[发明专利]基于深度学习的文本实体匹配方法、系统、装置

摘要

本发明属于数据库检索领域，具体涉及一种基于深度学习的文本实体匹配方法、系统、装置，旨在解决现有文本实体匹配方法匹配准确率低的问题。本系统方法包括获取待匹配的第一、第二文本，并进行词嵌入得到第一、第二词向量序列；通过基于自注意力机制的双向门控循环单元得到第一、第二语义向量序列；通过基于互注意力机制的高速路神经网络和门控网络得到第一、第二词向量序列中每个词向量的总结表示，构建总结序列；基于全局注意力机制获取第一、第二词向量序列的总结向量表示；基于总结向量表示，通过高速路神经网络得到最终总结向量表示，并通过Softmax分类器得到文本的匹配结果。本发明提高了文本实体匹配的准确率。

主权项

1.一种基于深度学习的文本实体匹配方法，其特征在于，该方法包括以下步骤：/n步骤S10，获取待实体匹配的第一文本、第二文本，并对所述第一文本、所述第二文本进行词嵌入生成第一词向量序列e^A、第二词向量序列e^B；/n步骤S20，采用基于自注意力机制的双向门控循环单元Bi-GRU分别提取e^A、e^B中每个词向量的上下文语义向量，构建第一语义向量序列第二语义向量序列/n步骤S30，将e^A作为输入序列，将e^B作为背景序列，将作为输入融合序列，将作为背景关联序列，通过基于互注意力机制的高速路神经网络得到融合序列，并根据该融合序列和e^A，通过门控网络得到e^A中每个词向量的总结表示，构建总结序列；/n步骤S40，基于全局注意力机制获取所述总结序列中每个词向量的总结表示的权重，进行加权和得到e^A的总结向量表示S^A；/n步骤S50，将e^B作为输入序列，将e^A作为背景序列，将作为输入融合序列，将作为背景关联序列，通过步骤S30、步骤S40的方法，得到e^B的总结向量表示S^B；/n步骤S60，基于S^A、S^B，通过高速路神经网络得到最终总结向量表示，并根据该表示，通过Softmax分类器得到所述第一文本、所述第二文本的实体匹配结果。/n