[发明专利]用于文本排序的方法和装置

权利要求书

1.一种用于文本排序的方法，包括：

获取多个文本问题各自的向量表示，其中，所述多个文本问题包括至少一个标准文本问题和用户针对某一租户提出的特定文本问题，所述多个文本问题中的每个文本问题的向量表示是通过将第一神经网络模型针对该文本问题生成的向量表示与第二神经网络模型针对该文本问题生成的向量表示组合得到的，所述第一神经网络模型是利用与租户无关的文本训练得到的，以及，所述第二神经网络模型是利用针对所述某一租户提出的文本问题对所述第一神经网络模型训练得到的；

基于所获取的所述特定文本问题的向量表示以及所述至少一个标准文本问题中的各个标准文本问题的向量表示，计算所述特定文本问题与所述至少一个标准文本问题中的各个标准文本问题的文本相似度；以及

基于所计算的文本相似度，确定所述至少一个标准文本问题中的与所述特定文本问题的文本相似度最大的标准文本问题，作为与所述特定文本问题最相关的标准文本问题。

2.如权利要求1所述的方法，其中，所述第一神经网络模型的输入层的参数值和所述第二神经网络模型的输入层的参数值相同，以及，所述第一神经网络模型的隐藏层的参数值和所述第二神经网络模型的隐藏层的参数值相同。

3.如权利要求1所述的方法，其中，所述获取多个文本问题各自的向量表示包括：

检查已存储的各个向量表示中是否存在所述多个文本问题的向量表示；

如果所述多个文本问题中的一个或若干文本问题的向量表示没有存在于所述已存储的各个向量表示中，则利用所述第一神经网络模型和所述第二神经网络模型来计算所述一个或若干文本问题各自的向量表示；以及

如果所述多个文本问题中的一个或多个文本问题的向量表示已存在于所述已存储的各个向量表示中，则从所述已存储的各个向量表示中检索出所述一个或多个文本问题各自的向量表示，

其中，所述方法还包括：存储所计算的所述至少一个文本问题的向量表示。

4.如权利要求1所述的方法，其中，所述第一神经网络模型和所述第二神经网络模型采用时间卷积网络。

5.如权利要求1所述的方法，其中，所述组合是将所述第一神经网络模型生成的向量表示与所述第二神经网络模型生成的向量表示进行拼接。

6.一种用于文本排序的装置，包括：

获取模块，用于获取多个文本问题各自的向量表示，其中，所述多个文本问题包括至少一个标准文本问题和用户针对某一租户提出的特定文本问题，所述多个文本问题中的每个文本问题的向量表示是通过将第一神经网络模型针对该文本问题生成的向量表示与第二神经网络模型针对该文本问题生成的向量表示组合得到的，所述第一神经网络模型是利用与租户无关的文本训练得到的，以及，所述第二神经网络模型是利用针对所述某一租户提出的文本问题对所述第一神经网络模型训练得到的；

计算模块，用于基于所获取的所述特定文本问题的向量表示以及所述至少一个标准文本问题中的各个标准文本问题的向量表示，计算所述特定文本问题与所述至少一个标准文本问题中的各个标准文本问题的文本相似度；以及

确定模块，用于基于所计算的文本相似度，确定所述至少一个标准文本问题中的与所述特定文本问题的文本相似度最大的标准文本问题，作为与所述特定文本问题最相关的标准文本问题。

7.如权利要求6所述的装置，其中，所述第一神经网络模型的输入层的参数值和所述第二神经网络模型的输入层的参数值相同，以及，所述第一神经网络模型的隐藏层的参数值和所述第二神经网络模型的隐藏层的参数值相同。