[发明专利]一种文本语义相似度计算方法

权利要求书

1.一种文本语义相似度计算方法，其特征在于，包括：

步骤1、将文本转化为向量矩阵；

步骤2、利用Siamese BiLSTM网络提取文本的全局特征，并结合Co-Attention机制提取包含文本交互信息的全局特征矩阵；

步骤3、对向量矩阵使用CapsNet提取文本的局部特征，使用SENet网络校准每个局部特征的重要程度，得到局部特征矩阵；

步骤4、对全局特征矩阵和局部特征矩阵进行融合，使用BILSTM网络提取上下文信息，得到两个文本的语义相似度矩阵；

步骤5、对两个语义相似度矩阵进行融合，通过池化、全连接层判断两个文本的语义相似度。

2.根据权利要求1所述的文本语义相似度计算方法，其特征在于，步骤1具体包括：

将句子的长度截取为m，使用n维预训练的GloVe模型进行词嵌入，将文本表示为含有语义信息的m*n向量矩阵。

3.根据权利要求1所述的文本语义相似度计算方法，其特征在于，步骤2具体包括：

使用共享参数的Siamese BiLSTM网络提取文本的全局特征，得到两个文本的全局特征矩阵M和N；

使用Co-Attention机制结合全局特征矩阵M和N，得到矩阵L＝M^T*N；

对L分别按行和按列求softmax，得到第一文本对第二文本的attention矩阵A^N＝softmax(L)和A^M＝softmax(L^T)；

将attention应用到第二文本中，在基于加入attention之后的第二文本的信息生成第一文本的attention矩阵C^N＝M*A^N和C^M＝C^N*A^M，得到含有交互信息的全局特征矩阵。

4.根据权利要求1所述的文本语义相似度计算方法，其特征在于，使用SENet网络校准每个局部特征的重要程度，具体包括：

将CapsNet网络DigitCaps层的输出作为文本局部特征矩阵，将其输入到SENet网络中，构建SECapsNet网络对文本的局部特征进行校准。

5.根据权利要求3所述的语义相似度计算方法，其特征在于，使用共享参数的SiameseBiLSTM网络提取文本的全局特征，得到两个文本的全局特征矩阵M和N，具体为：

使用两个LSTM分别从前后两个方向进行运算，BiLSTM在t时刻的输出为：

其中，表示t时刻前向LSTM的输出，表示t时刻后向LSTM的输出，w_f和W_b分别为前向LSTM和后向LSTM的隐藏层状态，b_t表示偏置量，h_t表示BiLSTM在t时刻的输出。