[发明专利]多模型融合文本匹配方法、装置、设备和存储介质

权利要求书

1.一种多模型融合文本匹配方法，其特征在于，所述方法包括：

获取待处理的数据；

通过第一神经网络模型将所述待处理的数据进行初筛，得到候选标准词，所述第一神经模型为双向门控循环单元模型、注意力模型以及软最大值softmax层串联结构的神经网络；

通过第二神经网络模型将所述候选标准词实体初筛，得到标注实体，所述第二神经网络模型为条件随机场；

将所述标注实体输入至第三神经网络模型，得到多个相似度,所述第三神经网络模型为卷积深度语义结构模型；

获取多个所述相似度的权重，将所述相似度乘以对应的所述相似度的权重，得到多个标注实体得分；

将所述标注得分对应的标注实体按照数值大小从大到小的排序，形成对应标准术语。

2.根据权利要求1所述的方法，其特征在于，所述通过第一神经网络模型将所述待处理的数据进行初筛，得到候选标准词，包括：

将所述待处理的数据输入至所述双向门控循环单元模型，通过所述双向门控循环单元模型将所述待处理的数据转换成向量矩阵，得到特征向量；

将所述特征向量输入至所述注意力模型，通过权值对所述特征向量进行加权求和，得到多个文本标签以及对应文本标签的概率；

将所述多个文本标签以及对应文本标签的概率通过softmax层分类，得到所述候选标准词。

3.根据权利要求1所述的方法，其特征在于，所述通过第二神经网络模型将所述候选标准词实体初筛，得到标注实体，所述第二神经网络模型为条件随机场，包括：

获取带标注的语料数据，所述带标注的语料数据至少包括词语、词性以及字在词语中的位置；

通过所述第二神经网络模型对所述医疗语料数据迭代，得到训练好的条件随机场模型；

获取所述候选标准词的词语、词性以及字在词语中的位置，得到所述候选标准词的词语特征；

将所述词语特征输入至所述训练好的条件随机场模型，通过所述训练好的条件随机场模型生成序列标注，得到标注实体。

4.根据权利要求1所述的方法，其特征在于，所述将所述标注实体输入至第三神经网络模型，得到多个相似度，所述第三神经网络模型为卷积深度语义结构模型，包括：

将所述标注实体输入至所述第三神经网络模型，所述第三神经网络模型为卷积深度语义结构模型；

通过链接卷积层对所述标注实体进行卷积操作，得到多个相似度；

将所述多个相似度链接池化层，通过窗口输出所述多个相似度中的最大值。

5.根据权利要求1所述的方法，其特征在于，所述获取待处理的数据之前，所述方法还包括：

获取多个训练数据；

将所述训练数据输入至所述第一神经网络模型，通过神经网络训练算法以及所述训练数据更新所述第一次神经网络模型的神经元权值，以得到目标模型；

调整所述目标模型的神经元的权值，并更新所述第一神经网络模型。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述将所述待处理的数据通过第一神经网络模型进行初筛，得到候选标准词之后，所述通过第二神经网络模型将所述候选标准词实体初筛，得到标注实体之前，所述方法还包括：

所述第一神经网络模型得到候选标准词后，返回一个32位的2进制数；

若第i位是1，则确定第i+1层的神经网络运行正常，所述i是大于等于0且小于32的整数；

若第i位是0，则确定第i+1层的神经网络运行存在异常。

7.根据权利要求1所述的方法，其特征在于，所述获取多个所述相似度的权重，将所述相似度乘以对应的所述相似度的权重，得到多个所述标注实体得分，包括：

通过计算所述权重，其中Fw是指所述权值，N是指所述核心关键词出现的句子数，M是指所述特征向量的数量；

将所述相似度乘以对应的所述相似度的权重，得到多个所述标注实体得分。