CN116150380B - 一种文本匹配方法、装置、存储介质及设备 - Google Patents
一种文本匹配方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN116150380B CN116150380B CN202310413634.9A CN202310413634A CN116150380B CN 116150380 B CN116150380 B CN 116150380B CN 202310413634 A CN202310413634 A CN 202310413634A CN 116150380 B CN116150380 B CN 116150380B
- Authority
- CN
- China
- Prior art keywords
- text
- similarity
- original
- pair
- loss
- 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 70
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012512 characterization method Methods 0.000 claims abstract description 204
- 239000013598 vector Substances 0.000 claims abstract description 167
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 72
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种文本匹配方法、装置、存储介质及设备，根据匹配的文本对中各原始文本的表征向量的第一相似度、该文本对中各原始文本与各自变形文本的表征向量间的第二相似度及各原始文本与其他原始文本的表征向量的第三相似度，确定该文本对的损失。该第一相似度与第二相似度皆与该文本对的损失负相关，第三相似度与该文本对的损失正相关。在根据各文本对的损失确定总损失，并以总损失最小为目标训练得到训练后的表征模型后，则可响应于匹配请求，通过训练后的表征模型确定待匹配文本对的表征向量，以根据得到的表征向量确定待匹配文本对的匹配结果。可训练得到可输出准确表征向量的表征模型，提升基于表征模型进行文本匹配的匹配准确度。
Description
技术领域
本说明书涉及自然语言处理技术领域，尤其涉及一种文本匹配方法、装置、存储介质及设备。
背景技术
目前，文本匹配在众多场景得到应用，例如问答系统、文本去重、信息检索等场景。
进行文本匹配时通常需要确定文本的表征向量，以基于文本的表征向量确定文本匹配结果。因此，文本匹配效果与文本表征向量的质量息息相关。
为了通过提升文本表征向量的质量以提升文本匹配效果，本说明书提供一种文本匹配方法。
发明内容
本说明书提供一种文本匹配方法、装置、存储介质及设备，以至少部分解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种文本匹配方法，包括：
获取文本集合，并确定所述文本集合中各原始文本的变形文本，其中，所述文本集合中包含具有匹配关系的原始文本组成的文本对；
通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量；
针对所述文本集合中的每个文本对，确定该文本对中两个原始文本的表征向量间的相似度，作为第一相似度；
针对该文本对中的每个原始文本，确定该原始文本与该原始文本的变形文本的表征向量间的相似度，作为第二相似度，以及确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度；其中，其他原始文本为所述文本集合中除该文本对以外的原始文本；
根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，所述第一相似度与所述各第二相似度皆与所述损失负相关，所述各第三相似度与该文本对的损失正相关；
根据确定出的各文本对的损失，确定总损失，并以所述总损失最小为优化目标对所述表征模型进行训练，得到训练后的所述表征模型；
响应于携带待匹配文本对的匹配请求，将所述待匹配文本对输入训练后的所述表征模型，根据所述表征模型输出的表征向量，确定所述待匹配文本对的匹配结果。
可选地，确定所述文本集合中各原始文本的变形文本，具体包括：
针对所述文本集合中每个原始文本，通过预设的数据增强方式，得到该原始文本的变形文本。
可选地，所述数据增强方式为位置变换；
通过预设的数据增强方式，得到该原始文本的变形文本，具体包括：
确定该原始文本的各词元；
通过对该原始文本的至少部分词元进行位置变换，得到该原始文本的变形文本。
可选地，所述数据增强方式为随机置零；
通过预设的数据增强方式，得到该原始文本的变形文本，具体包括：
确定该原始文本的各词元；
根据预设的第一概率对该原始文本的部分词元随机置零，得到该原始文本的变形文本。
可选地，确定所述文本集合中各原始文本的变形文本，具体包括：
从所述文本集合的各原始文本中，确定与其他原始文本具有匹配关系的原始文本，作为匹配文本；
分别确定各匹配文本的变形文本。
可选地，通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量，具体包括：
通过待训练的表征模型，分别得到各匹配文本及其变形文本对应的表征向量。
可选地，所述方法还包括：
针对所述文本集合中的每个文本对的每个原始文本，确定该原始文本的变形文本与该文本对中另一原始文本的表征向量间的相似度，作为第四相似度。
可选地，根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，具体包括：
根据所述第一相似度、该文本对对应的各第二相似度、该文本对对应的各第三相似度以及该文本对对应的各第四相似度，确定该文本对的损失；
其中，所述第四相似度与该文本对的损失负相关。
可选地，所述表征模型由预训练的特征模型与弱编码器构成；
通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量，具体包括：
针对各原始文本与各变形文本中的每个文本，将该文本输入所述特征模型，得到该文本的编码特征；
将该文本的编码特征输入所述弱编码器，得到该文本的表征向量。
可选地，所述特征模型包含若干编码器；
将该文本输入所述特征模型，得到该文本的编码特征，具体包括：
对所述特征模型的编码器的参数，按照预设的第二概率随机置零；
将该文本输入随机置零后的所述特征模型，得到该文本的编码特征。
可选地，根据所述表征模型输出的表征向量，确定所述待匹配文本对的匹配结果，具体包括：
根据所述表征模型输出的表征向量，确定所述待匹配文本对的相似度；
将所述相似度输入预设的激活函数，得到所述待匹配文本对匹配结果。
可选地，所述匹配结果对应二分类结果或多分类结果；
将所述相似度输入预设的激活函数，得到所述待匹配文本对匹配结果，具体包括：
当对所述待匹配文本对的关系进行二分类时，将所述相似度输入预设的第一激活函数，得到所述待匹配文本对为匹配关系的第一分值，当所述第一分值大于预设的阈值时，确定所述待匹配文本对具有匹配关系，作为匹配结果，否则，确定所述待匹配文本对不具有匹配关系作为匹配结果；
当对所述待匹配文本对的关系进行多分类时，将所述相似度输入预设的第二激活函数，得到所述待匹配文本对分别与预设的各匹配程度对应的第二分值，将最大的第二分值对应的匹配程度，作为所述待匹配文本对的匹配结果。
本说明书提供了一种文本匹配装置，包括：
获取模块，用于获取文本集合，并确定所述文本集合中各原始文本的变形文本，其中，所述文本集合中包含具有匹配关系的原始文本组成的文本对；
表征模块，用于通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量；
第一确定模块，用于针对所述文本集合中的每个文本对，确定该文本对中两个原始文本的表征向量间的相似度，作为第一相似度；
第二确定模块，用于针对该文本对中的每个原始文本，确定该原始文本与该原始文本的变形文本的表征向量间的相似度，作为第二相似度，以及确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度；其中，其他原始文本为所述文本集合中除该文本对以外的原始文本；
第三确定模块，用于根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，所述第一相似度与所述各第二相似度皆与所述损失负相关，所述各第三相似度与该文本对的损失正相关；
训练模块，用于根据确定出的各文本对的损失，确定总损失，并以所述总损失最小为优化目标对所述表征模型进行训练，得到训练后的所述表征模型；
匹配模块，用于响应于携带待匹配文本对的匹配请求，将所述待匹配文本对输入训练后的所述表征模型，根据所述表征模型输出的表征向量，确定所述待匹配文本对的匹配结果。
本说明书提供了一种计算机可读存储介质，所述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上述文本匹配方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述文本匹配方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在上述文本匹配方法中，通过利用匹配的文本对中两个原始文本的表征向量的第一相似度，该文本对中各原始文本与各自变形文本的表征向量间的第二相似度及各原始文本与其他原始文本的表征向量的第三相似度，确定该文本对的损失。该第一相似度与第二相似度皆与该文本对的损失负相关，第三相似度与该文本对的损失正相关。在根据各文本对的损失确定总损失，并以总损失最小为目标训练得到训练后的表征模型后，则可响应于匹配请求，通过训练后的表征模型确定待匹配文本对的表征向量，以根据得到的表征向量确定待匹配文本对的匹配结果。
从上述内容中可以看出，本说明书中提供的文本匹配方法能够利用匹配的文本对，通过对比学习训练可输出准确表征向量的表征模型，提升基于表征模型进行文本匹配的匹配准确度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种文本匹配方法的流程示意图；
图2为本说明书中提供的一种表征模型的示意图；
图3为本说明书中提供的一种文本匹配装置示意图；
图4为本说明书中提供的一种电子设备的示意图。
具体实施方式
在文本匹配场景中，是否能够基于文本的语义对文本进行编码，是得到的文本的表征向量质量优劣的决定性因素。因此，为了使得用于输出文本的表征向量的表征模型能够学习结合文本的语义，准确输出高质量的表征向量，以进一步使得基于文本的表征向量能够准确得到文本间的匹配结果，本说明书提供了一种文本匹配方法。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种文本匹配方法的流程示意图，具体包括以下步骤：
S100：获取文本集合，并确定所述文本集合中各原始文本的变形文本，其中，所述文本集合中包含具有匹配关系的原始文本组成的文本对。
在本说明书中，该文本匹配方法可由服务器执行。该服务器可以是单独的一台服务器，或者，也可以是由若干服务器组成的服务器集群，如分布式系统。
该服务器可通过执行该文本匹配方法，训练表征模型，并根据训练后的表征模型输出的表征向量确定待匹配文本对的匹配结果。在本说明书中，步骤S100~步骤S110为对表征模型的训练过程，步骤S112为基于训练后的表征模型确定待匹配文本对的匹配结果的过程。
在本说明书中，利用有标注的文本语料作为训练样本对表征模型进行训练。该表征模型为深度学习模型。
并且，本说明书中采用对比学习的方式对表征模型进行训练。
通过对比学习，能够使表征模型学习基于文本的语义对比文本间的相似度的差异，并学习区分不同的文本。使得表征模型能够准确区分相似的文本以及不相似的文本，并准确输出文本的表征向量。使得对于越相似的文本，表征模型输出的表征向量在特征空间的距离越近，对于越不相似的文本，表征模型输出的表征向量在特征空间的距离越远。
对比学习为自监督学习。而本说明书中对表征模型进行训练的文本为基于有标注的文本确定的。因此，本说明书结合有监督与自监督的方式，根据有标注数据以自监督的方式对表征模型进行训练，以提升表征模型输出的表征向量的准确性。
在对表征模型进行训练时，首先，该服务器可先获取文本集合。
其中，该文本集合中包含具有匹配关系的原始文本组成的文本对。该匹配关系基于标注确定。即，文本集合中的至少部分原始文本包含标注。当一个原始文本与另一个原始文本之间被标注为匹配时，二者具有匹配关系，否则，则不具有匹配关系。
为了使得对于复杂的文本，表征模型也能够识别其语义，该服务器可在确定出该文本集合中的原始文本后，可确定该文本集合中各原始文本的变形文本，以基于原始文本及其变形文本对表征模型进行训练。使得对于复杂的，经过变形的文本，表征模型也能够准确识别其语义，并输出准确的表征向量。
其中，原始文本即未经过变形的文本，变形文本为在原始文本的基础上调整得到的。
具体的，该服务器可针对文本集合中每个原始文本，通过预设的数据增强方式，得到该原始文本的变形文本。
S102：通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量。
在本说明书一个或多个实施例中，在确定出各原始文本及其变形文本后，该服务器即可针对原始文本与变形文本中的每个文本，将该文本输入该表征模型，得到该文本的表征向量。
将各原始文本及其变形文本输入到该表征模型后，则可分别得到各原始文本及其变形文本各自对应的表征向量。
S104：针对所述文本集合中的每个文本对，确定该文本对中两个原始文本的表征向量间的相似度，作为第一相似度。
在本说明书一个或多个实施例中，文本间是否匹配，可基于文本间的相似度确定。而文本间的相似度，可基于文本的表征向量确定。
于是，在确定出各原始文本及其变形文本对应的表征向量后，该服务器即可确定文本的表征向量间的相似度，以基于相似度，确定损失，以根据损失调整表征模型的参数。
基于相似度确定的损失调整表征模型的参数，能够使得表征模型能够准确输出文本的表征向量。以达到：对于越相似的文本，表征模型输出的表征向量在特征空间的距离越近，对于越不相似的文本，表征模型输出的表征向量在特征空间的距离越远的目的。
首先，该服务器可针对文本集合中的每个文本对，确定该文本对中两个原始文本的表征向量间的相似度，作为第一相似度。
S106：针对该文本对中的每个原始文本，确定该原始文本与该原始文本的变形文本的表征向量间的相似度，作为第二相似度，以及确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度；其中，其他原始文本为所述文本集合中除该文本对以外的原始文本。
该服务器还可针对该文本对中的每个原始文本，确定该原始文本与该原始文本的变形文本的表征向量间的相似度，作为第二相似度，以及确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度。
其中，其他原始文本为文本集合中除该文本对以外的原始文本。即，可以包含具有匹配关系的原始文本，也可以包含不与该文本集合中任一原始文本具有匹配关系的原始文本。
S108：根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，所述第一相似度与所述各第二相似度皆与所述损失负相关，所述各第三相似度与该文本对的损失正相关。
在针对每个文本对，确定出该文本对对应的各相似度后，该服务器可根据第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失。
如上所述，本说明书采用对比学习的方式对表征模型进行训练。除了使表征模型对比相似的或匹配的文本进行学习，使表征模型学习对于怎样的文本输出相似的表征向量外，还可使表征模型对比不相似的文本进行学习，使表征模型学习对于怎样的文本，输出不相似的表征向量。
而相比于同一文本对中的匹配的文本，不属于同一文本对中的文本间表征向量的相似度应当是更低的。
因此，第一相似度与各第二相似度皆与该文本对的损失负相关。各第三相似度与该文本对的损失正相关。
S110：根据确定出的各文本对的损失，确定总损失，并以所述总损失最小为优化目标对所述表征模型进行训练，得到训练后的所述表征模型。
确定出各文本对对应的损失之后，该服务器则可根据各文本对对应的损失，对表征模型进行训练，直至确定满足收敛条件为止，得到训练后的表征模型。
例如，可在每进行一轮训练后，利用由带有标注的若干文本对构成的测试集，通过表征模型输出表征向量。以基于表征向量确定各文本对的匹配结果。以根据得到的匹配结果与标注，计算表征模型对应的F1分数（F1 score）。
其中，该匹配结果可根据需要设置，例如，在二分类场景下（如匹配结果对应的类型可包括：匹配、不匹配），文本对的匹配结果可为一个[0,1]的分值。例如，当该分值大于0.6时，可确定文本对匹配，否则，不匹配。在多分类场景下（如，匹配结果对应的类型可包括：不相似、一般相似、相似），分类结果可包括各类型分别对应的分值。
当连续几次相邻两轮计算得到的F1分数的差异不大于预设阈值时，则可确定最终得到的表征模型收敛，以停止对表征模型的训练。
在本说明书一个或多个实施例中，针对每个文本对，可将该文本对的表征向量间的相似度输入预设的激活函数，得到匹配结果。
在二分类场景下，该激活函数可以是sigmoid函数。在多分类场景下，该激活函数可以是softmax函数。
需要说明的是，在多分类场景中，对于匹配结果为一般相似、相似的文本对，皆可视为具有匹配关系的文本对。或者，可仅将匹配结果为相似的文本对，视为具有匹配关系的文本对。
S112：响应于携带待匹配文本对的匹配请求，将所述待匹配文本对输入训练后的所述表征模型，根据所述表征模型输出的表征向量，确定所述待匹配文本对的匹配结果。
在得到训练后的表征模型后，该服务器则可根据表征模型输出待匹配文本对中文本的表征向量，以确定待匹配文本对的匹配结果。
该服务器可接收携带待匹配文本对的匹配请求，并响应于携带待匹配文本对的匹配请求，将待匹配文本对输入训练后的表征模型，根据表征模型输出的表征向量，确定待匹配文本对的匹配结果。
在根据表征模型输出的表征向量，确定待匹配文本对的匹配结果时，具体的，该服务器可根据表征模型输出的表征向量，确定待匹配文本对的相似度。并将确定出的相似度输入预设的激活函数，得到待匹配文本对匹配结果。
如上所述，匹配结果可对应二分类结果或多分类结果。
该服务器在将确定出的相似度输入预设的激活函数，得到待匹配文本对匹配结果时，可当对待匹配文本对的关系进行二分类时，将相似度输入预设的第一激活函数，得到待匹配文本对为匹配关系的第一分值。当该第一分值大于预设的阈值时，可确定待匹配文本对具有匹配关系，作为匹配结果，否则，确定待匹配文本对不具有匹配关系作为匹配结果。
当对待匹配文本对的关系进行多分类时，可将相似度输入预设的第二激活函数，得到待匹配文本对分别与预设的各匹配程度对应的第二分值，并将最大的第二分值对应的匹配程度，作为待匹配文本对的匹配结果。
其中，该第一激活函数可为sigmoid函数。该第二激活函数可为softmax函数。
基于图1所示的文本匹配方法，通过利用匹配的文本对中两个原始文本的表征向量的第一相似度，该文本对中各原始文本与各自变形文本的表征向量间的第二相似度及各原始文本与其他原始文本的表征向量的第三相似度，确定该文本对的损失。该第一相似度与第二相似度皆与该文本对的损失负相关，第三相似度与该文本对的损失正相关。在根据各文本对的损失确定总损失，并以总损失最小为目标训练得到训练后的表征模型后，则可响应于匹配请求，通过训练后的表征模型确定待匹配文本对的表征向量，以根据得到的表征向量确定待匹配文本对的匹配结果。
从上述方法中可以看出，本方法可利用匹配的文本对，通过对比学习训练可输出准确表征向量的表征模型，提升基于表征模型进行文本匹配的匹配准确度。
在本说明书一个或多个实施例中，预设的数据增强方式可为位置变换。即，洗牌（shuffle）。
在步骤S100中，通过预设的数据增强方式，得到该原始文本的变形文本时，具体的，该服务器可确定该原始文本的各词元。并通过对该原始文本的至少部分词元进行位置变换，得到该原始文本的变形文本。
在本说明书一个或多个实施例中，预设的数据增强方式还可为随机置零（dropout）。
在步骤S100中，通过预设的数据增强方式，得到该原始文本的变形文本时，该服务器还可确定该原始文本的各词元。并根据预设的第一概率对该原始文本的部分词元随机置零，得到该原始文本的变形文本。
在本说明书一个或多个实施例中，该文本集合中的各原始文本可为文本本身。或者，也可以是通过嵌入（embedding）层对文本进行编码后的文本矩阵，具体可以是将原始文本词元化后，对原始文本的各词元分别进行嵌入编码后的文本矩阵。即，文本集合中的各原始文本还可以为矩阵形式的文本。则，针对每个原始文本，该原始文本的每个词元对应一个嵌入向量，该原始文本为由各嵌入向量构成的矩阵。则上述实施例中，确定的词元可以是原始文本的词元对应的嵌入向量。
另外，该预设的数据增强方式还可以是裁剪（cutoff）。具体可包括词元裁剪（token cutoff）与特征裁剪（feature cutoff）中的一种。其中，一个特征即原始文本对应的矩阵中的一个数值。
当该数据增强方式为词元裁剪时，该服务器可从原始文本的各词元中随机确定目标词元。并将目标词元的嵌入向量置零，得到该原始文本的变形文本。
当该数据增强方式为特征裁剪时，该服务器可从原始文本对应的矩阵中，确定任一一行特征或任一一列特征，作为目标特征，并对目标特征置零，得到该原始文本的变形文本。
或者，在本说明书一个或多个实施例中，还可采用上述三种数据增强方式中的至少部分，得到原始文本的变形文本。例如，可对原始文本的词元进行位置变换，之后再进行随机置零，得到第一文本的变形文本。
在本说明书中，一个词元可以对应一个词汇，或者，也可对应一个短语等，本说明书在此不做限制。
另外，在本说明书一个或多个实施例中，还可仅基于匹配的文本对该表征模型进行训练。即，文本集合中，不与任何原始文本存在匹配关系的原始文本可不参与对该表征模型进行训练。
于是，该服务器在步骤S100中确定文本集合中各原始文本的变形文本时，具体可从文本集合的各原始文本中，确定与其他原始文本具有匹配关系的原始文本，作为匹配文本。之后，再分别确定各匹配文本的变形文本。即，对于文本集合中，不与任何其他原始文本具有匹配关系的原始文本，则可不确定其变形文本。
则，在步骤S102中通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量时，该服务器可通过待训练的表征模型，分别得到各匹配文本及其变形文本对应的表征向量。
进一步地，在步骤S106中针对该文本对中的每个原始文本，确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度时，所应用的其他原始文本，为其他文本对中的原始文本。不与任何原始文本具有匹配关系的原始文本，则不作为其他原始文本，不参与第三相似度的计算。
另外，在步骤S108中根据第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失时，该服务器可针对该文本对中每个原始文本，根据该第一相似度、该原始文本对应的第二相似度，以及该原始文本对应的各第三相似度，确定该原始文本对应的损失。
之后，可根据该文本对中各原始文本对应的损失，确定该文本对的损失。
为了便于描述，针对每个文本对，将该文本对中其中一个原始文本作为第一文本，将另一个文本作为第二文本。
则该文本对的第一相似度为该文本对的第一文本与第二文本的表征向量间的相似度。
在步骤S106中，该服务器则可针对每个文本对，确定该文本对的第一文本与该第一文本的变形文本的表征向量间的相似度，作为该第一文本的第二相似度。将该文本对的第二文本与该第二文本的变形文本的表征向量间的相似度，作为该第二文本的第二相似度。
并且，该服务器可确定该第一文本分别与各其他原始文本的表征向量间的相似度，作为该第一文本对应的各第三相似度。并确定第二文本分别与各其他原始文本的表征向量间的相似度，作为该第二文本对应的各第三相似度。如上所述，各其他原始文本为文本集合中除该文本对以外的原始文本。
之后，该服务器可根据该第一相似度、该第一文本对应的第二相似度，以及该第一文本对应的第三相似度，确定该第一文本对应的损失，作为第一损失。并且，可根据该第一相似度、该第二文本对应的第二相似度，以及该第二文本对应的第三相似度，确定该第二文本对应的损失，作为第二损失。
然后，该服务器则可根据第一损失以及第二损失，确定该文本对的损失。具体，可通过将第一损失与第二损失求和得到该文本对的损失。
其中，该第一相似度与第一损失负相关，且与第二损失负相关。该第一文本对应的第二相似度与第一损失负相关。该第二文本对应的第二相似度与第二损失负相关。该第一文本对应的第三相似度与第一损失正相关。该第二文本对应的第三相似度与第二损失正相关。
在本说明书一个或多个实施例中，确定第一损失的公式可具体如下：
其中，
即第i个文本对的第一损失。则，在本说明书中，该文本集合可包含至少一个batch的文本对。A表示第一文本，B表示与该第一文本匹配的第二文本，/>
表示第一文本的变形文本。/>
为第i个文本对的第一文本的表征向量，/>
为第i个文本对的第二文本的表征向量。/>
为第i个文本对的第一文本的变形文本的表征向量。在计算第i个文本对的第一损失时，第i个文本对中的第一文本作为正样本，该第一文本的变形文本为增强正样本，第i个文本对中的第二文本作为弱正样本。其他文本对的第一文本作为负样本。N表示各文本对的总数。/>
为第j个文本对的第一文本的表征向量。则，本说明书中，正样本与负样本是相对的。
在本说明书一个或多个实施例中，在确定相似度时，具体可确定表征向量间的余弦相似度，因此：
或者，也可通过确定表征向量间的欧氏距离，并根据欧氏距离确定表征向量间的相似度。
需要说明的是，在本说明书中，不同文本对中的第一文本可以具有共性，不同文本对的第二文本间也可具有共性。例如，当应用在问答系统中时，第一文本可皆为问题文本。第二文本可皆为答案文本。或者，不同文本对中的第一文本间、不同文本对的第二文本间也可以不具有共性。例如，在文本去重场景中，或者近义文本识别场景等场景中。
在本说明书一个或多个实施例中，确定第二损失的公式可具体如下：
其中，
表示第i个文本对的第二损失。/>
表示第i个文本对中第二文本的变形文本。/>
为第j个文本对的第二文本的表征向量。该公式中其他字符的解释可参考上述对第一损失对应的公式的解释，本说明书在此不做赘述。/>
为第二相似度，
为第三相似度。
如上所述，针对每个文本对，可将该文本对的第一损失与第二损失求和，得到该文本对的损失。
则，确定一个文本对的损失的公式可具体如下：
则，确定总损失的公式可具体如下：
其中，
即总损失。Lossi即dii个文本对的损失。N仍然为文本对的数量。
另外，该服务器还可针对每个文本对，确定该文本对的第一文本的变形文本与第二文本的表征向量间的相似度，以及确定该文本对的第二文本的变形文本与第一文本的表征向量间的相似度。
该服务器具体可针对文本集合中的每个文本对的每个原始文本，确定该原始文本的变形文本与该文本对中另一原始文本的表征向量间的相似度，作为第四相似度。
在步骤S108根据第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失时，该服务器还可根据该第一相似度、该文本对对应的各第二相似度、该文本对对应的各第三相似度以及该文本对对应的各第四相似度，确定该文本对的损失。
其中，该第四相似度与该文本对的损失负相关。
具体的，该服务器可针对该文本对中每个原始文本，根据该第一相似度、该原始文本对应的第二相似度、该原始文本对应的第三相似度以及第四相似度，确定该原始文本对应的损失。其中没改原始文本对应的第四相似度与该原始文本对应的损失负相关。
之后，则可根据该文本对的各原始文本对应的损失，确定该文本对的损失。
即，该服务器还可根据该文本对的第一文本与第二文本的表征向量间的第一相似度、该文本对的第一文本及其变形文本的表征向量间的第二相似度、该文本对的第一文本的变形文本与第二文本的表征向量间的第四相似度，以及其他原始文本与该文本对的第一文本的表征向量间的第三相似度，确定该第一文本的第一损失。
并根据该文本对的第一文本与第二文本的表征向量间的第一相似度、该文本对的第二文本及其变形文本的表征向量间的第二相似度、该文本对的第二文本的变形文本与第一文本的表征向量间的第四相似度，以及其他原始文本与该文本对的第二文本的表征向量间的第三相似度，确定该第二文本的第二损失。
或者，在本说明书一个或多个实施例中，该服务器还可仅根据该文本对的第一文本及其变形文本的表征向量间的第二相似度、该文本对的第一文本的变形文本与第二文本的表征向量间的第四相似度，以及其他原始文本与该文本对的第一文本的表征向量间的第三相似度，确定该第一文本的第一损失。
并根据该文本对的第二文本及其变形文本的表征向量间的第二相似度、该文本对的第二文本的变形文本与第一文本的表征向量间的第四相似度，以及其他原始文本与该文本对的第二文本的表征向量间的第三相似度，确定该第二文本的第一损失。
则，在本说明书一个或多个实施例中，确定第一损失的公式还可具体如下：
相应的，确定第二损失的公式还可具体如下：
其中，
、/>
皆为第四相似度。
为了便于理解，本说明书还提供了如图2所示的表征模型示意图。如图，在将文本对的第一文本进行数据增强后，可得到第一文本的变形文本。在将第一文本、第一文本的变形文本，以及该文本对中与该第一文本匹配的第二文本输入表征模型后，可分别得到该第一文本的表征向量、该变形文本的表征向量以及该第二文本的表征向量。图中，由一个矩形与两个无填充的圆形构成的图形表示该第一文本、该第一文本的该变形文本以及该第二文本分别对应的表征向量。由一个矩形与两个斜线填充的圆形构成的图形表示其他原始样本的表征向量。
如图2所示，以拉近同一文本对中第一文本的变形文本与第一文本的表征向量在特征空间的距离，拉远不同文本对中原始文本的表征向量间的距离为目的，对表征模型进行训练。使得表征模型能够通过学习文本的语义，以及语义相近的文本间的差异以及语义不同的文本间的差异，以准确输出文本的表征向量。当然，图2仅是示例性给出一个训练样本对应的部分文本及其表征向量，示例性的说明以拉近哪些表征向量间的距离为目的。如上所述，拉近训练样本中第一文本与第二文本的表征向量在特征空间的距离、拉近第二文本及其变形文本在特征空间的距离等皆可为本说明书中对表征模型训练的目的，在此不一一列举。
在本说明书一个或多个实施例中，表征模型可由预训练的特征模型与弱编码器构成。例如，该预训练的特征模型可以是双向编码器表征模型（Bidirectional EncoderRepresentation from Transformers，BERT）模型。弱编码器可以是一个线性层。该弱编码器可用于防止表征模型坍缩。例如，该弱编码器可以是一个具有512个节点的线性层。由于特征模型的输入维度可以是固定的，因此，在将文本输入特征模型前，可先对文本进行预处理。预处理方式可包括裁断与填补，使文本的维度与特征模型的输入维度相同。
则，在步骤S102通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量时，该服务器可针对各原始文本与各变形文本中的每个文本，将该文本输入特征模型，得到该文本的编码特征，并将该文本的编码特征输入弱编码器，得到该文本的表征向量。
并且，为了增强表征模型的性能，可在特征模型中进行dropout以增强扰动。
在本说明书一个或多个实施例中，该特征模型可包含若干编码器。
在将该文本输入所述特征模型，得到该文本的编码特征时，具体可先对特征模型的编码器的参数，按照预设的第二概率随机置零。即，按照预设的第二概率对征模型的编码器的参数，进行dropout。
之后则可将该文本输入随机置零后的特征模型，得到该文本的编码特征。
例如，具体可在特征模型的自注意力层中进行dropout。如，可对自注意力层的Q（query）、K（key）、V（value）三个矩阵中分别进行dropout。即，编码器的参数可以为Q、K、W矩阵。并且，dropout的值可根据需要设置，例如，可设置为0.1，即对矩阵中十分之一的值进行dropout。
或者，该表征模型还可由预训练的表征模型、平均池化层以及线性层构成。该表征模型用于针对输入的每个文本，分别输出该文本每个词元对应的向量。该平均池化层则用于对该文本的各词元的向量进行平均池化。弱编码器则基于平均池化后得到的向量，输出表征向量。其中，该向量为特征模型输出的文本的编码特征。
另外，在本说明书中，用于训练该表征模型的文本集合可来源于中文金融语义相似度语料、信贷文本匹配相似度语料、问题语义匹配数据集、同义句识别数据集等。
图3为本说明书提供的一种文本匹配装置示意图，装置包括：
获取模块200，用于获取文本集合，并确定所述文本集合中各原始文本的变形文本，其中，所述文本集合中包含具有匹配关系的原始文本组成的文本对；
表征模块201，用于通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量；
第一确定模块202，用于针对所述文本集合中的每个文本对，确定该文本对中两个原始文本的表征向量间的相似度，作为第一相似度；
第二确定模块203，用于针对该文本对中的每个原始文本，确定该原始文本与该原始文本的变形文本的表征向量间的相似度，作为第二相似度，以及确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度；其中，其他原始文本为所述文本集合中除该文本对以外的原始文本；
第三确定模块204，用于根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，所述第一相似度与所述各第二相似度皆与所述损失负相关，所述各第三相似度与该文本对的损失正相关；
训练模块205，用于根据确定出的各文本对的损失，确定总损失，并以所述总损失最小为优化目标对所述表征模型进行训练，得到训练后的所述表征模型；
匹配模块206，用于响应于携带待匹配文本对的匹配请求，将所述待匹配文本对输入训练后的所述表征模型，根据所述表征模型输出的表征向量，确定所述待匹配文本对的匹配结果。
可选地，所述获取模块200，还用于针对所述文本集合中每个原始文本，通过预设的数据增强方式，得到该原始文本的变形文本。
可选地，所述数据增强方式为位置变换，所述获取模块200，还用于确定该原始文本的各词元，通过对该原始文本的至少部分词元进行位置变换，得到该原始文本的变形文本。
可选地，所述数据增强方式为随机置零，所述获取模块200，还用于确定该原始文本的各词元，根据预设的第一概率对该原始文本的部分词元随机置零，得到该原始文本的变形文本。
可选地，所述获取模块200，还用于从所述文本集合的各原始文本中，确定与其他原始文本具有匹配关系的原始文本，作为匹配文本，分别确定各匹配文本的变形文本。
可选地，所述表征模块201，还用于通过待训练的表征模型，分别得到各匹配文本及其变形文本对应的表征向量。
可选地，所述装置还包括：
第四确定模块207，用于针对所述文本集合中的每个文本对的每个原始文本，确定该原始文本的变形文本与该文本对中另一原始文本的表征向量间的相似度，作为第四相似度。
可选地，所述第三确定模块204，还用于根据所述第一相似度、该文本对对应的各第二相似度、该文本对对应的各第三相似度以及该文本对对应的各第四相似度，确定该文本对的损失，其中，所述第四相似度与该文本对的损失负相关。
可选地，所述表征模型由预训练的特征模型与弱编码器构成，所述表征模块201，还用于针对各原始文本与各变形文本中的每个文本，将该文本输入所述特征模型，得到该文本的编码特征，将该文本的编码特征输入所述弱编码器，得到该文本的表征向量。
可选地，所述特征模型包含若干编码器，所述表征模块201，还用于对所述特征模型的编码器的参数，按照预设的第二概率随机置零，将该文本输入随机置零后的所述特征模型，得到该文本的编码特征。
可选地，所述匹配模块206，还用于根据所述表征模型输出的表征向量，确定所述待匹配文本对的相似度，将所述相似度输入预设的激活函数，得到所述待匹配文本对匹配结果。
可选地，所述匹配结果对应二分类结果或多分类结果，所述匹配模块206，还用于当对所述待匹配文本对的关系进行二分类时，将所述相似度输入预设的第一激活函数，得到所述待匹配文本对为匹配关系的第一分值，当所述第一分值大于预设的阈值时，确定所述待匹配文本对具有匹配关系，作为匹配结果，否则，确定所述待匹配文本对不具有匹配关系作为匹配结果；当对所述待匹配文本对的关系进行多分类时，将所述相似度输入预设的第二激活函数，得到所述待匹配文本对分别与预设的各匹配程度对应的第二分值，将最大的第二分值对应的匹配程度，作为所述待匹配文本对的匹配结果。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述文本匹配方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述文本匹配方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (15)
1.一种文本匹配方法，其特征在于，包括：
获取文本集合，并确定所述文本集合中各原始文本的变形文本，其中，所述文本集合中包含具有匹配关系的原始文本组成的文本对；
通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量；
针对所述文本集合中的每个文本对，确定该文本对中两个原始文本的表征向量间的相似度，作为第一相似度；
针对该文本对中的每个原始文本，确定该原始文本与该原始文本的变形文本的表征向量间的相似度，作为第二相似度，以及确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度；其中，其他原始文本为所述文本集合中除该文本对以外的原始文本；
根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，所述第一相似度与所述各第二相似度皆与所述损失负相关，所述各第三相似度与该文本对的损失正相关；
根据确定出的各文本对的损失，确定总损失，并以所述总损失最小为优化目标对所述表征模型进行训练，得到训练后的所述表征模型；
响应于携带待匹配文本对的匹配请求，将所述待匹配文本对输入训练后的所述表征模型，根据所述表征模型输出的表征向量，确定所述待匹配文本对的匹配结果；
其中，将该文本对中其中一个原始文本作为第一文本，将另一个文本作为第二文本；
确定该原始文本与该原始文本的变形文本的表征向量间的相似度，作为第二相似度，具体包括：
确定该文本对的第一文本与该第一文本的变形文本的表征向量间的相似度，作为该第一文本的第二相似度；将该文本对的第二文本与该第二文本的变形文本的表征向量间的相似度，作为该第二文本的第二相似度；
确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度，具体包括：
确定该第一文本分别与各其他原始文本的表征向量间的相似度，作为该第一文本对应的各第三相似度；确定第二文本分别与各其他原始文本的表征向量间的相似度，作为该第二文本对应的各第三相似度；
根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，具体包括：
根据该第一相似度、该第一文本对应的第二相似度，以及该第一文本对应的第三相似度，确定该第一文本对应的损失，作为第一损失；根据该第一相似度、该第二文本对应的第二相似度，以及该第二文本对应的第三相似度，确定该第二文本对应的损失，作为第二损失；根据第一损失以及第二损失，确定该文本对的损失；其中，该第一相似度与第一损失负相关，且与第二损失负相关，该第一文本对应的第二相似度与第一损失负相关，该第二文本对应的第二相似度与第二损失负相关，该第一文本对应的第三相似度与第一损失正相关，该第二文本对应的第三相似度与第二损失正相关。
2.如权利要求1所述的方法，其特征在于，确定所述文本集合中各原始文本的变形文本，具体包括：
针对所述文本集合中每个原始文本，通过预设的数据增强方式，得到该原始文本的变形文本。
3.如权利要求2所述的方法，其特征在于，所述数据增强方式为位置变换；
通过预设的数据增强方式，得到该原始文本的变形文本，具体包括：
确定该原始文本的各词元；
通过对该原始文本的至少部分词元进行位置变换，得到该原始文本的变形文本。
4.如权利要求2所述的方法，其特征在于，所述数据增强方式为随机置零；
通过预设的数据增强方式，得到该原始文本的变形文本，具体包括：
确定该原始文本的各词元；
根据预设的第一概率对该原始文本的部分词元随机置零，得到该原始文本的变形文本。
5.如权利要求1所述的方法，其特征在于，确定所述文本集合中各原始文本的变形文本，具体包括：
从所述文本集合的各原始文本中，确定与其他原始文本具有匹配关系的原始文本，作为匹配文本；
分别确定各匹配文本的变形文本。
6.如权利要求5所述的方法，其特征在于，通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量，具体包括：
通过待训练的表征模型，分别得到各匹配文本及其变形文本对应的表征向量。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
针对所述文本集合中的每个文本对的每个原始文本，确定该原始文本的变形文本与该文本对中另一原始文本的表征向量间的相似度，作为第四相似度。
8.如权利要求7所述的方法，其特征在于，根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，具体包括：
根据所述第一相似度、该文本对对应的各第二相似度、该文本对对应的各第三相似度以及该文本对对应的各第四相似度，确定该文本对的损失；
其中，所述第四相似度与该文本对的损失负相关。
9.如权利要求1所述的方法，其特征在于，所述表征模型由预训练的特征模型与弱编码器构成；
通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量，具体包括：
针对各原始文本与各变形文本中的每个文本，将该文本输入所述特征模型，得到该文本的编码特征；
将该文本的编码特征输入所述弱编码器，得到该文本的表征向量。
10.如权利要求9所述的方法，其特征在于，所述特征模型包含若干编码器；
将该文本输入所述特征模型，得到该文本的编码特征，具体包括：
对所述特征模型的编码器的参数，按照预设的第二概率随机置零；
将该文本输入随机置零后的所述特征模型，得到该文本的编码特征。
11.如权利要求1所述的方法，其特征在于，根据所述表征模型输出的表征向量，确定所述待匹配文本对的匹配结果，具体包括：
根据所述表征模型输出的表征向量，确定所述待匹配文本对的相似度；
将所述相似度输入预设的激活函数，得到所述待匹配文本对匹配结果。
12.如权利要求11所述的方法，其特征在于，所述匹配结果对应二分类结果或多分类结果；
将所述相似度输入预设的激活函数，得到所述待匹配文本对匹配结果，具体包括：
当对所述待匹配文本对的关系进行二分类时，将所述相似度输入预设的第一激活函数，得到所述待匹配文本对为匹配关系的第一分值，当所述第一分值大于预设的阈值时，确定所述待匹配文本对具有匹配关系，作为匹配结果，否则，确定所述待匹配文本对不具有匹配关系作为匹配结果；
当对所述待匹配文本对的关系进行多分类时，将所述相似度输入预设的第二激活函数，得到所述待匹配文本对分别与预设的各匹配程度对应的第二分值，将最大的第二分值对应的匹配程度，作为所述待匹配文本对的匹配结果。
13.一种文本匹配装置，其特征在于，包括：
获取模块，用于获取文本集合，并确定所述文本集合中各原始文本的变形文本，其中，所述文本集合中包含具有匹配关系的原始文本组成的文本对；
表征模块，用于通过待训练的表征模型，分别得到各原始文本及其变形文本的表征向量；
第一确定模块，用于针对所述文本集合中的每个文本对，确定该文本对中两个原始文本的表征向量间的相似度，作为第一相似度；
第二确定模块，用于针对该文本对中的每个原始文本，确定该原始文本与该原始文本的变形文本的表征向量间的相似度，作为第二相似度，以及确定该原始文本分别与各其他原始文本的表征向量间的相似度，作为各第三相似度；其中，其他原始文本为所述文本集合中除该文本对以外的原始文本；
第三确定模块，用于根据所述第一相似度、该文本对对应的各第二相似度以及该文本对对应的各第三相似度，确定该文本对的损失，所述第一相似度与所述各第二相似度皆与所述损失负相关，所述各第三相似度与该文本对的损失正相关；
训练模块，用于根据确定出的各文本对的损失，确定总损失，并以所述总损失最小为优化目标对所述表征模型进行训练，得到训练后的所述表征模型；
匹配模块，用于响应于携带待匹配文本对的匹配请求，将所述待匹配文本对输入训练后的所述表征模型，根据所述表征模型输出的表征向量，确定所述待匹配文本对的匹配结果；
其中，将该文本对中其中一个原始文本作为第一文本，将另一个文本作为第二文本；
所述第二确定模块具体用于，确定该文本对的第一文本与该第一文本的变形文本的表征向量间的相似度，作为该第一文本的第二相似度；将该文本对的第二文本与该第二文本的变形文本的表征向量间的相似度，作为该第二文本的第二相似度；确定该第一文本分别与各其他原始文本的表征向量间的相似度，作为该第一文本对应的各第三相似度；确定第二文本分别与各其他原始文本的表征向量间的相似度，作为该第二文本对应的各第三相似度；
所述第三确定模块具体用于，根据该第一相似度、该第一文本对应的第二相似度，以及该第一文本对应的第三相似度，确定该第一文本对应的损失，作为第一损失；根据该第一相似度、该第二文本对应的第二相似度，以及该第二文本对应的第三相似度，确定该第二文本对应的损失，作为第二损失；根据第一损失以及第二损失，确定该文本对的损失；其中，该第一相似度与第一损失负相关，且与第二损失负相关，该第一文本对应的第二相似度与第一损失负相关，该第二文本对应的第二相似度与第二损失负相关，该第一文本对应的第三相似度与第一损失正相关，该第二文本对应的第三相似度与第二损失正相关。
14.一种计算机可读存储介质，其特征在于，所述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上述权利要求1~12任一项所述的方法。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1~12任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310413634.9A CN116150380B (zh) | 2023-04-18 | 2023-04-18 | 一种文本匹配方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310413634.9A CN116150380B (zh) | 2023-04-18 | 2023-04-18 | 一种文本匹配方法、装置、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116150380A CN116150380A (zh) | 2023-05-23 |
| CN116150380B true CN116150380B (zh) | 2023-06-27 |
Family
ID=86354636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310413634.9A Active CN116150380B (zh) | 2023-04-18 | 2023-04-18 | 一种文本匹配方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116150380B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252183B (zh) * | 2023-10-07 | 2024-04-02 | 之江实验室 | 一种基于语义的多源表格自动匹配方法、装置及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259113A (zh) * | 2020-01-15 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 文本匹配方法、装置、计算机可读存储介质和计算机设备 |
| CN114490923A (zh) * | 2021-11-29 | 2022-05-13 | 腾讯科技（深圳）有限公司 | 相似文本匹配模型的训练方法、装置、设备及存储介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112749540B (zh) * | 2020-02-06 | 2023-06-09 | 腾讯科技（深圳）有限公司 | 文本匹配方法、文本匹配模型的训练方法及装置、设备 |
| CN111709247B (zh) * | 2020-05-20 | 2023-04-07 | 北京百度网讯科技有限公司 | 数据集处理方法、装置、电子设备和存储介质 |
| CN113836885A (zh) * | 2020-06-24 | 2021-12-24 | 阿里巴巴集团控股有限公司 | 文本匹配模型训练方法、文本匹配方法、装置和电子设备 |
| US11694034B2 (en) * | 2020-10-23 | 2023-07-04 | Google Llc | Systems and methods for machine-learned prediction of semantic similarity between documents |
| US20220172065A1 (en) * | 2020-11-30 | 2022-06-02 | Mercari, Inc. | Automatic ontology generation by embedding representations |
| CN112527967A (zh) * | 2020-12-17 | 2021-03-19 | 重庆金融资产交易所有限责任公司 | 文本匹配方法、装置、终端和存储介质 |
| CN113420128B (zh) * | 2021-08-23 | 2021-11-19 | 腾讯科技（深圳）有限公司 | 文本匹配方法、装置、存储介质及计算机设备 |
| CN114077841A (zh) * | 2021-11-18 | 2022-02-22 | 平安普惠企业管理有限公司 | 基于人工智能的语义提取方法、装置、电子设备及介质 |
| CN114818729A (zh) * | 2022-04-28 | 2022-07-29 | 阳光保险集团股份有限公司 | 一种训练语义识别模型、查找语句的方法、装置及介质 |
| CN114756659A (zh) * | 2022-05-10 | 2022-07-15 | 平安科技（深圳）有限公司 | 语言模型训练方法、装置、设备及存储介质 |
-
2023
- 2023-04-18 CN CN202310413634.9A patent/CN116150380B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259113A (zh) * | 2020-01-15 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 文本匹配方法、装置、计算机可读存储介质和计算机设备 |
| CN114490923A (zh) * | 2021-11-29 | 2022-05-13 | 腾讯科技（深圳）有限公司 | 相似文本匹配模型的训练方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116150380A (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117235226A (zh) | 一种基于大语言模型的问题应答方法及装置 | |
| CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
| CN116227474B (zh) | 一种对抗文本的生成方法、装置、存储介质及电子设备 | |
| CN111881973A (zh) | 一种样本选择方法、装置、存储介质及电子设备 | |
| CN110134852B (zh) | 一种文档的去重方法、设备及可读介质 | |
| CN111401062B (zh) | 文本的风险识别方法、装置及设备 | |
| CN116150380B (zh) | 一种文本匹配方法、装置、存储介质及设备 | |
| CN112417093B (zh) | 一种模型训练的方法及装置 | |
| CN115712866B (zh) | 数据处理方法、装置及设备 | |
| CN116303989A (zh) | 一种面向多种检索场景的专利检索方法、装置、设备 | |
| CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
| CN118277442B (zh) | 一种基于大语言模型的检索方法、设备及介质 | |
| CN117034942B (zh) | 一种命名实体识别方法、装置、设备及可读存储介质 | |
| CN117252183B (zh) | 一种基于语义的多源表格自动匹配方法、装置及存储介质 | |
| CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
| CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
| CN114912513A (zh) | 一种模型训练的方法、识别信息的方法及装置 | |
| CN114611517B (zh) | 基于深度学习的命名实体识别方法、装置、设备和介质 | |
| CN117033469B (zh) | 一种基于表格语义注释的数据库检索方法、装置以及设备 | |
| CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN117079646B (zh) | 一种语音识别模型的训练方法、装置、设备及存储介质 | |
| CN116451808B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN117874706B (zh) | 一种多模态知识蒸馏学习方法及装置 | |
| CN117171346A (zh) | 一种实体链接方法、装置、存储介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |