(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111522693.7 (22)申请日 2021.12.13 (71)申请人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 (72)发明人 胡燕祝　王松　洪昀　 (51)Int.Cl. G06F 30/27(2020.01) G06F 40/30(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于FECF的深度灾害预案智能语义匹 配方法 (57)摘要 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。 权利要求书2页 说明书4页 附图3页 CN 114186495 A 2022.03.15 CN 114186495 A 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(Xk,Yk)＝F(φ(Xk),φ(Yk))； 式中， 和 分别是文本Xk和Yk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xi的特征向量 式中 ， i 为计数单位， Etr是可训练词向量矩阵， Efix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ht： 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， xt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， ei,k为xi位 置和yk位置隐含输出的余弦相似度， ei,j为xi位置和yj位置隐含输出的余弦相似度， 和 分别为xi位置和yj位置的隐含输出， αi,j为xi相对yj的注意力评分， 为xi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权　利　要　求　书 1/2 页 2 CN 114186495 A 2出： r＝f(Wrq+br),s＝Wsq+bs； 式中， f(·)为非线性激活函数， Wr、 Ws均是权重函数， br、 bs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+λ s'； 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 。权　利　要　求　书 2/2 页 3 CN 114186495 A 3