所謂語義匹配，就是在語義上衡量文本的相似度，在產業界有很多的應用需求。例如，在FAQ場景中需要計算用戶輸入與標問之間的相似度來尋找合適的答案。本文介紹一種經典的語義匹配技術，DSSM，主要用于語料的召回和粗排。

作者&編輯 | 小Dream哥

1 DSSM的提出?

較早期的語義匹配模型都是基于關鍵詞的匹配，例如LSA等，無法匹配語義層面的信息。基于此，DSSM（Deep Structured Semantic Models）提出深度語義匹配模型，期望能夠在語義層面匹配query之間的相似性。

顧名思義，DSSM是一種用于語義相似度計算的深度網絡，我們來看看它的廬山真面目到底是怎么樣的。

2? 整體看結構

我們先來整體來看一下DSSM的網絡結構，以整體上對它有一個把握和感覺。如下圖所示，是DSSM的網絡架構圖：

論文原文：https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/cikm2013_DSSM_fullversion.pdf

整體上來看，DSSM網絡總共有6層：

1.第一層是輸入層，DSSM用的詞袋模型，后面再詳細介紹；

2.第二層經過word hashing，將維度由500K降為30K；

3.第三，四，五層是3個全連接層，通過這三個全連接層，進行語義特征的提取，并降維度降低到128維；

4.第六層為輸出層，計算Q和D之間的余弦相似度之后，輸出他們之間的相似度。

3 輸入層及word hashing??

DSSM的輸入層結合了詞哈希（word hashing）和語義匹配，我們在講詞向量的時候詳細介紹了詞袋模型，忘記的同學可以點擊如下鏈接先了解：

【NLP-詞向量】詞向量的由來及本質

總的來說詞袋模型就是把文本看成是一個裝著詞的袋子，記錄一個文本中，有這個詞幾個，那個詞幾個。前提到過，當詞典非常大時，用詞袋模型會造成維度災難。所以DSSM還引入了word hashing。

Word hashing主要目的是為了減少維度，在英文里，采用letter-ngams來對單詞進行切分，如下圖所示，加入采用letter-trigams來對詞進行切分，則boy這個詞可以切分為（#bo,boy,oy#）三個。按這個方法，再將上述詞袋里的進行轉化。因為英文只有26個字母，這樣可以極大的減少維度，如論文中所示將維度從500K轉化為30K。

也許反應快的同學很快就會問，英文可以這樣做，但是好像中文沒有辦法這樣處理呀？總不能按照偏旁來拆吧？當然不會按照偏旁來拆了，加入漢字部首偏旁特征的研究目前還不很成功。

那么中文怎么處理呢？其實很簡單，在單純的DSSM模型中，中文是按照“字袋模型”來處理的，參考詞袋模型，也就是將文本轉化成，有幾個某某字，有幾個某某字。因為中文字個數是有限的，常用的字大概有15K左右，因此這種做法不會有維度過大的問題。

4? 特征提取層和相似度計算

熟悉深度學習的朋友，應該很容易看明白DSSM的特征抽取層，其實就是3個全連接層串行的連接起來。看看數學：

可以看出，在DSSM中采用tanh作為激活函數。

通過計算各個Q及D的特征表征，得到了一些128維的特征向量。隨后在DSSM中，通過計算Q和D之間的余弦距離來評價他們之間相似度，計算公式如下圖所示：

5? DSSM的訓練

那么DSSM訓練的過程是怎么樣的呢？細心的同學會發現，DSSM網絡結構圖中，DSSM的輸入是一個Querry和一個文本集D，D中包含正樣本和負樣本。

其中 r 為 softmax 的平滑因子，D 為 Query 下的正樣本，D 為 Query 下的整個樣本空間。

上述公式，計算一個樣本空間內正樣本的平滑概率，R(Q,D)為兩個文本之間余弦距離。

在訓練階段，通過極大似然估計，最小化損失函數為：

總結

DSSM的優點在于能夠快速的計算多個query和Doc對之間的語義相似度；相對于詞向量的方式，它采用有監督的方法，準確度要高很多。

但是DSSM也有它的缺點，首先，它采用詞袋模型，沒有考慮詞的位置關系，這對語義理解是一個大的損失；此外，采用弱監督、端到端的模型，預測結果不可控。

基于DSSM的上述特點，它最適合應用的場景就是召回和粗排。例如在FAQ中，因為標問會非常多，將標問和用戶輸入一一匹配時幾乎不可能的事情。通常的做法就是，首先基于ES和DSSM做一遍召回和粗排，得到一定數目的標問后再用精排模型得到答案。

除了使用它，更關鍵的是albert模型的實現和理論。我們會在知識星球討論相關的內容，感興趣的話可以掃描下面的二維碼了解。

讀者們可以留言，或者加入我們的NLP群進行討論。感興趣的同學可以微信搜索jen104，備注"加入有三AI NLP群"。

下期預告：暫無

知識星球推薦

掃描上面的二維碼，就可以加入我們的星球，助你成長為一名合格的自然語言處理算法工程師。

知識星球主要有以下內容：

(1) 聊天機器人。包括對話系統，FAQ以及閑聊型機器人。

(2) 知識圖譜。介紹知識圖譜的理論和世紀搭建。

(3) NLP預訓練模型，包括BERT，ALBERT等模型的理論及實踐。

轉載文章請后臺聯系

侵權必究

往期精選

• 【完結】 12篇文章帶你完全進入NLP領域，掌握核心技術

• 【年終總結】2019年有三AI NLP做了什么，明年要做什么？
  

• 【NLP-詞向量】詞向量的由來及本質

• 【NLP-詞向量】從模型結構到損失函數詳解word2vec

• 【NLP-NER】什么是命名實體識別？

• 【NLP-NER】命名實體識別中最常用的兩種深度學習模型

• 【NLP-NER】如何使用BERT來做命名實體識別
  

• 【NLP-ChatBot】我們熟悉的聊天機器人都有哪幾類？

• 【NLP-ChatBot】搜索引擎的最終形態之問答系統（FAQ）詳述

• 【NLP-ChatBot】能干活的聊天機器人-對話系統概述

• 【知識圖譜】人工智能技術最重要基礎設施之一，知識圖譜你該學習的東西

• 【知識圖譜】知識表示：知識圖譜如何表示結構化的知識？

• 【知識圖譜】如何構建知識體系：知識圖譜搭建的第一步

• 【知識圖譜】獲取到知識后，如何進行存儲和便捷的檢索？

• 【知識圖譜】知識推理，知識圖譜里最“人工智能”的一段
  

• 【NLP實戰】tensorflow詞向量訓練實戰

• 【NLP實戰系列】樸素貝葉斯文本分類實戰

• 【NLP實戰系列】Tensorflow命名實體識別實戰

• 【NLP實戰】如何基于Tensorflow搭建一個聊天機器人

• 【NLP實戰】基于ALBERT的文本相似度計算
  

• 【每周NLP論文推薦】從預訓練模型掌握NLP的基本發展脈絡

• 【每周NLP論文推薦】 NLP中命名實體識別從機器學習到深度學習的代表性研究

• 【每周NLP論文推薦】 介紹語義匹配中的經典文章

• 【每周NLP論文推薦】 對話管理中的標志性論文介紹

• 【每周NLP論文推薦】 開發聊天機器人必讀的重要論文

• 【每周NLP論文推薦】 掌握實體關系抽取必讀的文章

• 【每周NLP論文推薦】 生成式聊天機器人論文介紹

• 【每周NLP論文推薦】 知識圖譜重要論文介紹

總結

以上是生活随笔為你收集整理的【NLP-语义匹配】详解深度语义匹配模型DSSM的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。