CN114358210A - 文本相似度计算方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请适用于人工智能技术领域，提供一种文本相似度计算方法、装置、计算机设备及存储介质，其中方法包括：对至少两组待判别内容进行信息抽取，得到结构化字段信息；基于目标Bert模型对所述结构化字段信息进行文本处理，获取目标Bert模型中N个目标编码层分别处理得到的词嵌入向量，从每一词嵌入向量中分别抽取出CLS标志位的向量表示并对CLS标志位的向量表示进行拼接，得到目标向量表示；基于目标向量表示对至少两组待判别内容进行相似度判别，得到待判别内容之间的相似度判别结果。该方案能够融合进入更多编码层的输出结果中蕴含的文本特征，提升相似度判断的准确度。

Description

文本相似度计算方法、装置、计算机设备及存储介质

技术领域

本申请属于人工智能技术领域，尤其涉及一种文本相似度计算方法、装置、计算机设备及存储介质。

背景技术

Bert(Bidirectional Encoder Representations from Transformers，基于转换器的双向编码表征)模型作为NLP(Natural Language Processing，自然语言处理)领域中的一个重大突破技术，是一个用作为特征抽取器的深度双向预训练语言理解模型。该Bert模型能够实现文本特征的准确提取，基于Bert模型实现文本信息之间相似度判断，实现自然语言处理，是重要的应用方向。

现有在进行文本相似度计算时，通常是基于现有的Bert模型进行直接应用，现有Bert模型通过设定层数的编码层(Encoder)间的逐层传递进行数据编码，使用数据逐层传递后的最终输出结果进行数据相似度判断。但现有Bert模型在进行数据处理时，处理对象中包含的文本内容复杂繁多，会对模型提取文本内容之间的关系特征时的准确度造成噪声及干扰，给基于Bert模型进行相似度判断的最终准确性带来一定挑战。

发明内容

本申请实施例提供了一种文本相似度计算方法、装置、计算机设备及存储介质，以解决现有技术中Bert模型在进行数据处理时，处理对象中包含的文本内容复杂繁多，会对模型提取文本内容之间的关系特征时的准确度造成噪声及干扰，影响相似度判断的最终准确性的问题。

本申请实施例的第一方面提供了一种文本相似度计算方法，包括：

对至少两组待判别内容进行信息抽取，得到结构化字段信息；

基于目标Bert模型对所述结构化字段信息进行文本处理，获取所述目标Bert模型中N个目标编码层分别处理得到的词嵌入向量，其中，所述N个目标编码层中包含N-1个中间编码层及最后一层编码层；N为大于1的整数；

从每一所述词嵌入向量中分别抽取出CLS标志位的向量表示并对所述CLS标志位的向量表示进行拼接，得到目标向量表示；

基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果。

可选地，所述对至少两组待判别内容进行信息抽取，得到结构化字段信息，包括：

分别对至少两组所述待判别内容进行文本内容抽取，得到目标文本数据；

将每组所述待判别内容分别对应的所述目标文本数据的末尾插入SEP句子分隔位，依照设定次序对插入有所述SEP句子分隔位的所述目标文本数据进行串接；

在串接后的所述目标文本数据所形成整体的首位插入CLS标志位，得到所述结构化字段信息。

可选地，所述基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果，包括：

依照设定特征维度对每组所述待判别内容进行特征抽取，得到特征关键词；

对于不同的所述设定特征维度，分别对至少两组所述待判别内容的所述特征关键词进行相似度计算，得到每一所述设定维度下的特征相似度计算结果；

将所有所述设定维度下的所述特征相似度计算结果进行数组构造，得到与至少两组所述待判别内容对应的特征向量表示；

将所述特征向量表示与所述目标向量表示进行拼接，基于拼接后的向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果。

可选地，所述对于不同的所述设定特征维度，分别对至少两组所述待判别内容的所述特征关键词进行相似度计算，得到每一所述设定维度下的特征相似度计算结果，包括：

对于不同的所述设定特征维度，分别对至少两组所述待判别内容的所述特征关键词进行编辑距离相似度计算得到第一相似度值及进行杰德卡相似度计算得到第二相似度值；

将每一所述设定维度下的所述第一相似度值及所述第二相似度值确定为所述特征相似度计算结果。

可选地，所述将所有所述设定维度下的所述特征相似度计算结果进行数组构造，得到与至少两组所述待判别内容对应的特征向量表示，包括：

将所有所述设定维度下的所述第一相似度值及所述第二相似度值进行拼接形成目标数组，将所述目标数组确定为与至少两组所述待判别内容对应的特征向量表示。

可选地，所述基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果，包括：

将所述目标向量表示输入至与所述目标Bert模型的输出端相连的全连接层中，结合设定的线性回归损失函数执行对至少两组所述待判别内容之间的相似度判别，得到所述相似度判别结果。

可选地，所述基于目标Bert模型对所述结构化字段信息进行文本处理，获取所述目标Bert模型中N个目标编码层分别处理得到的词嵌入向量之前，还包括：

获取初始Bert模型，所述初始Bert模型中包括M层编码层；M大于N；

从所述初始Bert模型中剔除X个编码层，得到所述目标Bert模型；X为大于或等于1的整数，N+X＜M。

本申请实施例的第二方面提供了一种文本相似度计算装置，包括：

内容抽取模块，用于对至少两组待判别内容进行信息抽取，得到结构化字段信息；

获取模块，用于基于目标Bert模型对所述结构化字段信息进行文本处理，获取所述目标Bert模型中N个目标编码层分别处理得到的词嵌入向量，其中，所述N个目标编码层中包含N-1个中间编码层及最后一层编码层；N为大于1的整数；

拼接模块，用于从每一所述词嵌入向量中分别抽取出CLS标志位的向量表示并对所述CLS标志位的向量表示进行拼接，得到目标向量表示；

判别模块，用于基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果。

本申请实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。

本申请的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端上运行时，使得所述终端执行上述第一方面所述方法的步骤。

由上可见，本申请实施例中，采用将Bert模型中目标编码层的输出内容中包含的CLS标志位进行抽取并拼接，以拼接后的长向量作为输入文本的向量表示，以基于该拼接后的长向量作为整个Bert模型的输出，基于该输出结果利用分类器模型进行文本相似度判断，融合进入更多编码层的输出结果中蕴含的文本特征，提升相似度判断的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种文本相似度计算方法的流程图一；

图2是本申请实施例提供的目标Bert模型的结构示意图；

图3是本申请实施例提供的一种文本相似度计算方法的流程图二；

图4是本申请实施例提供的一种文本相似度计算装置的结构图；

图5是本申请实施例提供的一种计算机设备的结构图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本申请实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

参见图1，图1是本申请实施例提供的一种文本相似度计算方法的流程图一。如图1所示，一种文本相似度计算方法，该方法包括以下步骤：

步骤101，对至少两组待判别内容进行信息抽取，得到结构化字段信息。

该待判别内容形成为需要进行相似度判别的对象。

该至少两组待判别内容例如为至少两组比赛内容，或者至少两篇文章等，以实现对至少两组比赛或至少两篇文章之间内容相似性的判别。

以判别比赛之间的相似度为例，具体例如为判别“2020语言与智能科技竞赛：关系抽取任务”与“微博互动预测大赛”之间的赛事相似度等。而该至少两组待判别内容的获取例如为，基于爬虫技术从各大比赛网站分别爬取目标文本信息形成文本内容，例如爬取，历届的比赛赛题、赛题的基准方案、举办方、比赛数据等信息。该文本内容形成待判别内容。

该过程可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

在对该待判别内容进行信息抽取时，可以是待判别内容进行文本语义分析，进而实现对文本内容的信息解构及抽取，得到结构化字段信息。

针对每组待判别内容抽取出信息后，基于所有抽取出的信息共同作为结构化字段信息。该结构化字段信息，具备以文本语义关系进行字或词划分后的结构化形式。

其中，在对至少两组待判别内容进行信息抽取，得到结构化字段信息时，具体包括：

分别对至少两组待判别内容进行文本内容抽取，得到目标文本数据；将每组待判别内容分别对应的目标文本数据的末尾插入SEP句子分隔位，依照设定次序对插入有SEP句子分隔位的目标文本数据进行串接；在串接后的目标文本数据所形成整体的首位插入CLS标志位，得到结构化字段信息。

其中，在对至少两组待判别内容进行处理时，需要先从待判别内容中进行文本内容抽取，对文本内容抽取时，可以利用自然语言处理技术实现对待判别内容进行文本结构分析，抽取出能够表达文本语义内容的目标文本，或者提取出需要进行重点判别的目标文本，得到目标文本数据，以进行结构化处理。

这里，结构化字段信息，同样也具备对从不同待判别内容中抽取出的内容进行区隔的结构化形式。

具体地，在通过Bert模型对待判别内容进行处理之前，需要依照设定规则对待判别内容中抽取出的目标文本数据进行构造得到结构化字段信息，以符合Bert模型中的处理需要。

其中，Bert模型的主要输入是文本中各个字/词的原始词向量，输出是文本中各个字/词融合了全文语义信息后的向量表示。在Bert模型中，对于文本分类任务，BERT模型在在第一句文本前插入一个[CLS]标志位，并将该标志位对应的输出向量作为整篇文本的语义表示，用于文本分类。可以理解为：与文本中已有的其它字/词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个字/词的语义信息。CLS不是第一个句子的表征，是一个分类标志位,可以融合待判别内容与分类相关的信息，然后用在预训练或者后续任务分类上。

因此，在文本前插入一个CLS标志位，将该符号对应的输出向量作为整篇文本的语义表示，经过Bert模型运算后得到的表征向量可以用于后续的分类任务。

此外，Bert模型中，除了添加[CLS]标志位将对应的输出作为文本的语义表示，还对输入的几个待判别内容用[SEP]句子分隔位，对作为相似度判别对象的若干个待判别内容作分隔，实现对共同输入至Bert模型中进行相似度判别的句子进行区分标注。

SEP句子分隔位用于分隔开两个输入句子，例如输入句子A和B，要在句子A、B后面分别增加SEP句子分隔位以在句子结尾进行分隔。

结合图2所示，当判断2020语言与智能科技竞赛关系抽取任务与微博互动预测大赛两个比赛之间的相似度时，分别从两个比赛的页面中抽取目标文本数据：“新浪微博作为…”与“百度科技竞赛关系抽取…”。基于抽取出的目标文本数据构造得到结构化字段信息：

CLS新浪微博作为…SEP百度科技竞赛关系抽取…SEP。

其中，SEP作为句子分隔位分隔出两个比赛分别对应的字段内容；CLS标志位作为无意义标识符，在后续Bert模型运算中学习得到不同比赛对应的字段信息中的语义特征。

步骤102，基于目标Bert模型对结构化字段信息进行文本处理，获取目标Bert模型中N个目标编码层分别处理得到的词嵌入向量。

其中，N个目标编码层中包含N-1个中间编码层及最后一层编码层；N为大于1的整数。

具体地，在得到结构化字段信息后，需要基于Bert模型计算得到对应的词嵌入向量。

在常规情况下，Bert模型中编码层通常为12层或者为20层等数量，不同编码层学到的特征是不一样的，例如第3层编码层在SentLen(句子长度探测)表现性能最好，第6层编码层在Tense(时态检测)表现性能最好，这里选取其中特定的N层作为目标编码层，将这N层编码层中输出的词嵌入向量单独拿出来做处理。其中，N例如为5。

该过程中，需要对Bert模型进行文本数据改造，具体地，是在原始Bert模型中利用叠加的编码层进行逐层处理基础上，从多个编码层中选取一部分编码层，该选取出的一部分编码层中包括最后一层编码层和若干中间编码层，一方面保留原有的数据逐层处理方式，即将输入至Bert模型的结构化字段信息，依照N个目标编码层对其进行逐层处理直至最后一层编码层处理后得到词嵌入向量，另一方面将选取出的该些编码层中，每一中间层在前述的数据逐层处理过程中所处理得到的词嵌入向量单独拿出来，两者相结合执行后续步骤中从词嵌入向量抽取出CLS标志位的向量表示并对该CLS标志位的向量表示进行拼接的处理过程。

其中，目标模型的获取需要在现有的常规Bert模型基础上进行模型改造以得到该目标模型。具体地，在一个实施方式中，该基于目标Bert模型对结构化字段信息进行文本处理，获取目标Bert模型中N个目标编码层分别处理得到的词嵌入向量之前，还包括：

获取初始Bert模型，该初始Bert模型中包括M层编码层；M大于N；从初始Bert模型中剔除X个编码层，得到目标Bert模型；X为大于或等于1的整数，N+X＜M。

其中，M例如为12，X例如为4，即目标Bert模型中包含8个编码层。

该过程针对具体需要进行相似度计算的文本对象，尝试减少现有Bert模型中编码层的层数，发现在特定范围的编码层的层数数量下，对语料进行相似度计算时的模型评估指标最佳。其中，从初始Bert模型中剔除X个编码层时，具体为剔除排列在最后X层的编码层，使改进后的Bert模型在模型评估指标上提升1％。

步骤103，从每一词嵌入向量中分别抽取出CLS标志位的向量表示并对CLS标志位的向量表示进行拼接，得到目标向量表示。

其中，每一编码层输出的词嵌入向量中包含语义学习后的CLS标志位，从其中目标编码层的词嵌入向量中分别抽取出CLS标志位的向量表示，进行拼接，得到目标向量表示。

具体地，在一个实施过程中，结合图2所示，当N取值为4，即选取Bert模型中最后4层作为目标编码层时，最后四层编码层输出结果中的第一个位置的输出分别是CLS1、CLS2、CLS3、CLS4，将该最后四层的CLS标志位的向量表示进行横向拼接，得到长向量new_CLS＝[CLS1,CLS2,CLS3,CLS4]。

其中，N个目标编码层中包含N-1个中间编码层及最后一层编码层。最后一层编码层的输出结果中包含的CLS标志位能够确保在Bert模型中输入的文本内容经过所有编码层处理后学习到的输入文本中蕴含的语义信息。N-1个中间编码层的输出结果中包含的CLS标志位能够学习到不同阶段中的输入文本中蕴含的语义信息。

将N-1个中间编码层及最后一层编码层的输出结果中的CLS标识位进行拼接，确保得到的目标向量表示中充分考虑到各个目标编码层的处理结果，充分利用不同语义学习处理阶段中CLS标志位学习到的输入文本中蕴含的语义信息，提升后续处理结果的准确性。

步骤104，基于目标向量表示对至少两组待判别内容进行相似度判别，得到待判别内容之间的相似度判别结果。

在进行相似度判别时，可以采用一个预训练好的分类判别器进行相似度判别，或者采用全连接层+softmax回归函数形成一个判别器，将目标向量表示输入至与目标Bert模型的输出端相连的全连接层中，结合设定的线性回归损失函数执行对至少两组待判别内容之间的相似度判别，得到相似度判别结果。在具体实施时，结合前述例子中的描述，具体是将拼接得到的目标向量表示new_CLS＝[CLS1,CLS2,CLS3,CLS4]输入至判别器中实现对至少两组待判别内容之间的相似度判断。

本申请实施例中，采用将Bert模型中目标编码层的输出内容中包含的CLS标志位进行抽取并拼接，以拼接后的长向量作为输入文本的向量表示，以基于该拼接后的长向量作为整个Bert模型的输出，基于该输出结果利用分类器模型进行文本相似度判断，融合进入更多编码层的输出结果中蕴含的文本特征，提升相似度判断的准确度。

本申请实施例中还提供了文本相似度计算方法的不同实施方式。

参见图3，图3是本申请实施例提供的一种文本相似度计算方法的流程图二。如图3所示，一种文本相似度计算方法，该方法包括以下步骤：

步骤301，对至少两组待判别内容进行信息抽取，得到结构化字段信息。

该步骤的实现过程与前述实施方式中的步骤101的实现过程相同，此处不再赘述。

步骤302，基于目标Bert模型对结构化字段信息进行文本处理，获取目标Bert模型中N个目标编码层分别处理得到的词嵌入向量。

该N个目标编码层中包含N-1个中间编码层及最后一层编码层；N为大于1的整数。

该步骤的实现过程与前述实施方式中的步骤102的实现过程相同，此处不再赘述。

步骤303，从每一词嵌入向量中分别抽取出CLS标志位的向量表示并对CLS标志位的向量表示进行拼接，得到目标向量表示。

该步骤的实现过程与前述实施方式中的步骤103的实现过程相同，此处不再赘述。

步骤304，依照设定特征维度对每组待判别内容进行特征抽取，得到特征关键词。

每组待判别内容中由于通常包含较多的文本信息，因此为了实现相似度判别的准确性及全面性，可以从不同的设定特征维度从每组待判别内容中提取出对应的特征关键词。

该特征关键词为依照设定维度抽取得到。设定维度例如为比赛标题、主办方、比赛时间、比赛标签等。

抽取到的特征关键词，例如：从比赛“微博互动预测大赛”的官网页面中抽取出比赛标题为“新浪微博互动预测大赛”、主办方为“新浪微博”、比赛时间为“2020年10月”、比赛标签为：“互动预测”。

从比赛“2020语言与智能科技竞赛：关系抽取任务”的官网页面中抽取出比赛标题为“2020语言与智能科技竞赛：关系抽取任务”、主办方为“百度”、比赛时间为“2021年09月”、比赛标签为：“关系抽取”。

步骤305，对于不同的设定特征维度，分别对至少两组待判别内容的特征关键词进行相似度计算，得到每一设定维度下的特征相似度计算结果。

其中，一个设定特征维度下的每组待判别内容中提取出的特征关键词形成一组特征相似度判别对象，每一组特征相似度判别对象产出一个相似度判别结果。

每组待判别内容在不同的设定特征维度上均对应有特征关键词。分别将待判别内容在每一设定特征维度上对应的特征关键词进行相似度计算。该计算过程可以是不同的待判别内容在每一设定特征维度上对应的特征关键词之间进行两两计算，得到至少两组待判别内容之间在每一设定特征维度下的相似度计算结果。

步骤306，将所有设定维度下的特征相似度计算结果进行数组构造，得到与至少两组待判别内容对应的特征向量表示。

这里，进行数组构造可以是直接将相似度计算结果对应的相似度数值作为数组元素值，实现数组的构造，构造得到的数组即为与特征关键词对应的特征向量表示。或者，是将不同设定维度下的相似度计算结果进行数学运算得到一个整体相似度数值，作为与每组待判别内容中特征关键词对应的相似度数值。例如为进行求和运算、求平均值运算或者加权运算，得到一个综合数值作为与每组待判别内容中特征关键词对应的相似度数值。

该过程中，由于生成的与特征关键词对应的特征向量表示是基于待判别内容在不同的设定维度上对应的特征关键词间进行相似度计算的基础上得到的，因此该与特征关键词对应的特征向量表示可以从另一个角度上表示不同待判别内容之间的特征相似度。

步骤307，将特征向量表示与目标向量表示进行拼接，基于拼接后的向量表示对至少两组待判别内容进行相似度判别，得到待判别内容之间的相似度判别结果。

其中，在基于拼接后的向量表示对至少两组待判别内容进行相似度判别时，可以采用一个预训练好的分类判别器进行相似度判别，或者采用全连接层+softmax回归函数形成一个判别器，将拼接后的向量表示输入至与目标Bert模型的输出端相连的全连接层中，结合设定的线性回归损失函数执行对至少两组待判别内容之间的相似度判别，得到相似度判别结果。

在具体实施时，结合图2所示，具体是将与至少两组待判别内容对应的特征向量表示feature_vec，与目标向量表示new_CLS＝[CLS1,CLS2,CLS3,CLS4]进行拼接，拼接后的向量表示x＝[feature_vec,CLS1,CLS2,CLS3,CLS4]输入至判别器中实现对至少两组待判别内容之间的相似度判断。

其中，在一个可选的实施方式中，步骤305中对于不同的设定特征维度，分别对至少两组待判别内容的特征关键词进行相似度计算，得到每一设定维度下的特征相似度计算结果，包括：

对于不同的设定特征维度，分别对至少两组待判别内容的特征关键词进行编辑距离相似度计算得到第一相似度值及进行杰德卡相似度计算得到第二相似度值；将每一设定维度下的第一相似度值及第二相似度值确定为特征相似度计算结果。

对应地，步骤306中将所有设定维度下的特征相似度计算结果进行数组构造，得到与至少两组待判别内容对应的特征向量表示，包括：

将所有设定维度下的第一相似度值及第二相似度值进行拼接形成目标数组，将目标数组确定为与至少两组待判别内容对应的特征向量表示。

该过程中，在对至少两组待判别内容在每一设定维度下对应的特征关键词进行相似度计算，生成与特征关键词对应的特征向量时，具体为分别计算编辑距离相似度、杰卡德相似度。当设定维度例如为比赛标题、主办方、比赛时间、比赛标签这四个维度时，则对至少两组待判别内容在每一设定维度下对应的特征关键词进行相似度计算，可以得到8维度向量，得到feature_vec＝[sim_title_编辑距离,sim_title_jaccard,sim_publisher_编辑距离,sim_publisher_jaccard,sim_time_编辑距离,sim_time_jaccard,sim_label_编辑距离,sim_label_jaccard]。

对应地，将其与目标向量表示拼接后得到最终特征向量为：x＝[feature_vec,new_CLS]。

结合图2所示，将该x＝[feature_vec,new_CLS]输入至全连接层中，通过全连接层进行线性变化转换为2维向量，再结合softmax计算相似度即可。

本申请实施例中，采用将Bert模型中目标编码层的输出内容中包含的CLS标志位进行抽取并拼接，以拼接后的长向量作为输入文本的向量表示，并同步通过从不同的待判别内容中抽取不同设定维度的特征关键词，基于特征关键词之间的相似度计算结果，从另一个层面上得到待判别内容对应的特征向量表示，并将该特征向量表示与前述拼接后的长向量进行拼接，进而基于该拼接后的向量用分类器模型进行文本相似度判断，融合进入更多编码层的输出结果中蕴含的文本特征，且融合进入文本特征关键词之间的相似度，进一步提升文本相似度判断的准确度。

参见图4，图4是本申请实施例提供的一种文本相似度计算装置的结构图，为了便于说明，仅示出了与本申请实施例相关的部分。

该文本相似度计算装置400包括：

内容抽取模块401，用于对至少两组待判别内容进行信息抽取，得到结构化字段信息；

获取模块402，用于基于目标Bert模型对所述结构化字段信息进行文本处理，获取所述目标Bert模型中N个目标编码层分别处理得到的词嵌入向量，其中，所述N个目标编码层中包含N-1个中间编码层及最后一层编码层；N为大于1的整数；

拼接模块403，用于从每一所述词嵌入向量中分别抽取出CLS标志位的向量表示并对所述CLS标志位的向量表示进行拼接，得到目标向量表示；

判别模块404，用于基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果。

其中，内容抽取模块401，具体用于：

分别对至少两组所述待判别内容进行文本内容抽取，得到目标文本数据；

将每组所述待判别内容分别对应的所述目标文本数据的末尾插入SEP句子分隔位，依照设定次序对插入有所述SEP句子分隔位的所述目标文本数据进行串接；

在串接后的所述目标文本数据所形成整体的首位插入CLS标志位，得到所述结构化字段信息。

其中，判别模块404，具体用于：

依照设定特征维度对每组所述待判别内容进行特征抽取，得到特征关键词；

对于不同的所述设定特征维度，分别对至少两组所述待判别内容的所述特征关键词进行相似度计算，得到每一所述设定维度下的特征相似度计算结果；

将所有所述设定维度下的所述特征相似度计算结果进行数组构造，得到与至少两组所述待判别内容对应的特征向量表示；

将所述特征向量表示与所述目标向量表示进行拼接，基于拼接后的向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果。

其中，判别模块404，更具体用于：

对于不同的所述设定特征维度，分别对至少两组所述待判别内容的所述特征关键词进行编辑距离相似度计算得到第一相似度值及进行杰德卡相似度计算得到第二相似度值；

将每一所述设定维度下的所述第一相似度值及所述第二相似度值确定为所述特征相似度计算结果。

其中，判别模块404，更具体用于：

将所有所述设定维度下的所述第一相似度值及所述第二相似度值进行拼接形成目标数组，将所述目标数组确定为与至少两组所述待判别内容对应的特征向量表示。

其中，判别模块404，还具体用于：

将所述目标向量表示输入至与所述目标Bert模型的输出端相连的全连接层中，结合设定的线性回归损失函数执行对至少两组所述待判别内容之间的相似度判别，得到所述相似度判别结果。

其中，该装置还包括：

模型改造模块，用于：

获取初始Bert模型，所述初始Bert模型中包括M层编码层；M大于N；

从所述初始Bert模型中剔除X个编码层，得到所述目标Bert模型；X为大于或等于1的整数，N+X＜M。

本申请实施例提供的文本相似度计算装置能够实现上述文本相似度计算方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

图5是本申请实施例提供的一种计算机设备的结构图。如该图所示，该实施例的计算机设备5包括：至少一个处理器50(图5中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。

所述计算机设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是计算机设备5的示例，并不构成对计算机设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述计算机设备5的内部存储单元，例如计算机设备5的硬盘或内存。所述存储器51也可以是所述计算机设备5的外部存储设备，例如所述计算机设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述计算机设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序产品来实现，当计算机程序产品在终端上运行时，使得所述终端执行时实现可实现上述各个方法实施例中的步骤。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种文本相似度计算方法，其特征在于，包括：

对至少两组待判别内容进行信息抽取，得到结构化字段信息；

基于目标Bert模型对所述结构化字段信息进行文本处理，获取所述目标Bert模型中N个目标编码层分别处理得到的词嵌入向量，其中，所述N个目标编码层中包含N-1个中间编码层及最后一层编码层；N为大于1的整数；

从每一所述词嵌入向量中分别抽取出CLS标志位的向量表示并对所述CLS标志位的向量表示进行拼接，得到目标向量表示；

基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果。

2.根据权利要求1所述的方法，其特征在于，所述对至少两组待判别内容进行信息抽取，得到结构化字段信息，包括：

分别对至少两组所述待判别内容进行文本内容抽取，得到目标文本数据；

将每组所述待判别内容分别对应的所述目标文本数据的末尾插入SEP句子分隔位，依照设定次序对插入有所述SEP句子分隔位的所述目标文本数据进行串接；

在串接后的所述目标文本数据所形成整体的首位插入CLS标志位，得到所述结构化字段信息。

3.根据权利要求1所述的方法，其特征在于，所述基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果，包括：

依照设定特征维度对每组所述待判别内容进行特征抽取，得到特征关键词；

对于不同的所述设定特征维度，分别对至少两组所述待判别内容的所述特征关键词进行相似度计算，得到每一所述设定维度下的特征相似度计算结果；

将所有所述设定维度下的所述特征相似度计算结果进行数组构造，得到与至少两组所述待判别内容对应的特征向量表示；

将所述特征向量表示与所述目标向量表示进行拼接，基于拼接后的向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果。

4.根据权利要求3所述的方法，其特征在于，所述对于不同的所述设定特征维度，分别对至少两组所述待判别内容的所述特征关键词进行相似度计算，得到每一所述设定维度下的特征相似度计算结果，包括：

对于不同的所述设定特征维度，分别对至少两组所述待判别内容的所述特征关键词进行编辑距离相似度计算得到第一相似度值及进行杰德卡相似度计算得到第二相似度值；

将每一所述设定维度下的所述第一相似度值及所述第二相似度值确定为所述特征相似度计算结果。

5.根据权利要求4所述的方法，其特征在于，所述将所有所述设定维度下的所述特征相似度计算结果进行数组构造，得到与至少两组所述待判别内容对应的特征向量表示，包括：

将所有所述设定维度下的所述第一相似度值及所述第二相似度值进行拼接形成目标数组，将所述目标数组确定为与至少两组所述待判别内容对应的特征向量表示。

6.根据权利要求1所述的方法，其特征在于，所述基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果，包括：

将所述目标向量表示输入至与所述目标Bert模型的输出端相连的全连接层中，结合设定的线性回归损失函数执行对至少两组所述待判别内容之间的相似度判别，得到所述相似度判别结果。

7.根据权利要求1所述的方法，其特征在于，所述基于目标Bert模型对所述结构化字段信息进行文本处理，获取所述目标Bert模型中N个目标编码层分别处理得到的词嵌入向量之前，还包括：

获取初始Bert模型，所述初始Bert模型中包括M层编码层；M大于N；

从所述初始Bert模型中剔除X个编码层，得到所述目标Bert模型；X为大于或等于1的整数，N+X＜M。

8.一种文本相似度计算装置，其特征在于，包括：

内容抽取模块，用于对至少两组待判别内容进行信息抽取，得到结构化字段信息；

获取模块，用于基于目标Bert模型对所述结构化字段信息进行文本处理，获取所述目标Bert模型中N个目标编码层分别处理得到的词嵌入向量，其中，所述N个目标编码层中包含N-1个中间编码层及最后一层编码层；N为大于1的整数；

拼接模块，用于从每一所述词嵌入向量中分别抽取出CLS标志位的向量表示并对所述CLS标志位的向量表示进行拼接，得到目标向量表示；

判别模块，用于基于所述目标向量表示对至少两组所述待判别内容进行相似度判别，得到所述待判别内容之间的相似度判别结果。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images