作者信息
摘要：
我们研究的是基于内容检索的多轮对话选择模型。目前该领域的研究中，或是连接上下文的句子，或是通过高度抽象化的向量来匹配答案，这毫无疑问会损失句子间的关系信息和上下文信息。我们提出了一种序列匹配网络（SMN）来解决这两个的问题。SMN开始在多个粒度层级上匹配回答，然后通过卷积和池化操作，从每个句子对中提取出表示重要信息的向量。这些向量按照对话时间顺序依次输入RNN，得到匹配分数和RNN的隐藏状态。实证研究表明，SMN在两个公开数据集上的多轮对话选择的结果比state-of-the-art好。
代码| MXNET-SMN
该论文的贡献：
1） 提出了一张基于文本匹配的多轮回答选择模型
2） 公开了一个大规模人工标注的数据集
3） 证实了本文模型在公开数据集上的有效性
