[发明专利]文本匹配方法、装置及存储介质、计算机设备

权利要求书

1.一种文本匹配方法，其特征在于，包括：

接收输入的目标文本；

获取根据所述目标文本进行初步匹配得到的多个候选语句；

将所述目标文本与每个所述候选语句输入卷积神经网络CNN与GRU神经网络构成的文本匹配模型，得到每个所述候选语句与所述目标文本的语义相似度；其中，所述文本匹配模型用于表征所述目标文本与所述候选语句的语义相似度；

根据每个所述候选语句对应的语义相似度，向用户推荐所述候选语句。

2.根据权利要求1所述的方法，其特征在于，所述将所述目标文本与每个所述候选语句输入卷积神经网络CNN与GRU神经网络构成的文本匹配模型，得到每个所述候选语句与所述目标文本的语义相似度，包括：

将所述目标文本输入所述卷积神经网络CNN进行卷积处理，得到第一卷积向量，将所述候选语句输入所述卷积神经网络CNN进行卷积处理，得到第二卷积向量；

将所述第一卷积向量输入所述GRU神经网络，到第一神经网络向量，将所述第二卷积向量输入所述GRU神经网络，得到第二神经网络向量；

根据所述第一神经网络向量和所述第二神经网络向量的余弦相似度，得到所述候选语句与所述目标文本的语义相似度。

3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络CNN与GRU神经网络构成的文本匹配模型根据以下方式进行训练：

获取目标训练语句，与所述目标训练语句语义相似的第一训练语句，以及与所述目标训练语句语义不相似的第二训练语句；

利用所述卷积神经网络CNN分别对所述目标训练语句、所述第一训练语句及所述第二训练语句进行卷积处理，得到与所述目标训练语句对应的第一向量、与所述第一训练语句对应的第二向量，及与所述第二训练语句对应的第三向量；

分别将所述第一向量、所述第二向量及所述第三向量输入所述GRU神经网络，得到与所述第一向量对应的第四向量、与所述第二向量对应的第五向量及与所述第三向量对应的第六向量；

分别根据所述第四向量与第五向量的余弦相似度，以及所述第四向量与第六向量的余弦相似度，得到所述目标训练语句与所述第一训练语句的第一分值，以及所述目标训练语句与所述第二训练语句的第二分值；

根据所述第一分值和所述第二分值确定所述文本匹配模型中相关联的参数。

4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络CNN分别对所述目标训练语句、所述第一训练语句及所述第二训练语句进行卷积处理，包括：

将所述卷积神经网络CNN的卷积窗口设置为预设N个词；

利用设置后的所述卷积神经网络CNN分别对所述目标训练语句、所述第一训练语句及所述第二训练语句进行卷积处理。

5.根据权利要求3所述的方法，其特征在于，所述分别将所述第一向量、所述第二向量及所述第三向量输入所述GRU神经网络，得到与所述第一向量对应的第四向量、与所述第二向量对应的第五向量及与所述第三向量对应的第六向量之后，还包括：分别将所述第四向量、所述第五向量及所述第六向量通过池化层，以对所述第四向量、所述第五向量及所述第六向量进行维度变化处理；

所述分别根据所述第四向量与第五向量的余弦相似度，以及所述第四向量与第六向量的余弦相似度，得到所述目标训练语句与所述第一训练语句的第一分值，以及所述目标训练语句与所述第二训练语句的第二分值，包括：分别根据维度变化处理后的所述第四向量与第五向量的余弦相似度，以及维度变化处理后的所述第四向量与第六向量的余弦相似度，得到所述目标训练语句与所述第一训练语句的第一分值，以及所述目标训练语句与所述第二训练语句的第二分值。

6.根据权利要求3所述的方法，其特征在于，所述根据所述第一分值和所述第二分值确定所述文本匹配模型中相关联的参数，包括：

根据所述第一分值和所述第二分值确定所述文本匹配模型对应的代价函数的相关联的参数；所述代价函数包括铰链损失函数Hinge loss。