神经网络应用于IR相比于传统方法有了很好的提升，但是目前的方案都认为所有的query应该公用一个match function。如DSSM，先分别对query和doc做深层表示，然后两个表示的相似度作为match function，再如MatchPyramid和ARC-II，先对query和doc计算相似度矩阵，然后做深层卷积、pooling，最后接全连接输出做match function。
本文认为，实际上用户的query有时需要结合不同层次的匹配信息，有时候需要底层的word级别的match，有时更需要上层概念级别的匹配。因此提出多层抽象化的卷积模型（(MACM）来做文本匹配，主要贡献：
- 使用网络中多个抽象层的信息做match，该方法可很容易的应用在其他深度模型中。
模型：
文章提到在文本匹配任务中，interaction-based模型(如MatchPyramid)被认为优于representation-based模型（如CDSSM），因此论文的基础是建立在interaction-based模型的基础之上。文章提出的模型思路也比较简单，不同于只用最终的表示输出做match层（最后的全连接网络）的输入，文章使用模型不同层级的信息，从底层的词级别的匹配信息到上层越来越抽象的匹配信息，最终加权作为match层的输入。
整个模型结构如图，实现了多层交互矩阵，同时得到多个匹配得分，最后做加权和得到最终得分：
Multi-level Abstraction Convolutional Model
模型的基本结构与MatchPyramid结构类似，不同的是使用门机制，控制多个卷积层的匹配得分，做分数的聚合，主要有两类scale值的计算：S和M，其中S_i为第i层的的相似度得分，M_i用于计算第i层得分所占的权重，Aggregating Gate包括一个可学习的权重层，然后做softmax归一得到每层得分的权重，最后多层的得分按权重加权求和得到最终匹配得分。
而M的计算方法也比较直觉，对M_0，取相似度矩阵每行的最大值，然后相加得到；
image.png
其中u为query的term个数，m为doc的term个数。
而M_i （i > 0）因为可能有多个卷积后得到的Feature Map，所以对每个Feature Map做与M_0相同的操作，而后按Feature Map的个数取平均，得到最终M_i。
image.png
K为第i层Feature Map的个数。最后每层权重的计算：
image.png
其中alpha为每层的权重，是可训练的参数。
最后，模型的训练以pair对的方式，训练样本为(Q,D+,D−)，目标拉大S (Q,D+)和S (Q,D-)的差距，因此使用了rank loss:
image.png
实验
实验首先用BM25算法对语料库做rank，然后作为模型的训练样本训练模型，对每个query随机选择两条doc作为训练样本，高BM25得分的做正样本，低得分的做负样本。训练好模型后，对BM25的rank结果做rerank，实验证明模型重新排序的结果，优于原来的BM25的rank结果。具体的过程和结果可参考论文中的描述。
参考文献：
Multi-level Abstraction Convolutional Model with Weak Supervision for Information Retrieval
原创文章，转载注明出处。
更多关注公众号：
wechat
网友评论