Siamese Network简介

Siamese Network简介

Siamese Network 是一种神经网络的框架，而不是具体的某种网络，就像seq2seq一样，具体实现上可以使用RNN也可以使用CNN。

简单的说，Siamese Network用于评估两个输入样本的相似度。网络的框架如下图所示

Siamese Network有两个结构相同，且共享权值的子网络。分别接收两个输入X1X1与X2X2，将其转换为向量Gw(X1)Gw(X1)与Gw(X2)Gw(X2)，再通过某种距离度量的方式计算两个输出向量的距离EwEw。

训练Siamese Network采用的训练样本是一个tuple (X1,X2,y)(X1,X2,y)，标签y=0y=0表示X1X1与X2X2属于不同类型(不相似、不重复、根据应用场景而定)。y=1y=1则表示X2X2与X2X2属于相同类型(相似)。

LOSS函数的设计应该是 
1. 当两个输入样本不相似(y=0y=0)时，距离EwEw越大，损失越小，即关于EwEw的单调递减函数。 
2. 当两个输入样本相似(y=1y=1)时，距离EwEw越大，损失越大，即关于EwEw的单调递增函数。

用L+(X1,X2)L+(X1,X2)表示y=1y=1时的LOSS， L?(X1,X2)L?(X1,X2)表示y=0y=0时的LOSS，则LOSS函数可以写成如下形式

Lw(X1,X2)=(1?y)L?(X1,X2)+yL+(X1,X2)Lw(X1,X2)=(1?y)L?(X1,X2)+yL+(X1,X2)

Siamese Network的基本架构、输入、输出以及LOSS函数的设计原则如上文所述，接下来就说一下在NLP的场景，具体的Siamese Network应该如何设计。

LSTM Siamese Network

在文本方面，需要计算两个文本之间的相似度，或者仅仅判断是否相似，是否重复的场景也很多。简单直接的方法可以直接从字面上判断，使用BOW模型，使用SimHash算法都行。但是有些场景，字面上看可能不相似，但是从语义上看是相似的，这就需要更复杂的模型来捕捉它的语义信息了。

比如Quora就有这方面的需求，问答类型的网站希望同样的问题只有一个就好，但表述问题的方式可以多种多样，因此需要能够捕捉到更多语义上的信息。

将Siamese Network架构中的用于表征X1X1与X2X2的Network更换为LSTM网络，就可以用于判断两个输入文本是否语义上相似。

Learning Text Similarity with Siamese Recurrent Networks这篇文章介绍了这种网络的结构，也给出了具体的参数。网络的结构如下图所示 

这是论文中的截图，在文本输入与BILSTM之间还有一个embedding层。

论文中的LSTM Siamese Network用了4层hidden unit size为64的BILSTM，再将每一时刻的输出取平均作为输入XX的表征向量，后面再接dim=128的全连接层，得到的两个向量f(X1)f(X1)与f(X2)f(X2)对应的就是第一部分介绍Siamese Network基本框架中的Gw(X1)Gw(X1)与Gw(X2)Gw(X2)。

这里的相似度EE使用的是余弦相似度，即

E(X1,X2)=X1X2|X1||X2|E(X1,X2)=X1X2|X1||X2|

所以?1≤E(X1,X2)≤1?1≤E(X1,X2)≤1，与欧氏距离不一样的是，EcosEcos的值越大，代表距离越近，值越小距离越远，所以LOSS函数的设计也要与上文所说的相反。即

y=0y=0时，LOSS函数随着EE单调递增 
y=1y=1时，LOSS函数随着EE单调递减

具体的有

L+(X1,X2)=14(1?Ew)2L+(X1,X2)=14(1?Ew)2

L?(X1,X2)=E2w,Ew<mL?(X1,X2)=0,otherwiseL?(X1,X2)=Ew2,Ew<mL?(X1,X2)=0,otherwise

总的LOSS函数不变 。mm是设定的阈值，可视化LOSS函数如下

LSTM Siamese Network总结起来就是 
1. 将Siamese Network中的Encoder换成BILSTM 
2. 将距离的计算改成余弦距离 
3. 修改相应的LOSS函数

这个设计上还是有一些可以改进的，比如在BILSTM输出后，加一个attention，而不是直接average每个时刻的输出，这样可以更好的表征输入的文本。

代码实现

目前github上有一个开源实现，deep-siamese-text-similarity，但是代码稍微有点乱，并且有些地方实现的不对。

比如BILSTM模型的定义中

outputs, _, _ = tf.nn.bidirectional_rnn(lstm_fw_cell_m, lstm_bw_cell_m, x, dtype=tf.float32)

return outputs[-1]

• 1
• 2
• 3

将最后一个时刻的输出作为表征向量，这样就忽略了其它时刻的输出。

还有定义两个孪生网络的时候，使用了不同的权值，根据Siamese Network的设计，在这里应该是要reuse_variable来共享权值的。

自己实现了一个，也放到github上：https://github.com/THTBSE/siamese-lstm-network。

原文地址：https://www.cnblogs.com/DjangoBlog/p/9210892.html