文本匹配方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本申请公开了文本匹配方法、装置、电子设备及计算机可读存储介质。该方法包括：将待匹配的第一文本和第二文本输入文本匹配模型进行文本匹配处理，输出第一文本和第二文本的匹配结果；其中，文本匹配模型包括第一交互层、分布层和第二交互层；第一交互层，用于将输入的第一文本和第二文本进行交叉注意力学习，输出第一文本向量和第二文本向量；分布层，用于分别对输入的第一文本向量和第二文本向量进行表示学习，输出第三文本向量和第四文本向量；第二交互层，用于将输入的第三文本向量和第四文本向量进行拼接得到第五文本向量，以及对第五文本向量计算文本相似度，输出匹配结果。通过上述方式，能够提高文本匹配的准确性。能够提高文本匹配的准确性。能够提高文本匹配的准确性。

【技术实现步骤摘要】
文本匹配方法、装置、电子设备及计算机可读存储介质


[0001]本申请涉及文本处理
，特别涉及文本匹配方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]文本匹配任务是自然语言处理(Natural Language Processing，NLP)中重要的研究方向，不论是在信息检索(Information Retrieval，IR)、问题回答(Question Answer，QA)还是复述识别(Paraphrase Recognition，PR)等任务中都扮演着重要的角色。传统的文本匹配方法依赖于预定义的模板和人工提取的规则。
[0003]随着深度学习的发展，深度神经网络已经普遍应用于自然语言处理任务中，以降低人工提取特征所耗费的成本和时间。文本匹配任务旨在给定两段文本Q和D，通过提取文本中存在的语义信息和相似度特征来给出两段文本的相似度值，由最终的相似度值可以得知两段文本的内容是否属于相似的描述。
[0004]目前文本匹配存在准确性不足的问题。

技术实现思路

[0005]为了解决上述问题，本申请本文档来自技高网...

【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：将待匹配的第一文本和第二文本输入文本匹配模型进行文本匹配处理，输出所述第一文本和所述第二文本的匹配结果；其中，所述文本匹配模型包括第一交互层、分布层和第二交互层；所述第一交互层，用于将输入的所述第一文本和所述第二文本进行交叉注意力学习，输出第一文本向量和第二文本向量；所述分布层，用于分别对输入的所述第一文本向量和所述第二文本向量进行表示学习，输出第三文本向量和第四文本向量；所述第二交互层，用于将输入的所述第三文本向量和所述第四文本向量进行拼接得到第五文本向量，以及对所述第五文本向量计算文本相似度，输出所述匹配结果。2.根据权利要求1所述的方法，其特征在于，所述第一交互层包括：第一嵌入层、第二嵌入层、相似矩阵层和处理层；所述第一嵌入层，用于对输入的所述第一文本进行词嵌入处理，输出第一处理文本；所述第二嵌入层，用于对输入的所述第二文本进行词嵌入处理，输出第二处理文本；所述相似矩阵层，用于将输入的所述第一处理文本和所述第二处理文本进行相似度处理，输出第一权重向量和第二权重向量；所述处理层，用于将输入的所述第二权重向量与所述第一处理文本融合，输出第一文本向量，以及将所述第一权重向量与所述第二处理文本融合，输出第二文本向量。3.根据权利要求2所述的方法，其特征在于，所述相似矩阵层具体用于：确定所述第一处理文本和所述第二处理文本的相似度矩阵；对所述相似度矩阵进行行归一化处理，得到所述第一权重向量，以及对所述相似度矩阵进行列归一化处理，得到所述第二权重向量。4.根据权利要求1所述的方法，其特征在于，所述分布层包括：第一粒度网络、第二粒度网络、第一记忆网络、第二记忆网络、第一注意力层和第二注意力层；所述第一粒度网络，用于对输入的所述第一文本向量进行多粒度提取，得到多个不同的第一粒度信息，并将所述第一粒度信息进行拼接，得到第一拼接向量；所述第一记忆网络，用于对输入的所述第一拼接向量进行特征提取，输出提取的第一特征向量；第一注意力层，用于对输入的所述第一特征向量进行表示学习，输出所述第三文本向量；所述第二粒度网络，用于对输入的所述第二文本向量进行多粒度提取，得到多个不同的第二粒度信息，并将所述第二粒度信息进行拼接，得到第二拼接向量；所述第二记忆网络，用于对输入的所述第二拼接向量进行特征提取，输出提取的第二特征向量；第二注意力层，用于对输入的所述第二...

【专利技术属性】
技术研发人员：吕乐宾，蒋宁，王洪斌，吴海英，权佳成，
申请(专利权)人：马上消费金融股份有限公司，
类型：发明
国别省市：