CN116701574A - 文本语义相似度计算方法、装置、设备及存储介质 - Google Patents
文本语义相似度计算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116701574A CN116701574A CN202310686371.9A CN202310686371A CN116701574A CN 116701574 A CN116701574 A CN 116701574A CN 202310686371 A CN202310686371 A CN 202310686371A CN 116701574 A CN116701574 A CN 116701574A
- Authority
- CN
- China
- Prior art keywords
- text
- feature
- plane
- features
- compared
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 53
- 230000006870 function Effects 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 241000282320 Panthera leo Species 0.000 description 4
- 241000282376 Panthera tigris Species 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008689 nuclear function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000000370 acceptor Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及文本分析技术领域,揭露了一种文本语义相似度计算方法,包括:获取待比较文本对,分别提取待比较文本对中每个文本的文本结构特征;对每个文本结构特征进行特征缩放和特征标准化处理,得到每个文本的优化文本结构特征;获取待比较文本对中每个文本的文本平面特征,将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个文本的结构‑平面特征;利用核函数,在预设的支持向量回归模型中对每个文本的结构‑平面特征进行学习,得到待比较文本对的文本相似度,并通过评分系统对文本相似度进行评分,得到文本相似度得分。本发明还提出文本语义相似度计算装置、电子设备以及存储介质。本发明可以提高文本相似度计算的准确率。
Description
技术领域
本发明涉及文本分析技术领域,尤其涉及一种文本语义相似度计算方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网技术的快速发展,文本相似度计算在许多领域都有着广泛的应用,如搜索、问答系统中。在实际运用场景中,对文本相似度的匹配准确度有着很高的要求。现有技术中一般通过将文本转化为向量,根据向量之间的相似程度来计算文本之间的相似度。
然而单纯基于文本向量来计算文本之间相似度存在着严重的缺陷,例如“我喜欢吃蔬菜”和“我不喜欢吃蔬菜”两个文本之间仅仅相差一个字,两者的向量表示却因为具有大量相同的字符可能导致向量表示之间极为相似,然而从语义的角度分析,两者的含义确实完全不同的。现有的文本语义相似度计算方法大多采用平面相似度特征来表示一对文本的相似度,表征性相对较弱,因此,现在需要进一步使用结构化特征来表示文本的句法语义信息,进而计算文本语义相似度。
发明内容
本发明提供一种文本语义相似度计算方法、装置及计算机可读存储介质,其主要目的提高文本相似度计算的准确率。
为实现上述目的,本发明提供的一种文本语义相似度计算方法,包括:
获取待比较文本对,分别提取所述待比较文本对中每个文本的文本结构特征;
对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
获取所述待比较文本对中每个文本的文本平面特征,并将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征;
利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,并通过预设的评分系统对所述文本相似度进行评分,得到文本相似度得分。
可选地,所述分别提取所述待比较文本对中每个文本的文本结构特征,包括:
提取所述待比较文本对中的第一文本和第二文本;
对所述第一文本和所述第二文本分别进行分词处理,得到第一文本分词集和第二文本分词集;
利用预设的距离计算方法计算所述第一文本分词集和第二文本分词集中每个单词之间的距离,并根据所述距离对所述第一文本分词集和第二文本分词集中的单词进行配对,得到单词对应关系;
分别分析所述第一文本和所述第二文本的依存关系,并根据所述依存关系构建所述第一文本的第一依存关系树和所述第二文本的第二依存关系树;
根据所述第一依存关系树和所述第二依存关系树,以及所述单词对应关系,得到所述第一文本的文本结构特征及所述第二文本的文本结构特征。
可选地,所述分别分析所述第一文本和所述第二文本的依存关系,并根据所述依存关系构建所述第一文本的第一依存关系树和所述第二文本的第二依存关系树,包括:
对所述第一文本和所述第二文本进行语法分析,标记所述第一文本和所述第二文本的词性和短语结构;
根据所述第一文本和所述第二文本的词性和短语结构建所述第一文本的第一文本分词集之间的依存弧,及构建所述第二文本的第二文本分词集之间的依存弧;
根据所述第一文本分词集之间的依存弧构建所述第一文本的第一依存关系树,及根据所述第二文本分词集之间的依存弧构建所述第二文本的第二依存关系树。
可选地,所述对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,包括:
获取预设的标准特征范围,并对每个文本的文本结构特征进行最小-最大缩放,直到缩放后的文本结构特征位于所述标准特征范围内,得到每个所述文本的优化文本结构特征。
可选地,所述获取所述待比较文本对中每个文本的文本平面特征,包括:
对所述待比较文本对中的第一文本和第二文本分别进行降噪以及标准化处理,得到第一标准文本及第二标准文本;
分割所述第一标准文本得到第一文本字符串,及分割所述第二标准文本得到第二文本字符串,并提取所述第一文本字符串及第二文本字符串的平面特征,得到第一文本和第二文本的文本平面特征。
可选地,所述将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特,包括:
获取预设的多层感知机,在所述多层感知机的输入层将每个文本的优化文本结构特征和对应的文本平面特征进行拼接,得到两个输入向量;
通过所述多层感知机的隐藏层对两个所述输入向量进行非线性变换和特征合成,得到每个所述文本的结构-平面特征。
可选地,所述利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,包括:
计算两个文本的结构-平面特征之间的欧氏距离,并计算两个所述文本的结构-平面特征之间的核函数值;
根据所述两个文本的结构-平面特征之间的欧氏距离和核函数值计算两个结构-平面特征的相似度;
基于所述结构-平面特征之间的相似度,利用所述支持向量回归模型进行回归预测,得到所述待比较文本对的文本相似度。
为了解决上述问题,本发明还提供一种文本语义相似度计算装置,所述装置包括:
结构特征提取模块,用于对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
结构特征优化模块,用于对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
特征结合模块,用于获取所述待比较文本对中每个文本的文本平面特征,并将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征;
相似度计算模块,用于利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,并通过预设的评分系统对所述文本相似度进行评分,得到文本相似度得分。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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上述所述的文本语义相似度计算方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的文本语义相似度计算方法。
本发明实施例获取待比较的文本对之后分别提取每个文本的文本结构特征和文本平面特征,并在对文本结构特征进行优化得到优化文本结构特征后,将文本平面特征和优化文本结构特征进行结合,得到结构-平面特征来表示待比较的文本对,实现从两种特征的优点计算带比较的文本对,最后利用核函数和支持向量回归模型对两个结构平面特征进行计算,获取待比较的文本对之间的文本相似度,本发明通过两种特征结合的方式计算待比较文本对的相似度,并通过评分的方式进行量化,以提升文本相似度计算的准确率。
附图说明
图1为本发明一实施例提供的文本语义相似度计算方法的流程示意图;
图2为图1所示文本语义相似度计算方法中其中一个步骤的详细实施流程示意图;
图3为图1所示文本语义相似度计算方法中其中一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的文本语义相似度计算装置的功能模块图;
图5为本发明一实施例提供的实现所述文本语义相似度计算方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种文本语义相似度计算方法。所述文本语义相似度计算方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述文本语义相似度计算方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的文本语义相似度计算方法的流程示意图。
在本实施例中,所述文本语义相似度计算方法包括:
S1、获取待比较文本对,分别提取所述待比较文本对中每个文本的文本结构特征。
本发明实施例中,所述待比较文本对为需要计算文本语义相似度的文本对,所述待比较文本对中包含第一文本和第二文本,例如,第一文本为“今天的天气很好”,第二文本为“今天的天很好看。
本发明实施例中,所述文本结构特征主要为文本的句法结构特征等表示文本结构的特征,例如,“老虎攻击狮子”和“狮子攻击老虎”这两个文本虽然存在相同的词汇,但是句法结构存在不同,从主从关系来考虑的话,两个文本之间的施事者和受事者完全相反。
其中,所述施事者表示动作的执行者,具有主动性,所述受事者则是动作的承受对象,具有被动性。例如在文本“老虎攻击狮子”中,老虎为施事者,狮子为受事者。
参阅图2所示,进一步地,所述分别提取所述待比较文本对中每个文本的文本结构特征,包括:
S101、提取所述待比较文本对中的第一文本和第二文本;
S102、对所述第一文本和所述第二文本分别进行分词处理,得到第一文本分词集和第二文本分词集;
S103、利用预设的距离计算方法计算所述第一文本分词集和第二文本分词集中每个单词之间的距离,并根据所述距离对所述第一文本分词集和第二文本分词集中的单词进行配对,得到单词对应关系;
S104、分别分析所述第一文本和所述第二文本的依存关系,并根据所述依存关系构建所述第一文本的第一依存关系树和所述第二文本的第二依存关系树;
S105、根据所述第一依存关系树和所述第二依存关系树,以及所述单词对应关系,得到所述第一文本的文本结构特征及所述第二文本的文本结构特征。
本发明实施例中,可以采用欧式距离计算公式计算所述第一文本分词集和所述第二文本分词集中每个单词之间的距离。
本发明实施例中,所述依存关系是指一组单词在句子中彼此之间的语法关联,这种关系可以被表示为树形结构,这种树形结构就是所述依存关系树。其中,在一个给定的文本中,每个单词只会有一个父节点,可以以此构成所述依存关系树。
详细地,在自然语言处理中,文本的表征性往往与文本的内容和语境相关,表示文本在语义层面上所携带的信息和意义。在用平面特征表示一对文本的相似程度,表征性相对较弱,因此需要进一步使用结构化的特征来表示文本的相似度关系。
进一步地,所述分别分析所述第一文本和所述第二文本的依存关系,并根据所述依存关系构建所述第一文本的第一依存关系树和所述第二文本的第二依存关系树,包括;
对所述第一文本和所述第二文本进行语法分析,标记所述第一文本和所述第二文本的词性和短语结构;
根据所述第一文本和所述第二文本的词性和短语结构建所述第一文本的第一文本分词集之间的依存弧,及构建所述第二文本的第二文本分词集之间的依存弧;
根据所述第一文本分词集之间的依存弧构建所述第一文本的第一依存关系树,及根据所述第二文本分词集之间的依存弧构建所述第二文本的第二依存关系树。
本发明实施例中,所述依存弧表示两个词之间的具体句法关系的有向弧,所述依存弧的方向为由从属词指向支配词,例如,“工作人员需要计算文本相似度”中,“需要”为从属词,“工作人员”为“需要”的支配词,“计算”为从属词,“文本相似度”为“计算”的支配词。
本发明实施例中,所述分别提取所述待比较文本对中每个文本的文本结构特征之前,所述方法还包括:
对所述待比较文本对中的每个文本分别进行符号筛查,去除所述待比较文本对中多余的符号,得到清洗文本对;
通过预设的文本筛查方法去除所述清洗文本对中的停用词,并统一所述清洗文本对中的文本语言,得到清洗后的待比较文本对。
本发明实施例通过对文本进行符号筛查,可以避免后续对文本进行处理时,文本中出现无法识别的符号,以及统一所述清洗文本对中的文本语言,可以避免处理文本对时,需要调用多种语言处理方法。
S2、对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征。
本发明实施例中通过对文本结构特征进行特征缩放和特征标准化处理可以提高特征应用于文本分类、情感分析等任务的准确度和效果。
详细地,所述对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,包括:
获取预设的标准特征范围,并对每个文本的文本结构特征进行最小-最大缩放,直到缩放后的文本结构特征位于所述标准特征范围内,得到每个所述文本的优化文本结构特征。
本发明实施例中,所述标准特征范围为特定特征的取值范围,将所述文本的文本结构特征进行特征标准化是令所述文本结构特征落入取值范围的过程
本进一步地,本发明通过将所述文本的文本结构特征转化为向量的形式进行特征缩放,其中,将所述文本的文本结构特征缩放到预设的标准特征范围内可以方便特征的结合和运算。
S3、获取所述待比较文本对中每个文本的文本平面特征,并将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征。
本发明实施例中,所述文本平面特征是指文本在视觉上的二维表现,例如,字符串特征、文本扩展特征等。
参阅图3所示,本发明实施例中,所述获取所述待比较文本对中每个文本的文本平面特征,包括:
S301、对所述待比较文本对中的第一文本和第二文本分别进行降噪以及标准化处理,得到第一标准文本及第二标准文本;
S302、分割所述第一标准文本得到第一文本字符串,及分割所述第二标准文本得到第二文本字符串,并提取所述第一文本字符串及第二文本字符串的平面特征,得到第一文本和第二文本的文本平面特征。
详细地,所述标准化为统一所述待比较文本的语言格式,去除停用词等。
本发明实施例中,可以采用正则表达式匹配分割所述第一及第二标准文本,得到第一及第二文本字符串。
本发明实施例中,所述文本平面特征包括字符串特征和文本扩展特征,因此,本发明实施例分别提取所述文本字符串的字符串特征和文本扩展特征,并组合所述文本字符串的字符串特征和文本扩展特征,得到每个文本的文本平面特征。详细地,本发明实施例可以通过提取所述文本字符串中的词频、词性获取字符串特征,以及通过提取所述文本字符串中的文本长度、文本类型、句子复杂度获取文本扩展特征。
进一步地,本发明实施例中,可以直接将文本的优化文本结构特征和对应的文本平面特征进行结合,组成一个集合特征作为结构-平面特征。例如,ti表示文本平面特征,vi表示优化文本结构特征时,可以直接将<ti,vi>作为待比较文本对的结构-平面特征。
本发明另一实施例中,所述将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征,包括:
获取预设的多层感知机,在所述多层感知机的输入层将每个文本的优化文本结构特征和对应的文本平面特征进行拼接,得到两个输入向量;
通过所述多层感知机的隐藏层对两个所述输入向量进行非线性变换和特征合成,得到每个所述文本的结构-平面特征。
所述多层感知机(Multilayer Perceptron,MLP)是人工神经网络中的一种基本模型,通常用于解决分类和回归问题,与传统感知模型相比,所述多层感知机模型增加了一个或多个隐藏层,其中包含多个神经元,可以对特征进行融合,使得特征具有更强的表征能力。
本发明实施例中,所述在所述多层感知机的输入层将每个文本的优化文本结构特征和对应的文本平面特征进行拼接之前,以及所述通过所述多层感知机的隐藏层对两个所述输入向量进行非线性变换和特征合成之后还可以包括将特征和向量互相转化的步骤,其中,由于特征属文本特征,因此可以通过数字编码的方式将特征和向量进行互相转化。
S4、利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,并通过预设的评分系统对所述文本相似度进行评分,得到文本相似度得分。
本发明实施例中,所述支持向量回归(SVR)模型为是一种基于支持向量机(SVM)的非参数回归模型,本方案中用于计算所述待比较文本对的文本相似度。
其中,所述核函数为机器学习中一类常见的函数,通常用于将原空间的数据映射到高维空间中,以及用于支持向量机中,扩展线性模型的能力,提高分类和回归的任务性能,比如,计算文本相似度。
本发明实施例中,所述评分系统可以对给定的一对文本返回相似度计算得分,例如,分数范围为0至10,0表示这对文本的含义完全无关,10表示这对文本含义完全相同。
此外,所述评分相同的性能还可通过系统计算得到的相似度评分和人工评判分数的皮尔逊相关性系数进行评估,其中,皮尔逊相关性系数用于度量两个变量X和Y之间的相关度,其值位于-1和1之间,当皮尔逊相关性系数接近-1时表示负相关,接近0时表示不相关。
进一步地,所述利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,包括:
计算两个文本的结构-平面特征之间的欧氏距离,并计算两个所述文本的结构-平面特征之间的核函数值;
根据所述两个文本的结构-平面特征之间的欧氏距离和核函数值计算两个结构-平面特征的相似度;
基于所述结构-平面特征之间的相似度,利用所述支持向量回归模型进行回归预测,得到所述待比较文本对的文本相似度。
进一步地,所述计算两个所述文本的结构-平面特征之间的核函数值的核函数公式为:
K(xi,xj)=KTK(ti,tj)+Kfvec(vi,vj)
其中,KTK为计算结构特征的数核函数,Kfvec是计算平面特征的核函数,ti和vi组成一个结构-平面特征,tj和vj组成一个结构-平面特征,K(xi,xj)为核函数值。
本发明实施例中,所述根据所述两个文本的结构-平面特征之间的欧氏距离和核函数值计算两个结构-平面特征的相似度的计算公式为:
Sij=K(xi,xj)×exp(-γdij)
其中,γ为控制欧式距离和核函数值之间关系的超参数,K(xi,xj)为结构-平面特征xi和结构-平面特征xj之间的核函数值,Sij为两个结构-平面特征之间的相似度,dij为两个结构-平面特征之间的欧氏距离。
本发明实施例获取待比较的文本对之后分别提取每个文本的文本结构特征和文本平面特征,并在对文本结构特征进行优化得到优化文本结构特征后,将文本平面特征和优化文本结构特征进行结合,得到结构-平面特征来表示待比较的文本对,实现从两种特征的优点计算带比较的文本对,最后利用核函数和支持向量回归模型对两个结构平面特征进行计算,获取待比较的文本对之间的文本相似度,本发明通过两种特征结合的方式计算待比较文本对的相似度,并通过评分的方式进行量化,以提升文本相似度计算的准确率。
如图4所示,是本发明一实施例提供的文本语义相似度计算装置的功能模块图。
本发明所述文本语义相似度计算装置100可以安装于电子设备中。根据实现的功能,所述文本语义相似度计算装置100可以包括结构特征提取模块101、结构特征优化模块102、特征结合模块103和文相似度计算模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述结构特征提取模块101,用于对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
结构特征优化模块102,用于对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
特征结合模块103,用于获取所述待比较文本对中每个文本的文本平面特征,并将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征;
相似度计算模块104,用于利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,并通过预设的评分系统对所述文本相似度进行评分,得到文本相似度得分。
详细地,本发明实施例中所述文本语义相似度计算装置100中所述的各模块在使用时采用与上述图1至图3中所述的文本语义相似度计算方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现文本语义相似度计算方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如文本语义相似度计算程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行文本语义相似度计算程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如文本语义相似度计算程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的文本语义相似度计算程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待比较文本对,分别提取所述待比较文本对中每个文本的文本结构特征;
对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
获取所述待比较文本对中每个文本的文本平面特征,并将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征;
利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,并通过预设的评分系统对所述文本相似度进行评分,得到文本相似度得分。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待比较文本对,分别提取所述待比较文本对中每个文本的文本结构特征;
对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
获取所述待比较文本对中每个文本的文本平面特征,并将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征;
利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,并通过预设的评分系统对所述文本相似度进行评分,得到文本相似度得分。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、验证机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种文本语义相似度计算方法,其特征在于,所述方法包括:
获取待比较文本对,分别提取所述待比较文本对中每个文本的文本结构特征;
对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
获取所述待比较文本对中每个文本的文本平面特征,并将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征;
利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,并通过预设的评分系统对所述文本相似度进行评分,得到文本相似度得分。
2.如权利要求1所述的文本语义相似度计算方法,其特征在于,所述分别提取所述待比较文本对中每个文本的文本结构特征,包括:
提取所述待比较文本对中的第一文本和第二文本;
对所述第一文本和所述第二文本分别进行分词处理,得到第一文本分词集和第二文本分词集;
利用预设的距离计算方法计算所述第一文本分词集和第二文本分词集中每个单词之间的距离,并根据所述距离对所述第一文本分词集和第二文本分词集中的单词进行配对,得到单词对应关系;
分别分析所述第一文本和所述第二文本的依存关系,并根据所述依存关系构建所述第一文本的第一依存关系树和所述第二文本的第二依存关系树;
根据所述第一依存关系树和所述第二依存关系树,以及所述单词对应关系,得到所述第一文本的文本结构特征及所述第二文本的文本结构特征。
3.如权利要求2中所述的文本语义相似度计算方法,其特征在于,所述分别分析所述第一文本和所述第二文本的依存关系,并根据所述依存关系构建所述第一文本的第一依存关系树和所述第二文本的第二依存关系树,包括:
对所述第一文本和所述第二文本进行语法分析,标记所述第一文本和所述第二文本的词性和短语结构;
根据所述第一文本和所述第二文本的词性和短语结构建所述第一文本的第一文本分词集之间的依存弧,及构建所述第二文本的第二文本分词集之间的依存弧;
根据所述第一文本分词集之间的依存弧构建所述第一文本的第一依存关系树,及根据所述第二文本分词集之间的依存弧构建所述第二文本的第二依存关系树。
4.如权利要求1所述的文本语义相似度计算,其特征在于,所述对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,包括:
获取预设的标准特征范围,并对每个文本的文本结构特征进行最小-最大缩放,直到缩放后的文本结构特征位于所述标准特征范围内,得到每个所述文本的优化文本结构特征。
5.如权利要求1中所述的文本语义相似度计算方法,其特征在于,所述获取所述待比较文本对中每个文本的文本平面特征,包括:
对所述待比较文本对中的第一文本和第二文本分别进行降噪以及标准化处理,得到第一标准文本及第二标准文本;
分割所述第一标准文本得到第一文本字符串,及分割所述第二标准文本得到第二文本字符串,并提取所述第一文本字符串及第二文本字符串的平面特征,得到第一文本和第二文本的文本平面特征。
6.如权利要求1所述的文本语义相似度计算,其特征在于,所述将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征,包括:
获取预设的多层感知机,在所述多层感知机的输入层将每个文本的优化文本结构特征和对应的文本平面特征进行拼接,得到两个输入向量;
通过所述多层感知机的隐藏层对两个所述输入向量进行非线性变换和特征合成,得到每个所述文本的结构-平面特征。
7.如权利要求1中所述的文本语义相似度计算方法,其特征在于,所述利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,包括:
计算两个文本的结构-平面特征之间的欧氏距离,并计算两个所述文本的结构-平面特征之间的核函数值;
根据所述两个文本的结构-平面特征之间的欧氏距离和核函数值计算两个结构-平面特征的相似度;
基于所述结构-平面特征之间的相似度,利用所述支持向量回归模型进行回归预测,得到所述待比较文本对的文本相似度。
8.一种文本语义相似度计算装置,其特征在于,所述装置包括:
结构特征提取模块,用于对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
结构特征优化模块,用于对每个所述文本的文本结构特征进行特征缩放和特征标准化处理,得到每个所述文本的优化文本结构特征;
特征结合模块,用于获取所述待比较文本对中每个文本的文本平面特征,并将每个文本的优化文本结构特征和对应的文本平面特征结合,得到每个所述文本的结构-平面特征;
相似度计算模块,用于利用核函数,在预设的支持向量回归模型中对每个文本的结构-平面特征进行学习,得到所述待比较文本对的文本相似度,并通过预设的评分系统对所述文本相似度进行评分,得到文本相似度得分。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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如权利要求1至7中任意一项所述的文本语义相似度计算方法。
10.一种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中任意一项所述的文本语义相似度计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686371.9A CN116701574A (zh) | 2023-06-09 | 2023-06-09 | 文本语义相似度计算方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686371.9A CN116701574A (zh) | 2023-06-09 | 2023-06-09 | 文本语义相似度计算方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116701574A true CN116701574A (zh) | 2023-09-05 |
Family
ID=87825240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310686371.9A Pending CN116701574A (zh) | 2023-06-09 | 2023-06-09 | 文本语义相似度计算方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701574A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194614A (zh) * | 2023-11-02 | 2023-12-08 | 北京中电普华信息技术有限公司 | 一种文本差异识别方法、装置和计算机可读介质 |
-
2023
- 2023-06-09 CN CN202310686371.9A patent/CN116701574A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194614A (zh) * | 2023-11-02 | 2023-12-08 | 北京中电普华信息技术有限公司 | 一种文本差异识别方法、装置和计算机可读介质 |
CN117194614B (zh) * | 2023-11-02 | 2024-01-30 | 北京中电普华信息技术有限公司 | 一种文本差异识别方法、装置和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528677B (zh) | 一种语义向量提取模型的训练方法、装置及电子设备 | |
CN113722483B (zh) | 话题分类方法、装置、设备及存储介质 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
EP4336378A1 (en) | Data processing method and related device | |
CN113704410B (zh) | 情绪波动检测方法、装置、电子设备及存储介质 | |
CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
EP4191544A1 (en) | Method and apparatus for recognizing token, electronic device and storage medium | |
CN111460797A (zh) | 关键字抽取方法、装置、电子设备及可读存储介质 | |
CN112507663A (zh) | 基于文本的判断题生成方法、装置、电子设备及存储介质 | |
CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN114841146B (zh) | 文本摘要生成方法和装置、电子设备及存储介质 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN116701574A (zh) | 文本语义相似度计算方法、装置、设备及存储介质 | |
CN117271736A (zh) | 一种问答对的生成方法和系统、电子设备及存储介质 | |
CN116681082A (zh) | 离散文本语义分段方法、装置、设备及存储介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN114548114B (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
CN114611529B (zh) | 意图识别方法和装置、电子设备及存储介质 | |
CN112529743B (zh) | 合同要素抽取方法、装置、电子设备及介质 | |
CN115169370A (zh) | 语料数据增强方法、装置、计算机设备及介质 | |
CN114998041A (zh) | 理赔预测模型的训练方法和装置、电子设备及存储介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN115525730B (zh) | 基于页面赋权的网页内容提取方法、装置及电子设备 |
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 |