正式开始看文本匹配的东西啦！文本匹配对NLPer来说是很重要的，不管是最后是做对话、推荐、搜索，文本匹配都是必不可少的。当然啦，BERT系列的模型出来之后，其实传统的深度学习模型效果是远远比不上的。不过这些预训练模型效果好是好，但是训练代价昂贵，当然啦，有人会说，现在已经有剪枝、量化、蒸馏这样的方法来减小预训练模型的大小，从而降低训练所需的代价(所以说模型压缩、加速这个方向还是很有前景的🤩咦，好像跑偏了，anyway)，但是这仍然远远不够，所以熟悉传统的文本匹配模型是非常有必要的。本篇博客讲解经典的SiamLSTM模型，并采用tensorflow2实现。
SiamLSTM模型介绍
SiamLSTM模型来源于《Siamese Recurrent Architectures for Learning Sentence Similarity》论文，是在2016年提出的。SiamLSTM模型所要解决的是预测句子之间的相似度。SiamLSTM模型的架构和SiamCNN非常地类似，毕竟都是Siamese神经网络嘛🥰。直接放图吧～
模型本身并不是很难，不过有两个地方需要注意：第一个是，两个句子最后使用的是只有最后一个step的hidden state；第二个是，SiamLSTM所使用的相似度的计算方法（1范数），如下：
最后，SiamLSTM模型使用的是SemEval 2014数据集。训练集：SemEval 2014 train data，共5000条
测试集：SemEval 2014 test data， 共4927条。每条数据的形式是：[“I like playing basketball.”,”My favourite sports is basketball.”, 3.4]。由于SiamLSTM使用的相似度计算方法，导致结果是在$[0,1]$区间的，所以最后需要对结果进行缩放，从而在$[1,5]$之间。SiamLSTM模型使用的损失函数是MSE。
论文提到的训练的一些details：使用AdaDelta，使用梯度裁剪，使用SGD，LSTM的输出维度是50。
以上就是SiamLSTM模型模型的全部内容啦🥰（说实话，最近看文本匹配的论文，真的感觉不难，比起之前看reformer、BERT等的文章，真的是太轻松啦，希望之后不要打脸🥰）
SiamLSTM模型实现
参考文献
Siamese Recurrent Architectures for Learning Sentence Similarity
