[发明专利]多模型融合文本匹配方法、装置、设备和存储介质

说明书

本发明涉及人工智能领域，提供一种多模型融合文本匹配方法、装置、设备和存储介质。方法包括：获取待处理的数据；通过第一神经网络模型将待处理的数据进行初筛，得到候选标准词，第一神经模型为双向门控循环单元模型、注意力模型以及softmax层串联结构的神经网络；通过第二神经网络模型将候选标准词实体初筛，得到标注实体，第二神经网络模型为条件随机场；将标注实体输入至第三神经网络模型，得到多个相似度,第三神经网络模型为卷积深度语义结构模型；获取多个相似度的权重，将相似度乘以对应的相似度的权重，得到多个标注实体得分；将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。提高文本匹配的准确率。

技术领域

本发明涉及智能决策领域，尤其涉及一种多模型融合文本匹配方法、装置、设备和存储介质。

背景技术

传统的处理过程需要大量专业人员根据实际情况进行匹配，将待匹配数据与国家发布的标准库中的名称的匹配。这种方式工作量巨大，效率非常低，且容易出现错误。随着互联网技术的发展，出现一系列基于字符串、词袋模型，或者利用机器学习、深度学习等方式实现文本匹配的方案，本质即为文本相似度计算进行匹配。在文本匹配领域，传统的文本匹配检索模型，如BM25,是基于词袋模型的精确匹配模型。但这个模型存在一定的问题，即无法处理词语的语义相关性。不能识别例如“头痛”和“头疼”等具有高度语义一致性的词语，也无法理解用词相近但语义不同的句子。而近年来新流行的利用深度学习进行端到端文本匹配模型比较好的解决了语义理解的问题，涌现出大量直接对样本进行深度文本匹配的建模方法，如深度语义结构模型(deep semantic structured model，DSSM)、基于单词序列的卷积深度语义结构模型(convolutional deep semantic，CDSSM)等。这种深度文本匹配模型相比于传统文本检索匹配模型，缓解了语义理解问题，但仍存在弱点，这种端到端的模型为了获得比较好的表现，常常使用结构非常复杂的神经网络模型，训练起来非常困难，需要大量的标签样本。

发明内容

本发明提供了一种通过配置多模型融合文本匹配方法，能够提高了文本匹配的准确度。

第一方面，本发明提供一种多模型融合文本匹配方法，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。

在一些可能的设计中，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。

在一些可能的设计中，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：