自然语言推理是NLP高级别的任务之一，不过自然语言推理包含的内容比较多，机器阅读，问答系统和对话等本质上都属于自然语言推理。最近在看AllenNLP包的时候，里面有个模块：文本蕴含任务(text entailment)，它的任务形式是：给定一个前提文本（premise），根据这个前提去推断假说文本（hypothesis）与premise的关系，一般分为蕴含关系（entailment）和矛盾关系（contradiction），蕴含关系（entailment）表示从premise中可以推断出hypothesis；矛盾关系（contradiction）即hypothesis与premise矛盾。文本蕴含的结果就是这几个概率值。
Textual Entailment
Textual Entailment (TE) models take a pair of sentences and predict whether the facts in the first necessarily imply the facts in the second one. The AllenNLP TE model is a re-implementation of the decomposable attention model (Parikh et al, 2017), a widely used TE baseline that was state-of-the-art onthe SNLI dataset in late 2016. The AllenNLP TE model achieves an accuracy of 86.4% on the SNLI 1.0 test dataset, a 2% improvement on most publicly available implementations and a similar score as the original paper. Rather than pre-trained Glove vectors, this model uses ELMo embeddings, which are completely character based and account for the 2% improvement.
从中可以看出，AllenNLP集成了EMNLP2016中谷歌作者们撰写的一篇文章：A Decomposable Attention Model for Natural Language Inference
1、论文原理
每个训练数据由三个部分组成，模型的输入为，，分别代表前提和假说，表示a和b之间的关系标签，C为输出类别的个数，因此y是个C维的0,1向量。训练目标就是根据输入的a和b正确预测出他们的关系标签y。
上图的三大步骤解释如下：
（1）Attend：首先对a和b中的每个词计算它们之间的attention weights
（2）Compare：该模块的功能主要是对加权后的一个句子与另一个原始句子进行比较，
（3）Aggregate：现在我们得到了两个比较向量的集合，,,先分别对两个向量集合进行求和，然后将求和的结果输入前馈神经网络做最后的分类。
（4）Intra-Sentence Attention(可选）：除了上述的基础模型之外，可以在每个句子中使用句子内的attention方式来加强输入词语的语义信息，
2、论文实践
（1）测试例子一：
前提：Two women are wandering along the shore drinking iced tea.
假设：Two women are sitting on a blanket near some rocks talking about politics.
其测试结果如下：
可视化呈现结果如下：
测试例子二:
前提：If you help the needy, God will reward you.
假设：Giving money to the poor has good consequences.
测试结果如下：