题目直译的话就是使用神经网络注意力机制实现蕴涵推理，文章主要讲述了如何使用LSTM和Attention做英文阅读理解，结合数据集讲就是给出一段话或者说是上下文文本1（hypothesis），然后给出一个结论或者摘要文本2（premise）,判断两个文本的关系：

• ENTAILMENT：相关，有密切联系，都在讲述同一件事情
• NEUTRAL ：中立
• CONTRADICTION：完全相反，讲述的不是同一件事情

摘要

这一部分提了下当前端到端模型的不足和局限，本文提出使用LSTM的神经网络模型来阅读两个句子并推断它们之间的关系，同时使用word by word的注意力机制推断单词或者短语之间的关系，最终模型达到目前state-of-the-art accuracy（state-of-the-art这个单词见了好多次 ^_^）

简介

识别文本蕴涵- Recognizing textual entailment (RTE)的任务包括：

(i)两个句子是否冲突

(ii)两个句子是否不相关，处于中立关系

(iii)是否可以从第一个句子推断出第二个句子

针对以上任务，作者调研了当前RTE方法，比如《 A large an-notated corpus for learning natural language inference》提出使用LSTM达到77.6%的准确率。相比上文，作者提出了一种基于注意力的神经网络模型，能够更加有效地推断出premise和hypothesis的关系。

本文主要贡献：

• 提出了一种基于LSTM的神经网络模型来做自然语言推理
• 使用 word-by-word attention mechanism来扩展模型
• 提供了详细的和高质量的神经注意力模型的分析报告

方法

使用一个LSTM对premise编码，然后使用LSTM对hypothesis进行解码；同时中间加了两种attention机制，一种是只考虑(c1,c2,c3,c4,c5)对h9的影响；另一种是考虑(c1,c2,c3,c4,c5)分别对(h7,h8,h9)的影响，也就是word by word attention

结果

代码

https://github.com/borelien/entailment-neural-attention-lstm-tf