2017 · EMNLP · Supervised Learning of Universal Sentence Representations from Natural Language Inference Data
想法来源：从自然语言推理的encoder中得到sentence embedding的表示。
价值：证明了NLI 迁移的可行性
方法：从NLI数据集上面训练的encoder模型，迁移到其他任务。
缺点：
详细方案：
-
基本的NLI模型结构
-c400 -
使用7种主流的encoder方法
-c150 在主流的几个任务中进行测试，其中包括多分类，二分类，相似度评测(Spearman/pearson matric)，caption image retirval.
数据集：
全部都在FB的Github SentEval
实验：
-
实验首先证明了哪个encoder表现较好
-c400 -
证明了NLI数据预训练的可行性
-c 研究了embedding size 的影响
-c500
- 最后比较了在Image Caption retrieval上的结果
image
