句子相似度建模是许多自然语言处理应用的核心,因此备受关注。由于语言表达的模糊性和可变性,测量句子相似性具有挑战性,近年来也受到了很多关注。以前大量的工作集中在特征工程上,并且已经证明几种类型的稀疏特征是有用的。最近,由于词嵌入的成功,研究人员试图通过句子嵌入来研究句子相似性建模。这一类中的大多数方法专注于学习句子的语义信息并将其建模为连续向量,然而句子的句法信息尚未被充分利用。另一方面,先前的工作已经显示了包含句法信息的结构树的优势,而该分支中很少有方法利用了词嵌入的优点和另一种强大的技术—注意力权重机制。受以上观察的启发,本论文试图吸收上述技术的优点,并开发出更有效的方法。简而言之,本论文提出了ACV-tree模型,该模型使用结构化方式进行句子相似度建模。它无缝集成了语义信息,句法信息和注意力权重机制。为了测量相似性,本论文开发了一种新的树核,称为ACVT核函数,它是为本论文提出的结构量身定制的,旨在实现高可操作性。ACV-tree模型可以用作一般框架,因为可以将词嵌入和注意力权重机制视为框架的构建块,允许使用其它现成的(或更强大的,将来开发的)词嵌入技术或者注意力权重方案替换。此外,与大多数基于句子嵌入的模型不同,一旦词嵌入提供,ACV-tree模型就可以免于耗时的学习/训练。另一方面,还存在基于词嵌入的句子相似性建模模型。然而,与基于词嵌入的模型相比,ACV-tree模型可以在本论文实验中使用的几乎所有数据集上取得更好的性能。为了验证提出模型的效果,本论文采用了来自于国际语义评测SemEeval大赛语义文本相似度(Semantic Textual Similarity,简称STS)任务一共19个数据集。每个数据集包含许多对句子。这些数据集涵盖了广泛的领域,例如新闻数据集,网络论坛数据集,图像数据集,推特数据集等。基于这19个广泛使用的STS数据集的实验结果表明,与最先进的模型相比,ACV-tree模型是有效且具有竞争力的。此外,本论文通过使用各种注意力权重机制和词嵌入技术来研究ACV-tree模型的普遍性。具体来说,本论文已经探索了许多基于词嵌入,注意力权重机制以及句法的变体方法。实验结果验证了多种注意权重机制和词嵌入技术可以无缝集成到ACV-tree模型中,展示了ACV-tree模型的鲁棒性和通用性。