[发明专利]一种含专有名词的句子向量相似度匹配优化方法、装置及存储介质

权利要求书

1.一种含专有名词句子向量相似度优化方法，包括如下步骤：

步骤1：整理行业或厂商的产品说明书、用户已有的咨询问题中包含行业或厂商专业词汇的语料；

步骤2：将整理好的语料输入到开源词向量算法模型，设置向量维数、训练窗口大小、学习速率等相关参数，得到专业领域词向量模型model_pro；

步骤3：获取行业或厂商知识库的知识点，对原始文本进行预处理；

步骤4：将预处理后的知识点通过专业词向量模型model_pro查询出各个词的词向量，将各个词的词向量相加，得到专业模型下的句子向量a11；

步骤5：将预处理后的知识点通过通用领域词向量模型model_gen查询出各个词的词向量，将各个词的词向量相加，得到通用模型下的句子向量a21；

步骤6：重复步骤3、4、5，得到所有知识点的专业模型下的句子向量即专业词向量集A1和通用模型下的句子向量即通用词向量集A2；

步骤7：获取待处理的用户咨询内容，对原始文本进行预处理；

步骤8：将用户咨询内容经预处理后的知识点通过专业词向量模型model_pro查询出各个词的词向量，将各个词的词向量相加，得到专业模型下的句子向量b1；

步骤9：计算 b1与向量集A1中所有向量的相似度，获取出最相似的n个知识集合C，以及对应的相似度P1[p10,p12…p1n]；

步骤10：将用户咨询内容经预处理后的知识点通过专业词向量模型model_gen查询出各个词的词向量，将各个词的词向量相加，得到专业模型下的句子向量b2；

步骤11：获取步骤9中计算出的最相似的n个知识点所对应的向量集A2中的句子向量；

步骤12：分别计算b2与步骤11中的n个句子向量的相似度，得到相似度P2[p20,p22,…,p2n]；

步骤13：赋予专业词向量模型相似度权重λ，计算出最终相似度P=λP1+(1-λ)P2 。

2.根据权利要求1所述的含专有名词的句子向量相似度优化方法，其特征在于，所述预处理包括分词得到各个词语，去停用词去掉不重要的词语。

3.根据权利要求1所述的含专有名词的句子向量相似度优化方法，其特征在于，所述步骤2中的相关参数根据专有领域的语料规模以及算力要求来动态设置。

4.根据权利要求1所述的含专有名词的句子向量相似度优化方法，其特征在于，所述n的取值根据实际知识库规模来定。

5.一种含专有名词的句子向量相似度优化装置，其特征在于，所述装置包括存储器和处理器，所述存储器中存储有指令，所述指令用于使得所述处理器能够执行根据权利要求1至4中任一项所述的含专有名词的句子向量相似度优化方法。

6.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有指令，所述指令用于使得机器能够执行根据权利要求1至4中任一项所述的含专有名词的句子向量相似度优化方法。