句子相似度计算方法及装置制造方法及图纸

技术编号:12409711 阅读:89 留言:0更新日期:2015-11-29 18:02
本发明专利技术提供一种准确度高的句子相似度计算方法及装置。该句子相似度计算方法,包括:针对第一句子和第二句子确定重复词、第一孤存词和第二孤存词,其中,重复词既属于第一句子又属于第二句子,第一孤存词仅属于第一句子,第二孤存词仅属于第二句子;根据所有第一孤存词和所有第二孤存词,计算孤存词相似度总贡献值G总,其中,G总≥0,并且所有第一孤存词与所有第二孤存词之间的相似程度越高,G总数值越大;根据公式计算SIM(A,B),其中SIM(A,B)表示第一句子和第二句子的句子相似度,表示第一句子对应的第一句向量,表示第二句子对应的第二句向量。

【技术实现步骤摘要】

本专利技术涉及自然语言处理
,尤其涉及一种句子相似度计算方法及装置
技术介绍
句子相似度计算是自然语言处理的一项重要研究内容,近年来在信息检索、机器 翻译、问答系统、自动文摘等应用领域中的作用越来越重要。 传统方法多通过余弦相似性(cosine simiIiarity)来衡量两个句子的相似程度。 具体过程为:先将需要比较相似度的两个句子分别转换为句向量表示,然后计算两个句向 量的夹角的余弦值,。计算结果数值是〇到1之间,数值越大说明两个句子越相似。更多详 情可以参考维基百科 https: //en. wikipedia. org/wiki/Cosine similarity〇 该方法简便 易行,但是不够准确。 例如:需要比较"是高清吧"和"这是高清的吗"这两个句子的相似度。切词后的两 个句子分别是"是/高清/吧"和"这是/高清/的/吗"。假设词的权重值都是1,各词对 应的向量维度下标为:是_>维度下标1,高清_>维度下标2,吧_>维度下标3,这是_>维度 下标4,的-> 维度下标5,吗-> 维度下标6,则两个句子分别对应的句向量是 和。计算这两个句向量的夹角的余弦值: 上述方法计算出来的余弦值很小、句子相似度不高,然而人工判断两个句子实际 上非常相似,由此可见上述方法存在准确度低的缺陷。
技术实现思路
有鉴于此,本专利技术旨在克服现有技术的准确度低的缺陷,提供一种准确度高的句 子相似度计算方法及装置。 为实现上述目的,根据本专利技术的一个方面,提供了一种句子相似度计算方法,包 括:步骤Sl :针对第一句子和第二句子确定重复词、第一孤存词和第二孤存词,其中,所述 重复词既属于所述第一句子又属于所述第二句子,所述第一孤存词仅属于所述第一句子, 所述第二孤存词仅属于所述第二句子;步骤S2 :根据所有第一孤存词和所有第二孤存词, 计算孤存词相似度总贡献值G,&,其中,G,&彡0,并且所有所述第一孤存词与所有所怵笛一.孤 存词之间的相似程度越高,所述G,&数值越大;步骤S3 :根据公式 计 算S頂(A,B),其中S頂(A,B)表示所述第一句子和第二句子的句子相似度,灵表示所述第一 句子对应的第一句向量,百表示所述第二句子对应的第二句向量。 可选地,所述步骤S2包括: 步骤S21 :将所有所述第一孤存词在所有所述第二孤存词进行语义匹配,以得到 匹配孤存词对以及所述匹配孤存词对的相似度贡献值G ; 步骤S22 :将所有的所述匹配孤存词对的相似度贡献值G求和,得到所述孤存词相 似度总贡献值G,&。 可选地,所述为步骤S21包括:步骤S211 :确定当前所有所述第一孤存词 和所有第二孤存词的并集集合中的词权重最大词X ;步骤S 212 :根据公式G (X)= max {WxXWYiX similarity (X,Yi) I Yi e 集合 U}计算 G(X),其中 G(X)表示针对词语 X 进行 语义配对得到的匹配孤存词对的相似度贡献值,所述集合U在所述X是第一孤存词的情况 下表示当前所有所述第二孤存词构成的集合,所述集合U在所述X是第二孤存词的情况下 表示当前所有所述第一孤存词构成的集合,Yi表示所述集合U中的元素,1 :!表示词语X的 词权重,Wyi表示词语Yi的词权重,similarity (X,Yi)表示X与Yi的词义相似度且取值范 围为;步骤S213 :判断G (X)是否大于0,如果G(X) >0,则确认X和所述G (X)对应的 Yi两个词成功地匹配为孤存词对,记录该孤存词对相似度贡献度G = G (X),并且将该孤存 词对从所述并集集合中删除,如果G(X) = 0,将所述X从所述并集集合中删除;步骤S214 : 判断所述并集集合是否为空集,如果否,跳至步骤S211。 可选地,所述词权重采用词频-逆文档频率。 为实现上述目的,根据本专利技术的一个方面,提供了一种句子相似度计算装置,包 括:确定模块,用于针对第一句子和第二句子确定重复词、第一孤存词和第二孤存词,其中, 所述重复词既属于所述第一句子又属于所述第二句子,所述第一孤存词仅属于所述第一句 子,所述第二孤存词仅属于所述第二句子;第一计算模块,根据所有第一孤存词和所有第 二孤存词,计算孤存词相似度总贡献值G, &,其中,G,&多0,并且所有所述第一孤存词与所 有所述第二孤存词之间的相似程度越高,所述G, &数值越大;第二计算模块,用于根据公式=计算S頂(A,B),其中S頂(A,B)表示所述第一句子和第二句子的句 子相似度,1表示所述第一句子对应的第一句向量,g表示所述第二句子对应的第二句向 量。 可选地,所述第一计算模块还用于:将所有所述第一孤存词在所有所述第二孤存 词进行语义匹配,以得到匹配孤存词对以及该匹配孤存词对的相似度贡献值G ;将所有的 所述匹配孤存词对的相似度贡献值G求和,得到所述孤存词相似度总贡献值G,&。 可选地,所述第一计算模块还用于:确定当前所有所述第一孤存 词和所有第二孤存词的并集集合中的词权重最大词X ;根据公式G(X)= max {WxXWYiX similarity (X,Yi) I Yi e 集合 U}计算 G(X),其中 G(X)表示针对词语 X 进行 语义配对得到的匹配孤存词对的相似度贡献值,所述集合U在所述X是第一孤存词的情况 下表示当前所有所述第二孤存词构成的集合,所述集合U在所述X是第二孤存词的情况下 表示当前所有所述第一孤存词构成的集合,Yi表示所述集合U中的元素,1 :!表示词语X的 词权重,Wyi表示词语Yi的词权重,similarity (X,Yi)表示X与Yi的词义相似度且取值范 围为;判断G (X)是否大于0,如果G(X) >0,则确认X和所述G (X)对应的Yi两个词 成功地匹配为孤存词对,记录该孤存词对相似度贡献度G = G (X),并且将该孤存词对从所 述并集集合中删除,如果G (X) = 0,将所述X从所述并集集合中删除;判断所述并集集合是 否为空集,如果否,重复执行以上处理。 可选地,所述词权重采用词频-逆文档频率。 根据本专利技术的技术方案,在计算过程中考虑字面不相同、词义近似的词对句子相 似度的贡献,这样计算得到的相似度会更加准确可靠。【附图说明】 附图用于更好地理解本专利技术,不构成对本专利技术的不当限定。其中: 图1是根据本专利技术实施例的句子相似度计算方法的主要步骤的示意图。 图2是根据本专利技术实施例的句子相似度计算装置的主要部件的示意图。【具体实施方式】 以下结合附图对本专利技术的示范性实施例做出说明,其中包括本专利技术实施例的各种 细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识 到,可以对这里描述的实施例做出各种改变和修改,而不会背离本专利技术的范围和精神。同 样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。 在传统的余弦相似度计算句子相似度的技术方案中,"是高清吧"和"这是高清的 吗"只有一个词"高清"相同,其他词都不相同。但是从语义角度来看"是"和"这是"、"吧" 和"吗"意义比较接近,应该在计算句子相似度时用上却没有用。针对于此本文档来自技高网...
句子相似度计算方法及装置

【技术保护点】
一种句子相似度计算方法,其特征在于,包括:步骤S1:针对第一句子和第二句子确定重复词、第一孤存词和第二孤存词,其中,所述重复词既属于所述第一句子又属于所述第二句子,所述第一孤存词仅属于所述第一句子,所述第二孤存词仅属于所述第二句子;步骤S2:根据所有第一孤存词和所有第二孤存词,计算孤存词相似度总贡献值G总,其中,G总≥0,并且所有所述第一孤存词与所有所述第二孤存词之间的相似程度越高,所述G总数值越大;步骤S3:根据公式计算SIM(A,B),其中SIM(A,B)表示所述第一句子和第二句子的句子相似度,表示所述第一句子对应的第一句向量,表示所述第二句子对应的第二句向量。

【技术特征摘要】

【专利技术属性】
技术研发人员:刘佳
申请(专利权)人:北京京东尚科信息技术有限公司北京京东世纪贸易有限公司
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1