信息时代,互联网上拥有着海量的文本数据,为了方便的检索和利用这些文本数据,需要让计算机“理解”文本,理解语言的核心则是理解语言语义。考虑到语言语义本身是难以表示的,需要一种方法对计算机理解语义的准确性进行判定。句子对建模任务因其形式简单、可间接测试人工智能对语义的理解程度的特点而被提出用于评价计算机语言理解能力。句子对建模任务主要形式是对于一对(或一组)句子之间的语义关系进行预测,是一系列语义理解任务的统称。神经网络难以基于少量数据抽取出泛化性能强的特征,因此神经网络模型在小规模数据集上表现往往不佳。本文首先基于多种词表示方法和距离/相似度函数构建了一套用于衡量句子对语义相似程度的特征集合,用以提高神经网络模型性能。然后使用CNN、RNN和注意力机制基于句子向量和交互-汇集两种网络结构构建了多个神经网络模型,用以抽取不同形式的特征,最后将多个不同的神经网络模型集成以最终提高模型性能。本文选择在CHIP 2018 Task 2相关数据集上进行实验,最终模型的F1值为88.80%,达到了同期50支参赛队伍的第一名,表明了该方法的有效性。浅层的神经网络难以抽取复杂的特征,简单增加模型深度能提高模型的复杂度,但是却会导致模型难以训练,性能退化。受到残差连接网络的启发,本文将残差连接引入模型,在提高模型深度的同时让模型依旧容易训练,缓解了模型性能退化的问题,最终提高模型性能。实验表明,本文提出的模型在使用基于Token的词向量的情况下在SNLI数据集上达到了最佳性能,且在基于BERT的相关实验中表明本文提出的模型能更好地利用词向量信息,获得更多的性能提升。此外,句子对建模任务的各个子任务的任务形式和任务目标相似,为了减少重复工作,帮助研究者更好更快地构建和训练该任务下的神经网络模型,本文构建了一个通用的配置化参数框架,该框架基于Pytorch并结合tensorboard工具包进行搭建。该框架可以通过参数配置和简单的数据流自定义函数完成句子对建模任务神经网络模型的构建、训练以及训练过程可视化。由于参数化非常直观,该框架减少了工作量的同时也减少了出现低级错误的可能,提高了工作效率。本文的句子对建模工作均基于该框架进行。