21个经典深度学习句间关系模型｜代码&技巧

转载自 | 李rumor

卷友们好，我是rumor。

鸽了很久的NLP入门系列终于在我的努力下又更新了。

上次聊了分类任务的模型与技巧，今天我们就来聊聊句间关系任务。句间关系的输入是一对文本，输出是文本间的关系。常用的判别有语义相似度、语义关系推理（蕴含/中立/矛盾）、问答对等，拿GLUE榜单来说，其中有6个（QQP/MNLI/QNLI/STS/RTE/MRPC）都是句间关系任务。这个任务的应用场景也很广泛，比如搜索推荐的语义相关性、智能问答中的问题-问题、问题-答案匹配、知识图谱中的实体链接、关系识别等，是成为NLPer必须卷的一个方向。

在深度学习中，文本匹配模型可以分为两种结构：双塔式和交互式。

双塔式模型也称孪生网络、Representation-based，就是用一个编码器分别给两个文本编码出句向量，然后把两个向量融合过一个浅层的分类器；交互是也称Interaction-based，就是把两个文本一起输入进编码器，在编码的过程中让它们相互交换信息，再得到最终结果。如下图：

两种框架比较的话，交互式通常准确率会高一些，毕竟编码器能使用的信息更多了，而双塔式的速度会快很多，比如线上来一个query，库里有一百万个候选，等交互式算完了用户都走了，但双塔式的候选可以提前计算好，只用给query编码后去和候选向量进行浅层计算就好了。工程落地的话，通常会用双塔式来做召回，把一百万个候选缩减为10个，再对这10个做更精细的计算。

所以说这两种方式都是实际应用中必不可缺的，两个方向也都有着不少的模型：

下面我们就先讲讲双塔式模型的SOTA发展。这里面通常有三个点可以优化：encoder、merged_vec、classifier，大部分研究都在专注提升encoder的能力。我个人主要将双塔的发展分为词袋、有监督、预训练+迁移三个阶段。

词袋句向量

最简单的就是直接从词向量计算句向量。首先可以用mean、max池化，相比字面n-gram重合度肯定是有提升的。但当句子中的噪声多起来之后，如果两个句子有大量重合的无意义词汇，分数也会很高，这时候就可以考虑加权求和，比如TF-IDF。

SIF

题目：A SIMPLE BUT TOUGH-TO-BEAT BASELINE FOR SENTENCE EMBEDDINGS
论文：https://openreview.net/pdf?id=SyK00v5xx
代码：https://github.com/PrincetonML/SIF

ICLR2017论文SIF提出了名为smooth inverse frequency的方法，先由词向量加权平均得到句向量，再对多个句子组成的句向量矩阵进行PCA，让每个句向量减去第一主成分，去掉“公共”的部分，保留更多句子本身的特征。该方法在相似度任务上有10%-30%的提升，甚至超过了一些RNN模型，十分适合对速度要求高、doc相似度计算的场景。

WMD

题目：From Word Embeddings To Document Distances
论文：http://proceedings.mlr.press/v37/kusnerb15.pdf
代码：https://github.com/mkusner/wmd

之前提到的相似度任务都适用cosine相似度衡量的，也有学者研究了其他metric。2016年的WMD提出了Word Mover's Distance这一概念，用句子A走到句子B的最短距离来衡量两者的相似程度。表示在下图中就是非停用词的向量转移总距离：

上面介绍的两篇文章使用的都是word2vec向量，但实际操作中我推荐使用fasttext（就是加上ngram，但仍用word2vec结构训练），一方面ngram可以增加信息，另一方面也避免了OOV。

千万不要小看词向量，用好了真的是很强的baseline。另外现在很多线上场景因为对速度要求高，或者是toB的业务甲方不愿意买GPU，有不少落地都停留在这个阶段。

有监督句向量

词向量虽然可以经过处理变成句向量，但词袋式的融合也会丢失掉顺序信息，同时在训练时其目标还是word-level的，想要获得「真正的句向量」，还是需要寻找sentence-level的目标函数。

DSSM

题目：Learning Deep Structured Semantic Models for Web Search using Clickthrough Data
论文：https://www.microsoft.com/en-us/research/publication/learning-deep-structured-semantic-models-for-web-search-using-clickthrough-data/
代码：https://github.com/InsaneLife/dssm

微软在2013年提出的CIKM论文DSSM是相当知名的多塔模型，它对文本进行word hash（也就是表示成ngram，减少词表数），再将ngram转成向量再平均得到句向量，经过三层MLP得到128维的编码，用cosine相似度作为每个Q-D对的分数，经过sofamax归一化后得到P(D|Q)，最终目标为最大化正样本被点击的概率。

但BOW式的词向量平均会损失上下文信息，所以之后也有学者提出了CNN-DSSM、LSTM-DSSM，基本上结构都差不多。

Siam-CNN

题目：Applying Deep Learning to Answer Selection: A Study and An Open Task
论文：https://arxiv.org/pdf/1508.01585.pdf

在2015年IBM提出的Siam-CNN架构中，作者尝试了多种孪生架构，使用CNN作为基础编码器，pairwise loss作为损失函数，最后实验发现第二种是最好的：

说实话这个结果有点迷，Query和Answer的表达还是略有不同的，经验上看我觉得第三个结构更靠谱些。不过作者只在一种数据集上进行了尝试，或许换个数据集结果会有变化。

Siam-LSTM

题目：Siamese Recurrent Architectures for Learning Sentence Similarity
论文：http://www.mit.edu/~jonasm/info/MuellerThyagarajan_AAAI16.pdf

2016年的Siam-LSTM在结构上比较简单，就是直接用共享权重的LSTM编码，取最后一步的输出作为表示。有个改进点是作者使用了Manhattan距离计算损失：

后续还有一些模型改成双向、char-level的，这里就不过多赘述了。

Multi-View

题目：Multi-view Response Selection for Human-Computer Conversation
论文：https://www.aclweb.org/anthology/D16-1036.pdf

百度的EMNLP2016论文针对多轮对话问题，提出了Multi-view的Q-A匹配方式，输入的query是历史对话的拼接，分别编码了word sequence view和utterance sequence view两种表示。词级别的计算和Siam-LSTM差不多，都是用RNN的最后一步输出做Q-A匹配，而句子级别的会对RNN每步输出做max pooling得到句子表示，然后再将句子表示输入到GRU中，取最后一步作为带上下文的表示与回答匹配，如下图：

融合了两个level的匹配后比普通方法的R@1要好上4-6个点，提升很明显。

预训练+迁移

有监督、领域内的语料总是有限的，目前很多任务都开始转向预训练+迁移的范式。

Skip-Thought

题目：Skip-Thought Vectors
论文：https://arxiv.org/pdf/1506.06726.pdf
代码：https://github.com/ryankiros/skip-thoughts

多伦多大学的NIPS2015论文Skip-Thought提出了一种无监督句向量训练方法，参考wrod2vec，一句话与它的上下文也是存在关联的，因此我们可以用一个句子的编码去预测它的上下句：

Skip-Thought用GRU作为编码器，条件GRU作为解码器，预测时候只用编码器就可以得到句子表示。

但这种方法训出的decoder不用比较浪费，后续也有学者用同样的思想改成了判别任务，比如Quick-Thought对句子分别编码，过分类器选择上下文，又或者BERT中的NSP，或者ALBERT的SOP。

FastSent

题目：Learning Distributed Representations of Sentences from Unlabelled Data
论文：https://www.aclweb.org/anthology/N16-1162.pdf
代码：https://github.com/fh295/SentenceRepresentation/tree/master/FastSent

2016年的FastSent主要对Skip-Thought的速度进行了改进，其实就是用词袋模型去替换RNN编码，再用中间句子的表示去预测上下文的词。同时也提出了一个FastSent+AE变体，预测目标也加上了自身的词。

最终效果在无监督任务上好于Skip-Thought，但有监督任务上还是略逊色。

InferSent

题目：Supervised Learning of Universal Sentence Representations from Natural Language Inference Data
论文：https://www.aclweb.org/anthology/D17-1070.pdf
代码：https://github.com/facebookresearch/InferSent

前几篇可迁移的encoder都是无监督的，因为学者们一直没有发现更通用的数据，直到InferSent。

EMNLP2017中Facebook提出了InferSent，文中使用NLI数据集来预训练双塔结构，超越了之前众多无监督方法。该文章用了很简单的双塔结构，但在计算loss时先对两个向量用了多种方式融合，再过分类器。同时也提出了多个基于RNN、CNN的编码器，最后实验发现BiLSTM+Max效果最好，在评估的10个任务中有9个达到了SOTA。

InferSent提出的结构到现在还用很多同学在用，包括后文的Sentence-BERT（19年的SOTA）也只是换了个编码器而已。同时用NLI来做预训练这个点也很重要，优质语料对模型提示有很大帮助。

后续也有模型进行了小改进，比如2017年的SSE，使用3层堆叠BiLSTM+Shortcut，效果比InferSent好一些。

GenSen

题目：Learning General Purpose Distributed Sentence Representations via Large Scale Multi-task Learning
论文：https://arxiv.org/abs/1804.00079
代码：https://github.com/Maluuba/gensen

同样是提升可迁移性，微软在ICLR2018上提出了GenSen，使用GRU编码，将encoder下游接上4种不同的任务（预测上下文、翻译、NLI、句法分析），但只在6/10个任务上超越了之前的模型，个别情况下增加新的任务还会使效果下降。

这种多任务的思想后续也被用在其他模型上，比如MT-DNN（狗头。

USE

题目：Universal Sentence Encoder, Learning Semantic Textual Similarity from Conversations
论文：https://arxiv.org/pdf/1803.11175v1.pdf, https://arxiv.org/pdf/1804.07754.pdf

谷歌在ACL2018提出了USE模型，这也是引用量很高的一篇文章（但写的不是很清楚，推荐读第二篇），主要改进如下：

1. 提出了用Transformer和平均池化+MLP作为encoder，分别适用不同的场景

2. 爬取了大量reddit的问答数据，用于无监督Q-A训练，因为query和answer的表示空间不一样，结构上给answer多加一层DNN。并且在问答任务上使用batch negative策略，也就是除了对应的正确答案外batch内剩下的样本都作为负例，用softmax计算P(A|Q)的概率，跟现在对比学习的loss一样。

3. 多任务，在无监督训练Q-A的同时也用SNLI进行有监督训练

这样训练出的模型比InferSent高3-5个点，效果很好。现在这个模型也在一直更新，可以在TFhub上使用，不仅速度快，效果也没比BERT系差太多。

Sentence-BERT

题目：Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks
论文：https://arxiv.org/pdf/1908.10084
代码：https://github.com/UKPLab/sentence-transformers

EMNLP2019的Sentence-BERT是目前最常用的BERT式双塔模型，一是效果真的好，二是作者的开源工具做的很方便，用的人越来越多。结果其实就是把InferSent改成BERT编码，训练语料也不变，做离线任务可以直接用起来。

BERT-flow

题目：On the Sentence Embeddings from Pre-trained Language Models
论文：https://arxiv.org/pdf/2011.05864.pdf
代码：https://github.com/bohanli/BERT-flow

字节在EMNLP2020提出了BERT-flow，主要是基于Sentence-BERT做改动，因为之前的预训练+迁移都是使用有监督数据，而作者基于对原生BERT表示的分析发现，那些表示在空间的分布很不均匀，于是使用flow-based生成模型将它们映射到高斯分布的均匀空间，比之前的Sentence-BERT提升了4个点之多。

但这个模型的缺点是又加了一层机制，在预测时候会降低速度，同时在知乎上看到个别同学在自己任务上的试用反馈也不太好。不过我倒是验证了SentEval上有监督的效果（论文只给了无监督的），效果跟Sentence-BERT差不多。

Cross-Thought

题目：Cross-Thought for Sentence Encoder Pre-training
论文：https://arxiv.org/abs/2010.03652
代码：https://github.com/shuohangwang/Cross-Thought

微软在EMNLP2020提出了Cross-Thought，先用transformer对每个句子编码，再取多个CLS（红点部分）作为句子表示再进行attention，得到一个整体的上下文表示，再回头去预测每个句子被mask的token。相比起NSP来说，该任务的解空间更丰富，相比单纯的BERT表示提升明显，在QA任务上更是提了几十个点。

对比学习

对比学习是20年图像领域火热的表示预训练方法，在训练时会给输入A生成一个数据增强版本B，经过编码器对A和B编码后，如果两个表示还是最接近的（batch内分类），就说明这个编码器抓住了用于区分A与其他样本的本质特征。对比学习目前在NLP领域还没开始大放异彩，从20年下半年的一些新论文来看，在预训练过程、精调中加入对比损失都会轻微提升模型效果并增强鲁棒性、小样本场景的表现。相信用对比做出的优秀文本表示不久就会出现。

！！！我是朋克风分割线！！！

上文讲了众多双塔模型，其主要的重点都在编码器的优化，对速度要求高的召回场景可以用BOW+MLP、CNN，精度要求高的排序场景可以用LSTM、Transformer。同时两个向量的融合方法以及loss也都可以优化，比如做一些轻微的交互、像Deformer一样前面双塔接后面的多层交互，或者根据需要选择pointwise、pairwise（排序场景）损失。

但真要想做句间关系SOTA的话，比如刷榜，光靠双塔模型还是不行的，它有两个问题比较大：

1. 位置信息。如果用BOW的话“我很不开心”和“我不很开心”两句的意思就变成一样了，虽然用RNN、BERT引入位置编码可以减缓一些，但不去让两个句子相互比较的话对于最后的分类层还是很难的

2. 细粒度语义。比如“我开心”和“我不开心”这两句话只有一个字的区别，但BOW模型很可能给出较高的相似度，交互式模型则可以稍有缓解

交互式匹配

比起双塔只能在encoder上下功夫，交互式模型的套路就多多了，其核心思想是将两个句子逐个词比较。比如判断“进击的巨人”和“进击的矮子”语义是否相同时，前三个字在两句话中都能找到，而第二句里没找到跟“巨人”接近的，那分数就会被降低一些。因此得让两个句子有interaction，一般用attention解决，因为没那么在意速度了，在交互前后都可以加encoder，再让向量拼接、做差、点积。。。不说了，请开始让它们表演。

DecAtt

题目：A Decomposable Attention Model for Natural Language Inference
论文：https://arxiv.org/pdf/1606.01933.pdf

Google在EMNLP2016提出了轻量级的交互模型DecAtt，作者的出发点是让句子中的各个元素相互对比，找出词级别的同义和反义。分为三步计算：

1. Attend：将两个句子中每对次 相互attention，加权后得到对齐的

2. Compare：将 分别拼接，过一层FFN得到

3. Aggregate：分别将第二步得到的表示求和得到 ，拼接起来进行分类

比较难懂的主要是第二步，作者的解释是经过第一步attend后可以将问题拆解为子问题，再通过每个词向量的compare解决。

这个模型的缺点是最后一步求句向量时用了求和操作，如果序列过长的话数值会较大，造成梯度大，需要裁剪。但计算还是很轻量的，从结果来看跟LSTM差不多。

MatchPyramid

题目：Text Matching as Image Recognition
论文：https://arxiv.org/pdf/1602.06359.pdf
代码：https://github.com/pl8787/MatchPyramid-TensorFlow

计算所在2016AAAI发表的MatchPyramid主要受图像处理的启发，先对词进行交互得到Matching矩阵，然后通过多层2D卷积抽取更高维度的特征，最后得到表征用MLP分类。作者凭借此模型在2017年的Quora Question Pairs比赛上拿到了全球第四。

相比上文的DecAtt，MatchPyramid通过CNN捕获到了ngram特征。从结果看比DSSM等模型高出了3、5个点。

PWIM

题目：Pairwise Word Interaction Modeling with Deep Neural Networks for Semantic Similarity Measurement
论文：https://www.aclweb.org/anthology/N16-1108.pdf
代码：https://github.com/lanwuwei/Subword-PWIM

ACL2016的PWIM模型主打细粒度交互，模型非常的深，分为以下四个计算步骤：

1. Context Modeling：用BiLSTM对输入编码

2. Pairwise Word Interaction Modeling：作者定义了一个对比向量的函数coU（包含cosine、点积、欧式距离），对两句话的词进行两两比较，总共计算了前向向量、反向向量、前后向拼接、前后向相加四种表示的coU，作者将输出称为simCube

3. Similarity Focus Layer：提出了一个算法，根据simCube的分数排序，计算出一个mask矩阵，其中重要元素的权重是1，非重要为0.1。作者认为如果句子A中的某个词在句子B中也找到了，那这就是一个衡量两者相似度的重要指标。最终mask和simCube相乘得到focusCube

4. Deep ConvNet：作者把前面产出的三维矩阵看作图像，用19层卷积神经网络的到最后的表征，再过softmax分类

这篇文章真的是花式计算，虽然从结果来看超过了双层BiLSTM 2、3个点，但这计算复杂度让人难以承受。在后文也会被ESIM超越，所以就别用了，当做多学习一些思想吧～

ESIM

题目：Enhanced LSTM for Natural Language Inference
论文：https://www.aclweb.org/anthology/P17-1152.pdf
代码：https://github.com/coetaur0/ESIM

ACL2017中的ESIM也是效果很好的模型，基于DecAtt改动，在两句话交互融合后又加了一层BiLSTM，将效果提升了1-2个点。同时也尝试使用句法树进一步提升效果。它的计算过程有一下四步：

1. 用BiLSTM对embedding编码，得到表示

2. 将两句话的BiLSTM输出进行attention，得到融合的句子表示

3. 将 拼接作为新表示，用BiLSTM进行推理

4. 池化后过进行最终分类

DIIN

题目：Natural Language Inference over Interaction Space
论文：https://arxiv.org/pdf/1709.04348.pdf
代码：https://github.com/YerevaNN/DIIN-in-Keras

ICLR2018的DIIN看起来像PWIM一样花式，比ESIM高出5、6个点。主要有以下改动：

1. 在embedding层除了使用词向量，还使用了字向量、词性特征和英文词根的完全匹配特征

2. 使用Self-Attention编码

HCAN

题目：Bridging the Gap Between Relevance Matching and Semantic Matching for Short Text Similarity Modeling
论文：https://cs.uwaterloo.ca/~jimmylin/publications/Rao_etal_EMNLP2019.pdf
代码：https://github.com/jinfengr/hcan

HCAN是Facebook在EMNLP2019提出的模型，虽然比上文的ESIM、PWIM等模型高上4+个点，但还是被BERT甩了很远。不过这个模型的核心也不只是做语义匹配，而是同时做检索相关性（Relevance Matching），也就是搜索中query-doc的匹配。

模型计算如下：

1. Encoding层作者提出了三种方法，堆叠的CNN作为Deep Encoder，不同尺寸卷积核作为Wide Encoder，BiLSTM作为Contextual Encoder编码更长距离的上下文

2. 先把两句话交互得到attention score矩阵，之后对于query中每个词，求得doc中最相似的词的分数，作为向量Max(S)，按照同样的方法求出Mean(S)，长度都为|Q|，再分别乘上query中每个词的tfidf统计，得到相关性匹配向量

3. 用加性attention对query和doc进行交互，得到新的表示，再花式拼接过BiLSTM，得到语义匹配向量

4. 将 拼接起来过MLP，最后分类

通过实验结果来看，Deep Encoder的表现是最好的，在7/8个评估上都超过另外两个。

RE2

题目：Simple and Effective Text Matching with Richer Alignment Features
论文：https://www.aclweb.org/anthology/P19-1465.pdf
代码：https://github.com/hitvoice/RE2

RE2是阿里在ACL2019提出的模型，也是很不错的一个工作，优点是模型轻量且效果好。上文虽然很多模型都用到了交互，但只交互1、2次，而RE2则像transformer一样把两句话交互了多次。

计算逻辑是（图中只展示了双塔的一半）：

1. Encoding：对输入进行embedding得到，拼接上之前的输出，用CNN编码

2. Alignment：把encoder的输入输出拼接起来，两句话进行attention

3. Fusion：将encoder的输入输出与attention的结果一起融合，得到的表示进入下一循环或max pooling输出句子表示

4. 将两个句子表示各种拼接后进行分类

这个模型除了多次交互之外，还有个点是一直都把最初的embedding拼接上，从消融实验看可以提升1-6个点。

！！！我是朋克风分割线！！！

一口气讲了7个交互式匹配模型，感觉自己都不会爱了。其实大部分都是为了解之前的思想，因为现在无脑用BERT就够了。

同时老司机们也很清楚，模型只是工具，数据才是天花板，数据质量不好/数量不够，模型再花哨也没用。所以这里分享两个数据洗刷刷经验：

1. 负例的构造。都说句间关系任务负例的构造是很重要的，确实如此。但构造前一定要把正、负界定清楚，明确这个任务的粒度有多细。比如“我很不开心”和“我不太开心”都是不开心，但程度不一样，在自己的任务中到底是算正例还是负例呢？这个界定的越清楚、标注人员培训越到位，数据噪声也就越少。之后才是尽量构造有难度的负例，比如用BOW召回一些再人工标注，让样本们越来越逼近分类边界

2. 数据增强。交互式模型虽然准确，但他们有个缺点是容易过拟合，因为对“交互”看得太重了。比如一对正例里只有一两个字一样，模型可能就会认为这两个字很重要，有些overlap超低的文本对也会给出高得分。这时候就要对正例进行清洗，看看特殊情况是否存在，再尝试用增删改的方法加一些负例，避免过拟合这种极端正例。另外BERT这种交互式模型是不对称的，如果做paraphrase任务也可以镜面构造些新正负例。

总结

可能是文本匹配方面看得比较多吧，终于把我收藏的模型都扒拉出来了，直接像文本分类一样再给大家提供一个选型方案吧：