bidirectional LSTM for Natural Language Inference},
author = {Reza Ghaeini and Sadid A. Hasan and Vivek Datla and Joey Liu and Kathy Lee and Ashequl Qadir and Yuan Ling and Aaditya Prakash and Xiaoli Z. Fern and Oladimeji Farri},
journal= {arXiv preprint arXiv:1802.05577},
year = {2019}
}
备注
18 pages, Accepted as a long paper at NAACL HLT 2018