Ein zerlegbares Aufmerksamkeitsmodell für natürliche Sprachinferenz

Wir schlagen eine einfache neuronale Architektur für natürliche Sprachinferenz vor. Unser Ansatz verwendet Aufmerksamkeit, um das Problem in Unterprobleme zu zerlegen, die separat gelöst werden können, was die Parallelisierung trivialisierbar macht. Im Stanford Natural Language Inference (SNLI) Datensatz erzielen wir Ergebnisse auf dem Stand der Technik mit fast einer Größenordnung weniger Parametern als frühere Arbeiten und ohne auf Informationen zur Wortstellung angewiesen zu sein. Das Hinzufügen von intra-satzlicher Aufmerksamkeit, die eine minimale Menge an Ordnung berücksichtigt, führt zu weiteren Verbesserungen.