CN114510944B 名称匹配方法、训练方法、设备及存储介质 （支付宝(杭州)信息技术有限公司）

本说明书一个或多个实施例提供一种名称训练好的神经网络将所述待匹配名称的名称字将同一名称的不同变体的字符串均转换成同一与预存的若干参考名称的表征向量之间的相似考名称的任一变体的字符串输入所述神经网络2根据预先训练好的神经网络将所述待匹配名称的名称字符串转换成表征向量；其中，所述神经网络用于将同一名称的不同变体的字符串均转换成同确定所述待匹配名称的表征向量分别与预存的若干参考名称的表征向量之间的相似根据所述相似度确定所述待匹配名称与所述参考2.根据权利要求1所述的方法，所述神经网3.根据权利要求1所述的方法，所述根据预先训练好的神经网络将所述待匹配名称的将所述字符集合输入预先训练好的神经网络中，通过所述神经网络将所述嵌入层用于将所述名称字符串在分词后得到的字符集合进行转所述编码器用于将所述嵌入向量从字符向量空间映射到数值向量空所述全连接层用于将所述编码器输出的表征向量进行降样本进行对比学习和表征学习得到；属于同一名称样本的不同变体的字符串分别对应的表征向量之间的距离，和/或最大化属将所述三元组样本输入具有三条支路的预设神经网络中根据两个正样本分别对应的表征向量之间的相似程度、和/或其中一个正样本的表征3将所述二元组样本输入具有两条支路的预设神经网络中根据两个正样本分别对应的表征向量之间的相似程度、和/或所述正样本的表征向量所述三元损失函数用于度量两个正样本分别对应的表征向量之间的相所述对比损失函数用于度量两个正样本分别对应的表征向量之间的相述正样本的表征向量与所述负样本的表征向量之间的差若所述相似度大于预设阈值，确定所述待匹配名称与所述参获取若干三元组样本，所述三元组样本包括两个正样本和一个将所述三元组样本输入具有三条支路的预设神经网络中根据两个正样本分别对应的表征向量之间的相似程度、和/或其中一个正样本的表征获取若干二元组样本，其中一部分所述二元组样本包括两个正样本将所述二元组样本输入具有两条支路的预设神经网络中根据两个正样本分别对应的表征向量之间的相似程度、和/或所述正样本的表征向量4其中，所述处理器通过运行所述可执行指令以实现如权利要求1至13中任一项所述的5名称的多种语言的写法和各种拼写变异体形成名单资料库，使用时直接查找判断是否匹[0009]确定所述待匹配名称的表征向量分别与预存的若干参考名称的表征向量之间的[0014]根据两个正样本分别对应的表征向量之间的相似程度、和/或其中一个正样本的6[0018]根据两个正样本分别对应的表征向量之间的相似程度、和/或所述正样本的表征[0023]根据本说明书一个或多个实施例的第五方面，提出了一[0026]图1是一示例性实施例提供的一种用于名称匹配的神经网络的训练方法的流程[0029]图4是一示例性实施例提供的神经网络训练前后两个样本的表征向量之间的距离7[0030]图5是一示例性实施例提供的另一种用于名称匹配的神经网络的训练方法的流程中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相名称的多种语言的写法和各种拼写变异体形成名单资料库，使用时直接查找判断是否匹8该程序产品时能够执行本说明书提供的名称匹配方法或用于名称匹配的神经网络的训练行指令以实现本说明书提供的名称匹配方法或用于名称匹配的神经网络重于学习同类实例之间的共同特征，区分非同类实例之间的不同之处。与生成学习9[0051]本说明书实施例提供的神经网络在学习了语音相似性特征和/或语义相似性特征同变体的字符串分别对应的表征向量之间的距离，和/或最大化属于不同名称样本的至少个表征向量，使得属于同一名称样本的不同变体的字符串分别对应的表征向量尽可能相[0053]在一些实施例中，可以通过三元网络(TripletNetwork)结构或者双生子网络(SiameseNetwork)结构来进行神经网络训练，学习将同一名称的不同变体的字符串编码[0054]在一示例性的实施例中，以三元网络(TripletNetwork)结构进行神经网络训练练好的神经网络用于将同一名称的不同变体的字符串均向量难以判断字符串之间的语义相似性和/或语音相似性，因此，本实施例提供了编码器码器20获得的表征向量的维度通常比较大，若电子设备在具有足够的计算资源的情况下，表征向量投射到一个维度更小的向量空间，从而有利于减少后续步骤需要处理的数据量，进而根据损失函数的损失值来调整神经网络100的参数，实现缩小同类样本(两个正样本)的表征向量之间的距离，同时增大非同类样本(正样本和负样本)的表征向量之间的距离，直到达到神经网络100的优化目标(即最小化属于同一名称样本的不同变体的字符串分别样本x的表征向量和与它匹配的正样本x_+的表征向量尽可能相似，而与不匹配的样本x_-的表征向量尽可能不同，从而有利于提高后续利用所述神经网络进行名称匹配的准确性，[0069]在另一示例性的实施例中，以二元网络(SiameseNetwork)结构进行神经网络训练示例说明，请参阅图5，本说明书实施例提供了一种用于名称匹配的神经网络的训练方的神经网络用于将同一名称的不同变体的字符串均转括语义相似的字符串和/或语音相似的字符串，从而可以将神经网络学习到语义相似性特[0075]在以二元网络(SiameseNetwork)结构进行神经网络训练时，所述神经网络具有输入具有两条支路的预设神经网络中，由每条支路处理所述二元组样本中的其中一个样loss)，所述二元损失函数可以用来度量两个正样本(x和x_+)分别对应的表征向量之间的相似程度、或者所述正样本(x)的表征向量与所述负样本(x_-)的表征向量之间的差异程它匹配的正样本x_+的表征向量尽可能相似，而与不匹配的样本x_-的表征向量尽可能不语音和/或语义相似的不同变体的字符串(指示同一实体)均转换成同一表征向量，并且将通过衡量所述待匹配名称的表征向量分别与预存的若干参考名称的表征向量之间的相似[0090]可以理解的是，本说明书实施例对于电子设备所使用的相似度算法不做任何限称的表征向量分别与预存的若干参考名称的表征向量之SignalProcessor，DSP)、专用集成电路(ApplicationSpecific[0100]一种非临时性计算机可读存储介质，当存储介质中的指令由终端的处理器执行[0106]