文本匹配是一项研究两段文本之间的相关关系的任务,在如搜索引擎、文档挖掘、智能对话等场景有着广泛应用和重要意义。
在文本匹配任务中,目标文本和候选文本之间的联系以及文本内部的上下文关联都是实现准确匹配的关键。然而,大多数已有的深度神经网络模型只关注了前者,忽略了每个文本内部的上下文语义信息,从而面临着长文本、复杂文本难匹配等问题。
为了解决上述问题,中科院自动化所智能感知与计算研究中心团队提出一种基于文本图神经网络架构的匹配方法,用图(graph)结构表示文本,能够同时建模两个文本之间的交互以及每个文本内部的上下文关联,可以有效缓解现有方法中长文本难匹配的问题,如图1所示。
图1. 文本匹配示例
图2. 基于图神经网络的文本匹配框架示例
代码:https://github.com/CRIPAC-DIG/GRMM
Yufeng Zhang, Jinghao Zhang, Zeyu Cui, Shu Wu, Liang Wang:A Graph‐Based Relevance Matching Model for Ad-Hoc Retrieval . The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI) 2021
https://www.zhuanzhi.ai/paper/410b870fe7ada4dd6f0f7de3f412b45f
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“GRMM” 可以获取《【AAAI2021】基于图神经网络的文本语义匹配算法》专知下载链接索引