- KDD语义产品搜索
通过训练深度学习模型，使用顾客行为数据，我们开发了一种新的损失函数，并结合 n-gram 和平均池化来捕捉短程语言模式，并使用哈希来处理词汇表外的标记，从而解决语意匹配在产品搜索中的挑战。在离线测试和在线 A/B 测试中，均表现出比基线语意 - 联合弱监督学习语义匹配和物体共分割：展示、匹配和分割
我们提出了一种联合匹配和分割图像集合中同一类别的对象实例的方法，这种方法利用了两个任务的互补性，通过从语义匹配得到的估计密集对应场来提供对象共分割的监督，并且从对象共分割得到的预测对象掩码来改善语义匹配的性能，我们的算法在五个基准数据集上表 - CNM: 一个可解释的用于匹配的复数值网络
本文探讨使用量子物理的数学框架对人类语言进行建模，并通过复杂网络实现语义匹配以及在问题回答数据集上取得与强基线模型相当的性能。
- ECCV半监督语义匹配
本文提出了一种半监督学习框架，为无标签图像对增加循环一致性限制，在监督丢失和无监督训练中实现了最先进的语义匹配性能。
- AAAI使用神经语义匹配网络结合事实提取与验证
该论文提出了一个连接的系统，包括三个同构神经语义匹配模型，用于联合进行文献检索、句子选择和索证，以进行事实提取和验证。实验结果表明，该神经语义匹配方法在所有证据检索指标上都显著超越了常见的 TF-IDF 和编码器模型，并通过提供内部语义关联 - SIGIR广告检索中多样化关联模式建模
本文提出了一种数据驱动的方法，使用分层神经匹配模型（HiNT）来建立不同粒度的相关信号，以便在广泛的语义匹配中自适应的估计查询和文档之间的相关性。研究结果表明，我们的 HiNT 模型在基准自适应检索数据集上优于现有最先进的检索模型。
- CVPR通过概率内省进行几何稳定特征的自监督学习
本文介绍了自监督学习在减少人工标注数据用于训练深度神经网络方面的应用，并指出了该方法对于几何定向任务，如语义匹配和部件检测的可扩展性，同时展示了自监督预训练网络在学习语义对象部件方面相较于其它预训练选项所需较少的监督，并且这种预训练对于语义 - 基于注意力自编码器的无监督问题检索模型
本文提出一种新的无监督框架 RAMN 用于计算两个问题之间的语义匹配，并利用注意力自编码器生成问题的语义表示。该方法在 SemEval-2016 和 SemEval-2017 的实验数据集中比有监督方法更具竞争力并取得了更好的性能。
- 基于二进制语义描述符的 2D 地图图像定位自动化
本文提出了一种新的基于图像的城市定位方法，使用图像与 2D 地图之间的语义匹配来表示语义特征，其中的二进制描述符能够更好地适应可变成像条件，而 CNN 分类器则用来检测图像的特征并与地图数据库中的信息进行匹配，这种方法相对于传统的图像数据库 - WWW自然语言句子的层次化句子分解匹配
本研究提出了分层句子分解技术，可以将句子因素分解成分层表示。该技术还引入了一种新的无监督距离度量和基于分层句子结构的多尺度深度学习模型。实验结果表明，该技术可以明显提高现有的无监督距离度量和多个受监督深度学习模型的性能。
- WWW利用语义相似性进行 Ad Hoc 表格检索
地址 “临时表检索” 的问题，提出了一种通过语义匹配查询和表格的方法，通过在多个语义空间中表示查询和表格，并采用各种相似性度量将这些特征用于监督式学习模型中，针对维基百科表格集合进行了实验，并取得了显著和实质性的改进。
- 基于注意力的神经匹配模型 aNMM：短答案文本排序
本文提出了基于注意力机制的神经匹配模型，采用基于价值共享的加权方案，结合问题关键词重要性学习，使用 popular benchmark TREC QA 数据集验证其在短答案文本排名方面的性能优越性。
- 神经向量空间用于无监督信息检索
该研究介绍了一种名为神经向量空间模型（NVSM）的文档表示学习方法，其在新闻文章检索方面表现出很好的效果，该模型使用梯度下降从头开始学习单词和文档的低维表示，同时还能够在语义匹配和词汇匹配上表现良好。
- 基于内容的 Web 查询表格检索
本研究旨在解决自然语言处理中未结构化文本与半结构化表之间的关系问题，通过提出基于内容的表的检索方法，应用精心设计的特征和神经网络结构实现查找中最相关表格的目标，并发布了一个包含 21,113 个网络查询和 273,816 个表格的开放领域数 - AnchorNet: 一个弱监督的网络，用于学习对几何敏感的特征进行语义匹配
本文提出了一种深度网络 AnchorNet，它通过一组过滤器产生了对物体结构的信息，从而在语义匹配方面取得了令人满意的结果，尤其在不同实例和不同物体类别之间的匹配方面。
- 知识增强的文本匹配混合神经网络
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。
- NIPS通用对应网络
本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工 - IJCAIMatch-SRNN：使用空间 RNN 建模递归匹配结构
本文利用深度学习的方法，提出了一种名为 Match-SRNN 的神经网络结构，用于解决语义匹配问题，该方法将两个文本之间的全局互动生成视为递归过程，并通过构建张量和使用空间递归神经网络来模拟匹配结构，实验结果表明该模型在两个语义匹配任务中表 - COLING通过词汇分解和组合学习句子相似度
本文提出了一个基于词汇语义分解和组合、双通道 CNN 模型的方法，不仅考虑输入两个句子的相似部分，同时也利用它们的不相似部分，从而可以更准确地比较句子相似度。实验表明，该模型在答案句子选择任务上取得了最好的表现，并在释义识别任务上取得可比较 - 卷积神经网络架构匹配自然语言句子
本篇研究提出了一种卷积神经网络模型来匹配两个句子，并应用于不同语言和不同性质的匹配任务中，实验证明该模型表现出了良好的性能和比竞争模型更优的结果。