本篇论文是2015年的IBM watson团队的。
论文地址：
这是一篇关于QA问题的一篇论文：
相关论文讲解1、https://www.jianshu.com/p/48024e9f7bb22、http://www.52nlp.cn/qa%E9%97%AE%E7%AD%94%E7%B3%BB%E7%BB%9F%E4%B8%AD%E7%9A%84%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E5%AE%9E%E7%8E%B0 文章代码：https://github.com/white127/insuranceQA-cnn-lstm
看完第一篇的总结：
（1）写论文的过程中：
- 摘要部分主要分为三点：
（1）将深度学习框架应用到了QA问题上
（2）构建并发布了一个新的QA语料并在保险领域引入了一个新的任务
（3）实验证明在测试集上top-1的准确率达到了65.3%
- Introduction：
（1）背景（首先介绍主题是什么，自己实验的定义）：介绍了目前的主流的人工对话系统，引出主要任务是进行答案选择和匹配。并定义自己实验的QA：给定问题q和一个答案候选池{a1....as},从中找出最佳答案ak（1<=k<=s）,如果ak在q的正确答案集中（q不止一个正确答案），则认为正确，否则认为错误。可以看做一个2分类问题。匹配度最高的为最佳匹配答案。
（2） 本论文工作的初步介绍
答案候选池的构建：可以通过搜索引擎（Google或者信息检索软件Apache Lucence）
介绍本文构建的语料库（来源、规模）：所有的问题和答案对都来自保险领域，并在发布的语料库1上创建了开放任务，研究人员都可以使用。其次语料库分为训练集、开发集、test1和test2.在表一中给出了数据估计。并说明是第一次发布的保险领域QA任务。
答案池的构建过程：为语料中的开发集、test1和test2中的每个问题都制定一个答案候选池。语料*有24981个唯一答案。如果使用整个答案集作为候选池，每个问题都要和答案集里的所有答案进行比较，比较耗时。故将答案池大小设为500，将真正的答案放入答案池中，再从答案空间中随机抽取错区答案（就是负采样），直至达到500。
（3）论文结构
- Model Description：论文的主体结构（基线系统，剩下的就是自己所要用的系统，损失函数，所有涉及到的模型结构以及图形）
所有不同学习框架的主要思想是相同的：学习给定问题和其候选答案的向量表示，并使用相似性指标去衡量他的匹配程度。
两个基线系统：bag-of-words 和IR中主流的WD（权重依赖）模型。
基于CNN的系统：采用CNN三大优点稀疏交互（过程中的输入输出非全连接）、参数共享（卷积核参数共享）和等变表示（池化）。
训练和损失函数：训练过程最小化ranking loss。具体做法是： 训练模型时每个样本包括问题Q，正确回答A+和错误回答A-。分别计算余弦距离cos（Q，A+）与cos（Q，A-）。当满足cos（Q，A+）- cos（Q，A-） < m 时，m为一阈值，说明模型不能够将A+ 答案排在足够靠前，那么进行权重更新。如果cos（Q，A+）- cos（Q，A-） >= m，不需要更新模型，更换A-回答，直到cos（Q，A+）- cos（Q，A-） < m。
为了减少运算时间，需要设置最大重选A-次数，论文中设置为50。
模型结构设置：共6种模型 结构1为Q和A分别训练自己的隐藏层、CNN层、Pooling层和最后的非线性映射，这里的激活函数选择是tanh。结构2为在隐层和CNN层时Q和A共同训练，之后再分别进行pooling、非线性映射。结构3是在结构2的基础上，最后又分别加入了一层隐藏层。结构4则是将最后一层的隐层变为二者共同层。结构5则为在结构2的CNN后面又加入了一层CNN层。结构6为在5的基础上，两层CNN的输出共同作为后面pooling层的输入
从实验结果表Table2中可以看出：结构1将问题和答案分别进行学习表示，效果比较差，并且还会同时学习双倍的参数，时间长效率低速度慢。结构2可以看出随着CNN卷积核数量的增多，效果越来越好，当达到卷积核数量为4000时，效果最佳。此外对结构2采用skip-bigram（结构2中在进行CNN卷积时，作者还使用skip-gram的方式，即当前词并不与相邻词作为整体与卷积核进行卷积，而是与再下一个词，把中间的一个词跳过，所以被称为skip-gram。）。结构3和结构4在增加隐含层后结果没提升反而降低，表明在经过卷积之后就已经学到足够的信息，没有必要再增加隐含层。结构5和6说明增加卷积层还是可以进一步提高结果的。
- EXPERIMENTAL SETUP：通过设置不同参数，找到最佳结果；之后通过不同的相似的计算方式来进行效果比对，书写实验结果
采用word2vec进行词向量的训练，采用随机梯度下降SGD的优化方法和 l2规范式（权重0.0001，学习率0.01，判断阈值0.009），对一些超参数进行设置实验，并提出了两种新的相似度度量指标AESD和GESD
- RESULTS AND DISCUSSIONS： （积累一些经验，结论）
自己的框架要比Baseline好；
Q和A放入统一的神经网络时效果要比分别各自的神经网络要好；
CNN已经获取了足够的特征，不再需要再在之后增加其他隐层；
增加CNN层数可以获取更多的特征；
增加CNN卷积核的数量可以获得更多特征；
Layer-wise supervision可以缓解神经网络的高效学习的难题(即结构6的处理方法)；
skip-gram的方式在某些数据集上有些提升；
选择有效的计算相似度的方式会使得结果有所提升；
- Related work：其实即为该研究的一些其他人的工作，深度学习CNN的应用，即为国内外研究现状。
- CONCLUSIONS：在该部分上，其实所有做的工作取得成果在第一部分已经介绍了大部分，也就意味着和第一部分差不多
Some Thoughts：（1）QA方面论文的第一篇，时间也是2015年的论文，所提出的神经网络结构也较为简单，也没有加入RNN的部分，没有去刻画自然语言的序列特征，包括激活函数也是tanh。(自己弄一个模型，加上这个部分)
要把深度学习运用到聊天机器人中，关键在于以下几点：
1. 对几种神经网络结构的选择、组合、优化
2. 因为是有关自然语言处理，所以少不了能让机器识别的词向量
3. 当涉及到相似或匹配关系时要考虑相似度计算，典型的方法是cos距离
4. 如果需求涉及到文本序列的全局信息就用CNN或LSTM
5. 当精度不高时可以加层
6. 当计算量过大时别忘了参数共享和池化
（2）参考别的文章：
- 字向量不是固定的，在训练中会更新。
- Dropout的使用对最高的准确率没有很大的影响，但是使用了Dropout的结果更稳定，准确率的波动会更小，所以建议还是要使用Dropout的。不过Dropout也不易过度使用，比如Dropout的keep_prob概率如果设置到0.25，则模型收敛得更慢，训练时间长很多，效果也有可能会更差，设置会差很多。我这版代码使用的keep_prob为0.5，同时保证准确率和训练时间。另外，Dropout只应用到了max-pooling的结果上，其他地方没有再使用了，过多的使用反而不好。
- 如何生成训练集。每个训练case需要一个问题+一个正向答案+一个负向答案，很明显问题和正向答案都是有的，负向答案的生成方法就是随机采样，这样就不需要涉及任何人工标注工作了，可以很方便的应用到大数据集上。
- HL层的效果不明显，有很微量的提升。如果HL层的大小是200，字向量是100，则HL层相当于将字向量再放大一倍，这个感觉没有多少信息可利用的，还不如直接将字向量设置成200，还省去了HL这一层的变换。
- margin的值一般都设置得比较小。这里用的是0.05
- 如果将Cosine_similarity这一层换成分类或者回归，印象中效果是不如Cosine_similarity的（具体数据忘了）
- num_filters越大并不是效果越好，基本到了一定程度就很难提升了，反而会降低训练速度。
- 同时也写了tensorflow版本代码，对比theano的，效果差不多。
- Adam和SGD两种训练方法比较，Adam训练速度貌似会更快一些，效果基本也持平吧，没有太细节的对比。不过同样的网络+SGD，theano好像训练要更快一些。
- Loss和Accuracy是比较重要的监控参数。如果写一个新的网络的话，类似的指标是很有必要的，可以在每个迭代中评估网络是否正在收敛。因为调试比较麻烦，所以通过这些参数能评估你的网络写对没，参数设置是否正确。
- 网络的参数还是比较重要的，如果一些参数设置不合理，很有可能结果千差万别，记得最初用tensorflow实现的时候，应该是dropout设置得太小，导致效果很差，很久才找到原因。所以调参和微调网络还是需要一定的技巧和经验的，做这版代码的时候就经历了一段比较痛苦的调参过程，最开始还怀疑是网络设计或是代码有问题，最后总结应该就是参数没设置好。
- 结语：如果关注这个东西的人多的话，后面还可以有tensorflow版本的QA CNN，以及LSTM的代码奉上:)
- 补充：tensorflow的CNN代码已添加到github上，https://github.com/white127/insuranceQA-cnn-lstm Contact: jiangwen127@gmail.com weibo:码坛奥沙利
源代码： https://github.com/shuzi/insuranceQA.git