基于GAN的跨语言文本匹配算法研究

针对跨语言文本匹配问题，提出一种基于GAN+AT-CNN的文本匹配算法。具体则通过监督式GAN文本特征映射模型和AT-CNN文本匹配模型相结合，增加样本丰富性，简化跨语言特征映射过程，从而提高映射速度和文本匹配准确度。分别将监督式GAN特征映射模型与传统的全连接神经网络(NN)、经典机器翻译模型ConvSeq2Seq, AT-CNN文本匹配模型与Bi-LSTM、ABCNN模型进行比较。结果表明，在特征映射模型的实验中，监督式GAN特征映射模型精确度平均值较其他模型高0.12%-8.46%,较无监督式GAN映射模型精确度高30.89%;训练时间则较NN长0.2 h,较ConvSeq2Seq模型短2.2 h。而在跨语言文本匹配实验中，AT-CNN文本匹配模型精确度平均值则较其他模型高1.78-7.1,但训练时间也较其他模型高127 s～1 176 s。实验证明，无论是在训练时间还是精确度上，本文使用的模型综合上都优于其他对比模型，值得应用于未来的跨语言文本匹配工作中。     

基于Bi-LSTM网络机制的自然语言自动化对标系统设计

针对CNAS评审现场不符合项自动化对标研究，设计一种基于Bi-LSTM网络机制的自然语言自动化对标系统，用于辅助评审员现场对不符合项对标的工作。首先，阐述了Bi-LSTM的基本原理和网络框架，并引入embedding与Attention层对其网络结构进行优化；然后引入了SimCSE无监督模式，以及采用同义词替换的方法对数据集进行增强和扩充；根据CNAS实验室评审常见不符合项构建语料库，并对其进行预处理和分词，紧接着训练数据集和评价网络模型，最后通过实验与传统的DSSM、SVM模型进行对比，实验结果表明：基于Bi-LSTM网络机制模型的训练、检索耗时为三个模型中最短，且从准确率折线图中可以看出，本研究设计的模型准确率高达85.5%,同时随着数据量的不断增加，准确率还能继续提高。因此，本研究设计的模型性能效果最佳。