期刊文献+

结合自监督学习的多任务文本语义匹配方法 被引量:4

Multi-task Semantic Matching with Self-supervised Learning
下载PDF
导出
摘要 基于文本交互信息对文本语义匹配模型的重要性,提出一种结合序列生成任务的自监督学习方法。该方法利用自监督模型提取的文本数据对的交互信息,以特征增强的方式辅助基于神经网络的语义匹配模型,构建多任务的文本匹配模型。9个模型的实验结果表明,加入自监督学习模块后,原始模型的效果都有不同程度的提升,表明所提方法可以有效地改进深度文本语义匹配模型。 In semantic matching,the interaction information between pairs of texts is critical in predicting a matching score for the pairs.This paper proposes a multi-task learning framework with self-supervised learning for deep learning semantic matching problem.Specifically,a self-supervised model is designed for the paired sentences to regenerate each other with sequence-to-sequence generation method.Then a multi-task learning framework integrates the representation from the self-supervised generation with that of the deep matching model to predict the similarity score of the texts.Experimentations with 9 deep matching models prove that the proposed framework can improve the performances of the traditional deep matching models.
作者 陈源 丘心颖 CHEN Yuan;QIU Xinying(School of Information Science and Technology,Guangdong University of Foreign Studies,Guangzhou 510006;Guangzhou Key Laboratory of Multilingual Intelligent Processing,Guangdong University of Foreign Studies,Guangzhou 510006)
出处 《北京大学学报(自然科学版)》 EI CAS CSCD 北大核心 2022年第1期83-90,共8页 Acta Scientiarum Naturalium Universitatis Pekinensis
基金 国家社会科学基金(17BGL068) 广东省自然科学基金(2018A030313777)资助。
关键词 自监督学习 文本语义匹配 多任务学习 self-supervised learning semantic matching multi-task learning
  • 相关文献

参考文献1

二级参考文献28

共引文献76

同被引文献33

引证文献4

二级引证文献3

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部