一种基于FECF的深度灾害预案智能语义匹配方法与流程

技术特征：
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，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
r
q b
r
),s＝w
s
q 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。

技术总结
本发明涉及基于FECF的深度灾害预案智能语义匹配方法，是一种对灾害预案进行语义匹配的方法，属于自然语言处理和深度学习领域，其特征在于采用如下步骤：(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。本发明有效的解决了灾害预案匹配时间较长问题，大大节省灾害预案匹配时间，提高了灾害预案的效率，有效的改善灾害预案文本语义匹配不准确的问题，大大提升了灾害预案匹配的准确率，为灾后处理提供了科学有效的依据。学有效的依据。学有效的依据。


技术研发人员：胡燕祝 王松 洪昀
受保护的技术使用者：北京邮电大学
技术研发日：2021.12.13
技术公布日：2022/3/15