自然语言推理综述

Robust textual inference via learning and abductive reasoning：利用依存关系将前提和假设分别表示成两组子命题的和取形式，然后通过溯因推理机制尝试从前提推理出假设并计算其代价，并因此判别前提和假设是否有蕴含关系。
Semantic inference at the Lexical-Syntactic level：采用了类似上篇论文的“演算思想”，抛弃了严格的数学逻辑表达式，转而利用语言分析技术，例如句法分析，语义角色标注。
SNLI是一个新的免费的带标记的句子对集合。最左边的浅绿色是对前提和假设的Embedding；
然后过5层的Stack RNN ，蓝色的RNN分别得到前提和假设的表示，然后就是计算Attention得到a，借鉴了DenseNet的思想，将本层输入保留，与h , a做concat，这样的结构必然会带来参数急速增长的问题，为了解决这个问题，使用了AutoEncoder；
在Stack RNN之后是分别对前提和假设做max pooling，映射到同一个维度，得到新的表示；
然后对前提和假设做并、相加和相减等运算，一定程度上得到它们之间的距离和相似程度；
全连接得到最终的输出。通过Attention机制将原先各自独立的句子，考虑句子之间的相关性，构建出包含句子上下文关系的新的句子模型。
(a) 在输入表示上计算attention权值。
(b) 计算卷积输出的attention权重，对这个卷积输出重新加权。
© 将1和2叠加在一起，结合了1和2的优点，允许attention机制对卷积和pooling部分进行操作，对输入粒度和更抽象的输出粒度进行操作。