文本匹配方法、装置、存储介质及终端制造方法及图纸

本公开涉及一种文本匹配方法、装置、存储介质及终端，该方法可以通过第一文本匹配模型确定目标文本与每个相似文本之间的第一相关度，并根据多个第一相关度从多个相似文本中确定该目标文本对应的匹配文本，由于该第一文本匹配模型是通过第一样本组训练得到的，该第一样本组包括样本文本、该样本文本对应的第一正例样本和多个第一负例样本，因此，该第一文本匹配模型不仅能够体现该样本文本与该第一正例样本和多个第一负例样本之间的相关性，也能够体现该第一正例样本与多个第一负例样本之间的相关性，从而使得根据该第一文本匹配模型得到的该目标文本与该相似文本之间的第一相关度的准确更高，这样，可以提高文本匹配的准确率。确率。确率。

【技术实现步骤摘要】
文本匹配方法、装置、存储介质及终端


[0001]本公开涉及自然语言处理
，尤其涉及一种文本匹配方法、装置、存储介质及终端。

技术介绍

[0002]随着消费者主权意识的觉醒，对消费体验的要求随之升级，作为消费体验的核心环节，客户服务连接消费者与商家，成为影响消费者黏性的重要因素，而消费者海量咨询需求与有限人工客服供给之间不可调和的矛盾，为了提高客服响应效率、优化消费体验，智能客服应运而生。
[0003]相关技术中，将用户的高频业务知识类问题收集整理成Q
‑
A问答对的知识库，构建基于知识库的检索式问答系统，为智能客服提供最核心的业务场景，但是，这种检索式问答方式首先需要进行文本匹配，从知识库中检索到与用户问题最匹配的标准问题，以确定该用户问题对应的答案，因此，如何提高文本匹配的准确率称为亟待解决的问题。

技术实现思路

[0004]为克服相关技术中存在的问题，本公开提供一种文本匹配方法、装置、存储介质及终端。
[0005]根据本公开实施例的第一方面，提供一种文本匹配方法，所述方法包括：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种文本匹配方法，其特征在于，所述方法包括：获取目标文本；将所述目标文本和所述目标文本对应的多个相似文本输入预先训练的第一文本匹配模型，以获取所述第一文本匹配模型输出的所述目标文本与每个所述相似文本之间的第一相关度；根据多个所述第一相关度，从多个所述相似文本中确定所述目标文本对应的匹配文本；其中，所述第一文本匹配模型通过以下方式训练得到：获取多个样本文本；针对每个所述样本文本，从样本知识库中确定与所述样本文本相关度最高的多个相似样本，从多个所述相似样本中确定所述样本文本对应的第一正例样本和多个第一负例样本，根据所述样本文本、所述第一正例样本和多个所述第一负例样本，确定所述样本文本对应的多个第一样本组；通过每个所述样本文本对应的多个所述第一样本组对第一目标神经网络模型进行训练，得到所述第一文本匹配模型。2.根据权利要求1所述的方法，其特征在于，所述从多个所述相似样本中确定所述样本文本对应的第一正例样本和多个第一负例样本包括：将多个所述相似样本中与所述样本文本相关度最高的目标相似样本，作为所述样本文本对应的所述第一正例样本；从待定样本中确定所述样本文本对应的多个所述第一负例样本，所述待定样本包括多个所述相似样本中除所述目标相似样本之外的相似样本。3.根据权利要求1所述的方法，其特征在于，所述根据所述样本文本、所述第一正例样本和多个所述第一负例样本，确定所述样本文本对应的多个第一样本组包括：针对每个所述第一负例样本，将所述样本文本、所述第一正例样本以及所述第一负例样本作为所述第一样本组。4.根据权利要求1所述的方法，其特征在于，所述通过每个所述样本文本对应的多个所述第一样本组对第一目标神经网络模型进行训练，得到所述第一文本匹配模型包括：循环执行第一模型训练步骤，直至根据预测相关度确定训练后的所述第一目标神经网络模型满足第一预设停止迭代条件，将训练后的第一目标神经网络模型作为所述第一文本匹配模型；所述预测相关度为所述第一样本组输入训练后的第一目标神经网络模型后输出的相关度；所述第一模型训练步骤包括：将多个所述第一样本组输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的每个所述第一样本组对应的预测相关度；在根据所述预测相关度确定所述第一目标神经网络模型不满足所述第一预设停止迭代条件的情况下，根据所述预测相关度确定第一目标损失值，根据所述第一目标损失值更新所述第一目标神经网络模型的参数，得到训练后的第一目标神经网络模型，并将训练后的第一目标神经网络模型作为新的第一目标神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述预测相关度包括第一预测相关度和第
二预测相关度；所述将多个所述第一样本组输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的每个所述第一样本组对应的预测相关度包括：针对每个所述第一样本组，将所述第一样本组对应的所述样本文本和所述第一正例样本输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的所述第一样本组对应的第一预测相关度，将所述第一样本组对应的所述样本文本和所述第一负例样本输入第一关联目标神经网络模型，以获取所述第一关联目标神经网络模型输出的所述第一样本组对应的第二预测相关度；所述第一关联目标神经网络模型为与所述第一目标神经网络模型结构相同，且与所述第一目标神经网络模型共享模型参数的模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述预测相关度确定第一目标损失值包括：针对每个所述第一样本组，根据所述第一预测相关度和所述第二预测相关度，确定所述第一样本组对应的关联度概率；根据所述第一预测相关度、多个所述第二预测相关度以及多个所述关联度概率，计算得到所述第一目标损失值。7.根据权利要求6所述的方法，其特征在于，所述根据所述第一预测相关度和所述第二预测相关度，确定所述第一样本组对应的关联度概率包括：在所述第一预测相关度大于所述第二预测相关度的情况下，确定所述关联度概率为第一预设概率阈值；在所述第一预测相关度小于或等于所述第二预测相关度的情况下，确定所述关联度概率为第二预设概率阈值，所述第二预设概率阈值小于所述第二预设概率阈值。8.根据权利要求5所述的方法，其特征在于，所述将多个所述第一样本组输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的每个所述第一样本组对应的预测相关度包括：针对每个所述第一样本组，将所述第一样本组对应的所述样本文本和所述第一负例样本输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的所述第一样本...

【专利技术属性】
技术研发人员：俞亚健，
申请(专利权)人：北京小米松果电子有限公司，
类型：发明
国别省市：