Simple et efficace : correspondance de texte avec des caractéristiques d'alignement plus riches

Dans cet article, nous présentons une approche neuronale rapide et robuste pour les applications de correspondance de texte à usage général. Nous explorons ce qui est suffisant pour construire un modèle de correspondance de texte rapide et performant, et nous proposons de conserver trois caractéristiques clés pour l'alignement inter-séquences : les caractéristiques ponctuelles originales, les caractéristiques précédemment alignées et les caractéristiques contextuelles, tout en simplifiant tous les autres composants. Nous menons des expérimentations sur quatre jeux de données de référence bien étudiés couvrant les tâches d'inférence en langage naturel, d'identification de paraphrases et de sélection de réponses. Les performances de notre modèle sont comparables à celles de l'état de l'art sur tous les jeux de données, avec beaucoup moins de paramètres, et la vitesse d'inférence est au moins six fois plus rapide que celle des modèles similaires en termes de performance.