文本匹配：1、基础算法_文本匹配算法

文本匹配：主要是求两个句子之间的相似度。

1. 无监督：
   – 对短文本进行分词，然后加权求和每个分词的word2vec词向量，得到句向量。再对俩句向量进行距离度量，比如 欧式距离、consin距离、切比雪夫距离等，作为俩句子的相似度。
   – 虽然无需标注，可以快速算出相似度，但准确率差。
2. 有监督：
   – siamese架构：是将俩文本输入到相同的编码器中(CNN/RNN)，使得两个句子映射到相同的空间中；然后得到俩句子向量 进行度量，进而获得相似度。
   代表是 孪生网路 (图)。 优点是共享参数 模型小，容易训练，句向量具有一定的语义信息，但俩文本之间没有信息交互。
   – “交互聚合”架构：基于第一个架构，得到句子向量后，通过 注意力机制 将两个句向量进行信息交互，最终聚合成一个向量，然后获得相似度。
   代表是 ESIM(增强版LSTM的自然语言推理NLI)、BiMPM(双向多角度匹配模型) // 不同时间步之间的信息交互 效果是还不错，可是太慢了！！
   – “预训练”架构：将两个文本输入到预训练语言模型中，得到信息交互后的向量，然后获得相似度。
   比如bert。能够获得短文本之间更隐蔽的交互特征，但就是比较慢。
3. 无监督 + 有监督：
   – 权衡效果和效率，折中方案。 比如可以 将孪生网络中的编码器换成bert，离线缓存好标准问的句向量。 用户query来时只需计算其句向量，先召回粗排得到 候选标准问，再输入到模型中计算相似度。
   比如 sentence bert 。 具体采用哪种方案，根据项目对效果和效率的要求 选择吧。
   

参考：

• 刘聪：短文本相似度算法研究
• 夕小瑶：文本匹配相关方向打卡点总结（数据，场景，论文，开源工具）
• 王乐：Deep text matching–盘点11个文本匹配模型
• 同义变换在百度搜索广告中的应用