句子相似度计算作为自然语言处理中一项重要的基础研究,在众多相关研究中扮演着重要的角色,受到了研究人员的广泛关注。传统的句子相似度计算方法基于人工提取的特征进行计算,但这种方法常常面临特征稀疏等问题,使得计算结果不尽人意。近年来迅速发展的神经网络能自动提取文本特征,有效地挖掘句子中隐藏的语义信息,解决了人工设计特征面临的诸多问题。因此,越来越多的研究工作聚焦于将神经网络应用于句子相似度计算。目前基于神经网络的句子相似度计算研究主要分为两大类,一类是基于交互的方法。此类方法先根据句子之间匹配单元的关系构造语义关系矩阵,然后利用卷积神经网络从该矩阵中提取相应特征并计算句子相似度。由于构建语义关系矩阵时往往只考虑句子之间单词或短语的交互,忽视了句子整体的交互,从而影响了最终句子相似度计算结果的准确性。另一类是基于表征的方法,此类方法通常利用句子编码器提取不同类型的特征来进行句子表征,然后根据句子表征间的距离来表示句子相似度。由于句子编码器提取的局部特征往往忽略了句子中的序列相关信息,提取的全局特征又相对不足,导致最终的句子相似度计算的准确率不高。鉴于以上问题,本文提出了以下两种解决方案:1、本文提出了一种结合局部和全局特征的句子相似度计算模型。该模型利用一种改进的卷积神经网络提取句子的局部特征并将其作为单词对应的局部语义特征;然后将预训练的单词词向量和单词对应的局部语义特征级联得到融合局部语义信息的单词表征,并将新的单词表征构成的句子序列输入至双向门控循环网络,从而提取到句子中的全局特征;最后选取部分全局特征来表征句子,并根据句子表征之间的曼哈顿距离来计算句子相似度。实验结果表明该模型极大地提高了句子相似度计算的准确率。2、本文提出了一种混合交互的句子相似度计算模型。该模型首先利用句子编码器对句子进行编码,得到相应的句子表征,并根据句子表征之间的向量差来捕捉句子级别的交互关系;然后利用句子之间单词与单词的语义关系构建语义关系矩阵,采用卷积神经网络提取矩阵中的特征,根据这一特征向量来表示句子之间单词级别的交互关系;最后结合上述两种交互表示的特征向量,经过全连接网络对该特征向量进行拟合后,得到最终的句子相似度。在真实数据集上的实验结果表明,该模型明显优于目前大多数句子相似度计算模型。