MIX: Multi-Channel Information Crossing for Text Matching
（腾讯2018 KDD）
主要特点：
- 1.本文中对于句子匹配，考虑了很多不同层面的：词，短语，句法，词频和权重，语法信心等信息
- 2.通过多通道将所有信息整合起来，其中包括：
- （1）semantic information：unigrams,bigrams,trigrams（用于相似度匹配）
- （2）structure information：词的权重，词性，实体（作为注意力机制）
模型具体细节
1.local matching
（1）unigram可能会存在相同但其实意义不同的情况
（2）故增加使用bigrams,trigrams
2.local and global matching
2.1 使用idf作为attention
其中的idf组成的attention矩阵：使用两个词的idf相乘作为其值
举例来说，对于一个问题：What year did Lebron James win his first MVP?
(1)对于回答1：Steve Curry won his first MVP in 2014.
尽管其他词的匹配度很高，但是关键词Lebron James却没有匹配成功，使得这个回答其实不是真正的回答
图a在his,first等词上匹配度很高，乘以b中tfidf组成的attention矩阵后，这些非重要词的重要度下降
（2）而对于回答2：Lebron James was rated as the best player in 2009
尽管其他词的匹配不高，但关键词Lebron James的匹配度非常高，通过这种手段，突出了重要词的匹配度
2.2 Part-of-speech
抽出句子中的实体，对于Person tag，Verb，wh_pronoun（英文中存在）,time，number给与注意力
2.3 词的位置
问答中，一般问题和回答中，第一个字和第一个字的匹配度会比第一个字和第七个字的匹配度高。
通过训练一层attention可以看到如上图所示，句子位置的注意力程度是不一样的
3.多通道融合
通过3D CNN进行卷积
