机器不学习 www.jqbxx.com : 深度聚合机器学习、深度学习算法及技术实战
前两篇使用CNN处理句子相似度的文章，实际上使用了很简单的CNN模型，按照自己对CNN的理解实现了代码。完成以后，就开始翻阅论文，想了解一些经典的处理句子相似度的方法。 这篇文章 发表在仅次于ACL会的EMNLP会议上，使用多个粒度窗口大小的卷积滤波器，后面跟着多种类型的池化方式，目的是为了从多个角度去解析句子（Multi-perspective），尽可能多的提取句子的语义和句法结构，具体的方式大家可以参阅论文，这里给出一个 实验室同学 找到的关于本篇文章的具体卷积和池化的tensor变化PDF，在此感谢刘同学对我的指导，顺利完成本篇代码，代码已上传github。
如上图，底层左右两个句子计算相似度；由于是多个角度去解析句子，就采用了多个窗口大小和多个卷积方式来处理句子，是倒数第二层；接着就跟了一个相似度计算层，使用多种计算相似度的方式，如cos函数和第一第二欧氏距离；接着就再跟一个全连接层，用来调整输出。
1、闲话不多说，来看代码，具体实现的时候只采用了一种计算相似度的方法，就是cos函数，再加两种方法跟该方法类似。由此就可以计算出论文中algorithm 1中的feah的大小。这里值得一提的是tf.diag_part()函数，取对称矩阵的对角元素作为一个新的向量，因为我们只需要对应channel的相似度，所以只取对角元素就可以了。
注意feah的tensor的shape为[batch,1,1,filter_nums]
# ws11_x1 窗口大小为ws1 = 1，句子x1的tensor
# ws130_x2 窗口大小为ws1 = 30， 句子x2的tensor
def cul_feah_sim(ws11_x1, ws11_x2, ws12_x1, ws12_x2, ws130_x1, ws130_x2):
