一、句子的表示
1.向量空间模型
BOW、one-hot、tf-idf（主题模型，可降维）
2.无监督的深度语义
进行降维、对句子进行语义表示
2.1自回归AR，错位预测
用RNN，相当于达到了用上文预测下文的作用。
2.2自编码AE
信息压缩-->信息放大（类似seq2seq的encoder和decoder过程）
Word2Vec skip-gram：通过当前单词预测上下文单词（词向量）
sentence2vector：通过当前句子，预测上下文句子（句向量）
ELMo：解决一词多义的问题（H_il：表示LSTM隐层学习的词向量）
Seq2seq：Encode-decode NMT
Seq2seq：Encode-decode NMT with attention
transformer
GPT（Transformer decoder）
Bert（transformer encoder）
3.深度匹配范式(有监督)
GAN的判别器，语义的判断
pointwise&pairwise
表示模型和交互模型
表示模型example：DSSM
交互模型example：MV-LSTM
交互模型：MatchPyramid
