[发明专利]一种基于FECF的深度灾害预案智能语义匹配方法

说明书

本发明涉及基于FECF的深度灾害预案智能语义匹配方法，是一种对灾害预案进行语义匹配的方法，属于自然语言处理和深度学习领域，其特征在于采用如下步骤：(1)对灾害预案问题进行建模；(2)确定单词的特征向量；(3)确定词汇上下文编码，t位置的隐含状态输出；(4)确定文本的注意力信息；(5)确定两个语句的匹配得分；(6)确定语句的模型训练。本发明有效的解决了灾害预案匹配时间较长问题，大大节省灾害预案匹配时间，提高了灾害预案的效率，有效的改善灾害预案文本语义匹配不准确的问题，大大提升了灾害预案匹配的准确率，为灾后处理提供了科学有效的依据。

技术领域

本发明涉及自然语言处理和深度学习领域，是一种对灾害预案进行语义匹配的方法。

背景技术

灾害发生具有高度的不确定性和不可预见性，所以对于灾害的处理重在灾害发生后的科学善后，所以只要在事先建立起完备的灾害应急响应处理方案，就可以有效的降低突发灾害带来的严重后果。而灾后预案的合理实施很大程度上取决于灾害预案选取准确性。通过实施合理的灾害预案，可以大大降低灾害带来的严重后果。除此之外，灾害可能的发生具有时间上的不确定性、地点的随机性，灾害后果随着不同的时间空间的变换，产生不同的结果。所以如何选择合适的灾害预案，成为一个非常重要的问题。对于灾害预案的语义匹配，可以辅助完成对灾害预案的精准选择。文本语义的匹配，通常是通过分割关键词，然后分析判断出两个文本之间的语义关联程度，传统的基于机器学习的文本匹配需要人为定义和抽取文本特征，参数较少、泛化能力较差，效率较低，不能满足高效准确的需求。有较高的错误匹配几率。

在灾害预案智能语义匹配的问题上，重点是语义匹配的高效性与准确性。由于灾害发生的情况的多样性与不确定性，因此对于灾害预案的语义匹配提出了更高的要求。因此要实现灾害预案语义的准确匹配，确保灾后方案实施的高效性和稳定性，提出了一种基于FECF的智能语义匹配方法，降低了语义匹配的时间并且提高了灾情预案的匹配准确性，大大节省了灾情发生到预案合理选择的时间。

发明内容

针对上述现有技术中存在的问题，本发明要解决技术问题是提供一种基于FECF的深度灾害预案智能语义匹配方法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)对灾害预案问题进行建模：

score(X^k,Y^k)＝F(φ(X^k),φ(Y^k))

式中，和分别是文本X^k和Y^k的第i个和第j个词汇，φ(·)表示将文本进行词向量表征的函数，F(·)为计算两段文本语义匹配分值的匹配模型，m是语句X的长度，n是语句Y的长度。

(2)确定单词x_i的特征向量

式中，i为计数单位，E^tr是可训练词向量矩阵，E^fix为不可训练词向量矩阵，Conv为一维卷积操作，对于语句中的每一个词都采用上述步骤来抽取词汇特征向量，为可训练词向量，为固定词向量，为词汇前文编码向量，为词汇后文编码向量。

(3)确定词汇上下文编码，t位置的隐含状态输出h_t：

式中，为Bi-LSTM模型在t位置的正向输出，为Li-LSTM模型在t位置的反向输出，x_t为t位置的输入，(·)^T为转置操作。

(4)确定文本的注意力信息