自然語言理解研究的快速發展，特別是在學習語義文本表示方面的發展可以促進一些新穎的產品，如自動寫作和“TalktoBooks”搜索等。本文介紹了谷歌在語義文本表示方面的最新進展，以及開源的兩個新模型。

基于神經網絡的自然語言理解研究的快速發展，它還可以幫助提高數據量有限的各種自然語言任務的性能，比如基于僅有的幾百個標簽樣例來構建強大的文本。

下面，我們將討論兩篇關于Google語義表示最新進展的論文，以及在TensorFlow Hub上可以下載使用的兩個新模型，我們希望開發者能夠使用這些模型來構建新的、令人興奮的應用程序。

語義文本相似度

在“從對話中學習語義文本相似性（Learning Semantic Textual Similarity from Conversations）”這篇論文中，我們引入了一種新的方法來學習語義文本相似性的句子表示。基于的想法是：如果句子有相似的反應分布，那么它們在語義上是相似的。例如，“你多大了？”和“你的年齡是多少？”這兩個問題都是關于年齡的問題，可以用類似的回答作為響應，比如“我20歲”。相比之下，“你好嗎？”和“你多大了？”"包含幾乎相同的單詞，它們有非常不同的含義并會對應不同的響應。

在這項工作中，我們的目標是通過一種響應式的分類任務來學習語義相似性，具體方法如下：給定一個對話輸入，我們希望從一組隨機選擇的響應中對正確的響應進行分類。但是，最終的目標是學習一種能夠返回表示各種自然語言關系編碼的模型，包括相似性和關聯性。通過添加另一個預測任務（在本例中是SNLI entailment數據集），并通過共享編碼層強制執行，我們在相似度量方面獲得了更好的性能，相似度的衡量指標有很多，例如用于句子相似性基準性度量的STSBenchmark和用于衡量一個問題/問題相似任務的CQA task B指標。這是因為邏輯推理與簡單的等價性有很大的不同，并且為學習復雜的語義表示提供了更多的借鑒意義。

通用句子編碼器

在“通用句子編碼器（Universal Sentence Encoder）”中，我們引入了一個模型，它對上面描述的多任務訓練進行了擴展，并增加了更多的任務，并使用一個類似于skip-thought的模型來訓練它們，它可以在給定的文本范圍內來預測句子。

然而，最初的skip-thought模型，是一種只使用編碼器的體系結構，而非在最初的skip-thought模型中使用編碼-解碼體系結構來驅動預測任務的模型。通過這種方式可以大大減少訓練時間，同時保留各種傳遞任務的性能，包括情感和語義相似的關系。其目的是提供一個單一的編碼器，它可以支持盡可能廣泛的應用程序，包括解釋檢測、關聯、集群和自定義文本分類。

正如我們的論文中所描述的，通用句子編碼器模型的一個版本使用了一個深度平均網絡（DAN）編碼器，而第二個版本使用了更復雜的自我參與的網絡架構：變壓器（Transformer）。

基于更復雜的體系結構的模型比簡單的DAN模型在各種情緒和相似的處理任務上表現得更好，而對于短句來說它只是反應的稍微慢一些。然而，隨著句子長度的增加，使用Transformer的模型的計算時間會顯著增加，而DAN模型的計算時間則保持不變。

新模型

除了上面描述的通用句子編碼器模型之外，我們還在TensorFlow Hub上共享兩個新模型：通用句子編碼器-large版（Universal Sentence Encoder - Large）和通用句子編碼器-Lite版（Universal Sentence Encoder - Lite）。這些都是預先訓練的張量模型，它的返回值是可變長度文本輸入的語義編碼。這些編碼可用于語義相似度測量、相似性關系檢測、分類或自然語言文本的聚類。

在我們的第二篇論文中描述了這個Large模型。它針對需要高精度語義表示的場景，以及以速度和大小為代價的最佳模型性能。

Lite模型是通過一個句子的詞匯表而不是單詞來訓練的，這樣就可以減少詞匯的大小，這是模型大小的主要貢獻者。它針對的是內存和CPU等資源有限的場景，比如基于設備或基于瀏覽器實現。

我們很高興能與社區分享這項研究，以及這些模型。我們認為，我們在這里展示的只是一個開始，還有一些重要的研究問題需要解決，比如將技術擴展到更多的語言之上（上面討論的模型目前支持英語）。我們還希望進一步開發這種技術，使它能夠理解段落甚至文檔級別的文本。在完成這些任務的過程中，有可能制造出真正“通用”的編碼器。