文本匹配是自然语言处理领域的关键问题。很多自然语言处理任务,如信息检索、机器翻译和对话系统等,都可以在不同程度上归结为文本匹配问题。所以文本匹配模型的进步,对自然语言处理领域诸多问题的解决都有显著的促进作用。传统的文本匹配模型,以人工定义的特征为基础,所以对特征的设计有显著的依赖。而且得到广泛应用的特征,大都进行精确匹配,同时忽略词之间的语义关系。这就降低了模型对文本的理解能力,同时限制了文本匹配的表现。随着深度学习的快速发展,大量深度文本匹配模型被提出。这些模型多以词嵌入技术为基础,尝试从文本中提取更丰富的层次化的结构特征,以帮助模型理解文本,提升文本匹配的准确度。准确的文本匹配以文本语义匹配为基础,而文本语义是词语义与词间关系的有机整体,所以综合考虑词语义和词间依存关系,对于准确的文本匹配有重要意义。目前的文本匹配模型,基于精确匹配的传统模型和基于神经网络的深度文本匹配模型,对词语义和词间依存关系的利用尚不够充分,限制了这些模型的表现。为了更充分地利用词语义和依存关系,本文首先综合词嵌入和词间依存关系,为文本构建融合词语义和依存关系的语义表示。通过余弦均值卷积,描述两段文本各处的语义匹配程度;通过K-Max池化,过滤噪声并对数据维度加以统一,得到匹配程度矩阵以描述两段文本各处的匹配程度。最后通过长短程记忆网络有监督地学习匹配程度矩阵与语义匹配程度之间的映射关系。实验结果表明,构建融合词语义和词间依存关系的语义表示,将其应用到文本匹配的过程中,显著提高了文本语义匹配的准确度。