文本蕴含识别是自然语言理解中一个充满挑战的核心任务,其目的是使计算机系统能够深入理解文本信息。由于很多自然语言处理任务需要利用含有蕴含关系的文本来解决问题,因此文本蕴含识别被广泛的应用在问答系统、关系抽取、机器翻译等任务中。在早期,研究者们针对文本蕴含识别的研究主要集中在基于统计与规则的方法。在这类方法中,特征识别的准确性对于最终结果具有较大影响,而特征识别往往依赖于人们的经验。随着深度学习的发展,基于深度神经网络的文本蕴含识别模型很好地解决了特征依赖人们经验的问题,并且取得了许多突破性成果。本文通过对相关研究工作的分析学习,针对现有模型存在的问题,提出基于深度学习的文本蕴含识别方法,主要内容如下:现有的方法通常是将一个句子应用一种注意力编码,然后将学习到的句子表示向量传递给预测层。这会导致它们仅依赖一种注意力机制无法获取到更全面的句子表示向量。为了解决这个问题,本文提出一种基于多路动态掩码注意力的文本蕴含识别模型,模型利用多注意力编码器对句子进行多个建模,使模型能够更好地利用句子中不同词语级别的信息。使用动态掩码选择器调整掩码来保证注意力机制能够在时序化建模的基础上关注到重要的反向信息。在这里,本文利用强化学习来解决动态注意力的掩码选择问题。实验结果表明,本文的模型在公开可获得的文本蕴含识别数据集上与基准模型相比有了显著的改进。由于在很多情况下往往会遇到数据集规模不大、数据质量不一情况,从而导致模型很难从这些数据中获取到文本蕴含识别所需的所有知识。针对这个问题,本文提出了一个融合词语义关系的注意力卷积神经网络模型,将WordNet中的词语义关系嵌入到GloVe的词向量中,通过使用注意力机制关注句子间的特征,利用注意力卷积抽取句子特征,并通过推理层获得最终结果。实验结果表明,本文的模型在SNLI数据集上的准确率为89.4%。尤其是在数据集规模不大的情况下,与不利用词语义关系的模型相比模型提高了 9.3%的准确率。