[发明专利]基于细粒度匹配信号的文本相关性度量方法和系统在审
| 申请号： | 201811466325.3 | 申请日： | 2018-12-03 |
| 公开（公告）号： | CN109753649A | 公开（公告）日： | 2019-05-14 |
| 发明（设计）人： | 程学旗;庞亮;兰艳艳;郭嘉丰;沈华伟;陈丽娟;张海楠;曾玮;李家宁;赵峻瑶;倪艺函 | 申请（专利权）人： | 中国科学院计算技术研究所 |
| 主分类号： | G06F17/27 | 分类号： | G06F17/27 |
| 代理公司： | 北京律诚同业知识产权代理有限公司 11006 | 代理人： | 祁建国;梁挥 |
| 地址： | 100080 北*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 文本 语义相似度 匹配信号 词向量 细粒度 匹配矩阵 灰度图 特征图 度量 两段 神经网络结构 二维数据 函数处理 连接网络 匹配模式 实际数据 实数矩阵 图像模式 语义匹配 映射 二维 构建 灰度 卷积 集合 转换 | ||
1.一种基于细粒度匹配信号的文本相关性度量方法，其特征在于，包括：
步骤1、获取待语义匹配的两段文本，将该文本中每一个词映射为词向量，根据其中一段文本中每一个词的词向量，与另一段文本中每一个词向量的语义相似度，将所有该语义相似度集合成二维实数矩阵，作为匹配矩阵；
步骤2、将该匹配矩阵中每个元素的语义相似度转换为灰度值，得到灰度图，使用针对二维数据的卷积神经网络结构对该灰度图进行图像模式提取，得到特征图，该特征图经过全连接网络并通过逻辑斯谛函数处理后，得到0-1之间的一个分数，将该分数作为该两段文本之间的相关性。
2.如权利要求1所述的基于细粒度匹配信号的文本相关性度量方法，其特征在于，该步骤1中通过0-1精确匹配相似度度量得到该语义相似度。
3.如权利要求1所述的基于细粒度匹配信号的文本相关性度量方法，其特征在于，步骤2中该卷积神经网络结构包括：卷积层和池化层，其中该卷积层利用卷积核提取该图像模式；该池化层用于将该特征图的尺寸进行压缩。
4.如权利要求1所述的基于细粒度匹配信号的文本相关性度量方法，其特征在于，步骤1中该词向量通过将文本中每一个词输入至Word2Vec算法模型得到。
5.如权利要求1所述的基于细粒度匹配信号的文本相关性度量方法，其特征在于，该步骤1中通过余弦相似度或点积相似度构造的匹配矩阵，度量得到该语义相似度。
6.一种基于细粒度匹配信号的文本相关性度量系统，其特征在于，包括：
相似度度量模块，用于获取待语义匹配的两段文本，将该文本中每一个词映射为词向量，根据其中一段文本中每一个词的词向量，与另一段文本中每一个词向量的语义相似度，将所有该语义相似度集合成二维实数矩阵，作为匹配矩阵；
图像模式提取模块，用于将该匹配矩阵中每个元素的语义相似度转换为灰度值，得到灰度图，使用针对二维数据的卷积神经网络结构对该灰度图进行图像模式提取，得到特征图，该特征图经过全连接网络并通过逻辑斯谛函数处理后，得到0-1之间的一个分数，将该分数作为该两段文本之间的相关性。
7.如权利要求6所述的基于细粒度匹配信号的文本相关性度量系统，其特征在于，该相似度度量模块中通过0-1精确匹配相似度度量得到该语义相似度。
8.如权利要求6所述的基于细粒度匹配信号的文本相关性度量系统，其特征在于，图像模式提取模块中该卷积神经网络结构包括：卷积层和池化层，其中该卷积层利用卷积核提取该图像模式；该池化层用于将该特征图的尺寸进行压缩。
9.如权利要求6所述的基于细粒度匹配信号的文本相关性度量系统，其特征在于，相似度度量模块中该词向量通过将文本中每一个词输入至Word2Vec算法模型得到。
10.如权利要求1所述的基于细粒度匹配信号的文本相关性度量系统，其特征在于，该相似度度量模块中通过余弦相似度或点积相似度构造的匹配矩阵，度量得到该语义相似度。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国科学院计算技术研究所，未经中国科学院计算技术研究所许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201811466325.3/1.html，转载请声明来源钻瓜专利网。
