1. Cross Temporal Recurrent Networks for Ranking Question Answer Pairs

• AAAI 2018
• 一个问题下的答案排序
• 用Cross Temporal RNN对问题和答案建模

• 问题通过3个不同的CNN分别得到3个额外的门控值给答案那边RNN cell，反过来也一样。

  
  整体框架图

• 由于问题和答案长度可能不一样，所以按比例对齐：

  
  问题和答案单词对齐公式

2. Question Condensing Networks for Answer Selection in Community Question Answering

• ACL 2018
• 预测答案的分类：Good, PotentiallyUseful, 还是Bad
• 以前的工作都是把问题中的题目和描述拼一起当一段文本考虑

• 本文把题目和描述分开考虑，计算出题目和描述里面每个单词Embedding的垂直分量（orth）和平行分量（para），然后用来计算Attention weight

  
  整体框架图

3. Learning to Rank Question Answer Pairs with Holographic Dual LSTM Architecture

• SIGIR 2017]
• 一个问题下的答案排序

• 通过一个Holographic Dual LSTM来对问题和答案建模（匹配）

  
  整体框架图

4. Knowledge-aware Attentive Neural Network for Ranking Question Answer Pairs

• SIGIR 2018
• 一个问题下的答案排序

• 因为直接做问题-答案匹配的话，有时候不好的答案跟问题的相似度更高，所以需要引入外部知识：knowledge graphs

  
  整体框架图

5. Multihop Attention Networks for Question Answer Matching

• SIGIR 2018
• 一个问题下的答案排序，用了多跳的attention网络

• 看图就知道是怎么做的了：

  
  两种multihop attention

6. Focusing Attention Network for Answer Ranking

• WWW 2019
• 一个问题下的答案排序
• 本文认为现有的attention方法不能做到准确地对齐question和answerer，所以表现不好
• 所以本文提出一种Focusing Attention Network，通过加入semantic和metadata features来自动提取Attention
• semantic feature包括相似度、语法树、LDA

• metadata features就是文本长度

  
  整体框架图

7. Sequential Scenario-Specific Meta Learner for Online Recommendation

• KDD 2019
• 阿里的文章，做推荐系统，依据user-item相关性做推荐
• 传统的方法需要大量的数据用来训练中的，但是在阿里的很多场景是可能只存在很短的时间就下线了，所以无法等到有了大量的数据再来训练
• 而一个场景的推荐系统不能由别的场景的数据来训练得到
• 所以本文提出一种meta learner的方法来学习不同场景下的推荐系统的参数
• 只是一个很简单的模型（多层ReLU）
• Meta learning：学习一个学习器
• 学习器包括两个部分：Update Controller和Stop Controller
• 学习过程：先用一个同样的值初始化每个场景下的，然后通过Update Controller一直更新，通过Stop Controller控制什么时候停止更新
• Update Controller和Stop Controller都是一个LSTM单元，输入包括、的Loss和的Loss对的导数
  整体框架图