短文本语义匹配(SimilarityNet, SimNet)是一个计算短文本相似度的框架，可以根据用户输入的两个文本，计算出相似度得分。 SimNet框架在百度各产品上广泛应用，主要包括BOW、CNN、RNN、MMDNN等核心网络结构形式，提供语义相似度计算训练和预测框架， 适用于信息检索、新闻推荐、智能客服等多个应用场景，帮助企业解决语义匹配问题。 可通过AI开放平台-短文本相似度线上体验。
本项目通过调用Seq2Vec中内置的模型进行序列建模，完成句子的向量表示。包含最简单的词袋模型和一系列经典的RNN类模型。
| 模型 | 模型介绍 |
|---|---|
| BOW（Bag Of Words） | 非序列模型，将句子表示为其所包含词的向量的加和 |
| CNN | 序列模型，使用卷积操作，提取局部区域地特征 |
| GRU（Gated Recurrent Unit） | 序列模型，能够较好地解决序列文本中长距离依赖的问题 |
| LSTM（Long Short Term Memory） | 序列模型，能够较好地解决序列文本中长距离依赖的问题 |
| 模型 | dev acc | test acc |
|---|---|---|
| BoW | 0.7290 | 0.75232 |
| CNN | 0.7042 | 0.73760 |
| GRU | 0.7781 | 0.77808 |
| LSTM | 0.73760 | 0.77320 |
以下是本项目主要代码结构及说明：
simnet/
├── model.py # 模型组网
├── predict.py # 模型预测
├── utils.py # 数据处理工具
├── train.py # 训练模型主程序入口，包括训练、评估
└── README.md # 文档说明
from paddlenlp.datasets import load_dataset
train_ds, dev_ds, test_ds = load_dataset("lcqmc", splits=["train", "dev", "test"])部分样例数据如下：
query title label
最近有什么好看的电视剧，推荐一下 近期有什么好看的电视剧，求推荐？ 1
大学生验证仅针对在读学生，已毕业学生不能申请的哦。 通过了大学生验证的用户，可以在支付宝的合作商户，享受学生优惠 0
如何在网上查户口 如何网上查户口 1
关于故事的成语 来自故事的成语 1
湖北农村信用社手机银行客户端下载 湖北长阳农村商业银行手机银行客户端下载 0
草泥马是什么动物 草泥马是一种什么动物 1
在模型训练之前，需要先下载词汇表文件simnet_vocab.txt，用于构造词-id映射关系。
wget https://paddlenlp.bj.bcebos.com/data/simnet_vocab.txtNOTE: 词表的选择和实际应用数据相关，需根据实际数据选择词表。
我们以中文文本匹配数据集LCQMC为示例数据集，可以运行下面的命令，在训练集（train.tsv）上进行模型训练，并在开发集（dev.tsv）验证
CPU启动：
python train.py --vocab_path='./simnet_vocab.txt' \
--device=cpu \
--network=lstm \
--lr=5e-4 \
--batch_size=64 \
--epochs=5 \
--save_dir='./checkpoints'GPU启动：
unset CUDA_VISIBLE_DEVICES
python -m paddle.distributed.launch --gpus "0" train.py --vocab_path='./simnet_vocab.txt' \
--device=gpu \
--network=lstm \
--lr=5e-4 \
--batch_size=64 \
--epochs=5 \
--save_dir='./checkpoints'以上参数表示：
vocab_path: 词汇表文件路径。device: 选用什么设备进行训练，可选cpu或gpu。如使用gpu训练则参数gpus指定GPU卡号。network: 模型网络名称，默认为lstm， 可更换为lstm, gru, rnn，bow，cnn等。lr: 学习率， 默认为5e-4。batch_size: 运行一个batch大小，默认为64。epochs: 训练轮次，默认为5。save_dir: 训练保存模型的文件路径。init_from_ckpt: 恢复模型训练的断点路径。
程序运行时将会自动进行训练，评估，测试。同时训练过程中会自动保存模型在指定的save_dir中。
如：
checkpoints/
├── 0.pdopt
├── 0.pdparams
├── 1.pdopt
├── 1.pdparams
├── ...
└── final.pdparams
NOTE: 如需恢复模型训练，则init_from_ckpt只需指定到文件名即可，不需要添加文件尾缀。如--init_from_ckpt=checkpoints/0即可，程序会自动加载模型参数checkpoints/0.pdparams，也会自动加载优化器状态checkpoints/0.pdopt。
启动预测
CPU启动：
python predict.py --vocab_path='./simnet_vocab.txt' \
--device=cpu \
--network=lstm \
--params_path=checkpoints/final.pdparamsGPU启动：
CUDA_VISIBLE_DEVICES=0 python predict.py --vocab_path='./simnet_vocab.txt' \
--device=gpu \
--network=lstm \
--params_path='./checkpoints/final.pdparams'将待预测数据分词完毕后，如以下示例：
世界上什么东西最小 世界上什么东西最小？
光眼睛大就好看吗 眼睛好看吗？
小蝌蚪找妈妈怎么样 小蝌蚪找妈妈是谁画的
处理成模型所需的Tensor，如可以直接调用preprocess_prediction_data函数既可处理完毕。之后传入predict函数即可输出预测结果。
如
Data: ['世界上什么东西最小', '世界上什么东西最小？'] Label: similar
Data: ['光眼睛大就好看吗', '眼睛好看吗？'] Label: dissimilar
Data: ['小蝌蚪找妈妈怎么样', '小蝌蚪找妈妈是谁画的'] Label: dissimilar