LSTMによる自然言語推論の学習

自然言語推論（NLI）は、自然言語処理において基本的に重要なタスクであり、多くの応用があります。最近発表されたスタンフォード自然言語推論（SNLI）コーパスにより、深層ニューラルネットワークのような学習中心の手法を開発・評価することが可能になりました。本論文では、NLIのための特別な長短期記憶（LSTM）アーキテクチャを提案します。我々のモデルは、最近提案されたNLIのためのニューラルアテンションモデルの上に構築されていますが、全く異なるアイデアに基づいています。分類に使用される前提と仮説の文埋め込みを導出する代わりに、我々の解決策は、前提との単語単位での一致を行うマッチLSTMを使用します。このLSTMは、重要な単語レベルの一致結果により多くの重みを置くことができます。特に、このLSTMは、矛盾または中立の関係ラベルを予測するために重要な不一致を記憶することがわかります。SNLIコーパスでは、我々のモデルは86.1%の精度を達成し、最先端を超える性能を示しました。