[發(fā)明專(zhuān)利]基于人工智能的短文本匹配方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010930286.9
• 申請(qǐng)日: 2020-09-07
• 公開(kāi)（公告）號(hào): CN112085091A
• 公開(kāi)（公告）日: 2020-12-15
• 發(fā)明（設(shè)計(jì)）人: 熊海泉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)平安財(cái)產(chǎn)保險(xiǎn)股份有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06F40/30;G06F40/194;G06F40/216;G06N3/08;G06N3/04
• 代理公司: 深圳市世聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司 44385
• 代理人: 汪琳琳

1.一種基于人工智能的短文本匹配方法，其特征在于，包括：

獲取第一短文本和第二短文本，將所述第一短文本和所述第二短文本進(jìn)行拼接，得到初始文本；

通過(guò)BERT模型對(duì)所述初始文本進(jìn)行編碼，得到所述初始文本的初始向量；

采用深度神經(jīng)網(wǎng)絡(luò)對(duì)所述初始向量進(jìn)行降維處理，得到目標(biāo)向量；

通過(guò)預(yù)設(shè)的相似度計(jì)算方式，計(jì)算所述第一短文本和所述第二短文本的文本相似度，得到文本相似度值；

將所述目標(biāo)向量和所述文本相似度值進(jìn)行拼接，得到新的向量，并將所述新的向量輸入到DCN模型進(jìn)行向量計(jì)算，得到輸出向量；

對(duì)所述輸出向量進(jìn)行加權(quán)求和，得到結(jié)果向量，并對(duì)所述結(jié)果向量進(jìn)行Sigmoid函數(shù)計(jì)算，得到預(yù)測(cè)概率；

若所述預(yù)測(cè)概率大于預(yù)設(shè)閾值，則確認(rèn)所述第一短文本和所述第二短文本的短文本語(yǔ)義匹配成功。

2.根據(jù)權(quán)利要求1所述的基于人工智能的短文本匹配方法，其特征在于，所述通過(guò)預(yù)設(shè)的相似度計(jì)算方式，計(jì)算所述第一短文本和所述第二短文本的文本相似度，得到文本相似度值包括：

對(duì)所述第一短文本和第二短文本進(jìn)行分詞處理，得到第一分詞和第二分詞；

統(tǒng)計(jì)所述第一分詞和第二分詞的詞頻，得到第一分詞頻率和第二分詞頻率；

對(duì)所述第一分詞頻率和所述第二分詞頻率進(jìn)行向量化處理，得到第一分詞向量和第二分詞向量；

計(jì)算所述第一分詞向量和所述第二分詞向量的余弦相似度值，得到所述文本相識(shí)度值。

3.根據(jù)權(quán)利要求1所述的基于人工智能的短文本匹配方法，其特征在于，所述通過(guò)預(yù)設(shè)的相似度計(jì)算方式，計(jì)算所述第一短文本和所述第二短文本的文本相似度，得到文本相似度值，包括：

對(duì)所述第一短文本和所述第二短文本進(jìn)行分詞處理，并刪除分詞處理后第一短文本和第二短文本的停用詞，得到第三分詞和第四分詞；

統(tǒng)計(jì)第三分詞和第四分詞的轉(zhuǎn)移代價(jià)，并將所述轉(zhuǎn)移代價(jià)進(jìn)行累加，得到累加值，其中，轉(zhuǎn)移代價(jià)為分詞的向量距離乘以分詞的移動(dòng)距離；

將數(shù)值最小的累加值作為所述文本相識(shí)度值。

4.根據(jù)權(quán)利要求1所述的基于人工智能的短文本匹配方法，其特征在于，所述通過(guò)預(yù)設(shè)的相似度計(jì)算方式，計(jì)算所述第一短文本和所述第二短文本的文本相似度，得到文本相似度值，包括：

對(duì)所述第一短文本進(jìn)行分詞處理，得到第五分詞，并對(duì)所述第五分詞進(jìn)行語(yǔ)素分析，得到每個(gè)第五分詞的語(yǔ)素；

通過(guò)對(duì)所述每個(gè)第五分詞的語(yǔ)素添加預(yù)設(shè)權(quán)重，并按照所述預(yù)設(shè)權(quán)重，計(jì)算所述每個(gè)第五分詞與所述第二短文本的相關(guān)性得分；

將所述相關(guān)性得分進(jìn)行加權(quán)求和后，得到所述文本相識(shí)度值。

5.根據(jù)權(quán)利要求1所述的基于人工智能的短文本匹配方法，其特征在于，所述采用深度神經(jīng)網(wǎng)絡(luò)對(duì)所述初始向量進(jìn)行降維處理，得到目標(biāo)向量包括：

將所述初始向量輸入所述深度神經(jīng)網(wǎng)絡(luò)中；

通過(guò)逐漸遞減節(jié)點(diǎn)個(gè)數(shù)的方式，對(duì)所述初始向量進(jìn)行激活函數(shù)計(jì)算，得到計(jì)算結(jié)果，并將所述計(jì)算結(jié)果作為所述目標(biāo)向量。

6.根據(jù)權(quán)利要求1所述的基于人工智能的短文本匹配方法，其特征在于，所述將所述目標(biāo)向量和所述文本相似度值進(jìn)行拼接，得到新的向量，并將所述新的向量輸入到DCN模型進(jìn)行向量計(jì)算，得到輸出向量：

將所述目標(biāo)向量和所述文本相似度值進(jìn)行拼接，得到新的向量，并把所述新的向量輸入到DCN模型，其中，所述DCN模型包括并行的交叉網(wǎng)絡(luò)Cross network和深度網(wǎng)絡(luò)Deepnetwork；

通過(guò)所述交叉網(wǎng)絡(luò)Cross network和所述深度網(wǎng)絡(luò)Deep network對(duì)所述新的向量進(jìn)行向量計(jì)算，得到輸出結(jié)果，并將所述輸出結(jié)果進(jìn)行拼接，得到所述輸出向量。