前言

语义匹配是NLP领域的基础任务之一，直接目标就是判断两句话是否表达了相同或相似意思。其模型框架十分简洁，通常包含文本表示和匹配策略两个模块，因而很容易扩展到相关应用场景，如搜索、推荐、QA系统等。此类模型通常依赖数据驱动，即模型的效果需要高质量的数据作为基础，而在医疗领域，文本数据的质量不光依赖语法，还要求相对严谨的实体描述，因而对数据的要求更为严格，也为模型训练调整增添了困难。
联系到丁香园团队的在线问诊、病症查询、医疗推荐等业务场景，我们希望能构建更高质量的语义表征模型，一方面对于文本中的疾病症状等实体词足够敏感，另一方面能够捕获长距离的组合信息。通过在语义匹配任务上的尝试，积累语义模型的特点，从而在各个具体应用场景下，针对性地构建模型结构。本文介绍了丁香园大数据团队在医疗文本数据上，对语义匹配这一基础任务的实践。首先简单介绍早期的文本特征表示方法，然后列举几种Representation-Based和Interaction-Based的模型，最后介绍实践中的一些细节。

传统文本表示

经典的匹配模型普遍采用某种基于bow的统计文本表示，例如tf-idf和bm25，这类方法普遍存在两个问题，一是维数太高，二是丢失了context的特征。2013年的Word2Vec的出现改变了文本表示的方式，利用文本的context token训练每个token的低维度向量表示，使向量本身包含语义信息，此后成为文本类任务的主流预训练手段。

在对比传统方式和word2vec的效果后，丁香园也逐渐用词向量作为各个业务场景中的文本表示，并在此基础上，不断挖掘更深层的文本表示学习，语义匹配模型则是重要的探索方向。

模型介绍

常见的语义匹配模型有两种设计的思路：基于表示(Representation-Based)和基于交互(Interaction-Based)

Representation-Based Model

基于表示的模型很直接，就是用一个Encoder模块提取本文的特征信息，以可计算的数值向量输出，最后一层计算两个向量的匹配程度，可接一层MLP，也可直接算余弦相似。很明显这类模型的关键是中间Encoder模块的设计，目标是设计强大的特征提取器，在Encoder部分获得文本的语义表示。

Interaction-Based Model

基于交互的模型认为，只用孤立的Encoder模块是不够的，而两个文本交互匹配本身就会产生有关匹配程度的信息，利用好这个信息可以提升模型的匹配能力。基于这个设想，再加上attention机制的流行，语义模型就开始变得复杂了。下面将列举几个有代表性的网络结构。

DSSM

DSSM是非常经典的语义模型，是标准的Representation-Based的结构模版，模型本身效果很好，且极易修改或扩展，因而广泛应用在相关业务场景中。Encoder部分，DSSM采用了MLP，在此基础上的扩展通常也是将MLP换成CNN或RNN结构，顶层直接计算cos，各部分都相对容易实现。不过，原文选用了BOW模型作为文本的表示方式，虽然也加入了trigrams等策略，但仍不可避免会失去词的context信息。此外，原文采用了point-wise的loss，我们团队在搜索精排序阶段尝试改进了DSSM，用RNN替换了MLP，并采用triplet loss训练模型，并与多种Encoder+point-wise-loss对比，结构显示了triplet loss在排序任务上有更大的优势。

SiameseRNN

孪生网络(Siamese network)是一类网络结构，其特点是Encoder共享权重。Encoder可根据需要替换。这里以RNN为例，是因为RNN结构的特性。DSSM结尾处提到了词的context信息，虽然词向量是利用context训练得到，但文本序列的词序信息仍需要Encoder捕捉，而RNN类结构本身就具有捕捉序列信息的能力，因此在语义匹配任务中，RNN常常会比CNN有更好的效果。这也是很多文本任务的模型会在Embedding层上加Bi-RNN的原因。
不过RNN类模型训练耗时长，并行困难，这对科研调试和产业应用都不友好，特别对于应用落地，时间开销太大，再好的模型也没法上线。当然关于RNN并行也有很多相关研究，SRU和Sliced RNN应该是两种代表性的改进方式，不过仍然难以比拟天生就适合并行的CNN和Transformer。

TextCNN

上面提到了RNN具备提取词序信息的能力，其实就是说每个词和其前后的内容并不独立出现，但CNN是一个个窗口，窗口间的计算并不关联，如何用CNN抽取词序信息呢？本文是Kim在2014年发表的，代表性的CNN做文本特征提取的工作。原文模型用于句子分类任务，基本思路就是，让一个窗口的大小刚好装下k个词，对这种窗口的卷积操作就相当于抽取了k个词共同表达的信息，也起到了抽取词序信息的作用。不过这种CNN结构存在两个明显的问题，一是k的取值通常很小，意味着文中采用的单层CNN无法提取长序列的信息；二是文中的CNN包含max pooling操作，对于k个词对应的向量，池化操作只保留一个最大的值，这势必会丢掉一些信息，因此目前也有许多针对性的CNN改进策略，下一节将介绍CNN的改进以及与RNN，Transformer的对比。

Transformer

Transformer的出现应该是NLP界的大新闻，除了在机器翻译任务上超越了Seq2seq外，霸气的文章标题也令人记忆犹新。正如该题目所述，Transformer给了人们CNN和RNN外的其他选择。这里针对语义匹配，我们只关注其中的Encoder部分。全文的重点是self-attention，通过这种attention计算，让文本序列中的每个词都和序列本身建立联系，计算过程非常简单。其中Q，K，V都是文本序列本身，分母上的sqrt(dk)作用是缓解Q和K的dot计算出现过大的值。不难想象，分子上的dot(Q,K)操作计算了序列中每个词与其他词之间的相似度，softmax对这一结果做归一化，得到的就是序列对自身的权重。此外，文中提到了多次计算self-attention对特征提取是有帮助的，因此Encoder采用了Multi-Head Attention机制，多个self-attention独立的计算，原文采用了base和big两种结构，分别对应12和24个self-attention块，更宽更深的模型在文中的实验里取得了更好的效果，并且，由于self-attention本身计算不慢，又相互独立，这使得Multi-Head机制很容易并行操作。
当然，整个Encoder不光包含Multi-Head Attention，Transformer如此有效，或许跟Block结构本身也有很大关系，完全可以尝试将Multi-Head Attention替换成CNN或RNN结构，针对不同应用场景很可能会有奇效。

ESIM

上述的结构都是完全关注Encoder的Representation-Based Model，而事实上Interaction-Based Model早已成为此类任务的主流设计思路。一方面对比融合不同输入的信息符合人们的常识，另一方面诸如attention等融合机制所提供的改进的确在很多任务中表现出色。下面将介绍两个在文本分类，文本匹配等比赛中频频夺魁的模型，首先是ESIM。
该模型专门为自然语言推理而设计，结构上并不复杂，重点是在两层Bi-LSTM间加入了interaction计算，文中称作 local inference modeling ，其实就是利用了 soft attention 计算两个文本的匹配矩阵，可以认为这个矩阵中包含了两个文本的交互信息。之后这个矩阵和两个Embedding后的输入文本做差和点基，再做concat，就得到增强后的文本特征向量。
当然，本文还有其他创新点，例如在句法分析类问题上可以用Tree-LSTM替换Bi-LSTM，不过这里重点关注提取interaction信息的结构设计。类似 soft attention 的结构已经是众多Interaction-Based Model的标配，计算量不大，实现简单，对模型的效果提升也很客观，是个性价比很高的trick。相比之下，两个Bi-LSTM层的计算耗时要显著的长。

BiMPM

BiMPM是和ESIM类似的Interaction-Based Model，interaction计算上下均有一层Bi-LSTM，不过作者在interaction计算上花了很多心思，并非简单采用 soft attention ，而是同时用4种匹配策略。此模型在quora question pairs数据集上测试accuracy达到88，比当时最好的[L.D.C.]模型高3个点，比Siamese-LSTM高6个点。在类似文本匹配的比赛中，BiMPM和ESIM的表现也非常突出，也能一定程度上说明不同的interaction计算策略对匹配效果有不小的帮助。
不过，这两个模型都有一个明显的缺点————慢，而小数据集又无法发挥它们的效果，所以训练调参的过程会很耗时。像是quora question pairs数据集提供了40W对训练样本，不平衡程度也不大(正负比 3:5)，这时两个模型效果都不错，这也印证了数据驱动的重要性。

实践体会

TextCNN的局限和改进

上节提到，TextCNN通过调整卷积窗口来提取序列context信息，但是卷积窗口一次毕竟只能提取k个词的组合信息，这样仍然无法处理长序列。为了在长序列问题上比肩RNN，一个直接的应对方式就是堆叠层数，也是目前相对主流的方法，反正CNN计算比RNN快得多，多加几层也没什么问题。
话虽如此，但直接堆叠TextCNN的效果并不理想，业界也衍生出了不少对TextCNN结构的改进，这里笔者将介绍Facebook AI Research提出的ConvS2S结构。本文对应着Transformer，二者都是Seq2seq结构的改进，因此ConvS2S的Encoder完全可以用于文本匹配等任务。就Encoder模块而言，ConvS2S为了有效堆叠CNN做出了两处改进，GLU(Gated Linear Units)和残差连接(Residual Connections)，使用glu作为非线性运算可以优化梯度传播，后者residual结构则为了保留了输入序列的信息。这样的修改可以帮助增加卷积层的深度，一定程度上提升CNN在序列任务上的特征提取能力，同时相比于RNN类模型，模型耗时和并行能力的优势依旧存在。笔者尝试用ConvS2S替换TextCNN，叠加5层后模型效果有明显提升，仅从Encoder模块对比，可以与LSTM效果持平，当然这样的对比无法证明CNN可以通过叠加取代RNN，毕竟实验结果与本文数据的关系更大，不过至少说明CNN仍然有改进的潜力。

Positional Embedding

CNN除了面对长序列乏力外，还存在一个问题，就是编码序列时会丢掉position信息。由于RNN是按时序处理序列的，所以序列的位置信息自然会被编码进状态变量中，但CNN做不到，尤其是卷积过后用pooling操作降维会损失的更严重，相同的问题transformer中也存在，看self-attention的公式很容易理解，每个词的地位是完全相同的，计算出的权重只和当前参与计算的两个词有关。因此，在ConvS2S和Transformer的文章中都提出了额外补充位置信息的策略，被称作 position embedding 。
ConvS2S提出的编码策略很简单，就是加一个类似词向量的位置向量参与训练，在模型训练过程中把位置向量也学出来；transformer则提出一种傅立叶变换生成词的位置编码，作者表示这种计算得到的结果与训练出的位置向量基本一致，但生成过程是一个确定的公式，不必训练生成。
对于这两种 position embedding 方法，笔者的实践结果并不好。学习位置向量相当于加了一层网络，完全寄希望与网络学习能力，可能在数据量充足的情况下会有效果(BERT也用了这种学习策略)，但小数据集的条件下想要学习出这组参数其实难度很大。至于Transformer配合使用的生成公式，也有不少人从信号系统角度出发给出相应解释，不过笔者认为说服力并不足够，这种生成方式本身是不是合理，以及是否与语言语法相关都值得商榷，不过好在计算很快，训练时加一组对比实验开销也不大。
总而言之，笔者认为，序列数据中存在位置信息这个设想是有道理的，对于非RNN类的提取器，如何更好的抽取这类信息，也是值得关注的方向，这里link一篇包含相关工作的(https://arxiv.org/pdf/1803.02155.pdf)供大家学习参考。

Encoder组合

其实对于语义匹配这个任务，不同领域的数据源，不同的任务需求才是影响模型的关键因素，寄希望于sota得到的结果往往令人失望，原因也很好理解，大部分sota的成果都是针对一两个数据集做优化，其目的也是验证某些结构或trick的可行性，并不意味着sota等价于万能。因此在尝试过包括LDC，ESIM，BiMPM在内的十余种模型后，我们专门尝试了简单的编码器以及编码器组合的对比实验。
首先是用Representation-Based的结构，对比CNN，RNN，Transformer的效果。实验结果仍然是RNN最好，CNN用了ConvS2S的Encoder并堆叠层数后可以逼近RNN的结果，Transformer的效果则不理想。笔者认为，CNN虽然可以靠层数增强长序列捕捉能力，但毕竟增强有限，这篇文章(https://arxiv.org/pdf/1808.08946v1.pdf)中对三种编码器的长序列特征捕捉能力做了比较，实验结果说明了CNN在此方面仍然有所不足。不过该文章中Transformer的能力应该是强于RNN的，这与笔者的实验结果不符，其原因在于笔者这里实验所用的数据量不足，以及Transformer的模型不够"重"。其实Transformer的强力早已在OpenAI-GPT一文中被展现，去年10月的BERT更是再次证明这一模型的强大，只是由于header的数量会极大影响Transformer的性能，所以在小数据集上单纯靠Transformer可能会让人失望。
对比这三类编码器后，我们也尝试了组合RNN和CNN，或在Encoder间加入attention提升模型，根据组合实验，我们认为Embedding层后首先用RNN的效果通常比较好，在RNN之上加CNN是有帮助的，不过用attention计算匹配矩阵的提升似乎更大。这里的组合方式都是最简单的拼接，或是向量线性运算，实现很容易，并且在数据集不大的条件下，结果也能逼近甚至超越ESIM，BiMPM这种强力模型。

BERT

最后介绍一下BERT，相信入坑超过半年的NLPer一定都知道BERT的威名，2018年10月一经问世立刻刷新了各个榜单，现如今搭载BERT的模型已经成为了榜单上的标配。网上关于模型本身的解读非常多，因此这里重点介绍下在小数据集上的语义匹配的实验过程。模型本身的结构非常简单，就是秉承深度模型理念的，做深做宽的巨型Transformer，即便是Base版，原始的模型尺寸也是显存无法接受的存在，笔者尝试过精简模型参数后自己做模型预训练，效果比直接用官方完成预训练的中文模型差很多，所以如果不是既有海量语料又有足够资源，还是不建议自己预训练的。看模型结构在文中的占比就能感受到，巨型Transformer甚至都不是文章的重点，全文最着重描述的其实是BERT的pre-training思路，下面将尽量详细的介绍两个任务的训练过程。
预训练有两个任务:第一个是预测句子中的词，也就是训练文中的 MLM(Masked LM) ，如上图所示，模型的输入包含3种embedding，token，segment和position，其中的token和position好理解，与ConvS2S中的word embedding + position embedding是一回事，segment是和token中的[SEP]是为第二个任务服务的，我们稍后在介绍。首先为什么要用双向Transformer训练MLM呢，作者的解释大概可以总结成"为了训练足够深的双向模型"，这里对比的就是OpenAI-GPT的单向模型以及ELMo的两个单向的concat。那训练MLM到底是如何做呢，说白了就是随机的遮挡住句子中的某些词(用[MASK]替换)，让模型去预测这些词，不过作者也提到了，fine-tuning时文本中是没有[MASK]的，这和预训练时模型遇到的输入不同，为了缓解这种差异带来的影响，作者仅取15%的token，且以0.8的概率遮挡，0.1的概率保持不变，0.1的概率随便换一个词，原文提到，模型不知道那个词是被mask的还是被replace的，所以能force to学习每个输入的context信息，并且由于被replace的词仅有1.5%，因此不会降低模型的效果。
第二个任务是预测下一个句子，先解释segment是和token中的[SEP]，BERT中每行input都是由两句话拼成的，两句话间用[SEP]分割，第一句开头是[CLS]，第二句结尾是[SEP]，segment就是input每个位置属于第一句还是第二句，第一句的位置index都是0，第二句都是1。源码中，两个句子分别对应变量token_a和token_b，其中token_b的构造也有trick，每句都以50%的概率替换成随机某一篇文档中的随机某句话。这个任务其实是为了让模型学习到句间关系，文中的实验结果对比显示了此任务对模型的提升(在QNLI数据集上accuracy提高4个点)
以上就是两个关键的预训练的设计，完成后，BERT提供了一个输出层，针对不同任务，只需要对该层稍作修改即可，可以参考文中给出的结构图。这里不得不说，BERT不仅效果好，源码也很友好，想迁移到自己的任务上，只需要实现对应的数据处理类，调整模型输出层即可，即便是想在bert后接自己的模型，也只需要取到transformer最后一层作为自己模型的输入。这里需要注意，对于中文任务，官方的预训练是在字向量基础上做的，字典也必须用官方提供的，需要按词分的话就不得不重新预训练了，不过修改成分词的数据生成代码也只需要简单做几行改动，不过通常字典的size只是万级(BERT中文语料来自维基百科，字典大小21128)，而常用的语料中词典的大小至少有几十倍大，恐怕BERT这种预训练方式也难以收敛。

从ELMo到BERT，语言理解模型可能是2018年NLP领域最耀眼的成果。2013年的Word2Vec之于NLP可谓功勋卓著，它本身就有预训练的思路，但word embedding层面的trick还不够满足任务需求，并且一直以来NLP领域的模型总是做不深，即便是ELMo尝试堆叠Bi-LSTM，也只有3层，而且3层的时间开销已经让大部分团队难以接受，直到Transformer被OpenAI-GPT验证了有堆叠提升的潜力，紧接着BERT再次证明了Transformer的能力，同时也证明了深度模型的潜能。从工程角度出发，NLP的标注数据通常不易得，而这种利用大规模无标注数据做预训练的方法无疑大大降低成本，小团队或个人也有机会利用少量数据和计算资源fine-tuning出满足需求的模型。

总结

作为nlp领域的基础任务，语义匹配模型可以根据应用场景灵活调整，但核心都是挖掘文本序列特征的表示学习。为此，我们希望能把握不同结构中细节的作用，以便在不同任务场景中移植。同时，丁香园也在逐渐适应深度学习模型应用落地，在搜索的精排序阶段，大数据团队尝试接入改进后的LSTM-DSSM，利用Bi-LSTM的长序列捕捉能力，并采用triplet-loss训练模型，同时在召回阶段，我们也在探索改进CNN和Transformer以提高召回质量。此外，BERT源码易读，fine-tuning成本低，模型迁移性好，我们目前的实践结果也证明其在业务中的潜力，因此，我们未来也会跟进BERT工程化的工作。

另一方面，这次BERT的成功很大程度上是依靠新颖的预训练策略，以及对无标注语料的探索，近期OpenAI-GPT2.0的成功似乎也证明了高质量数据驱动的能量巨大。然而对于医疗场景而言，准确性和严谨性是重中之重，依靠数据驱动是远远不够的，这更需要基于图谱的知识表示和推理的复杂技术，结合数据驱动和专业信息来共同实现知识表示和语言理解，从而提供安全准确的医疗智能服务。

本文原创首发于【丁香园自然语言处理】，团队专注于互联网医疗领域的自然语言处理，利用NLP（自然语言处理）、Knowledge Graph（知识图谱）、Deep Learning（深度学习）等技术，处理丁香园海量医学文本数据，打通电商、在线问诊、健康知识、社区讨论等各个场景数据，构建医学知识图谱，搭建通用NLP服务。团队会总结整理近期阅读的NLP相关论文并应用于实际的业务场景中，提供满满的干货！关注公众号【丁香园大数据】了解更多，每月月初，干货满满，不见不散～