[發明專利]基于深度學習的問題匹配方法以及裝置

有效

• 申請號: 201710375610.3
• 申請日: 2017-05-24
• 公開（公告）號: CN107315772B
• 公開（公告）日: 2019-08-16
• 發明（設計）人: 鄂海紅;宋美娜;王昕睿;胡鶯夕;趙鑫祿;白楊;王寧
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F17/27
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 張潤

1.一種基于深度學習的問題匹配方法，其特征在于，包括以下步驟：

獲取用戶的輸入問題，并對所述輸入問題進行語義分析以得到所述輸入問題的詞語；

獲取標準問題，并對所述標準問題進行語義分析以得到所述標準問題的詞語；

獲取所述輸入問題與所述標準問題中詞語之間的相似度匹配矩陣，并基于所述相似度匹配矩陣進行分層卷積以獲取所述輸入問題與所述標準問題之間的語義粒度匹配特征；

基于卷積神經網絡，根據所述輸入問題中的特征信息和所述標準問題的特征信息對所述輸入問題與所述標準問題進行精確匹配，以獲取所述輸入問題與所述標準問題之間的細粒度匹配特征；

根據所述語義粒度匹配特征和所述細粒度匹配特征獲取所述輸入問題與所述標準問題之間的匹配程度。

2.如權利要求1所述的方法，其特征在于，所述獲取所述輸入問題與所述標準問題中詞語之間的相似度匹配矩陣，包括：

通過徑向基函數獲取所述輸入問題與所述標準問題中詞語之間的相似度匹配矩陣。

3.如權利要求2所述的方法，其特征在于，所述徑向基函數通過以下公式表示：

其中，w_i表示所述輸入問題的第i個詞的詞向量，v_j表示所述標準問題的第j個詞的詞向量，M_ij為詞w_i與詞v_j之間的相似度，β＝2。

4.如權利要求1所述的方法，其特征在于，所述基于所述相似度匹配矩陣進行分層卷積以獲取所述輸入問題與所述標準問題之間的語義粒度匹配特征，包括：

基于所述相似度匹配矩陣進行分層卷積，并將當前卷積層中的N-gram特征與下一個卷積層中的N-gram特征進行組合，以提取從詞語到句子層次的匹配模式；

將所述匹配模式展開成一維張量以得到所述輸入問題與所述標準問題之間的語義粒度匹配特征。

5.如權利要求1所述的方法，其特征在于，所述基于卷積神經網絡，根據所述輸入問題中的特征信息和所述標準問題的特征信息對所述輸入問題與所述標準問題進行精確匹配，以獲取所述輸入問題與所述標準問題之間的細粒度匹配特征，包括：

基于卷積神經網絡，根據所述輸入問題中的特征信息生成輸入文字中短語級別和長短語級別的向量表達，并根據所述標準問題的特征信息生成所述標準問題中短語級別和長短語級別的向量表達；

將所述輸入文字中短語級別和長短語級別的向量表達與所述標準問題中短語級別和長短語級別的向量表達進行兩兩的相似度計算，得到相似度矩陣；

對所述相似度矩陣進行動態最大值池化之后，展開成一維張量得到所述細粒度匹配特征。

6.如權利要求1所述的方法，其特征在于，所述根據所述語義粒度匹配特征和所述細粒度匹配特征獲取所述輸入問題與所述標準問題之間的匹配程度，包括：

將所述語義粒度匹配特征和所述細粒度匹配特征輸入至全連接神經網絡中以計算出所述輸入問題與所述標準問題之間的相似度。

7.一種基于深度學習的問題匹配裝置，其特征在于，包括：

第一獲取模塊，獲取用戶的輸入問題，并對所述輸入問題進行語義分析以得到所述輸入問題的詞語；

第二獲取模塊，用于獲取標準問題，并對所述標準問題進行語義分析以得到所述標準問題的詞語；

語義匹配模塊，用于獲取所述輸入問題與所述標準問題中詞語之間的相似度匹配矩陣，并基于所述相似度匹配矩陣進行分層卷積以獲取所述輸入問題與所述標準問題之間的語義粒度匹配特征；

精確匹配模塊，用于基于卷積神經網絡，根據所述輸入問題中的特征信息和所述標準問題的特征信息對所述輸入問題與所述標準問題進行精確匹配，以獲取所述輸入問題與所述標準問題之間的細粒度匹配特征；

相似度匹配模塊，用于根據所述語義粒度匹配特征和所述細粒度匹配特征獲取所述輸入問題與所述標準問題之間的匹配程度。