句子语义相似度计算是自然语言处理的重要任务,已在信息检索、信息抽取、文本分类、语义消歧、基于实例的机器翻译等众多自然语言处理领域获得广泛应用。目前,随着深度学习技术在NLP领域的深入应用,语义相似度计算任务主要利用大规模文本中词汇的上下文信息自动学习向量表示进而完成文本相似度计算,能够取得比传统方法更好的效果。由于深度学习缺乏可解释性使其发展遭遇不可突破的瓶颈。有观点认为,AI未来的科学突破是建立一种同时基于知识和数据的AI系统,因此,在面向句子级别的语义相似度计算任务中,本文提出了两种融合知识的句子相似度计算方法。研究方法如下:1.提出基于SBA模型的句子相似度计算方法。SBA(Sememe-Bilstm-Attention)模型共有五部分组成:输入层、融合义原信息的向量层、Bi LSTM网络层、Attention层和输出层。首先将输入的词语通过融合义原信息的SAT模型转化为向量表示,然后输入到Bi LSTM网络层,接着通过注意力机制层对句子中词语计算权重分布,进而得到两个句子的相似度。与本文选用的基线相比准确率提升了6.5%。2.提出基于SBA-LRSF模型的句子相似度计算方法。把基于知网义原的句子相似度计算与基于深度学习模型的计算句子相似度计算方法进行融合,通过Bi LSTM网络对上下文语境进行编码,从Bi LSTM网络中加入知识分支,对输入句子中的词汇进行义原推断。通过比较两个输入句子的预测义原序列,得到融合知识分支的句子相似度,然后与SBA模型的句子相似度进行加权,准确率相对于SBA模型提高了1.4%。