本文重点：
不同于其他文章的句子表示，作者提出不同粒度的句子表征，方便后续的相似度计算，使用卷积神经网络为每个句子建模，该网络提取多个粒度级别的特征并使用多种类型的池化操作
作者在相似度计算的过程中采用了不同的相似度计算方法来比较句子表示，针对句子表征后的局部进行相似度计算
句子表征
作者的模型基于CNN，提供了两种卷积操作和三种池化操作
卷积操作
第一种卷积方式相当于是n-gram特征的抽取
第二种卷积方式，作者给出的解释是：
(1)这种方式有助于充分地提取出输入的特征信息
(2)由于粒度更小，所以在学习过程中的参数调整上，每一个维度能够得到不同程度的参数调整
池化操作
作者在传统的max-pooling操作的基础上，向我们展示了min-pooling和mean-pooling这两种不太常见的操作。
以下内容摘取自http://www.jeyzhang.com/cnn-apply-on-modelling-sentence.html
