[发明专利]文本匹配方法、装置及存储介质、计算机设备

说明书

本发明提供一种文本匹配方法、装置及存储介质、计算机设备，所述方法包括：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。上述方法实现无需人工去定义特征模板即可获得文本匹配的候选句中语义最匹配的句子，提供筛选效率。

技术领域

本发明涉及文本处理技术领域，具体而言，本发明涉及一种文本匹配方法、装置及存储介质、计算机设备。

背景技术

文本匹配，即衡量搜索词与文本在文本上的相关性或者匹配度。文本匹配方法是搜索系统中一项必不可少的技术。在检索式的问答系统中，很重要的一步是将检索到的答案进行排序得到最佳的答案。换句话说，就是给定一个句子和众多自然语言形式的候选句，根据该句子，在众多的候选句中找到最匹配的句子。

传统的文本匹配方法通常根据词频的方式对文本进行匹配运算。例如，TF-IDF(term frequency-inverse document frequency，词频-逆向文件频率)算法。然而，采用分词词频的方式进行文本匹配，其匹配结果的准确性存在一定局限，不能很好地确定出与文本匹配对较高的其他文本。

发明内容

本发明提出一种文本匹配方法、装置及存储介质、计算机设备，以实现无需人工去定义特征模板即可获得文本匹配的候选句中语义最匹配的句子。

本发明提供以下方案：

一种文本匹配方法，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。