Aprendizado de Inferência de Linguagem Natural com LSTM

A inferência de linguagem natural (NLI) é uma tarefa fundamentalmente importante no processamento de linguagem natural que possui diversas aplicações. O recentemente lançado corpus Stanford Natural Language Inference (SNLI) possibilitou o desenvolvimento e avaliação de métodos centrados em aprendizado, como redes neurais profundas para inferência de linguagem natural (NLI). Neste artigo, propomos uma arquitetura especial de memória de longo e curto prazo (LSTM) para NLI. Nosso modelo é baseado em um modelo de atenção neural recentemente proposto para NLI, mas fundamenta-se em uma ideia significativamente diferente. Em vez de derivar embeddings de sentenças para a premissa e a hipótese a serem usados para classificação, nossa solução utiliza um match-LSTM para realizar a correspondência palavra por palavra da hipótese com a premissa. Este LSTM é capaz de dar mais ênfase a resultados de correspondência em nível de palavra importantes. Em particular, observamos que este LSTM se lembra de desajustes importantes que são críticos para prever o rótulo de contradição ou de relação neutra. No corpus SNLI, nosso modelo alcança uma precisão de 86,1%, superando o estado da arte.