[发明专利]问答文本的语义匹配方法、装置、介质及电子设备

说明书

本公开提供了一种问答文本的语义匹配方法，包括利用循环神经网络获取问题文本的具有上下文局部特征的特征向量序列和候选答案文本的具有上下文局部特征的特征向量序列；基于问题文本和所述候选答案文本的具有上下文局部特征的特征向量序列和所述问题文本和候选答案的具有上下文局部特征的特征向量序列中每个特征向量的注意力权重，生成问题文本的具有上下文局部特征和全局特征的特征向量序列和候选答案文本的具有上下文局部特征和全局特征的特征向量序列；根据问题文本的具有上下文局部特征和全局特征的特征向量序列、候选答案文本的具有上下文局部特征和全局特征的特征向量序列，确定问题文本与候选答案的语义匹配度。

技术领域

本发明涉及自然语言处理技术领域，具体而言，涉及一种问答文本的语义匹配方法、装置、介质及电子设备。

背景技术

目前，基于深度学习的问答文本语义匹配的方法可以包含以下步骤：基于神经网络训练的词嵌入模型对文本进行词向量表示，其表示语义能力更强。通过构建长短时记忆网络LSTM(Long Short-Term Memory)或门控循环单元GRU(Gated Recurrent Unit)等深度学习等模型对文本建模。虽然这些方法对特征选取依赖性较低，一定程度上提取了文本浅层语义信息和上下文局部特征，但不能表示大量重点全局特征，因此降低了问答文本语义匹配的准确性。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明实施例的目的在于提供一种问答文本的语义匹配方法、装置、介质及电子设备，进而至少可以在一定程度上克服问答文本语义匹配的准确性较低的问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明实施例的第一方面，提供了一种问答文本的语义匹配方法，包括：利用循环神经网络获取问题文本的具有上下文局部特征的特征向量序列和候选答案文本的具有上下文局部特征的特征向量序列；基于所述问题文本的具有上下文局部特征的特征向量序列和所述问题文本的具有上下文局部特征的特征向量序列中每个特征向量的注意力权重，生成所述问题文本的具有上下文局部特征和全局特征的特征向量序列；基于所述候选答案文本的具有上下文局部特征的特征向量序列和所述候选答案文本的具有上下文局部特征的特征向量序列中每个特征向量的注意力权重，生成所述候选答案文本的具有上下文局部特征和全局特征的特征向量序列；根据所述问题文本的具有上下文局部特征和全局特征的特征向量序列、所述候选答案文本的具有上下文局部特征和全局特征的特征向量序列，确定所述问题文本与所述候选答案文本的语义匹配度。

在本发明的一些实施例中，基于前述方案，所述循环神经网络包括双向循环神经网络，所述双向循环神经网络中的循环神经网络包括基于长短时记忆LSTM和/或基于门控循环单元GRU的网络。

在本发明的一些实施例中，基于前述方案，上述还包括：基于所述问题文本的具有上下文局部特征的特征向量序列和所述候选答案文本的具有上下文局部特征的特征向量序列，生成背景信息，所述背景信息包括所述问题文本的词向量和所述候选答案的词向量在循环神经网络最后时刻之前的所有时间状态的语义信息；根据所述背景信息，确定所述问题文本的具有上下文局部特征的特征向量序列中每个时刻特征向量的注意力权重和所述候选答案文本的具有上下文局部特征的特征向量序列中每个时刻特征向量的注意力权重。