木森研心提示您：看后求收藏（吾看中文5kzw.net），接着再看更方便。
凌志打开自己的PPT，毫不怯场地讲道：
“今天给大家分享一下我最近阶段性的实验结果以及论文。”
……
“这是我的数据预处理过程，我大致分为了5个步骤，……”
“这是我对句子对匹配的实验结果，两个句子属于同一人所发布即为正样本，不是同一人即为负样本。……”
“你先等下，你分类所用的特征都有哪些？”
老王问道。
“哦哦，我一会儿会详细说，我现在仅仅是先把结果抛出来。……”
“这个正样本和负样本的叫法合不合理嘞？这个实验结果你们觉得怎么样？”
老王跟大家讨论了一阵，然后让凌志继续。
“我使用的特征是一个14个维度的向量，包括人工提取的特征和神经网络提取的特征。……”
凌志讲PPT沿用了老王以前对学生们的教导——多用图表，少用文字，凌志对此深以为然。
事实上PPT本来就是用来突出重点的，如果往上面堆砌太多文字的话，讲者容易对着PPT念，听者也会觉得乏味，不会自己思考。而用图片和少量文字突出重点，就比较容易让听众们接受。
正如接下来凌志分享的论文，用一张图说明了一句话中每个词之间的远近关系。
“比如现在有两句话，‘他对媒体发表言论’以及‘他出席了新闻发布会’。虽然这两句话意思很接近，但我们如何用程序来进行打分判断呢？”
“我们应当将第一句话中的‘他’所对应的词向量跟第二句话中的每个词进行对比，找出意义最接近的那个。后面以此类推，‘媒体’对应‘新闻发布会’，‘发表’对应‘出席’。就这样通过词向量之间相似度的计算，进而合并为两个句子之间的相似度。”
凌志展示出两个句子之间的相似度：0.912，大家很容易地理解了两个句子之间的相似度是如何计算出的，因为图上每个词之间的距离远近都非常清晰。
