Architekturen von Faltungsneuronalen Netzen für das Abgleichen natürlichsprachlicher Sätze

Semantische Übereinstimmung ist von zentraler Bedeutung für viele Aufgaben der natürlichen Sprache \cite{bordes2014semantic,RetrievalQA}. Ein erfolgreiches Übereinstimmungsverfahren muss die internen Strukturen von Sprachobjekten sowie deren Wechselwirkungen angemessen modellieren. Als Schritt in diese Richtung schlagen wir konvolutive Neuronale Netzwerke (Convolutional Neural Network Models) vor, um zwei Sätze auf Übereinstimmung zu prüfen, indem wir die konvolutive Strategie aus den Bereichen Vision und Sprache anpassen. Die vorgeschlagenen Modelle repräsentieren nicht nur die hierarchischen Strukturen von Sätzen durch ihre schichtweise Komposition und Pooling, sondern erfassen auch die reichhaltigen Übereinstimmungsmuster auf verschiedenen Ebenen. Unsere Modelle sind sehr generisch und erfordern kein vorheriges Wissen über Sprache; sie können daher auf Übereinstimmungsaufgaben unterschiedlicher Natur und in verschiedenen Sprachen angewendet werden. Eine empirische Studie zu einer Vielzahl von Übereinstimmungsaufgaben zeigt die Effektivität des vorgeschlagenen Modells bei verschiedenen Übereinstimmungsaufgaben sowie seine Überlegenheit gegenüber konkurrierenden Modellen.