本文提出了一个多任务句子编码模型 (MSEM) 用于 Paraphrase Identification（PI）问题。我们使用连接图表示句子之间的关系，并应用多任务学习模型来解决句子匹配和意图分类问题。此外，我们实现了一个通用的语义检索框架，结合了我们提出的模型和近似最近邻（ANN）技术，可以在在线服务中快速地找到最相似的问题。实验结果表明，我们提出的方法与现有的句子匹配模型相比具有优越性。

Nov, 2019

本文提出了一种基于 DenseNet 的密集连接共同注意递归神经网络来处理句子匹配问题，并在竞争激烈的基准数据集上验证了其在注意特征和重要信息方面的优势，实现了最先进的性能水平。

May, 2018

本文分析了几种神经网络设计（及其变体），对八个数据集进行了广泛的比较，包括释义识别、语义文本相似性、自然语言推断和问题回答等任务。我们提供了一个系统的研究，表明编码上下文信息的 LSTM 和句间交互至关重要，而 Tree-LSTM 并不能像先前宣传的那样有所帮助，但却出人意料地提高了 Twitter 数据集的性能；增强顺序推理模型是迄今为止较大数据集的最佳选择，而基于词对交互的模型在较少数据可用时实现最佳性能。我们将我们的实现作为开源工具包发布。

Jun, 2018

提出一种基于自动编码器匹配的模型，用于学习对话生成任务中输入和输出的语义依赖关系，实现生成有逻辑性、流畅性的回复。

Aug, 2018

本文提出了一种深度学习的体系结构，用于基于轮询槽位的语音问答系统中的语义解码器组件，该语义解码器利用分布式语义表示学习来克服显式去词汇化的限制，通过使用卷积神经网络和长短时记忆网络对句子和上下文表示进行建模，并基于 DSTC2 和 In-car 数据集，对模型进行了实验验证。

Oct, 2016

该研究提出了一种基于深度神经网络的 DRMM 模型，旨在解决 ad-hoc retrieval task 中的 relevance matching 问题，经过在 benchmark collections 上的实验，结果表明该模型明显优于一些知名的检索模型和当前最先进的深度匹配模型。

Nov, 2017

本文介绍了一种双向长短时记忆网络（Bi-LSTM）生成的多重位置句子表示来匹配两个句子的新型深度体系结构。 实验证明，该模型具有丰富的整个句子上下文信息和灵活性，可以捕捉句子中不同的重要局部信息来支持匹配。

Nov, 2015

本研究提出了一种使用深度学习与多任务学习框架，包含图卷积神经网络的新模型，用于识别非结构化文本中术语和对应定义的定位，旨在使分类任务和序列标注任务相互促进，提高表示向量的质量以及识别效率。

Nov, 2019

本研究提出了一种新的深度匹配树（DeepMatch_tree）的方法，并使用依赖树空间和神经网络来匹配短文本，在包括社交媒体在内的各种应用场景中，DeepMatch_tree 都展现出了较好的性能。

Mar, 2015

应用深度学习框架从文本特征中提取有意义的表示，研究了语义同步在人际交流和人机交互中的评估及其与声学特征之间的关联性。

Dec, 2023