簡述
簡單來講，就是把上下文分別用RNN生成向量，計算兩個向量變換後的內積對應二分類，判斷一個回答是否是正確回答
論文全名：The Ubuntu Dialogue Corpus: A Large Dataset for Research in Unstructured Multi-Turn Dialogue Systems
背景
這篇文章的主要貢獻有兩點：
1、將Ubuntu相關的聊天內容提取出來，作爲對話問題的公共語料庫，解決了數據來源的問題
2、在多輪對話中，已知前文(Context)的時候，面臨一堆候選回答的時候，用怎樣的網絡結構能選出正確答案
文章也解釋了，爲什麼沒有像其他相關論文那樣，直接用encode-decode結構直接生成一個回答，因爲還是沒法得到好的結果
網絡結構
其實網絡結構極其簡單，把當前的問題，比如“怎麼查看進程號”，用RNN進行向量化c，即取RNN最後一個時刻的輸出；與候選的回答，比如“用ps ax來看"用同樣結構的網絡生成的向量r，這兩個向量最後轉換成一個標量，通過sigmoid函數歸到01之間。其實，就是擬合c'=Mr，使得相關回答在變換後，與問題相似。
其他細節
從最後的結果來看，LSTM相對原始RNN來說，有巨大的效果提升，而原始RNN與tfidf的餘弦度量得到的結果差不太多
模型的效果與語料的量有很大關係
原始語料中只有正例，負例是隨機構造的。
用於翻譯模型的度量BLEU不再適用於會話評估。
TODO
文中還提到，參數的初始化方式和優化方法也起到關鍵作用，RNN隱層特意用了正交向量來初始化，優化算法採用"Adom"方法，這兩點之後還要細讀一探究竟。
既然本質上也是算變換後的相似性，那微軟的相關性模型(DSSM系列非對稱型)也適用於這個問題，效果上應當基本是等價的，從經驗來看還有可能更快地收斂，如果原模型難以優化，可以嘗試下成對訓練。