基于深度学习的文本匹配算法探讨

筛选对齐信息和原隐藏层信息。模型通过堆叠多个结构相同的模块，每个模块捕获对应层次的交互信息，同时使用残差结合每个模块的信息与输入嵌入相结合。在数据集SNLI、SciTail和Quora的实验结果表明，模型TMECA具备一定的优越性。

(2) 提出了一种基于多级对比和多粒度交互的文本匹配模型TMCMG。在句子级别做对比学习充分获取句子的语义信息，在句对对比学习中提取样本类别信息，提升模型的性能。同时通过结合词和块两个粒度，将输入句对充分交互，其中块中设计了块内注意力来获取块内局部信息，块内全局注意力得到块的表示，块间注意力获取句子基于块的全局信息。在数据集LCQMC和BQ的实验结果表明模型TMCMG取得了更好的效果。

(3) 提出了一种基于句级去噪和对抗训练的中文长文本匹配模型SF-BERT。使用TextRank算法在构建的文本内部与文本之间的关系图上迭代训练，抽取关键句来作为原文本的表示，从而去除无关噪声句子，减少序列长度。随后，将文本序列对拼接送入模型BERT训练，并使用对抗训练FGM增强模型的泛化能力。实验结果表明，模型SF-BERT在数据集CNSE和CNSS上均取得了优异的性能。

参考文献（略）