年纪逐渐上来了，颈椎经常性地不舒服，凌志想什么时候有机会在教师节送王导一个按摩仪试试看，也算报答王导的教育之恩。
“今天有没有人分享的？”
凌志没有犹豫，说道：
“老师，我来吧。”
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。
之后凌志开始解释一些技术细节，包括每个词的词向量如何计算出来等等。
作为主讲人，凌志非常清楚讲解时需要详略得当，所以不会过多阐述细节，只用图表解释了文章的核心思想。所以讲好PPT确实不容易，细节不能太过深入，但也不能一带而过，把握好一个度是很重要的。
随着凌志分享完，说声谢谢后，会议室里大家不自觉地响起了掌声。凌志有时候会注意到，一般在对大众讲话时，结尾加一句“谢谢”，会让观众们不由自主地