深度注意力机制模型（Deep Attention Matching Network）是开放领域多轮对话匹配模型。根据多轮对话历史和候选回复内容，排序出最合适的回复。 网络结构如下，更多内容可以参考论文:http://aclweb.org/anthology/P18-1103.
Overview of Deep Attention Matching Network
该模型在两个公开数据集上效果如下：
同时推荐用户参考IPython Notebook demo
-
paddle安装
本项目依赖于Paddle Fluid 1.3.1 及以上版本，请参考安装指南进行安装
-
下载代码
克隆数据集代码库到本地
git clone https://github.com/PaddlePaddle/models.git cd models/PaddleNLP/dialogue_model_toolkit/deep_attention_matching -
环境依赖
python版本依赖python 2.7
-
数据准备
下载经过预处理的数据，运行该脚本之后，data目录下会存在ubuntu和douban两个文件夹。
cd data sh download_data.sh -
模型训练
python -u main.py \ --do_train True \ --use_cuda \ --data_path ./data/ubuntu/data_small.pkl \ --save_path ./model_files/ubuntu \ --use_pyreader \ --vocab_size 434512 \ --_EOS_ 28270 \ --batch_size 32 -
模型评估
python -u main.py \ --do_test True \ --use_cuda \ --data_path ./data/ubuntu/data_small.pkl \ --save_path ./model_files/ubuntu/step_372 \ --model_path ./model_files/ubuntu/step_372 \ --vocab_size 434512 \ --_EOS_ 28270 \ --batch_size 100
多轮对话匹配任务输入是多轮对话历史和候选回复，输出是回复匹配得分，根据匹配得分排序。
可以参考论文:http://aclweb.org/anthology/P18-1103.
训练、预测、评估使用的数据示例如下，数据由三列组成，以制表符（'\t'）分隔，第一列是以空 格分开的上文id，第二列是以空格分开的回复id，第三列是标签
286 642 865 36 87 25 693 0
17 54 975 512 775 54 6 1
注：本项目额外提供了分词预处理脚本（在preprocess目录下），可供用户使用，具体使用方法如 下：
python tokenizer.py \
--test_data_dir ./test.txt.utf8 \
--batch_size 1 > test.txt.utf8.seg
main.py：该项目的主函数，封装包括训练、预测的部分
config.py：定义了该项目模型的相关配置，包括具体模型类别、以及模型的超参数
reader.py：定义了读入数据，加载词典的功能
evaluation.py：定义评估函数
run.sh：训练、预测运行脚本
如何贡献代码
如果你可以修复某个issue或者增加一个新功能，欢迎给我们提交PR。如果对应的PR被接受了，我们将根据贡献的质量和难度进行打分（0-5分，越高越好）。如果你累计获得了10分，可以联系我们获得面试机会或者为你写推荐信。