1、问题定义 问题相似度计算，即给定客服里用户描述的两句话，用算法来判断是否表示了相同的语义。 示例： “花呗如何还款” --“花呗怎么还款”：同义问句 “花呗如何还款” -- “我怎么还我的花被呢”：同义问句 “花呗分期后逾期了如何还款”-- “花呗分期后逾期了哪里还款”：非同义问句 对于例子a，比较简单的方法就可以判定同义；对于例子b，包含了错别字、同义词、词序变换等问题，两个句子乍一看并不类似，想正确判断比较有挑战；对于例子c，两句话很类似，仅仅有一处细微的差别 “如何”和“哪里”，就导致语义不一致。

2、数据 初赛提供10万对的标注数据（分批次更新），作为训练数据，包括同义对和不同义对，可下载。数据集中每一行就是一条样例。格式如下：

行号\t句1\t句2\t标注，举例：1 花呗如何还款 花呗怎么还款 1 行号指当前问题对在训练集中的第几行； 句1和句2分别表示问题句对的两个句子； 标注指当前问题对的同义或不同义标注，同义为1，不同义为0。 评测数据集总共1万条。为保证大赛的公平公正、避免恶意的刷榜行为，该数据集不公开。选手通过提交评测代码和模型的方法完成预测、获取相应的排名。

3、评测及评估指标

初赛阶段，选手在本地完成模型的训练调优，将评测代码和模型打包后，提交官方测评系统完成预测和排名更新。测评系统为标准Linux环境，内存8G，CPU4核，无网络访问权限。安装有python 2.7、java 8、tensorflow 1.5、jieba 0.39、pytorch 0.4.0、keras 2.1.6、gensim 3.4.0、pandas 0.22.0、sklearn 0.19.1、xgboost 0.71、lightgbm 2.1.1。 提交压缩包解压后，主目录下需包含脚本文件run.sh，该脚本以评测文件作为输入，评测结果作为输出（输出结果只有0和1），输出文件每行格式为“行号\t预测结果”，命令超时时间为30分钟，执行命令如下： bash run.sh INPUT_PATH OUTPUT_PATH 预测结果为空或总行数不对，评测结果直接判为0。

复赛阶段，选手的模型训练、调优和预测都是在蚂蚁金服的机器学习平台上完成。因此评测只需要提供相应的UDF即可，以问题对的两句话作为输入，相似度预测结果（0或1）作为输出，同样输出为空则终止评估，评测结果为0。 本赛题评分以F1-score为准，得分相同时，参照accuracy排序。

• 通过特征工程抽取文本的NLP、统计学、向量表示等特征; 对应代码：./feature/

• 构建不同的深度语义匹配模型对文本语义进行学习和匹配； 对应代码：./model/

• 通过对若干中不同的模型结果采用LightGBM和XGBoost算法进行模型融合； 对应代码：./stacking/

• 最后对以上两种结果进行blending。 对应代码 ./model/model_blend.py

• 第一赛季：线上成绩：0.6589；线上排名：29th/2632(Top100入围第二赛季的复赛)
• 第二赛季：线上成绩：0.7284；线上排名：26/100。