[发明专利]一种基于FECF的深度灾害预案智能语义匹配方法

权利要求书

1.一种基于FECF的深度灾害预案智能语义匹配方法，特征在于：(1)对灾害预案问题进行建模，(2)确定单词的特征向量，(3)确定词汇上下文编码，t位置的隐含状态输出，(4)确定文本的注意力信息，(5)确定两个语句的匹配得分，(6)确定语句的模型训练，具体包括以下六个步骤：

步骤一：对灾害预案问题进行建模：

score(X^k,Y^k)＝F(φ(X^k),φ(Y^k))；

式中，和分别是文本X^k和Y^k的第i个和第j个词汇，φ(·)表示将文本进行词向量表征的函数，F(·)为计算两段文本语义匹配分值的匹配模型，m是语句X的长度，n是语句Y的长度；

步骤二：确定单词x_i的特征向量

式中，i为计数单位，E^tr是可训练词向量矩阵，E^fix为不可训练词向量矩阵，Conv为一维卷积操作，对于语句中的每一个词都采用上述步骤来抽取词汇特征向量，为可训练词向量，为固定词向量，为词汇前文编码向量，为词汇后文编码向量；

步骤三：确定词汇上下文编码，t位置的隐含状态输出h_t：

式中，为Bi-LSTM模型在t位置的正向输出，为Li-LSTM模型在t位置的反向输出，x_t为t位置的输入，(·)^T为转置操作；

步骤四：确定文本的注意力信息

式中，n为语句Y的长度，k为计数单位，e_i,k为x_i位置和y_k位置隐含输出的余弦相似度，e_i,j为x_i位置和y_j位置隐含输出的余弦相似度，和分别为x_i位置和y_j位置的隐含输出，α_i,j为x_i相对y_j的注意力评分，为x_i相对Y的注意力向量表示；拼接基于注意力的上下文向量和触发后的作为下一层的输出同样的，确定语句Y的下一层输出对不同位置的交互信息进行建模；

步骤五：确定两个语句的匹配得分r：

将得到的交互信息经过池化层和全连接层，通过一个非线性函数进行匹配得分值的输出：

r＝f(W_rq+b_r),s＝W_sq+b_s；

式中，f(·)为非线性激活函数，W_r、W_s均是权重函数，b_r、b_s是偏置向量，q为经过池化后的向量经过降序排列组成的新向量，s为经过线性变换输出的得分匹配值；

步骤六：确定语句的模型训练：

搭建卷积神经网络，将上述预处理的数据输入网络中，经过卷积层、池化层、全连接层等操作进行特征特征提取，确定两个语句的得分score(X,Y)：

score(X,Y)＝s+λs'；

式中，s是深度多视图语义模块的匹配得分，s'是基于实体上下特征的语义匹配模块得分，λ为平衡因子，调节两个模块的得分比重。