CN112329429B - 文本相似度学习方法、装置、设备以及存储介质 - Google Patents
文本相似度学习方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112329429B CN112329429B CN202011374697.0A CN202011374697A CN112329429B CN 112329429 B CN112329429 B CN 112329429B CN 202011374697 A CN202011374697 A CN 202011374697A CN 112329429 B CN112329429 B CN 112329429B
- Authority
- CN
- China
- Prior art keywords
- text
- feature
- feature corresponding
- text feature
- interaction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000003993 interaction Effects 0.000 claims abstract description 47
- 230000015654 memory Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 abstract description 18
- 238000003058 natural language processing Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
Abstract
本申请公开了文本相似度学习方法、装置、设备以及存储介质,涉及自然语言处理和深度学习等人工智能技术领域。该方法的一具体实施方式包括:获取文本对,其中,文本对包括第一文本和第二文本;获取第一文本对应的第一文本特征和第二文本对应的第二文本特征;将第一文本特征与第二文本特征进行拼接,得到文本对特征;基于文本对特征进行文本间交互,得到文本对的相似度结果。该实施方式提高了文本相似度计算任务的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及自然语言处理和深度学习等人工智能技术领域,尤其涉及文本相似度学习方法、装置、设备以及存储介质。
背景技术
文本相似度的计算是常见的NLP(Natural Language Processing,自然语言处理)过程。目前,常用的文本相似度计算方式主要包括以下三种:其一,传统方法,包括字面距离、SimHash(局部敏感哈希)、DBSCAN(Density-Based Spatial Clustering ofApplications with Noise,具有噪声的基于密度的聚类方法)、编辑距离和TF-IDF(TermFrequency–Inverse Document Frequency,词频-逆向文件频率)等;其二,机器学习方法,包括随机森林、SVM(support vector machines,支持向量机)等;其三,深度学习方法,包括CNN(Convolutional Neural Network,卷积神经网络)等传统的神经网络方法、基于预训练语言模型的方法等。
对于传统方法、机器学习方法以及深度学习方法中的CNN等传统的神经网络方法,其方法效果难于超越现有的预训练语言模型。而基于预训练语言模型的方法是通过将两个文本组成对输入到模型中进行训练和预测。基于预训练语言模型的方法利用了大规模数据预训练的模型,文本句子相似度计算效果显著。然而,对于每个文本,往往有大量的候选文本,每个候选文本都需要与该文本组成对进行计算。
发明内容
本申请实施例提出了文本相似度学习方法、装置、设备以及存储介质。
第一方面,本申请实施例提出了一种文本相似度学习方法,包括:获取文本对,其中,文本对包括第一文本和第二文本;获取第一文本对应的第一文本特征和第二文本对应的第二文本特征;将第一文本特征与第二文本特征进行拼接,得到文本对特征;基于文本对特征进行文本间交互,得到文本对的相似度结果。
第二方面,本申请实施例提出了一种文本相似度学习装置,包括:第一获取模块,被配置成获取文本对,其中,文本对包括第一文本和第二文本;第二获取模块,被配置成获取第一文本对应的第一文本特征和第二文本对应的第二文本特征;拼接模块,被配置成将第一文本特征与第二文本特征进行拼接,得到文本对特征;交互模块,被配置成基于文本对特征进行文本间交互,得到文本对的相似度结果。
第三方面,本申请实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的文本相似度学习方法、装置、设备以及存储介质,首先获取包括第一文本和第二文本的文本对;之后获取第一文本对应的第一文本特征和第二文本对应的第二文本特征;然后将第一文本特征与第二文本特征进行拼接,得到文本对特征;最后基于文本对特征进行文本间交互,得到文本对的相似度结果,从而提高了文本相似度计算任务的效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请可以应用于其中的示例性系统架构;
图2是根据本申请的文本相似度学习方法的一个实施例的流程图;
图3是根据本申请的文本相似度学习方法的又一个实施例的流程图;
图4是文本相似度学习方法的模型的结构示意图;
图5是根据本申请的文本相似度学习装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的文本相似度学习方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的文本相似度学习方法或文本相似度学习装置的实施例的示例性系统架构100。
如图1所示,系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种客户端应用,例如自然语言处理应用等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以提供各种服务。例如,服务器103可以对获取到的文本对进行分析等处理,生成处理结果(例如文本对的相似度结果)。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的多任务学习方法一般由服务器103执行,相应地,多任务学习装置一般设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。此外,在服务器103存储有文本对的情况下,系统架构100可以不设置终端设备101和网络102。
继续参考图2,其示出了根据本申请的文本相似度学习方法的一个实施例的流程200。该文本相似度学习方法包括以下步骤:
步骤201,获取文本对。
在本实施例中,文本相似度学习方法的执行主体(例如图1所示的服务器103)可以获取文本对。其中,文本对可以包括第一文本和第二文本。第一文本和第二文本可以是语句。
通常,文本相似度的计算是常见的NLP过程,主要用于信息检索、问答系统和对话系统等,是为了找到与目标文本最相关的文本。例如,信息检索可以归结为查询项和文档的匹配;问答系统可以归结为问题和候选答案的匹配;对话系统可以归结为对话和回复的匹配。目标文本往往具有大量候选文本,而每个候选文本都需要与目标文本组成文本对进行相似度计算。因此,文本对中的一个文本(如第一文本)是目标文本,而另一个文本(如第二文本)就是目标文本的一个候选文本。
步骤202,获取第一文本对应的第一文本特征和第二文本对应的第二文本特征。
在本实施例中,上述执行主体可以获取第一文本对应的第一文本特征和第二文本对应的第二文本特征。其中,文本特征可以表征文本所具有的特征,以向量或矩阵的形式表示。
这里,第一文本特征和第二文本特征既可以来自于预先存储的文本特征库,也可以通过预训练语言模型学习得到。预训练语言模型可以包括但不限于ERNIE(EnhancedRepresentation from kNowledge IntEgration,知识增强语义表示模型)、BERT(Bidirectional Encoder Representation from Transformers,基于变压器的双向编码器表示)等。ERNIE集先进的预训练模型、全面的NLP算法集、端到端开发套件和平台化服务于一体,提供一站式NLP开发与服务,让开发者更简单、高效地定制企业级文本模型。BERT是一个深度双向表示预训练语言模型,能够更深层次地提取文本的语义信息。
步骤203,将第一文本特征与第二文本特征进行拼接,得到文本对特征。
在本实施例中,上述执行主体可以将第一文本特征与第二文本特征进行拼接,得到文本对特征。例如,若第一文本特征是10维向量,第二文本特征均是15维向量,那么文本对特征就是第一文本特征与第二文本特征拼接得到的25维向量。若第一文本特征是10×100矩阵,第二文本特征均是15×100矩阵,那么文本对特征就是第一文本特征与第二文本特征拼接得到的25×100矩阵。
步骤204,基于文本对特征进行文本间交互,得到文本对的相似度结果。
在本实施例中,上述执行主体可以基于文本对特征进行文本间交互,得到文本对的相似度结果。例如,对文本对特征进行文本间交互,得到文本对特征中的每个词语的特征向量,对每个词语的特征向量做激活,得到文本对的相似度结果。
目前,在事件抽取中存在较多的需要相似度计算的场景,如归一、事件名等等,都需要使用相似度计算方法,且计算量较大。因此,使用本申请实施例提供的文本相似度学习方法,可以提高计算的实效性,同时节约计算资源。
本申请实施例提供的文本相似度学习方法,首先获取包括第一文本和第二文本的文本对;之后获取第一文本对应的第一文本特征和第二文本对应的第二文本特征;然后将第一文本特征与第二文本特征进行拼接,得到文本对特征;最后基于文本对特征进行文本间交互,得到文本对的相似度结果,从而提高了文本相似度计算任务的效率。
进一步参考图3,其示出了根据本申请的文本相似度学习方法的又一个实施例的流程300。该文本相似度学习方法包括以下步骤:
步骤301,获取文本对。
在本实施例中,步骤301具体操作已在图2所示的实施例中步骤201进行了详细的介绍,在此不再赘述。
步骤302,基于第一文本和第二文本查询文本特征库。
在本实施例中,上述执行主体可以基于第一文本和第二文本查询文本特征库。若在文本特征库中未查询到第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,执行步骤303;若在文本特征库中查询到第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,执行步骤305。其中,文本特征库可以用于存储文本和对应的文本特征。
步骤303,将第一文本和/或第二文本输入预训练语言模型,学习得到第一文本对应的第一文本特征和/或第二文本对应的第二文本特征。
在本实施例中,若在文本特征库中未查询到第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,对于未查询到的文本,上述执行主体可以将未查询到的文本输入预训练语言模型,学习得到对应的文本特征。其中,预训练语言模型可以包括但不限于ERNIE、BERT等。ERNIE集先进的预训练模型、全面的NLP算法集、端到端开发套件和平台化服务于一体,提供一站式NLP开发与服务,让开发者更简单、高效地定制企业级文本模型。BERT是一个深度双向表示预训练语言模型,能够更深层次地提取文本的语义信息。
步骤304,将第一文本对应的第一文本特征和/或第二文本对应的第二文本特征存储到文本特征库。
在本实施例中,上述执行主体可以将未查询到的文本和对应的文本特征存储到文本特征库。这样,当再次计算这个文本与其他文本的相似度时,就可以从文本特征库中获取这个文本的文本特征,从而降低计算量。
步骤305,从文本特征库中获取第一文本对应的第一文本特征和/或第二文本对应的第二文本特征。
在本实施例中,若在文本特征库中查询到第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,对于查询到的文本,上述执行主体可以从文本特征库中获取查询到的文本对应的文本特征。查询到的文本无需输入预训练语言模型学习文本特征,从而降低计算量。
步骤306,将第一文本特征与第二文本特征进行拼接,得到文本对特征。
在本实施例中,步骤306具体操作已在图2所示的实施例中步骤203进行了详细的介绍,在此不再赘述。
步骤307,将文本对特征输入交互层进行文本间交互,得到文本对特征中的每个词语的特征向量。
在本实施例中,上述执行主体可以首先在第一文本特征的开头,以及第一文本特征和第二文本特征的结尾插入有特定字符,然后将文本特征对输入交互层进行文本间交互,得到文本对特征中的每个词语的特征向量。其中,第一文本特征的开头插入的特定字符可以例如是[cls],第一文本特征和第二文本特征的结尾插入的特定字符可以例如是[sep],得到的文本特征对可以例如是:[cls]第一文本特征[sep]第二文本特征[sep]。
通常,交互层是transformer结构。transformer参数较少,文本特征对通过transformer进行文本间交互,计算量较小。
步骤308,将处于第一位的词语的特征向量输入输出层进行分类,得到文本对的相似度结果。
在本实施例中,上述执行主体介意将处于第一位的词语的特征向量输入输出层进行分类,得到文本对的相似度结果。其中,第一位的词语是在第一文本特征的开头插入的特定字符[cls]。也就是说,对[cls]的特征向量进行分类。
需要说明的是,预训练语言模型、交互层和输出层组成孪生网络,利用交互层进行后交互。由于交互层的参数较少,从而降低了计算量。
从图3中可以看出,与图2对应的实施例相比,本实施例中的文本相似度学习方法的流程300突出了文本间交互的步骤。由此,本实施例描述的方案利用孪生网络改进预训练语言模型,由预训练语言模型、交互层和输出层组成孪生网络,将预训练语言模型计算过程的全称交互改进为后交互。两个文本通过预训练语言模型后得到的文本特征经过一个交互层进行后交互,由于交互层的参数较少,从而降低了计算量,提升了计算效率,节约了计算资源。
为了便于理解,下面提供可以实现本申请实施例的文本相似度学习方法的应用场景。在该应用场景中,学习语句1和语句2的相似度。图4是文本相似度学习方法的模型的结构示意图。如图4所示,语句1和语句2从输入层分别输入至预训练语言模型,输出语句1特征和语句2特征,语句1特征和语句2特征拼接(concat)得到语句对特征,语句对特征输入至交互层的transformer进行语句间交互,得到语句对特征中的每个词语的特征向量,语句对特征中的每个词语的特征向量输入到输出层进行分类,得到语句对的类别。其中,语句对的类别可以表征语句1和语句2是否相似。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种文本相似度学习装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的文本相似度学习装置500可以包括:第一获取模块501、第二获取模块502、拼接模块503和交互模块504。其中,第一获取模块501,被配置成获取文本对,其中,文本对包括第一文本和第二文本;第二获取模块502,被配置成获取第一文本对应的第一文本特征和第二文本对应的第二文本特征;拼接模块503,被配置成将第一文本特征与第二文本特征进行拼接,得到文本对特征;交互模块504,被配置成基于文本对特征进行文本间交互,得到文本对的相似度结果。
在本实施例中,文本相似度学习装置500中:第一获取模块501、第二获取模块502、拼接模块503和交互模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,第二获取模块502包括:查询子模块,被配置成基于第一文本和第二文本查询文本特征库;学习子模块,被配置成若在文本特征库中未查询到第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,将第一文本和/或第二文本输入预训练语言模型,学习得到第一文本对应的第一文本特征和/或第二文本对应的第二文本特征。
在本实施例的一些可选的实现方式中,文本相似度学习装置500还包括:存储模块,被配置成将第一文本对应的第一文本特征和/或第二文本对应的第二文本特征存储到文本特征库。
在本实施例的一些可选的实现方式中,第二获取模块502还包括:获取子模块,被配置成若在文本特征库中查询到第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,从文本特征库中获取第一文本对应的第一文本特征和/或第二文本对应的第二文本特征。
在本实施例的一些可选的实现方式中,交互模块504进一步被配置成:将文本对特征输入交互层进行文本间交互,得到文本对特征中的每个词语的特征向量,其中,第一文本特征的开头,以及第一文本特征和第二文本特征的结尾插入有特定字符;将处于第一位的词语的特征向量输入输出层进行分类,得到文本对的相似度结果。
在本实施例的一些可选的实现方式中,预训练语言模型、交互层和输出层组成孪生网络,利用交互层进行后交互。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例文本相似度学习方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的文本相似度学习方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的文本相似度学习方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的文本相似度学习方法对应的程序指令/模块(例如,附图5所示的第一获取模块501、第二获取模块502、拼接模块503和交互模块504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的文本相似度学习方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据文本相似度学习方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至文本相似度学习方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
文本相似度学习方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与文本相似度学习方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案,首先获取包括第一文本和第二文本的文本对;之后获取第一文本对应的第一文本特征和第二文本对应的第二文本特征;然后将第一文本特征与第二文本特征进行拼接,得到文本对特征;最后基于文本对特征进行文本间交互,得到文本对的相似度结果,从而提高了文本相似度计算任务的效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种文本相似度学习方法,包括:
获取文本对,其中,所述文本对包括第一文本和第二文本;
获取所述第一文本对应的第一文本特征和第二文本对应的第二文本特征;
将所述第一文本特征与所述第二文本特征进行拼接,得到文本对特征;
将所述文本对特征输入交互层进行文本间交互,得到所述文本对特征中的每个词语的特征向量,其中,所述第一文本特征的开头,以及所述第一文本特征和所述第二文本特征的结尾插入有特定字符;将处于第一位的词语的特征向量输入输出层进行分类,得到所述文本对的相似度结果。
2.根据权利要求1所述的方法,其中,所述获取所述第一文本对应的第一文本特征和第二文本对应的第二文本特征,包括:
基于所述第一文本和所述第二文本查询文本特征库;
若在所述文本特征库中未查询到所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,将所述第一文本和/或所述第二文本输入预训练语言模型,学习得到所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征。
3.根据权利要求2所述的方法,其中,所述方法还包括:
将所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征存储到所述文本特征库。
4.根据权利要求3所述的方法,其中,所述获取所述第一文本对应的第一文本特征和第二文本对应的第二文本特征,还包括:
若在所述文本特征库中查询到所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,从所述文本特征库中获取所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征。
5.根据权利要求2所述的方法,其中,所述预训练语言模型、所述交互层和所述输出层组成孪生网络,利用所述交互层进行后交互。
6.一种文本相似度学习装置,包括:
第一获取模块,被配置成获取文本对,其中,所述文本对包括第一文本和第二文本;
第二获取模块,被配置成获取所述第一文本对应的第一文本特征和第二文本对应的第二文本特征;
拼接模块,被配置成将所述第一文本特征与所述第二文本特征进行拼接,得到文本对特征;
交互模块,被配置成将所述文本对特征输入交互层进行文本间交互,得到所述文本对特征中的每个词语的特征向量,其中,所述第一文本特征的开头,以及所述第一文本特征和所述第二文本特征的结尾插入有特定字符;将处于第一位的词语的特征向量输入输出层进行分类,得到所述文本对的相似度结果。
7.根据权利要求6所述的装置,其中,所述第二获取模块包括:
查询子模块,被配置成基于所述第一文本和所述第二文本查询文本特征库;
学习子模块,被配置成若在所述文本特征库中未查询到所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,将所述第一文本和/或所述第二文本输入预训练语言模型,学习得到所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征。
8.根据权利要求7所述的装置,其中,所述装置还包括:
存储模块,被配置成将所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征存储到所述文本特征库。
9.根据权利要求8所述的装置,其中,所述第二获取模块还包括:
获取子模块,被配置成若在所述文本特征库中查询到所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征,从所述文本特征库中获取所述第一文本对应的第一文本特征和/或第二文本对应的第二文本特征。
10.根据权利要求7所述的装置,其中,所述预训练语言模型、所述交互层和所述输出层组成孪生网络,利用所述交互层进行后交互。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374697.0A CN112329429B (zh) | 2020-11-30 | 2020-11-30 | 文本相似度学习方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374697.0A CN112329429B (zh) | 2020-11-30 | 2020-11-30 | 文本相似度学习方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329429A CN112329429A (zh) | 2021-02-05 |
CN112329429B true CN112329429B (zh) | 2024-04-26 |
Family
ID=74308218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011374697.0A Active CN112329429B (zh) | 2020-11-30 | 2020-11-30 | 文本相似度学习方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329429B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219050B (zh) * | 2022-02-22 | 2022-06-21 | 杭州远传新业科技股份有限公司 | 文本相似度模型的训练方法、系统、装置和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015026057A (ja) * | 2013-07-29 | 2015-02-05 | 韓國電子通信研究院Electronics and Telecommunications Research Institute | インタラクティブキャラクター基盤の外国語学習装置及び方法 |
CN109299262A (zh) * | 2018-10-09 | 2019-02-01 | 中山大学 | 一种融合多粒度信息的文本蕴含关系识别方法 |
CN110738059A (zh) * | 2019-10-21 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 一种文本相似度计算方法及系统 |
CN111325029A (zh) * | 2020-02-21 | 2020-06-23 | 河海大学 | 一种基于深度学习集成模型的文本相似度计算方法 |
CN111737954A (zh) * | 2020-06-12 | 2020-10-02 | 百度在线网络技术(北京)有限公司 | 文本相似度确定方法、装置、设备和介质 |
-
2020
- 2020-11-30 CN CN202011374697.0A patent/CN112329429B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015026057A (ja) * | 2013-07-29 | 2015-02-05 | 韓國電子通信研究院Electronics and Telecommunications Research Institute | インタラクティブキャラクター基盤の外国語学習装置及び方法 |
CN109299262A (zh) * | 2018-10-09 | 2019-02-01 | 中山大学 | 一种融合多粒度信息的文本蕴含关系识别方法 |
CN110738059A (zh) * | 2019-10-21 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 一种文本相似度计算方法及系统 |
CN111325029A (zh) * | 2020-02-21 | 2020-06-23 | 河海大学 | 一种基于深度学习集成模型的文本相似度计算方法 |
CN111737954A (zh) * | 2020-06-12 | 2020-10-02 | 百度在线网络技术(北京)有限公司 | 文本相似度确定方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
基于多层注意力机制的中文文本蕴涵识别方法;严明;刘茂福;胡慧君;;计算机工程与设计;20200816(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329429A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3923160A1 (en) | Method, apparatus, device and storage medium for training model | |
JP7317791B2 (ja) | エンティティ・リンキング方法、装置、機器、及び記憶媒体 | |
KR102504699B1 (ko) | 엔티티 링킹 방법, 장치, 기기, 저장 매체 및 컴퓨터 프로그램 | |
EP3828719A2 (en) | Method and apparatus for generating model for representing heterogeneous graph node, electronic device, storage medium, and computer program product | |
US11847164B2 (en) | Method, electronic device and storage medium for generating information | |
KR20210037619A (ko) | 멀티 모달 콘텐츠 처리 방법, 장치, 기기 및 저장 매체 | |
CN111079442B (zh) | 文档的向量化表示方法、装置和计算机设备 | |
US20210390260A1 (en) | Method, apparatus, device and storage medium for matching semantics | |
CN111967256B (zh) | 事件关系的生成方法、装置、电子设备和存储介质 | |
JP2022018095A (ja) | マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体 | |
EP4006909A1 (en) | Method, apparatus and device for quality control and storage medium | |
JP7093397B2 (ja) | 質問応答ロボットの生成方法および装置 | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN110674260B (zh) | 语义相似模型的训练方法、装置、电子设备和存储介质 | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
JP2021111334A (ja) | 検索データに基づくヒューマンコンピュータ対話型インタラクションの方法、装置及び電子機器 | |
CN111666751B (zh) | 训练文本扩充方法、装置、设备以及存储介质 | |
CN111460135B (zh) | 用于生成文本摘要的方法和装置 | |
CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 | |
CN112329429B (zh) | 文本相似度学习方法、装置、设备以及存储介质 | |
CN111125445B (zh) | 社区主题生成方法、装置、电子设备及存储介质 | |
CN111651988B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN111931524B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN111898762B (zh) | 深度学习模型目录创建 | |
CN112417156B (zh) | 多任务学习方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |