2018 · ICLR · AN EFFICIENT FRAMEWORK FOR LEARNING SENTENCE REPRESENTATIONS ·
想法来源：文章从分布式假说和这些工作中得到灵感，将预测输入句上下文的问题重构为一个分类问题，提出了一种简单高效的句子表示学习框架：给定一个句子和它出现的上下文，分类器根据其向量表示将它从一系列对比句中挑选出来。
价值：对比Skip thought，在性能上提升了很多，performance也有提升
方法：那原本的decoder问题，改造成了一个分类问题。
缺点：计算成本过高。
详细方案：
Origin skip thought:
image
This paper
image
image
image
数据集：
1.BookCorpus dataset
2.UMBC
实验：
-
downstream task
1.1 无监督方法
image
1.2 有监督方法
image
- 图像
image
-
最近邻case
image
