文本匹配是自然语言处理的研究方向之一,很多自然语言处理任务都可以抽象为文本匹配问题,例如文本去重、问答系统等。传统的文本匹配方法主要采用的是基于词汇重合度的匹配运算,无法理解文本语义的问题。基于深度学习的文本匹配运算可以有效提高文本匹配的准确率,但是需要处理大量的数据,需要较长的运算时间。预训练模型BERT的出现推动了自然语言处理的极大进步,在多项任务中取得了显著的效果,但耗费资源较大,对算力也有比较高的要求。在教育领域中的专业名词以及问题之间的区分度不高,存在一定的语义多样性以及文本结构性问题,对文本匹配算法的要求较高。为解决上述问题,本文采用基于信息交互的文本匹配方法,提出了一种面向信息交互的中文文本语义匹配模型（Information Interaction Oriented Chinese Text Semantic Matching Method Model,IISM）。该模型以文本检索为基础,考虑到文本自身的上下文关系,使用自注意力机制提取深层次语义表示。同时采用卷积神经网络提取文本的结构信息,并且为了使文本匹配到对方低层次的语义信息,提取文本词粒度和字粒度的信息,将这三种语义信息进行交互得到新的语义矩阵以后使用Bi LSTM进行特征采集提取。之后采用预训练模型BERT结合外部语言知识库对模型的词向量训练方面进行改进;采用协同训练算法使模型的训练性能更加稳定;使用粒子群优化算法优化卷积神经网络超参数。本文提出的模型在语义信息交互方面具有优越性,能够解决中文文本中存在的语义多样性和文本结构性问题。为了验证本文提出的方法有效性,在中文文本匹配数据集上进行了实验,同时测试了目前常用的几种文本匹配模型。实验结果表明,本文提出的基于信息交互的中文文本匹配方法在准确率和精确率上都有一定的提升,获得了很好的效果,对智能学习平台的改进优化有一定的应用价值。将该方法应用到实验室的人工智能教育产品研发项目中的智能答疑系统中,可以提升智能答疑系统的性能。