检索式模型介绍（二）
- 这个系列的文章主要是介绍一些可以作为文本匹配工作的一些模型，有些是比较基础的算法，例如bm25。有些模型是基于深度学习的架构，比如说deepMatch模型。个人认为文本匹配的任务有两种实现方式，一个是学习不同domain中text的represation，然后利用represation计算score，这个的score可以是相似度（cosine，欧式距离等）。当然一般的处理是直接用dot pruduct。 第二种方式是利用sentence中不同词的特征直接计算相似度。这类的方法如deepMatch等。
- 当然，大部分的算法模型，都是从相关的论文里面总结，由于个人水品有限，还是会有一些疏漏，请多多指正。
六 ARC-I模型[1]
6.1 简介
- 模型主要是来自华为发的一篇paper，论文里面提出了两个模型分别为ARC-I和ARC-II。这里主要介绍一下ARC-I模型。首先，ARC-I模型是基于CNN的网络结构。主要的思路是针对q和r分别利用cnn提取特征，学习到对应的向量表示。然后在这两个向量表示基础上，加上一层MLP，最后得到相应的匹配程度得分。算法具体结构图如下所示：
6.2 算法结构
- 首先一个sentence中的每个segment可以表示为一个向量，从而一个sentence可以表示为一个二维矩阵。
- 针对二维矩阵，可以通过卷积进行处理：