文本匹配模型
本项目包含目前大部分文本匹配模型，持续更新中，其中论文解读请点击文本相似度，文本匹配模型归纳总结
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：
| 模型 | loss | acc | 输入说明 | 论文地址 |
|---|---|---|---|---|
| DSSM | 0.7613157 | 0.6864 | 字向量 | DSSM |
| ConvNet | 0.6872447 | 0.6977 | 字向量 | ConvNet |
| ESIM | 0.55444807 | 0.736 | 字向量 | ESIM |
| ABCNN | 0.5771452 | 0.7503 | 字向量 | ABCNN |
| BiMPM | 0.4852 | 0.764 | 字向量+静态词向量 | BiMPM |
| DIIN | 0.48298636 | 0.7694 | 字向量+动态词向量 | DIIN |
| DRCN | 0.6549849 | 0.7811 | 字向量+静态词向量+动态词向量+是否有相同词 | DRCN |
以上测试结果可能不是模型的最优解，超参的选择也不一定是最优的，如果你想用到自己的实际工程中，请自行调整超参