这次是人机对话模型ESIM，全称Enhanced Sequential Inference Model，一种增强序列推断模型。

其次，在局部推断建模阶段。使用基于注意力的软对齐，来获得前提和假设之间的局部相关性。

更多细节，请收好论文链接：

这一模型的主要应用场景为智能客服、导航软件、智能音箱等，现在已经被阿里巴巴应用到语音点餐机、地铁语音售票机、汽车交互系统等应用中。

阿里巴巴，AI开源又有新动作。

进入阿里之后，取花名潭清，也是达摩院中最年轻的科学家之一。

首先，在输入编码阶段，输入前提（Premise）和假设（Hypothesis）。在这一部分，BiLSTM学习如何表示一个单词及其上下文。
ESIM是什么？

ESIM首次提出是在2017年，论文的名称中就给出了直接的介绍：

从论文给出的模型架构图来看，ESIM模型由三个部分组成（下图左边部分是ESIM模型，右侧部分表示包含语法分析信息的网络）：输入编码（Input Encoding）、局部推断建模（Local Inference Modeling）和推断合成（Inference Composition）。

模型发布之后，便引发了极大关注，不仅在DSTC 7上拿下冠军，还成为了许多新发布数据集的评测标准之一，比如纽约大学的MultiNLI数据集、华盛顿大学的SWAG数据集等等。

https://github.com/alibaba/esim-response-selection

陈谦，27岁，90后，博士毕业于中科大。2018年加入阿里巴巴，是2018届的阿里星之一。

Enhanced LSTM for Natural Language Inference，应用到自然语言推断的强化版LSTM。

ESIM模型，最初由达摩院语音实验室的陈谦等人研发。

阿里介绍称，自2017年首次提出以来，这一研究已被谷歌、Facebook等在内的研究者在论文中引用200多次，也一度在国际顶级对话系统评测大赛（DSTC7）上获得双料冠军，将人机对话准确率的世界纪录提升至94.1%。

https://arxiv.org/abs/1901.02609

最后，为了确定前提和假设之间的总体推断关系，使用一个组合层来合成增强的局部推断信息。

开源地址：

Sequential Attention-based Network for Noetic End-to-End Response Selection

在今年的国际顶级语音会议ICASSP 2019上，陈谦再度大放异彩：基于ESIM的研究在公开的标准数据集Ubuntu（英文）和E-commerce（中文）上均取得了最高的成绩。

在序列推断模型中，继续使用BiLSTM序列来合成局部推断信息，然后将结果向量转化为池化的固定长度向量，并将其提供给最终的分类器来确定总体推断关系。

DSTC 7冠军论文：
https://arxiv.org/abs/1609.06038