文本相似度，文本匹配模型归纳(附代码)

本文将会整合近几年来比较热门的一些文本匹配模型，并以QA_corpus为测试基准，分别进行测试，代码均采用tensorflow进行实现，每个模型均会有理论讲解与代码实现。

项目代码与论文讲解都在持续更新中

DSSM详解

https://blog.csdn.net/u012526436/article/details/90212287

ESIM详解

https://blog.csdn.net/u012526436/article/details/90380840

ABCNN详解

https://blog.csdn.net/u012526436/article/details/90179481

BiMPM详解

https://blog.csdn.net/u012526436/article/details/88663975

DIIN详解

https://blog.csdn.net/u012526436/article/details/90710925

DRCN详解

https://blog.csdn.net/u012526436/article/details/90757018

数据集为QA_corpus，训练数据10w条，验证集和测试集均为1w条

其中对应模型文件夹下的args.py文件是超参数

训练： python train.py

测试： python test.py

词向量：不同的模型输入不一样，有的模型的输入只有简单的字向量，有的模型换成了字向量+词向量，甚至还有静态词向量(训练过程中不进行更新)和 动态词向量(训练过程中更新词向量)，所有不同形式的输入均以封装好，调用方法如下

静态词向量，请执行 python word2vec_gensim.py，该版本是采用gensim来训练词向量

动态词向量，请执行 python word2vec.py，该版本是采用tensorflow来训练词向量，训练完成后会保存embedding矩阵、词典和词向量在二维矩阵的相对位置的图片， 如果非win10环境，由于字体的原因图片可能保存失败

测试集结果对比：