Sequential Matching Network: A new Architecture for multi-turn response selection in retrieval-based Chatbots
文章主要提出了一种模型（SMN），用检索的方式处理多轮对话系统
多轮对话，类似于Q,A,Q,A,Q...QF: --> A 这种，有上下文，然后给出最后那个问题（QF）的对应回答（response）
现存的解决方案通常是将上下文整个处理成一个上下文向量，但是这样忽略了上下文中的很多信息。
SMN将上下文中的每一句话(utterance)都同候选的response提取重要信息，处理成vector，然后将这些上下文的vector被累积起来从而获得他们之间的关系，最后用这个计算得分。
具体来说，每一个utterance和候选response先处理成词向量(utterance-response matching)，然后计算一个word的相似度矩阵和一个segment级别的相似度矩阵，这两个矩阵经过CNN的卷积池化，得到一个个vector，这样就从上下文的多个粒度提取了重要信息，然后这些vector经过另一个GRU来计算得分。
模型结构如图：
utterance-response matching 部分：
变成词向量的形式后，点乘计算词向量之间的距离，得到矩阵M1；
然后利用GRU分别得到句子和response的隐藏状态H，然后计算：
然后进行卷积和池化的操作得到vector，这是第一层的输出（[v1,v2,v3...vn]）
得到的[v1,v2..vn]作为输入进入又一个GRU，得到隐藏状态 Hm=[h1,h2,,hn].这里可以得到utterances之间的关系，GRU会选择多大程度上遗忘和保留之前的信息
最后计算得分不是本文重点，可以采用多个方式，本文采用的是attention机制的计算
测试数据分别是ubuntu的语料集和自己处理的豆瓣的中文语料
