去年写过《基于CNN的阅读理解式问答模型：DGCNN》，介绍了一个纯卷积的简单的问答模型。当时是用Tensorflow实现的，而且没有开源，这几天抽空用Keras复现了一下，决定开源。

模型综述 #

关于DGCNN的基本介绍，这里不再赘述。本文的模型并不是之前模型的重复实现，而是有所改动，这里只介绍一下被改动的地方。

1、这里放出的模型，线下验证集的分数大概是0.72（之前大约是0.75）；

2、本次模型以字为单位，使用笔者之前探索出来的“字词混合Embedding”（之前是以词为单位）；

3、本次模型完全去掉了人工特征（之前用了8个人工特征）；

4、本次模型去掉了位置Embedding（之前将位置Embedding拼接到输入上）；

5、模型架构和训练细节有所微调。

其中，以字为单位是为了让模型的标注更灵活（避免分词错误）；去掉人工特征也增强了模型的灵活性，并且提高了预测速度；至于去掉位置Embedding，是因为测了几次发现位置Embedding并没有明显提升；其它调整，比如用了最新的RAdam优化器进行训练，等等。

这次开放模型并没有精细追求分数的提高，只是纯粹引入一个Keras版本供大家参考，笔者相信提升空间还有不少，有兴趣的朋友自行调试即可（代码和数据集均已开放）。

开源地址 #

Github地址：https://github.com/bojone/dgcnn_for_reading_comprehension
（运行环境：Python 2.7 + Tensorflow 1.8 + Keras 2.2.4。运行环境问题勿扰，谢谢！）

词向量：https://pan.baidu.com/s/1YYE2T3f-lPyLBrJuUowAsA，密码:5p0h

数据集：https://pan.baidu.com/s/11C21BAupOpiYWoOx23J7Mg，密码:dh9w

（数据集的开源如有不当之处，敬请来信告知，笔者会尽快删除。）

最后的话 #

祝大家试用愉快，欢迎多多交流～

转载到请包括本文地址：https://spaces.ac.cn/archives/6906

更详细的转载事宜请参考：《科学空间FAQ》

如果您还有什么疑惑或建议，欢迎在下方评论区继续讨论。

如果您觉得本文还不错，欢迎分享/打赏本文。打赏并非要从中获得收益，而是希望知道科学空间获得了多少读者的真心关注。当然，如果你无视它，也不会影响你的阅读。再次表示欢迎和感谢！

如果您需要引用本文，请参考：

苏剑林. (Aug. 20, 2019). 《开源一版DGCNN阅读理解问答模型（Keras版） 》[Blog post]. Retrieved from https://spaces.ac.cn/archives/6906

@online{kexuefm-6906,
        title={开源一版DGCNN阅读理解问答模型（Keras版）},
        author={苏剑林},
        year={2019},
        month={Aug},
        url={\url{https://spaces.ac.cn/archives/6906}},
}