申请/专利权人：识因智能科技有限公司

申请日：2023-08-23

公开（公告）日：2024-03-29

公开（公告）号：CN117786102A

主分类号：G06F16/35

分类号：G06F16/35;G06F18/2415;G06F40/211;G06F40/284;G06F40/30;G06N3/042;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2024.03.29#公开

摘要：本发明涉及自然语言处理‑文本匹配技术领域，具体涉及一种基于图卷积网络的句法感知文本匹配方法，该模型由六部分组成：词表示层、上下文表示层、多通道图卷积层、匹配层、整合层以及预测层，模型以交叉熵损失函数作为优化目标，包括以下步骤：S1、模型的整体输入为自然语言语句和输出为关系标签y，利用图卷积网络引入句法结构信息，并有效地整合到“匹配‑聚合”框架中，提升了文本匹配任务的效果，利用了多通道图卷积网络有效地整合了句法信息，动态选择句法信息增强文本的语义表示。

主权项：1.一种基于图卷积网络的句法感知文本匹配方法，其特征在于，该模型由六部分组成：词表示层、上下文表示层、多通道图卷积层、匹配层、整合层以及预测层，模型以交叉熵损失函数作为优化目标，包括以下步骤：S1、模型的整体输入为自然语言语句和输出为关系标签y；S2、在词表示层，通过查询预先训练好的词向量表，获取输入句子中每个单词的词向量表示，分别得到两个句子的词向量表示矩阵，和d为词向量的维度；S3、在上下文表示层，通过静态词向量表示文本缺乏对文本语境的语义信息，因此还通过上下文编码获取每个词在当前上下文的表示，使用两个双向的LSTM模型分别计算两个输入句子的上下文表示，通过上下文编码后，两个句子的表示分别为，和h为上下文表示的维度，相应的双向LSTM的隐藏层维度为S4、将上下文表示和经过句法图卷积处理后的融合句法信息表示，通过门控方式进行动态的选择，基于此，在计算过程中，当一句话的句法分析结果质量较好时，模型可以更多地使用句法的信息获得文本的语义表示，在句法分析存在噪声时，也能动态地选择上下文词向量，避免强制模型必须利用句法信息参与计算；S5、词表示层、上下文表示层和多通道图卷积层的目标都是获得尽可能丰富的语义信息，充实文本表示，为后续的匹配-整合操作提供必要的特征信息；S6、通过注意力机制计算两个句子在两个方面上的匹配信息。

全文数据：

权利要求：

百度查询： 识因智能科技有限公司 一种基于图卷积网络的句法感知文本匹配方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD