随着经济和客户服务的发展,智能问答系统出现在大众视野,该系统的主要功能是接收和处理用户的问题然后快速精确地匹配问题答案并返回给用户。其中,文本匹配是智能问答系统的关键技术,传统的匹配方法需要大量的人工手段来匹配文本,匹配的准确率有待提高。随着深度学习技术的发展,其在自然语言处理领域取得了很大成就,同时也面临很多挑战。针对目前深度学习方法在文本向量表示时较单一,并且对现有交互型和表示型模型没有充分融合的现状,提出基于深度学习的多粒度文本语义匹配算法,主要研究如下:(1)在处理文本匹配任务时,文本输入表示的质量决定着模型训练的结果,因此本文的首要研究重点是如何更加全面地对文本进行向量化表示。考虑到位置信息对于文本匹配来说很重要,本文引入位置特征向量对句子中的每个位置进行表示,之后将词向量和位置向量进行融合,来充分表示文本信息。针对数据集的未登录词问题和因分词错误导致的句子语义不准确问题,本文引入字粒度的向量来降低未登录词引起的误差,得到有差异性的结果,并丰富文本语义提升向量对文本的表达能力。(2)在深度学习模型处理文本匹配任务中,卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Long Short-Term Memory,LSTM)与注意力机制(Attention Mechanism)是近几年热门的关键技术,为了更好地提取文本特征并对语义进行充分表达,本文对文本匹配领域的模型进行探索。第一,提出多粒度表示型的基于注意力机制的双向长短期记忆网络(Attention Multigranularity Representation Bidirectional Long Short-Term Memory,AMGR-BLSTM)匹配模型。第二,提出词粒度交互型的CNN-LSTM匹配模型。其中表示型的匹配模型更加注重对表示层的构建,能够充分将两个待匹配的句子转化为等长的语义向量。交互型的匹配模型强调两个句子局部的细致交互。本文提出利用两者的优势对两种模型进行融合,既充分对文本进行向量化表示,又使句子语义充分交互。通过设计相关实验且与经典模型对比,验证模型的有效性。(3)将本文提出基于深度学习的多粒度文本语义匹配模型应用于FAQ疫情问答系统中。通过人机对话问答的方式,对用户提出的问题迅速精准地定位答案并返回给用户,更好地帮助各行各业在特殊时期快速准确地掌握政策信息。