[發明專利]文本信息匹配度量的方法、裝置、服務器及存儲介質

有效

• 申請號: 201910521519.7
• 申請日: 2019-06-17
• 公開（公告）號: CN110413988B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 陳閩川;馬駿;王少軍
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F40/284
• 分類號: G06F40/284;G06F40/30;G06N3/04
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 高茹

1.一種文本信息匹配度量的方法，其特征在于，所述文本信息匹配度量的方法包括：

在接收到目標文本和相似文本時，讀取所述目標文本和所述相似文本中的字詞粒度，其中所述相似文本至少為一個；

根據讀取到的所述目標文本的字詞粒度和所述相似文本的字詞粒度，獲取所述目標文本的向量表征信息和所述相似文本的向量表征信息；

當將所述目標文本的向量表征信息和所述相似文本的向量表征信息作為預置孿生網絡模型的輸入值時，獲取預置孿生網絡模型計算的所述目標文本與所述相似文本之間的相似度；

在獲取到所述目標文本與所述相似文本之間的相似度時，匹配與所述目標文本相似度最高的相似文本；

所述當將所述目標文本的向量表征信息和所述相似文本的向量表征信息作為預置孿生網絡模型的輸入值時，獲取預置孿生網絡模型計算的所述目標文本與所述相似文本之間的相似度，包括：

在獲取到所述目標文本的向量表征信息以及所述相似文本的向量表征信息時，向所述預置孿生網絡模型中輸入所述目標文本的向量表征信息和所述相似文本的向量表征信息；

當輸入所述目標文本的向量表征信息和所述相似文本的向量表征信息時，檢測到所述預置孿生網絡模型的注意力機制以及前向網絡編碼將所述目標文本的向量表征信息和所述相似文本的向量表征信息作為隱藏層的初始值；

根據所述預置孿生網絡模型的函數公式其中，w、u為孿生網絡模型預訓練后優化的參數，q、k為文本向量表征的初始值，獲取所述目標文本和所述相似文本之間的相似度。

2.如權利要求1所述的文本信息匹配度量的方法，其特征在于，所述在接收到目標文本和相似文本時，讀取所述目標文本和所述相似文本中的字詞粒度，包括：

在接收到目標文本和相似文本時，獲取預置知識庫；

當獲取到所述預置知識庫時，分解所述目標文本和所述相似文本；

在分解所述目標文本和所述相似文本時，讀取所述目標文本和所述相似文本中的字詞粒度。

3.如權利要求1所述的文本信息匹配度量的方法，其特征在于，所述根據讀取到的所述目標文本的字詞粒度和所述相似文本的字詞粒度，獲取所述目標文本的向量表征信息和所述相似文本的向量表征信息，包括：

在讀取到所述目標文本的字詞粒度和所述相似文本的字詞粒度時，調用預置第一神經網絡模型和預置第二神經網絡模型；

根據所述預置第一神經網絡模型，獲取所述目標文本的字詞向量表征信息和所述相似文本的字詞向量表征信息；

根據所述預置第二神經網絡模型，獲取所述目標文本的向量表征信息和所述相似文本的向量表征信息。

4.如權利要求3所述的文本信息匹配度量的方法，其特征在于，所述根據所述預置第一神經網絡模型，獲取所述目標文本的字詞向量表征信息和所述相似文本的字詞向量表征信息，包括：

當調用所述預置第一神經網絡模型時，將讀取到的所述目標文本的字詞粒度和所述相似文本的字詞粒度分別作為所述預置第一神經網絡模型的輸入值；

在運行所述預置第一神經網絡模型時，檢測所述預置第一神經網絡的權重矩陣以及隱藏層；

在檢測到所述預置第一神經網絡的權重矩陣以及隱藏層時，分別獲取所述預置第一神經網絡模型輸出的所述目標文本的字詞向量表征信息和所述相似文本的字詞向量表征信息。

5.如權利要求3所述的文本信息匹配度量的方法，其特征在于，所述根據所述預置第一神經網絡模型，獲取所述目標文本的字詞向量表征信息和所述相似文本的字詞向量表征信息之后，所述根據所述預置第二神經網絡模型，獲取所述目標文本的向量表征信息和所述相似文本的向量表征信息之前，還包括：

當獲取到所述目標文本的字詞向量表征信息的數量和所述相似文本的字詞向量表征信息的數量時，判斷所述目標文本與所述相似文本的字詞向量表征信息的數量是否一致；

當所述目標文本的字詞向量表征信息的數量與所述相似文本的字詞向量表征信息的數量不一致時，根據預置閾值修改所述目標文本或所述相似文本的字詞向量表征信息的數量。