文本匹配是自然语言处理领域基础任务之一,实现时往往需要较为复杂的文本交互的过程。论文针对这个实际问题,并结合文本匹配具体的任务场景,设计了一个基于BERT（Bidirectional Encoder Representation from Transformers）预训练模型和图神经网络模型混合的文本匹配算法,该算法可以简化复杂的文本交互的过程,达到一个较好的文本匹配的结果。论文借鉴了Sentence-BERT模型的算法设计思想,基于BERT预训练模型和图神经网络模型设计了一个混合文本匹配算法,算法分成两个部分:文本语义匹配部分和句法依存匹配部分。文本语义匹配部分是基于BERT预训练模型,增加多种注意力交互方法获取更多层次的语义信息,同时结合了文本匹配具体应用场景的特点,对其中的核心注意力机制进行修改,使得该注意力机制可以更深层次的挖掘文本匹配的语义信息;随后引入了局部向量信息增强的操作,来增强文本匹配特征向量信息的表征,将得到的增强向量通过平均池化和最大池化的操作,得到的向量减少了过拟合,并且保留句子的主要特征,提升模型的泛化能力;在池化操作后,经过全连接网络降维,就得到了语义匹配部分最终的文本向量。而句法依存匹配部分,则是利用句子具有句法依存结构的特点,将句法依存结构转换为图结构;随后使用图神经网络将图结构进行编码,这一部分则是为了提取句子本身的句法结构的信息,来增加文本匹配句法层面的特征;随后使用平均池化和最大池化来获取整张图的特征向量,将得到的两个图向量通过全连接层进行加权整合。最后则将文本语义匹配部分和句法依存匹配部分得到的向量进行拼接,并使用拼接后得到的最终向量来完成文本匹配的具体任务目标。在论文的实验部分,采用Pytorch深度神经网络框架进行算法模型的开发,开发完成后在文本匹配领域的多个公共数据集上进行实验,结果验证了该模型的有效性。