基于全息对偶 LSTM 架构的问答对排序学习
信息检索
2017-07-21 v1
摘要
我们描述了一种用于问答对排序学习的新型深度学习架构。我们的方法通过全息组合对长短期记忆（LSTM）网络进行扩展，以建模问题与答案表示之间的关系。与近期采用的神经张量层不同，全息组合提供了一种可扩展且具有丰富表示能力的学习方法，同时不会产生巨大的参数开销。总体而言，我们提出了全息对偶 LSTM（HD-LSTM），这是一种用于深度句子建模和语义匹配的统一架构。本质上，我们的模型是端到端训练的，LSTM 的参数以最能解释问题与答案表示之间相关性的方式进行优化。此外，我们提出的深度学习架构无需大量的特征工程。通过大量实验，我们表明 HD-LSTM 在两个流行的基准问答数据集上优于许多其他神经架构。实证研究证实了全息组合相对于神经张量层的有效性。
引用
@article{arxiv.1707.06372,
title = {Learning to Rank Question Answer Pairs with Holographic Dual LSTM Architecture},
author = {Yi Tay and Minh C. Phan and Luu Anh Tuan and Siu Cheung Hui},
journal= {arXiv preprint arXiv:1707.06372},
year = {2017}
}
备注
SIGIR 2017 Full Paper