版权声明：本文为博主原创文章，未经博主允许不得转载。禁止抄袭。
由于作者资历尚浅，有理解错误的地方欢迎大家指正和交流。
论文简介
论文题目： Text Matching as Image Recognition
论文地址：http://www.aaai.org/ocs/index.php/AAAI/AAAI16/paper/download/11895/12024
作者：Liang Pang, Shengxian Wan, Xueqi Cheng等
作者单位：中科院计算所（网络数据科学与技术重点实验室）
出版单位：the Association for the Advance of Artificial Intelligence（AAAI）
发表时间：2016.2
模型图
贡献点：
1.受CNN在图像识别中的启发（可以提取到边、角等特征），作者提出先将文本使用相似度计算构造相似度矩阵，然后卷积来提取特征。把文本匹配处理成图像识别。【想法很特别】
2.根据结果显示，在文本方面使用作者提出的方法可以提取n-gram、n-term特征。作者给了一个匹配的例子：
T1 : Down the ages noodles and dumplings were famous Chinese food.
T2 : Down the ages dumplings and noodles were popular in China.
PS：Down the ages是历代以来的意思。
模型可以学习到Down the ages（n-gram特征），noodles and dumplings与dumplings and noodles（打乱顺序的n-term特征）、were
famous Chinese food和were popular in China（相似语义的n-term特征）。
作者基于此模型，在2017.3-2017.6 Kaggle的Quora Question Pairs 比赛上，取得了全球第四的好成绩。（YesOfCourse 团队）【效果很不错】
实验数据：
1.MSRP数据（判断两个短语是否有相同含义，4k训练，1.7k测试）
2.论文引用匹配（Paper Citation Matching）数据，约84w数据（28w正例，56w负例）。作者自己搜集，没有公开？
细节：
1.Ai和Bj距离度量方式：完全一样 (Indicator），余弦相似度 (Cosine)，点乘 (Dot Product)。
2.卷积，RELU**，动态pooling（pooling size等于内容大小除以kernel大小）。
3.卷积核第一层分别算，第二层求和算。可以见下图3*3的kernel分别算，2*4*4求和算。
4.MLP拟合相似度，两层，使用sigmoid**，最后使用softmax，交叉熵损失函数。
5.Embedding长度较小的比较没用，用DOT比COS好。
不足：
1.MSRP上效果不如uRAE。(怎样把外部数据加入)