[发明专利]文本的处理方法、装置和存储介质

权利要求书

1.一种文本的处理方法，其特征在于，包括：

获取输入的原始文本的多个原始短句和每个所述原始短句的多个原始词，并获取目标文本的多个目标短句和每个所述目标短句的多个目标词，其中，所述目标文本为与所述原始文本待进行匹配的文本；

根据每个所述原始词的原始词向量和每个所述原始词在所处的所述原始短句中的重要性权重，确定每个所述原始短句的原始短句向量，得到多个原始短句向量，并根据每个所述目标词的目标词向量和每个所述目标词在所处的所述目标短句中的重要性权重，确定每个所述目标短句的目标短句向量，得到多个目标短句向量；

根据每个所述原始短句向量和每个所述原始短句在所述原始文本中的重要性权重，确定第一目标矩阵，并根据每个所述目标短句向量和每个所述目标短句在所述目标文本中的重要性权重，确定第二目标矩阵；

根据所述第一目标矩阵和所述第二目标矩阵获取所述原始文本和所述目标文本之间的相似度；

在所述相似度大于目标阈值的情况下，确定所述目标文本与所述原始文本相匹配，并输出所述目标文本。

2.根据权利要求1所述的方法，其特征在于，在输出所述目标文本时，所述方法还包括：

输出与所述目标文本相匹配的答复文本，其中，所述原始文本用于请求获取所述答复文本。

3.根据权利要求1所述的方法，其特征在于，在得到多个所述原始短句向量和多个所述目标短句向量之前，所述方法还包括：

通过预先训练好的第一神经网络模型对每个所述原始词向量进行处理，得到每个所述原始词在所处的所述原始短句中的重要性权重；

通过所述第一神经网络模型对每个所述目标词向量进行处理，得到每个所述目标词在所处的所述目标短句中的重要性权重。

4.根据权利要求3所述的方法，其特征在于，训练所述第一神经网络模型的过程包括：

获取第一文本样本和所述第一文本样本中的词在所处的短句中的重要性权重；

通过所述第一文本样本和所述词在所处的所述短句中的重要性权重，对第一子神经网络模型进行训练，得到所述第一神经网络模型。

5.根据权利要求1所述的方法，其特征在于，根据每个所述原始词的原始词向量和每个所述原始词在所处的所述原始短句中的重要性权重，确定每个所述原始短句的原始短句向量，得到多个原始短句向量包括：

通过每个所述原始词在所处的所述原始短句中的重要性权重，对每个所述原始词向量进行调整，得到多个调整后的所述原始词向量；

将同一所述原始短句中的多个调整后的所述原始词向量求和，得到多个所述原始短句向量。

6.根据权利要求1所述的方法，其特征在于，根据每个所述目标词的目标词向量和每个所述目标词在所处的所述目标短句中的重要性权重，确定每个所述目标短句的目标短句向量，得到多个目标短句向量包括：

通过每个所述目标词在所处的所述目标短句中的重要性权重，对每个所述目标词向量进行调整，得到多个调整后的所述目标词向量；

将同一所述目标短句中的多个调整后的所述目标词向量求和，得到多个所述目标短句向量。

7.根据权利要求1所述的方法，其特征在于，在确定所述第一目标矩阵和所述第二目标矩阵之前，所述方法还包括：

通过预先训练好的第二神经网络模型对每个所述原始短句向量进行处理，得到每个所述原始短句在所述原始文本中的重要性权重；

通过所述第二神经网络模型对每个所述目标短句向量进行处理，得到每个所述目标短句在所述目标文本中的重要性权重。

8.根据权利要求7所述的方法，其特征在于，训练所述第二神经网络模型的过程包括：

获取第二文本样本和所述第二文本样本中的短句在所述第二文本样本中的重要性程度；

通过所述第二文本样本和所述短句在所述第二文本样本中的重要性程度，对第二子神经网络模型进行训练，得到所述第二神经网络模型。