利用预训练的句子转换器生成匹配候选项，接着使用优化的双重编码器来生成最佳匹配项以便自动匹配知识图谱和本体论。在多个数据集上进行了验证并展示了可行性和卓越的结果。

Apr, 2022

本文提出了一种用于匹配长文档的 Siamese Multi-depth Transformer-based Hierarchical（SMITH）编码器，来解决长文档匹配的语义匹配问题，该编码器包含多项创新来适应输入文本的长度，其中包括使用速度更快的遮盖句块语言建模任务来更好地捕捉文档内的语义关系，实验结果表明 SMITH 在多个基准数据集的表现优于现有最先进的模型，最大输入文本长度从 512 扩展到 2048。

Apr, 2020

本文提出了一种新的 Transformer 的序列匹配方法，通过在多个层级上学习头部匹配表示来匹配序列对，实验表明，我们的方法在仅依赖于预计算的序列向量表示的多个任务上可以达到新的最优表现。

Jan, 2020

本文探讨了使用基于 transformer 的 Sentence-Bert 模型进行无监督文本匹配的效率，结果表明该模型对于金融领域内外的文本均有很好的鲁棒性。

Oct, 2022

研究长文档匹配的最新进展集中在使用基于 transformer 的模型进行长文档编码和匹配，本文实证演示了相对于 transformer-based 模型，使用简单的神经模型（如前馈网络和 CNN）和简单的嵌入（如 GloVe 和 Paragraph Vector）在文档匹配任务中的更高效性。

Feb, 2023

本文介绍了我们为参加 Kaggle 上的 Wikipedia 图像 - 字幕匹配挑战而设计的系统，该系统使用与图像相关的数据（URL 和视觉数据）来在一个庞大的字幕库中找到正确的字幕。我们提出了两个基于 Transformer 模型的级联模型，能有效地推断查询图像数据与字幕之间的相关度，并通过广泛的实验验证了其在处理大量的图像和字幕时的效果，同时完成一定的验证时间复杂度。在 Kaggle 的私人排名中，我们的方法的标准化折扣累积增益值（nDCG）达到了 0.53。

Jun, 2022

采用先验知识辅助在长文本中进行语义匹配，提出了一种知识增强混合神经网络（KEHNN），该模型通过知识门将先验知识融入单词表示中，并建立了三个匹配通道，最终实现对句子的局部和全局语境进行匹配的高检索性能。

Nov, 2016

本研究提出了一种将文本匹配建模为图像识别问题的方法，即通过构造匹配矩阵并利用卷积神经网络捕捉匹配模式，以此提高匹配准确度，并通过实验证明了该方法的优越性。

Feb, 2016

提出了一种新的端到端神经排序框架 —— RLTM，它可以高效地匹配长文档，并且通过强化学习的方法在成对的样例间最大化正负例间的得分差距，从而显著提高了现有模型的效率和有效性。

Jun, 2019

本文提出了一个结合对比学习和外部知识的短文本匹配模型，使用生成模型构建补全句子，利用对比学习方法获得更加语义化的编码，使用关键词与知识库相结合构建知识图谱，通过的实验证明了该模型在两个中文文本匹配数据集上达到了最佳表现。

Apr, 2023