CN108595409A - 一种基于神经网络的需求文档和服务文档匹配方法 - Google Patents

一种基于神经网络的需求文档和服务文档匹配方法 Download PDF

Info

Publication number
CN108595409A
CN108595409A CN201810217155.9A CN201810217155A CN108595409A CN 108595409 A CN108595409 A CN 108595409A CN 201810217155 A CN201810217155 A CN 201810217155A CN 108595409 A CN108595409 A CN 108595409A
Authority
CN
China
Prior art keywords
documents
similarity
service
document
requirement documents
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.)
Pending
Application number
CN201810217155.9A
Other languages
English (en)
Inventor
邹祥文
吴悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201810217155.9A priority Critical patent/CN108595409A/zh
Publication of CN108595409A publication Critical patent/CN108595409A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于神经网络的需求文档和服务文档匹配方法。本发明利用需求文档和服务文档结构，通过对文档进行提取，利用段落嵌入将文档转化为向量，通过长短期记忆神经网络对文章进行分割，在分割文本上利用卷积神经网络计算相似度，求得所有分割文档的相似度后计算加权平均值；最终得到需求文档和服务文档的相似度。

Description

一种基于神经网络的需求文档和服务文档匹配方法
技术领域
本发明涉及计算机自然语言处理领域，主要针对于需求文档和服务文档的匹配，具体涉及一种基于神经网络的需求文档和服务文档匹配方法。
背景技术
随着互联网迅速发展和普及，现代企业生产方式变成以技术为基础的互相协作。为了寻找相互协作的企业，需求方编写符合企业需求的需求文档，而技术方编写企业技术能力对应的服务文档，通过连接互联网，加快发现协作企业，减少企业时间和人力成本。
企业需求文档包含企业需要解决的问题以及解决该问题时需要达到的指标，企业服务文档则包含概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划。如何通过需求文档和服务文档快速为企业寻找合作伙伴成为当下一个热点和难点。
目前常用的文档匹配方法通过将文本转化为文档向量空间模型(Vector SpaceModel,VSM)，在逆文档频率(Term Frequency–Inverse Document Frequency Model,TF-IDF)模型的基础上通过距离函数计算两个文档的相似度，距离越小就越相似。由于需求文档可能会包含需要合作企业同时满足的几项需求，而服务文档可能会列举企业目前能够最大程度提供的技术服务，服务文档需要满足需求文档中绝大多数或者全部的情况下才是正确的匹配，目前的匹配方法在这方面还存在不足。
发明内容
为了克服目前的匹配方法在需求文档和服务文档匹配上的不足，提高需求文档和服务文档匹配的准确率，本发明提出了一种基于神经网络的需求文档和服务文档匹配方法，利用需求文档和服务文档的内容的特殊性，提取文档内容，在更细粒度进行匹配，最后综合得出匹配结果。
为达到上述目的，本发明采用下述技术方案：
步骤1：输入一篇需求文档和一篇服务文档作为待匹配文档，需求文档包含企业需要解决的问题以及解决该问题时需要达到的指标，服务文档则包含概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划；
步骤2：根据文档内容判断输入文档是需求文档或服务文档；
步骤2.1：包括企业需要解决的问题以及解决该问题时需要达到的指标部分则是需求文档，提取企业需要解决的问题以及解决该问题时需要达到的指标部分；
步骤2.2：包括概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划部分则是服务文档，提取概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划部分；
步骤2.3：最终的需求文档和服务文档的相似度要对所有需求文档提取部分与所有服务文档提取部分计算相似度，以下取需求文档的需要解决的问题和服务文档的概述解决该难题技术的方法为例；
步骤3：对需求文档的需要解决的问题部分和服务文档的概述解决该难题技术的方法部分中的句子进行段落嵌入(Paragraph Embedding,PE)处理，获得句子向量；
步骤4：通过长短期记忆网络(Long Short-Term Memory,LSTM)判断文档分割点；
步骤4.1：将获得的句子向量输入训练好的长短期记忆网络(Long Short-TermMemory,LSTM)中，由长短期记忆网络输出结果判断前一句子是否是一个分割点；
步骤4.2：根据分割点将一个部分分割成意思不同的几段文本，对需求文档的问题部分就是一个个需求，服务文档的解决部分就是一个个方法。
步骤5：根据处理结果类型构造相似度模型输入；
步骤5.1：如果是需求文档，则将一个需求的所有句子通过PE模型处理后得到句子向量构成一个矩阵，同时取一个方法的所有句子向量构成另一个矩阵；
步骤5.2：如果是服务文档，则将一个方法的所有句子通过PE模型处理后得到句子向量构成一个矩阵，同时取一个需求的所有句子向量构成另一个矩阵；
步骤6：将两个矩阵作为输入通过训练好的卷积神经网络(Convolutional NeuralNetworks,CNNs)计算相似度，每个需求交叉的和每个方法计算相似度，对每个需求取相似度最大的值作为这一需求的最终值；
步骤7：对相似度值加权平均获得最终相似度；
步骤7.1：获取每个需求最终值后求加权平均值作为需求文档的需要解决的问题最终相似度值；
步骤7.2：上述步骤以需求文档的需要解决的问题和服务文档的概述解决该难题技术的方法为例，需求文档包含需要解决的问题以及解决该问题时需要达到的指标部分，根据上述方法再求得需求文档解决该问题时需要达到的指标部分相似度，求两部分加权平均值作为需求文档和服务文档最终相似度；
步骤8：最终相似度和预设阈值相比较，大于阈值则两篇文档匹配，小于阈值则两篇文档不匹配。
其中，步骤4所述的分割点是指文档的前一句和后一句所述意思不相同，则前一句是一个分割点。长短期记忆网络历史信息更新公式为：
Ct＝0(when ht-1→1)
其中Ct时长短期记忆网络t时刻的历史信息，ht-1是上一个状态的输出。
更新历史信息时，如果前一时间得到的输出是分割点，则将Ct更新为0，不是分割点则不处理。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著技术进步：通过文本分割方法对需求文档和服务文档进行分割，获得具体的需求和服务，最后基于具体的需求和服务计算匹配度，解决了需求文档和服务文档匹配时需要大部分或者全部满足的问题。将出现的指标信息单独构造一维加入原始输入矩阵，解决了需求文档和服务文档中指标信息对匹配结果的影响。在求得各分割文档相似度后又进行了交叉匹配，取最佳匹配结果，解决了因用户习惯不同对匹配结果的影响。
附图说明
图1为本发明流程图。
图2为本发明相似度计算模型卷积网络图。
图3为本发明相似度计算模型中卷积操作图。
图4为本发明相似度计算模型中相似度层图。
图5为本发明交叉匹配图。
具体实施方式
实施例1
下面结合本发明中的附图，对本发明的技术方案进行清晰、完整地描述。
本发明提出了一种需求文档和服务文档匹配发明，具体流程图如图1所示具体实施步骤如下：
步骤1：输入一篇需求文档和一篇服务文档作为待匹配文档，需求文档包含企业需要解决的问题以及解决该问题时需要达到的指标，服务文档则包含概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划；
步骤2：根据文档内容判断输入文档是需求文档或服务文档；
步骤2.1：包括企业需要解决的问题以及解决该问题时需要达到的指标部分则是需求文档，提取企业需要解决的问题以及解决该问题时需要达到的指标部分；
步骤2.2：包括概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划部分则是服务文档，提取概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划部分；
步骤2.3：最终的需求文档和服务文档的相似度要对所有需求文档提取部分与所有服务文档提取部分计算相似度，以下取需求文档的需要解决的问题和服务文档的概述解决该难题技术的方法为例；
步骤3：对需求文档的需要解决的问题部分和服务文档的概述解决该难题技术的方法部分中的句子进行段落嵌入(Paragraph Embedding,PE)处理，获得句子向量；
在词嵌入(Word Embedding,WE)模型中，每个单词都能被映射到文档矩阵W中惟一一列，列的索引就是单词在词汇中的位置，然后将词向量级联起来就能预测句子中的下一个单词。给定一个单词序列w1，w2，w3，…，wT，词嵌入模型的目标就是最大化平均log概率，计算公式如式(I)所示：
其中概率p是正确预测下一词的概率。
预测任务通过多分类器来完成，例如softmax分类器，计算公式如式(Ⅱ)所示：
对于每一个输入单词i，yi是非归一化对数概率，计算公式如式(Ⅲ)所示：
y＝b+Uh(wt-k，…，wt+k；W)(Ⅲ)
其中U和b是softmax分类器的参数，h由从W提取的单词矢量的连接或平均值构成。
PE模型的灵感来自于WE，段落嵌入也能够用来预测句子中的下一单词。每一个段落单词被映射到矩阵D中惟一一列，而每个单词被映射到矩阵W中惟一一列。和WE模型相比，PE模型唯一变化在公式(Ⅲ)，h由从W提取的单词矢量的连接或平均值构成变成由W和D构成。
步骤4：通过长短期记忆网络(Long Short-Term Memory,LSTM)判断文档分割点；
步骤4.1：将获得的句子向量输入训练好的长短期记忆网络(Long Short-TermMemory,LSTM)中，由长短期记忆网络输出结果判断前一句子是否是一个分割点；
步骤4.2：根据分割点将一个部分分割成意思不同的几段文本，对需求文档的问题部分就是一个个需求，服务文档的解决部分就是一个个方法。
LSTM网络包含三种门结构：遗忘门(Forget Gate)、输入门(Input Gate)和输出门(Output Gate)。每个门作用不同，具体作用如下：
遗忘门：遗忘门用来对保存的历史信息进行处理。遗忘门运算使用当前输入信息和上一时间状态，然后通过一层sigmoid层，输出范围[0,1]，当输出为0，舍弃历史信息，当输入为1时，保留历史信息。判断丢弃与否使用公式(Ⅳ)：
ft＝σ(Wf[ht-1，xt]+bf)(IV)
其中σ代表sigmoid函数，x是由PE模型处理后得到了向量，h代表输出结果，判断是否是分割点，w是长短期记忆网络连接参数，b是偏置值，f决定我们在t时刻要遗忘的信息。
输入门：输入门决定对历史信息怎样更新。输入门可以对输入信息运算后得知是否将当前输入更新到历史信息中。包含一个sigmoid层和一个tanh层，sigmoid层决定我们将更新什么，tanh层产生新的候选值。计算公式如式(Ⅴ)和式(Ⅵ)所示：
it＝σ(Wf[ht-1，xt]+bi)(V)
其中i决定更新的数值，h代表输出结果，判断是否是分割点，w是长短期记忆网络连接参数，b是偏置值，Ct是长短期记忆网络t时刻的历史信息。
从遗忘门获取了历史信息，从输入门获取了更新候选键，使用如(Ⅶ)公式更新历史信息：
其中C是长短期记忆网络的历史信息，f由公式(Ⅳ)计算所得，决定了t时刻要遗忘的信息，i由公式(Ⅴ)计算所得，决定了更新的数值。
输出门：输出门用来控制当前节点输出信息。首先会通过一个sigmoid层来决定输出那些信息，然后与tanh层输出相乘得到输出。计算公式如式(Ⅷ)和式(Ⅸ)所示：
ot＝σ(Wf[ht-1，xt]+bo)(VIII)
ht＝ot*tanh(Ct)(IX)
其中σ代表sigmoid函数，x是由PE模型处理后得到了向量，h代表输出结果，判断是否是分割点，w是长短期记忆网络连接参数，b是偏置值。
获取LSTM输出后，通过一层sigmoid层，使得输出处于[0,1]之间，当输出接近1时，代表前一节点是分割点，反之则是连续点。
使用公式(Ⅹ)更新历史信息时，如果前一时间得到的输出是分割点，则将Ct更新为0，不是分割点则不处理。
Ct＝0(when ht-1→1)(X)
公式(Ⅳ)到(Ⅹ)中σ代表sigmoid函数，x代表输入，h代表输出，判断是否是分割点w代表连接参数，b代表偏置值。
步骤5：根据处理结果类型构造相似度模型输入；
步骤5.1：如果是需求文档，则将一个需求的所有句子通过PE模型处理后得到句子向量构成一个矩阵，同时取一个方法的所有句子向量构成另一个矩阵；
步骤5.2：如果是服务文档，则将一个方法的所有句子通过PE模型处理后得到句子向量构成一个矩阵，同时取一个需求的所有句子向量构成另一个矩阵；
步骤6：将两个矩阵作为输入通过训练好的卷积神经网络(Convolutional NeuralNetworks,CNNs)计算相似度，每个需求交叉的和每个方法计算相似度，对每个需求取相似度最大的值作为这一需求的最终值；
本发明中CNNs模型如图2所示。
CNNs网络一般分为输入层，输出层，卷积层和全连接层。
输入层：输入层直接作用于输入矩阵，本发明中是经过PE模型处理后的分割文本句子矩阵。
输出层：经过CNNs处理后的输出，本发明输出是两段文本的相似度。
卷积层：对输入进行特征提取。由卷积层和采样层组成。卷积层作用是提取输入数据的特征，不同卷积核提取到的特征不同。采样层作用是减少数据的同时还要保留下重要信息，以加快处理速度，同一层的采样神经元共享权值。采样层采用了sigmoid函数作为激活函数，使得采样层具有位移不变性。
获取分割文本之后，对于文本进行分词处理，留下TF-IDF高的词，由于需求和服务中经常含有指标信息，因此本文还会留下所有数字，使用PE模型对分割后文本每个句子进行处理，将所得句子向量组合成矩阵，数字重复后作为单独的一维。
需求文档和服务文档形成的矩阵先经过各自卷积层，卷积处理后再连接一层相似度层，最后通过一层全连接层输出相似度。
为了尽可能多的获取文本的特征，使用两种卷积操作，如图3所示：左边的窗口大小为2，整个单词向量。右边窗口大小也为2时每次只包括单词向量的一个维度。实际实验中，窗口大小采用了1，Dim/2和∞三种
经过采样层时，对于两种卷积所获得的结果分别使用最大值池化、最小值池化和均值池化，不同池化方法能够收集到不同的信息，方便进行后面的处理。
相似度层使用的相似度发明是余弦相似度。由于使用了最大值、最小值和均值三种池化方法，因此，它们要相互求取相似度，由于采样之后结果是矩阵，因此对于每个矩阵，每一行都与另一矩阵每一行求相似度，每一列都与另一矩阵每一列求相似度，如图4所示。比如假设最大值池化后结果是一个N×M的矩阵。矩阵的第i行要和另一个矩阵的N行求取相似度，矩阵的第M列要和另一矩阵的第j列求取相似度，最终求得的结果作为相似度层，同时还要对整个矩阵和另一个矩阵求一次相似度，由于对行和列求相似度的结果比对整个矩阵求相似度结果多，因此复制对整个矩阵求得的相似度结果，使得三者权重相等，最终连接一个全连接层输出相似度结果。
全连接层：和传统神经网络中全连接层一样，本发明在输出之前使用一层全连接层。
步骤7：对相似度值加权平均获得最终相似度；
步骤7.1：获取每个需求最终值后求加权平均值作为需求文档的需要解决的问题最终相似度值；
步骤7.2：上述步骤以需求文档的需要解决的问题和服务文档的概述解决该难题技术的方法为例，需求文档包含需要解决的问题以及解决该问题时需要达到的指标部分，根据上述方法再求得需求文档解决该问题时需要达到的指标部分相似度，求两部分加权平均值作为需求文档和服务文档最终相似度；
最终相似度计算是在需求文档每一个部分的分割结果和服务文档每个部分的分割结果上进行的，如图5所示，由于需求文档仅有两个部分，即需要解决的问题以及解决该问题时需要达到的指标，因此每个部分进行文本分割后都会与服务文档每个部分分割后的结果交叉求相似度，取交叉结果的最大值作为该部分匹配值，比如需求文档的需要解决的问题部分分割出N个片段，服务文档概述解决该难题技术的方法部分分割出M个结果，交叉计算后有N×M个匹配结果，对需求文档每个部分取相似度最大的值作为这一部分的最终值，获取需求文档所有部分最终值后求加权平均值作为需求文档的需要解决的问题最终相似度值。同理，需求文档的需要解决的问题部分和服务文档所有部分求最佳交叉结果。
上述步骤以需求文档的需要解决的问题和服务文档的概述解决该难题技术的方法为例，需求文档包含需要解决的问题以及解决该问题时需要达到的指标部分，根据上述方法再求得需求文档解决该问题时需要达到的指标部分相似度，求两部分加权平均值作为需求文档和服务文档最终相似度。
步骤8：最终相似度和预设阈值相比较，大于阈值则两篇文档匹配，小于阈值则两篇文档不匹配。
其中，所述步骤4中的分割点是指文档的前一句和后一句所述意思不相同，则前一句是一个分割点。所述的长短期记忆网络的历史信息更新公式为：
Ct＝0(when ht-1→1)
其中Ct是长短期记忆网络t时刻的历史信息，ht-1是上一个状态的输出，判断是否是分割点。
更新历史信息时，如果前一时间得到的输出是分割点，则将Ct更新为0，不是分割点则不处理。

Claims (2)

1.一种基于神经网络的需求文档和服务文档匹配方法，其特征在于操作步骤如下：
步骤1：输入一篇需求文档和一篇服务文档作为待匹配文档，需求文档包含企业需要解决的问题以及解决该问题时需要达到的指标，服务文档则包含概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划；
步骤2：根据文档内容判断输入文档是需求文档或服务文档；
步骤2.1：包括企业需要解决的问题以及解决该问题时需要达到的指标部分则是需求文档，提取企业需要解决的问题以及解决该问题时需要达到的指标部分；
步骤2.2：包括概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划部分则是服务文档，提取概述解决该难题技术的方法、解决过类似项目的经验、承接本项目具备的技术储备、所获得的相关专利、拟采取的研究方法、主要实现的技术指标和项目进度计划部分；
步骤2.3：最终的需求文档和服务文档的相似度要对所有需求文档提取部分与所有服务文档提取部分计算相似度，以下取需求文档的需要解决的问题和服务文档的概述解决该难题技术的方法为例；
步骤3：对需求文档的需要解决的问题部分和服务文档的概述解决该难题技术的方法部分中的句子进行段落嵌入处理，获得句子向量；
步骤4：通过长短期记忆网络判断文档分割点；
步骤4.1：将获得的句子向量输入训练好的长短期记忆网络中，由长短期记忆网络输出结果判断前一句子是否是一个分割点；
步骤4.2：根据分割点将一个部分分割成意思不同的几段文本，对需求文档的问题部分就是一个个需求，服务文档的解决部分就是一个个方法。
步骤5：根据处理结果类型构造相似度模型输入；
步骤5.1：如果是需求文档，则将一个需求的所有句子通过PE模型处理后得到句子向量构成一个矩阵，同时取一个方法的所有句子向量构成另一个矩阵；
步骤5.2：如果是服务文档，则将一个方法的所有句子通过PE模型处理后得到句子向量构成一个矩阵，同时取一个需求的所有句子向量构成另一个矩阵；
步骤6：将两个矩阵作为输入通过训练好的卷积神经网络计算相似度，每个需求交叉的和每个方法计算相似度，对每个需求取相似度最大的值作为这一需求的最终值；
步骤7：对相似度值加权平均获得最终相似度；
步骤7.1：获取每个需求最终值后求加权平均值作为需求文档的需要解决的问题最终相似度值；
步骤7.2：上述步骤以需求文档的需要解决的问题和服务文档的概述解决该难题技术的方法为例，需求文档包含需要解决的问题以及解决该问题时需要达到的指标部分，根据上述方法再求得需求文档解决该问题时需要达到的指标部分相似度，求两部分加权平均值作为需求文档和服务文档最终相似度；
步骤8：最终相似度和预设阈值相比较，大于阈值则两篇文档匹配，小于阈值则两篇文档不匹配。
2.根据权利要求1所述的基于神经网络的需求文档和服务文档匹配方法,其特征在于：
所述步骤4中的分割点是指文档的前一句和后一句所述意思不相同，则前一句是一个分割点。所述的长短期记忆网络的历史信息更新公式为：
Ct＝0(when hr-1→1)
其中Ct时长短期记忆网络t时刻的历史信息，ht-1是上一个状态的输出,判断是否是分割点；
更新历史信息时，如果前一时间得到的输出是分割点，则将Ct更新为0，不是分割点则不处理。
CN201810217155.9A 2018-03-16 2018-03-16 一种基于神经网络的需求文档和服务文档匹配方法 Pending CN108595409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810217155.9A CN108595409A (zh) 2018-03-16 2018-03-16 一种基于神经网络的需求文档和服务文档匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810217155.9A CN108595409A (zh) 2018-03-16 2018-03-16 一种基于神经网络的需求文档和服务文档匹配方法

Publications (1)

Publication Number Publication Date
CN108595409A true CN108595409A (zh) 2018-09-28

Family

ID=63626496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810217155.9A Pending CN108595409A (zh) 2018-03-16 2018-03-16 一种基于神经网络的需求文档和服务文档匹配方法

Country Status (1)

Country Link
CN (1) CN108595409A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134852A (zh) * 2019-05-06 2019-08-16 北京四维图新科技股份有限公司 一种文档的去重方法、设备及可读介质
CN111488879A (zh) * 2019-01-25 2020-08-04 斯特拉德视觉公司 利用双嵌入构成的用于提高分割性能的方法及装置
CN111723527A (zh) * 2020-06-28 2020-09-29 重庆大学 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法
CN112307055A (zh) * 2019-07-26 2021-02-02 傲为信息技术(江苏)有限公司 技术类开放式数字资产的检索方法
CN113743081A (zh) * 2021-09-03 2021-12-03 西安邮电大学 技术服务信息的推荐方法
CN117495515B (zh) * 2023-12-29 2024-04-05 优材优建(青岛)供应链科技有限公司 招投标智能匹配方法、***、计算机设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407182A (zh) * 2016-09-19 2017-02-15 国网福建省电力有限公司 一种用于企业电子公文文档自动摘要的方法
CN106909655A (zh) * 2017-02-27 2017-06-30 中国科学院电子学研究所 基于产生式别名挖掘的知识图谱实体发现和链接方法
CN107169035A (zh) * 2017-04-19 2017-09-15 华南理工大学 一种混合长短期记忆网络和卷积神经网络的文本分类方法
CN107545262A (zh) * 2017-07-31 2018-01-05 华为技术有限公司 一种在自然场景图像中检测文本的方法及装置
CN107797986A (zh) * 2017-10-12 2018-03-13 北京知道未来信息技术有限公司 一种基于lstm‑cnn的混合语料分词方法
CN109033413A (zh) * 2018-03-12 2018-12-18 上海大学 一种基于神经网络的需求文档和服务文档匹配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407182A (zh) * 2016-09-19 2017-02-15 国网福建省电力有限公司 一种用于企业电子公文文档自动摘要的方法
CN106909655A (zh) * 2017-02-27 2017-06-30 中国科学院电子学研究所 基于产生式别名挖掘的知识图谱实体发现和链接方法
CN107169035A (zh) * 2017-04-19 2017-09-15 华南理工大学 一种混合长短期记忆网络和卷积神经网络的文本分类方法
CN107545262A (zh) * 2017-07-31 2018-01-05 华为技术有限公司 一种在自然场景图像中检测文本的方法及装置
CN107797986A (zh) * 2017-10-12 2018-03-13 北京知道未来信息技术有限公司 一种基于lstm‑cnn的混合语料分词方法
CN109033413A (zh) * 2018-03-12 2018-12-18 上海大学 一种基于神经网络的需求文档和服务文档匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIANGWEN ZOU: "REQUIRE- DOCUMENTS AND PROVIDE-DOCUMENTS MATCHING ALGORITHM BASED ON TOPIC MODEL", 《2016 INTERNATIONAL CONFERENCE ON AUDIO, LANGUAGE AND IMAGE PROCESSING》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488879A (zh) * 2019-01-25 2020-08-04 斯特拉德视觉公司 利用双嵌入构成的用于提高分割性能的方法及装置
CN111488879B (zh) * 2019-01-25 2023-10-10 斯特拉德视觉公司 利用双嵌入构成的用于提高分割性能的方法及装置
CN110134852A (zh) * 2019-05-06 2019-08-16 北京四维图新科技股份有限公司 一种文档的去重方法、设备及可读介质
CN110134852B (zh) * 2019-05-06 2021-05-28 北京四维图新科技股份有限公司 一种文档的去重方法、设备及可读介质
CN112307055A (zh) * 2019-07-26 2021-02-02 傲为信息技术(江苏)有限公司 技术类开放式数字资产的检索方法
WO2021017633A1 (zh) * 2019-07-26 2021-02-04 南京瑞祥信息技术有限公司 技术类开放式数字资产的检索方法
CN111723527A (zh) * 2020-06-28 2020-09-29 重庆大学 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法
CN111723527B (zh) * 2020-06-28 2024-04-16 重庆大学 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法
CN113743081A (zh) * 2021-09-03 2021-12-03 西安邮电大学 技术服务信息的推荐方法
CN117495515B (zh) * 2023-12-29 2024-04-05 优材优建(青岛)供应链科技有限公司 招投标智能匹配方法、***、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN108595409A (zh) 一种基于神经网络的需求文档和服务文档匹配方法
CN108984526A (zh) 一种基于深度学习的文档主题向量抽取方法
CN110188272B (zh) 一种基于用户背景的社区问答网站标签推荐方法
CN109871538A (zh) 一种中文电子病历命名实体识别方法
CN107423442A (zh) 基于用户画像行为分析的应用推荐方法及***，储存介质及计算机设备
CN109241255A (zh) 一种基于深度学习的意图识别方法
CN109325398A (zh) 一种基于迁移学习的人脸属性分析方法
CN112579778A (zh) 基于多层次的特征注意力的方面级情感分类方法
CN108804677A (zh) 结合多层级注意力机制的深度学习问题分类方法及***
CN111222318B (zh) 基于双通道双向lstm-crf网络的触发词识别方法
CN108985929A (zh) 训练方法、业务数据分类处理方法及装置、电子设备
CN110008327A (zh) 法律回答生成方法及装置
CN108874783A (zh) 电力信息运维知识模型构建方法
CN111046178B (zh) 一种文本序列生成方法及其***
CN114091460A (zh) 一种多任务中文实体命名识别方法
CN110807069B (zh) 一种基于强化学习算法的实体关系联合抽取模型构建方法
CN112527966A (zh) 基于Bi-GRU神经网络和自注意力机制的网络文本情感分析方法
Qi et al. Personalized sketch-based image retrieval by convolutional neural network and deep transfer learning
CN109977394A (zh) 文本模型训练方法、文本分析方法、装置、设备及介质
CN112000788B (zh) 一种数据处理方法、装置以及计算机可读存储介质
CN113239690A (zh) 基于Bert与全连接神经网络融合的中文文本意图识别方法
CN110446112A (zh) 基于双向LSTM-Attention的IPTV用户体验预测方法
CN106970981A (zh) 一种基于转移矩阵构建关系抽取模型的方法
Wang et al. Improvement of MNIST image recognition based on CNN
CN109033413A (zh) 一种基于神经网络的需求文档和服务文档匹配方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180928

WD01 Invention patent application deemed withdrawn after publication