[發明專利]釋義文本深度匹配模型構建方法與釋義文本深度匹配方法

有效

• 申請號: 201810836453.6
• 申請日: 2018-07-26
• 公開（公告）號: CN109145292B
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 孔蕾蕾;韓中元;齊浩亮;韓詠;孫栩;于海浩
• 申請（專利權）人: 黑龍江工程學院
• 主分類號: G06F40/211
• 分類號: G06F40/211;G06F40/30;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

1.釋義文本深度匹配模型構建方法，其特征在于，所述釋義文本深度匹配模型構建方法包括：

獲得訓練樣本集，所述訓練樣本集包括多個訓練句對，每個訓練句對包括第一訓練語句、第二訓練語句以及該第一訓練語句與該第二訓練語句之間的語義匹配分數，其中，所述語義匹配分數表示對應的兩個語句之間的語義相似程度；

針對每個訓練句對中的第一訓練語句和第二訓練語句中的每個訓練語句，獲得該訓練語句中每個詞的語義特征向量和句法特征向量，針對該訓練語句中的每個詞，計算該詞的語義特征向量和句法特征向量之張量積，以將該訓練語句中各詞對應的張量積的矩陣和確定為該訓練語句的句法與語義交互特征量；

針對每個訓練句對，將該訓練句對中的第一訓練語句與第二訓練語句的句法與語義交互特征量之矩陣差作為該訓練句對的句法與語義交互特征量；以及

利用卷積神經網絡模型對每個訓練句對進行訓練，其中，將每個訓練句對的句法與語義交互特征量作為模型輸入、并將包含的第一訓練語句與第二訓練語句的語義匹配分數作為模型輸出，將訓練好的卷積神經網絡模型作為所述釋義文本深度匹配模型。

2.根據權利要求1所述的釋義文本深度匹配模型構建方法，其特征在于，針對每個訓練句對中的第一訓練語句和第二訓練語句中的每個訓練語句，通過如下處理獲得該訓練語句中每個詞的句法特征向量：

針對每個訓練句對中的第一訓練語句和第二訓練語句中的每個訓練語句，獲得該訓練語句的句法分析結果，以根據該訓練語句的句法分析結果獲得該訓練語句中每個詞的句法特征向量。

3.根據權利要求1或2所述的釋義文本深度匹配模型構建方法，其特征在于，所述訓練樣本集包括正例訓練句對和負例訓練句對；

其中，所述正例訓練句對中的第一訓練語句與第二訓練語句的語義匹配分數為1，而所述負例訓練句對中的第一訓練語句與第二訓練語句的語義匹配分數為0。

4.根據權利要求1或2所述的釋義文本深度匹配模型構建方法，其特征在于，所述訓練樣本集包括正例訓練句對和負例訓練句對；

其中，所述正例訓練句對中的第一訓練語句與第二訓練語句的語義匹配分數大于第一閾值，而所述負例訓練句對中的第一訓練語句與第二訓練語句的語義匹配分數小于或等于第二閾值。

5.根據權利要求1或2所述的釋義文本深度匹配模型構建方法，其特征在于，所述卷積神經網絡模型包括卷積層、最大池化層和多層感知器。

6.釋義文本深度匹配方法，其特征在于，所述釋義文本深度匹配方法包括：

采用如權利要求1-4中任一項所述的釋義文本深度匹配模型構建方法預先構建釋義文本深度匹配模型；

獲得測試句對，所述測試句對包括第一測試語句和第二測試語句；

針對所述測試句對中的第一測試語句和第二測試語句中的每個測試語句，獲取該測試語句中每個詞的語義特征向量和句法特征向量，針對該測試語句中的每個詞，計算該詞的語義特征向量和句法特征向量之張量積，以將該測試語句中各詞對應的張量積的矩陣和確定為該測試語句的句法與語義交互特征量；

將所述測試句對中的第一測試語句與第二測試語句的句法與語義交互特征量之矩陣差作為該測試句對的句法與語義交互特征量；

將所述測試句對的句法與語義交互特征量輸入所述釋義文本深度匹配模型，以獲得所述測試句對中第一測試語句與第二測試語句的語義匹配分數。

7.根據權利要求6所述的釋義文本深度匹配方法，其特征在于，針對所述測試句對中的第一測試語句和第二測試語句中的每個測試語句，通過如下處理獲得該測試語句中每個詞的句法特征向量：

針對所述測試句對中的第一測試語句和第二測試語句中的每個測試語句，獲得該測試語句的句法分析結果，以根據該測試語句的句法分析結果獲得該測試語句中每個詞的句法特征向量。