句子语义相似度计算的目标是通过一组计算机程序,自动计算两个文本句子在语义层面的相似程度。它是自然语言处理领域一项重要而又基础的技术,在自然语言处理的多个任务中都发挥重要的作用,例如搜索引擎、问答系统、文本检索等。近年来,随着深度学习技术的逐步成熟,深度学习模型也成为了句子语义相似度领域最为火热的研究模型。深度学习算法是一组对数据进行高级抽象建模的算法,它是基于数据表示学习的更广泛的机器学习方法的一部分。深度学习算法可以充分利用各种海量数据,自动的学习得到抽象的知识表示,把原始数据浓缩成最终任务所需要的某种知识。本文提出了两种基于深度学习的方法来改进语义相似度计算模型的性能:1.从深度学习模型本身出发,改进神经网络模型中的dropout算法。在传统的dropout算法中每个神经元的丢弃概率是随机选定的,这就可能会丢掉输入中的一些重要元素的信息。我们改进的dropout算法根据输入元素的重要性和依赖关系,来决定dropout概率。这样输入中重要的元素保留的概率就会变大,信息丢失就会变少。同时我们将改进的dropout算法应用在循环神经网络中,来完成句子语义相似度计算任务。2.将深度学习模型与传统的特征工程相结合,发挥两者的优势。在特征提取时,不仅考虑句子层面的全局特征,同时考虑短语层面和单词层面的语义特征,使得特征提取更加全面和完整。而且本文实现的这种将深度学习与特征工程相结合的模型框架也可以用在其他自然语言处理任务中。基于深度学习的模型可以根据任务需求选择循环神经网络、卷积神经网络以及其他类型的神经网络,还可以加入attention机制。基于特征工程的模型,可以针对输入数据的特点有针对性地进行特征制定。在本文中,我们将这种框架应用在句子语义相似度计算任务中。实验表明,上述两种改进方式都能有效提高句子语义相似度计算模型的准确率,同时也为之后更深入的研究做出了有益于探索。