文本表示学习就是将一段文本映射到低纬向量空间，获取句子的语义表示，大致经历过四个阶段：

• 阶段 1：统计类型，此阶段比较典型的是利用 TD-IDF 抽取关键词，用关键词表示表征整个句子。

• 阶段 2：深度模型阶段，此阶段方式较多，自从 glove、word2vec 等词粒度的表示出现后，在此基础有比较多的魔改，从对句子中的词向量简单平均、到有偏平均 SIF [1]，后来引入 CNN、LSTM 等模型利用双塔、单塔方式进行学习句子表示，比较典型的几个工作有：

• 微软在排序搜索场景的 DSSM [2]，将 word 进行 hash 减少词汇个数，对 word 的表示进行平均得到句子原始表达，经过三层 MLP 获取句子表示。

• 多伦多大学提出的 Skip-Thought [3]，是 word2vec 的 skip-ngram 在句子表达的延伸，输入三个句子，用中间一句话，预测前后两句话。

• IBM 的 Siam-CNN [4]，提出了四种单塔、双塔不同的架构，利用 pairwise loss 作为损失函数。

• facebook 的 InferSent [5]，在双塔的表示基础上，增加了充分的交互。

• 阶段 3：Bert、Ernie 等预训练大模型阶段，在此阶段比较基础典型的工作有：

• 由于 Bert 通过 SEP 分割，利用 CLS 运用到匹配任务场景存在计算量过大的问题，Sentence-BERT [6] 提出将句子拆开，每个句子单独过 encoder，借鉴 InferSent 的表示交互，来学习句子表达。

• 阶段 4：20 年在图像领域兴起的对比学习引入到 NLP。

2.2 对比学习

对比学习是一种模型架构，也是无监督学习的一种，最开始是应用到了 CV 领域，通过对 M 图片进行数据增强得到 N 图片，将 M 和 N 图片输入 encoder 后得到表示 Vm 和 Vn，如果两个表达相近则说明 encoder 学习的效果比较好。

   

比如上面四张图片，对于有监督的分类任务来说，需要分辨出每张图片到底是孙悟空还是猪八戒，训练数据需要具体标注出每一张图片的 label。而对于无监督的对比学习来说，不需要区分图片是孙悟空还是猪八戒，只需要学习的表示能够表达前两张图片是相似的，后两张图片是相似的即可，也就是『相似的东西表示越相似，不相似的东西越不相似』。