具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

首先，对本公开的应用场景进行说明。目前，文本相关性的获取方式包括三种：(1)人工构建文本、词法等特征，使用传统机器学习模型进行训练；(2)基于bag-of-words(词袋)模型得到文本的向量表征，再基于word-hashing(词散列)方法降维，最终得到128维的文本嵌入，最后计算两个文本嵌入的余弦相似度得到相似度分数，比如word2vec；(3)在第(2)种方式的基础上对两个文本的嵌入及其每个单词的嵌入再进行深度交互计算，比如现在的Bert。

本公开发明人发现，在实际使用场景中，上述文本相关性的获取方式存在两个问题：(1)用户输入的关键词不规范，导致分词的准确率较低，从而使得依赖于分词结果的文本相关性的获取方式的准确率较低；(2)需要检索的内容包括多个维度(域)，以音乐为例，该多个维度可以包括歌手、歌曲名称、歌词等。相关技术中，在检索内容包括多个维度的情况下，将检索内容中的多个维度进行拼接后，再计算关键词与拼接后的检索内容的相关性，但是，在匹配规则不同的情况下，计算得到的关键词与检索内容之间的相关性也不同，例如，匹配到歌手时相关性为3(最高)，匹配到歌曲名称时相关性为2，匹配到歌词时相关性为1，从而使得确定的文本相关性的准确率较低。

为了解决上述存在的问题，本公开提供一种确定文本相关性的方法、装置、可读介质及电子设备，按照该预设文本划分要素将该待匹配文本划分为多个目标文本，根据该待搜索文本和该多个目标文本获取该待搜索文本与该待匹配文本之间的相关性，这样，由于不同维度的目标文本是独立的，在匹配规则不同的情况下，不会影响相关性的计算结果，从而提高了确定的文本相关性的准确率。

下面结合具体实施例对本公开进行说明。

图1是根据一示例性实施例示出的一种确定文本相关性的方法的流程图，如图1所示，该方法可以包括：

S101、获取待搜索文本和该待搜索文本对应的待匹配文本。

其中，该待搜索文本可以是用户输入的关键词，该待匹配文本可以是对该待搜索文本进行查询后的召回结果对应的文本。示例地，以音乐播放器为例，若该待搜索文本为“周杰伦七里香”，则通过音乐播放器搜索到的多个音乐为该待匹配文本。

需要说明的是，该待匹配文本也可以是预先设置的需要确定与该待搜索文本之间的相关性的任一文本，本公开对此不作限定。

S102、按照预设文本划分要素，将该待匹配文本划分为多个目标文本。

其中，不同的文本类型对应的预设文本划分要素可以不同，该预设文本划分要素可以用于表征该待匹配文本的不同维度(域)，示例地，针对音乐文本，该预设文本划分要素可以包括歌手、歌曲名称、歌词、词作者、曲作者等，针对论文文本，该预设文本划分要素可以包括标题、摘要、正文等。

S103、根据该待搜索文本和多个目标文本，获取该待搜索文本与该待匹配文本之间的相关性。

在本步骤中，在该待匹配文本划分为多个目标文本后，可以按照词划分方式对该待搜索文本和每个目标文本进行划分，得到该待搜索文本对应的待搜索词划分文本，以及每个目标文本对应的目标词划分文本，该词划分文本包括一个或多个词语，之后，再根据该待搜索词划分文本和该多个目标词划分文本，获取该待搜索文本与该待匹配文本之间的相关性。

针对每个目标词划分文本，根据该待搜索词划分文本和该目标词划分文本，获取该待搜索词划分文本对应的词匹配矩阵，并根据该多个词匹配矩阵，获取该待搜索文本与该待匹配文本之间的相关性。

采用上述方法，按照预设划分要素将该待匹配文本划分为多个目标文本，根据该待搜索文本和该多个目标文本获取该待搜索文本与该待匹配文本之间的相关性，这样，由于不同维度的目标文本是独立的，在匹配规则不同的情况下，不会影响相关性的计算结果，从而提高了确定的文本相关性的准确率。

图2是根据一示例性实施例示出的第二种确定文本相关性的方法的流程图，如图2所示，该方法可以包括：

S201、获取待搜索文本和该待搜索文本对应的待匹配文本。

其中，该待搜索文本可以是用户输入的关键词，该待匹配文本可以是对该待搜索文本进行查询后的召回结果对应的文本。示例地，以音乐播放器为例，若该待搜索文本为“周杰伦七里香”，则通过音乐播放器搜索到的多个音乐为该待匹配文本。

需要说明的是，该待匹配文本也可以是预先设置的需要确定与该待搜索文本之间的相关性的任一文本，本公开对此不作限定。

S202、按照预设文本划分要素，将该待匹配文本划分为多个目标文本。

其中，不同的文本类型对应的预设文本划分要素可以不同，该预设文本划分要素可以用于表征该待匹配文本的不同维度(域)，示例地，针对音乐文本，该预设文本划分要素可以包括歌手、歌曲名称、歌词、词作者、曲作者等，针对论文文本，该预设文本划分要素可以包括标题、摘要、正文等。

在本步骤中，在获取该待搜索文本和该待搜索文本对应的待匹配文本后，可以根据该待匹配文本的类型，获取该预设文本划分要素，之后，可以按照该预设文本划分要素，将该待匹配文本划分为多个目标文本。示例地，若待搜索文本为“周杰伦七里香”，在搜索引擎中搜索到的该待搜索文本对应的待匹配文本为“七里香(Live)-周杰伦(Jay Chou)词：方文山曲：周杰伦窗外的麻雀在电线杆上多嘴你说这一句很有夏天的感觉……”，则可以将该待匹配文本划分5个目标文本，第1个目标文本为“七里香(Live)”，第2个目标文本为“周杰伦(Jay Chou)”，第3个目标文本为“词：方文山”，第4个目标文本为“曲：周杰伦”，第5个目标文本为“窗外的麻雀在电线杆上多嘴你说这一句很有夏天的感觉……”。

S203、按照词划分方式对该待搜索文本和每个目标文本进行划分，得到该待搜索文本对应的待搜索词划分文本，以及每个目标文本对应的目标词划分文本。

其中，该词划分文本可以包括一个或多个词语，不同的词语之间可以通过预设符号隔开，例如，该预设符号可以是“##”。

在本步骤中，在获取该待搜索文本和该待匹配文本对应的多个目标文本后，可以按照该词划分方式对该待搜索文本进行划分，得到该待搜索文本对应的待搜索词划分文本，对每个目标文本进行划分，得到每个目标文本对应的目标词划分文本。该词划分方式可以是现有技术的任意一种词划分方式，本公开对此不作限定。

示例地，若该待搜索文本为“周杰伦七里香”，则可以按照该词划分方式对该待搜索文本进行划分，得到该待搜索文本对应的待搜索词划分文本“周杰伦##七里香”；若该待搜索文本为“pop hunna corvette”，则可以按照该词划分方式对该待搜索文本进行划分，得到该待搜索词划分文本“pop hunn##a corv##ette”。若该第1个目标文本为“七里香(Live)”，则可以按照该词划分方式对该第1个目标文本进行划分，得到该第1个目标文本对应的目标词划分文本“七里香##(Live)”；若该第5个目标文本为“窗外的麻雀在电线杆上多嘴你说这一句很有夏天的感觉……”，则可以按照该词划分方式对该第5个目标文本进行划分，得到该第5个目标文本对应的目标词划分文本“窗外##的##麻雀##在##电线杆##上##多嘴##你##说##这一句##很##有##夏天##的##感觉##……”。第2个目标文本、第3个目标文本以及第4个目标文本的划分方式可以参考第1个目标文本和第5个目标文本的划分方式，此处不再赘述。

S204、根据该待搜索词划分文本和多个目标词划分文本，获取该待搜索文本与该待匹配文本之间的相关性。

在本步骤中，在得到该待搜索词划分文本和每个目标文本对应的目标词划分文本后，可以根据该待搜索词划分文本和该多个目标词划分文本，获取该目标词划分文本对应的多个词匹配矩阵，并根据该多个词匹配矩阵，获取该待搜索文本与该待匹配文本之间的相关性。

其中，可以先通过词嵌入方式获取该待搜索词划分文本中每个词语对应的词向量，以及每个目标词划分文本中每个词语对应的词向量，之后，针对每个目标词划分文本，可以获取该待搜索词划分文本中每个词语对应的词向量与该目标词划分文本中每个词语对应的词向量之间的相似度，并根据该相似度获取该目标词划分文本对应的词匹配矩阵。

示例地，以步骤S203中的待搜索词划分文本和目标词划分文本为例，针对第1个目标词划分文本“七里香##(Live)”，该待搜索词划分文本“周杰伦##七里香”，可以先分别获取该目标词划分文本中“七里香”和“(Live)”对应的词向量，以及该待搜索词划分文本中“周杰伦”和“七里香”对应的词向量，之后，可以获取“周杰伦”对应的词向量与“七里香”对应的词向量之间的相似度、“周杰伦”对应的词向量与“(Live)”对应的词向量之间的相似度、“七里香”对应的词向量与“七里香”对应的词向量之间的相似度，以及“七里香”对应的词向量与“(Live)”对应的词向量之间的相似度，根据得到的该四个相似度获取该目标词划分文本“七里香##(Live)”对应的词匹配矩阵，该词匹配矩阵可以是一个2*2的矩阵。

需要说明的是，上述示例中仅列出了第1个目标词划分文本，针对第2个目标词划分文本、第3个目标词划分文本、第4个目标词划分文本以及第5个目标词划分文本中的每个目标词划分文本，均需要获取该目标词划分文本对应的词匹配矩阵。另外，该相似度可以包括点积相似度和余弦相似度，这样，得到的该目标词划分文本“七里香##(Live)”对应的词匹配矩阵也包括2个，从而使得根据该词匹配矩阵获取的待搜索文本与待匹配文本之间的相关性的准确率更高。2个词匹配矩阵的处理流程与1个词匹配矩阵的处理流程类似，本公开仅以1个词匹配矩阵为例进行说明。

在得到该目标词划分文本对应的多个词匹配矩阵后，可以通过预先训练的向量获取模型，获取每个词匹配矩阵对应的词特征匹配向量，并根据该多个词特征匹配向量，获取该待搜索文本与该待匹配文本之间的相关性。其中，该向量获取模型可以是通过现有的模型训练方法，对卷积神经网络模型进行训练得到的，此处不再赘述，该卷积神经网络模型的结构可以是2层1*1，2层3*3。

进一步地，在得到该多个词特征匹配向量后，可以获取预设拼接规则，按照该预设拼接规则，将该多个词特征匹配向量进行拼接，得到多个目标词特征匹配向量，获取每个目标词特征匹配向量对应的匹配值，并根据最大的匹配值，确定该待搜索文本与该待匹配文本之间的相关性。

其中，该预设拼接规则可以根据该待匹配文本对应的业务场景确定，在一种可能的实现方式中，可以确定该待匹配文本对应的业务场景，并通过预先设置的拼接规则关联关系，确定该业务场景对应的预设拼接规则，该拼接规则关联关系包括不同的业务场景和预设拼接规则之间的对应关系。示例地，以该待匹配文本为音乐文本为例，该预设拼接规则可以是歌手、歌曲名称、歌手和歌曲名称拼接、歌手和歌词拼接、歌曲名称和歌词拼接。

需要说明的是，为了提高确定的文本相关性的准确率，在通过该向量获取模型获取每个词匹配矩阵对应的词特征匹配向量时，可以对通道进行扩展，针对每个词匹配矩阵，通过该向量获取模型可以得到该词匹配矩阵对应的2个词特征匹配向量。该词特征匹配向量可以包括第一词特征匹配向量和第二词特征匹配向量，该目标词特征匹配向量可以包括第一目标词特征匹配向量和第二目标词特征匹配向量。在对多个词特征匹配向量进行拼接时，可以按照该预设拼接规则，将多个第一词特征匹配向量进行拼接，得到多个第一目标词特征匹配向量，将多个第二词特征匹配向量进行拼接，得到多个第二目标词特征匹配向量。

进一步地，为了减少信息折损，在得到该多个第一目标词特征匹配向量和该多个第二目标词特征匹配向量后，可以针对每个第一目标词特征匹配向量，对该第一目标词特征匹配向量进行最大池化处理，得到该第一目标词特征匹配向量对应的第一池化词特征匹配向量；针对每个第二目标词特征匹配向量，对该第二目标词特征匹配向量进行最大池化处理后，再进行平均池化处理，得到该第二目标词特征匹配向量对应的第二池化词特征匹配向量；将该多个第一池化词特征匹配向量和该多个第二池化词特征匹配向量进行拼接，得到多个目标池化词特征匹配向量；针对每个目标池化词特征匹配向量，将该目标池化词特征匹配向量输入预先训练的全连接层，得到该目标池化词特征匹配向量对应的匹配值。之后，再根据最大的匹配值，确定该待搜索文本与该待匹配文本之间的相关性。

下面以该待匹配文本为音乐文本为例对该步骤S204进行说明。

若该预设拼接规则为歌手、歌曲名称、歌手和歌曲名称拼接、歌手和歌词拼接、歌曲名称和歌词拼接，该第一词特征匹配向量包括：第一歌手词特征匹配向量、第一名称词特征匹配向量以及第一歌词词特征匹配向量，该第二词特征匹配向量包括：第二歌手词特征匹配向量、第二名称词特征匹配向量以及第二歌词词特征匹配向量，则按照该预设拼接规则拼接后，可以得到5个第一目标词特征匹配向量：第一歌手词特征匹配向量(A1词特征匹配向量)、第一名称词特征匹配向量(B1词特征匹配向量)、第一歌手词特征匹配向量+第一名称词特征匹配向量(C1词特征匹配向量)、第一歌手词特征匹配向量+第一歌词词特征匹配向量(D1词特征匹配向量)、第一名称词特征匹配向量+第一歌词词特征匹配向量(E1词特征匹配向量)，5个第二目标词特征匹配向量：第二歌手词特征匹配向量(A2词特征匹配向量)、第二名称词特征匹配向量(B2词特征匹配向量)、第二歌手词特征匹配向量+第二名称词特征匹配向量(C2词特征匹配向量)、第二歌手词特征匹配向量+第二歌词词特征匹配向量(D2词特征匹配向量)、第二名称词特征匹配向量+第二歌词词特征匹配向量(E2词特征匹配向量)。

之后，可以对该5个第一目标词特征匹配向量进行最大池化处理，得到5个第一池化词特征匹配向量：A1池化词特征匹配向量、B1池化词特征匹配向量、C1池化词特征匹配向量、D1池化词特征匹配向量、E1池化词特征匹配向量；对该5个第二目标词特征匹配向量进行最大池化处理后，再进行平均池化处理，得到5个第二池化词特征匹配向量：A2池化词特征匹配向量、B2池化词特征匹配向量、C2池化词特征匹配向量、D2池化词特征匹配向量、E2池化词特征匹配向量。最后，再将A1池化词特征匹配向量与A2池化词特征匹配向量进行拼接得到A12目标池化词特征匹配向量，将B1池化词特征匹配向量与B2池化词特征匹配向量进行拼接，得到B12目标池化词特征匹配向量，将C1池化词特征匹配向量与C2池化词特征匹配向量进行拼接，得到C12目标池化词特征匹配向量，将D1池化词特征匹配向量与D2池化词特征匹配向量进行拼接，得到D12目标池化词特征匹配向量，将E1池化词特征匹配向量与E2池化词特征匹配向量进行拼接，得到E12目标池化词特征匹配向量。

最后，将A12目标池化词特征匹配向量、B12目标池化词特征匹配向量、C12目标池化词特征匹配向量、D12目标池化词特征匹配向量以及E12目标池化词特征匹配向量分别输入该全连接层，得到每个目标池化词特征匹配向量对应的匹配值，并根据最大的匹配值，确定该待搜索文本与该待匹配文本之间的相关性。该匹配值越大，表示该待搜索文本与该待匹配文本之间的相关性越强，该匹配值越小，表示该待搜索文本与该待匹配文本之间的相关性越弱。

采用上述方法，按照预设文本划分要素将该待匹配文本划分为多个目标文本，按照词划分方式对该待搜索文本和每个目标文本进行划分，得到该待搜索文本对应的多个待搜索词划分文本，以及每个目标文本对应的多个目标词划分文本，根据该多个待搜索词划分文本和该多个目标词划分文本获取该待搜索文本与该待匹配文本之间的相关性，这样，由于不同维度的目标文本是独立的，在匹配规则不同的情况下，根据每个待搜索词划分文本和不同的目标词划分文本计算的相关性不会影响整体相关性的计算结果，从而提高了确定的文本相关性的准确率。

图3是根据一示例性实施例示出的第三种确定文本相关性的方法的流程图，如图3所示，该方法可以包括：

S301、获取待搜索文本和该待搜索文本对应的待匹配文本。

其中，该待搜索文本可以是用户输入的关键词，该待匹配文本可以是对该待搜索文本进行查询后的召回结果对应的文本。示例地，以音乐播放器为例，若该待搜索文本为“周杰伦七里香”，则通过音乐播放器搜索到的多个音乐为该待匹配文本。

需要说明的是，该待匹配文本也可以是预先设置的需要确定与该待搜索文本之间的相关性的任一文本，本公开对此不作限定。

S302、按照预设文本划分要素，将该待匹配文本划分为多个目标文本。

其中，不同的文本类型对应的预设文本划分要素可以不同，该预设文本划分要素可以用于表征该待匹配文本的不同维度(域)，示例地，针对音乐文本，该预设文本划分要素可以包括歌手、歌曲名称、歌词、词作者、曲作者等，针对论文文本，该预设文本划分要素可以包括标题、摘要、正文等。

S303、按照词划分方式对该待搜索文本和每个目标文本进行划分，得到该待搜索文本对应的待搜索词划分文本，以及每个目标文本对应的目标词划分文本。

其中，该词划分文本可以包括一个或多个词语，不同的词语之间可以通过预设符号隔开，例如，该预设符号可以是“##”。

S304、按照字符划分方式分别对该待搜索文本和每个目标文本进行划分，得到该待搜索文本对应的待搜索字符划分文本，以及每个目标文本对应的目标字符划分文本。

其中，该字符划分文本可以包括一个或多个字符，不同的词语之间可以通过预设符号隔开，例如，该预设符号可以是空格。

在本步骤中，在获取该待搜索文本和该待匹配文本对应的多个目标文本后，可以按照该字符划分方式对该待搜索文本进行划分，得到该待搜索文本对应的待搜索字符划分文本，对每个目标文本进行划分，得到每个目标文本对应的目标字符划分文本。该字符划分方式可以是现有技术的任意一种字符划分方式，本公开对此不作限定。示例地，若该待搜索文本为“pop hunna corvette”，则可以按照该字符划分方式将该待搜索文本划分为“po opph……et tt te”，不同的待搜索字符划分文本之间通过空格隔开。

需要说明的是，本公开对上述步骤S303和步骤S304的执行顺序不作限定，可以先执行步骤S303，再执行步骤S304，也可以先执行步骤S304，再执行步骤S303。

S305、根据该待搜索词划分文本、多个目标词划分文本、该待搜索字符划分文本以及多个目标字符划分文本，获取该待搜索文本与该待匹配文本之间的相关性。

在本步骤中，在得到该待搜索词划分文本、多个目标词划分文本、待搜索字符划分文本以及多个目标字符划分文本后，可以先获取该目标词划分文本对应的多个词匹配矩阵，获取词匹配矩阵的方式可以参考步骤S204，此处不再赘述。之后，可以先通过词嵌入方式获取该待搜索字符划分文本中每个字符对应的字符向量，以及每个目标字符划分文本中每个字符对应的字符向量，之后，针对每个目标字符划分文本，可以获取该待搜索字符划分文本中每个字符对应的字符向量与该目标字符划分文本中每个字符对应的字符向量之间的相似度，并根据该相似度获取该待目标字符划分文本对应的字符匹配矩阵。

在得到该目标词划分文本对应的多个词匹配矩阵和该目标字符划分文本对应的多个字符匹配矩阵后，可以通过预先训练的向量获取模型，获取每个词匹配矩阵对应的第一词特征匹配向量和第二词特征匹配向量，以及每个字符匹配矩阵对应的第一字符特征匹配向量和第二字符特征匹配向量。

在得到多个第一词特征匹配向量、多个第二词特征匹配向量、多个第一字符特征匹配向量以及多个第二字符特征匹配向量后，可以获取预设拼接规则，按照该预设拼接规则，将多个第一词特征匹配向量进行拼接，得到多个第一目标词特征匹配向量，将多个第二词特征匹配向量进行拼接，得到多个第二目标词特征匹配向量，将多个第一字符特征匹配向量进行拼接，得到多个第一目标字符特征匹配向量，将多个第二字符特征匹配向量进行拼接，得到多个第二目标字符特征匹配向量。

在得到多个第一目标词特征匹配向量、多个第二目标词特征匹配向量、多个第一目标字符特征匹配向量以及多个第二目标字符特征匹配向量后，可以针对每个第一目标词特征匹配向量，对该第一目标词特征匹配向量进行最大池化处理，得到该第一目标词特征匹配向量对应的第一池化词特征匹配向量；针对每个第一目标字符特征匹配向量，对该第一目标字符特征匹配向量进行最大池化处理，得到该第一目标字符特征匹配向量对应的第一池化字符特征匹配向量；针对每个第二目标词特征匹配向量，对该第二目标词特征匹配向量进行最大池化处理后再进行平均池化处理，得到该第二目标词特征匹配向量对应的第二池化词特征匹配向量；针对每个第二目标字符特征匹配向量，对该第二目标字符特征匹配向量进行最大池化处理后再进行平均池化处理，得到该第二目标字符特征匹配向量对应的第二池化字符特征匹配向量。

在得到多个第一池化词特征匹配向量、多个第一池化字符特征匹配向量、多个第二池化词特征匹配向量以及多个第二池化字符特征匹配向量后，可以将多个第一池化词特征匹配向量和多个第二池化词特征匹配向量进行拼接，得到多个目标池化词特征匹配向量，将多个第一池化字符特征匹配向量和多个第二池化字符特征匹配向量进行拼接，得到多个目标池化字符特征匹配向量。最后，针对每个目标池化词特征匹配向量，将该目标池化词特征匹配向量输入预先训练的全连接层，得到该目标池化词特征匹配向量对应的匹配值；针对每个目标池化字符特征匹配向量，将该目标池化字符特征匹配向量输入该全连接层，得到该目标池化字符特征匹配向量对应的匹配值。之后，再根据最大的匹配值，确定该待搜索文本与该待匹配文本之间的相关性。

下面以该待匹配文本为音乐文本对该步骤S305进行说明。

图4是根据一示例性实施例示出的一种确定文本相关性的方法的框图，如图4所示，Query(pop hunna corvette)为该待搜索文本，Adderall(corvette corvette)PoppHunna为该待匹配文本，按照该预设划分要素将该待匹配文本划分后，得到3个目标文本：Title：Adderall，Extra：corvette corvette，Author：Popp Hunna。按照词划分方式对该待搜索文本进行划分后，得到该待搜索文本对应的待搜索词划分文本“pop hunn##a corv##ette”，按照字符划分方式对该待搜索文本进行划分后，得到该待搜索文本对应的待搜索字符划分文本“po op ph……et tt te”；按照词划分方式对该第1个目标文本进行划分后，得到目标词划分文本“adder##all”，按照字符划分方式对该第1个目标文本进行划分后，得到目标字符划分文本“ad dd de er ra al ll”，按照词划分方式对该第2个目标文本进行划分后，得到目标词划分文本“corv##ette corv##ette”，按照字符划分方式对该第2个目标文本进行划分后，得到目标字符划分文本“co or rv……et tt te”，按照词划分方式对该第3个目标文本进行划分后，得到目标词划分文本“popp hunn##a”，按照字符划分方式对该第3个目标文本进行划分后，得到目标字符划分文本“po op pp……nn na”。

在得到该待搜索词划分文本(“pop hunn##a corv##ette”)、该待搜索字符划分文本(“po op ph……et tt te”)、多个目标词划分文本(名称词划分文本“adder##all”、歌词词划分文本“corv##ette corv##ette”、歌手词划分文本“popp hunn##a”)以及多个目标字符划分文本(名称字符划分文本“ad dd de er ra al ll”、歌词字符划分文本“co orrv……et tt te”、歌手字符划分文本“po op ph……nn na”)后，可以获取名称词划分文本对应的名称词匹配矩阵、歌词词划分文本对应的歌词词匹配矩阵、歌手词划分文本对应的歌手词匹配矩阵、名称字符划分文本对应的名称字符匹配矩阵、歌词字符划分文本对应的歌词字符匹配矩阵、歌手字符划分文本对应的歌手字符匹配矩阵。

之后，可以通过预先训练的向量获取模型，获取该名称词匹配矩阵对应的第一名称词特征匹配向量和第二名称词特征匹配向量、该歌词词匹配矩阵对应的第一歌词词特征匹配向量和第二歌词词特征匹配向量、歌手词匹配矩阵对应的第一歌手词特征匹配向量和第二歌手词特征匹配向量、该名称字符匹配矩阵对应的第一名称字符特征匹配向量和第二名称字符特征匹配向量、该歌词字符匹配矩阵对应的第一歌词字符特征匹配向量和第二歌词字符特征匹配向量、歌手字符匹配矩阵对应的第一歌手字符特征匹配向量和第二歌手字符特征匹配向量。

若该预设拼接规则为歌手(Author)、名称(Title)、名称(Title)和歌手(Author)拼接、歌手(Author)和歌词(Extra)拼接、歌手(Author)和歌词(Extra)拼接，该第一词特征匹配向量包括：第一歌手词特征匹配向量、第一名称词特征匹配向量以及第一歌词词特征匹配向量，该第二词特征匹配向量包括：第二歌手词特征匹配向量、第二名称词特征匹配向量以及第二歌词词特征匹配向量，该第一字符特征匹配向量包括：第一歌手字符特征匹配向量、第一名称字符特征匹配向量以及第一歌词字符特征匹配向量，该第二字符特征匹配向量包括：第二歌手字符特征匹配向量、第二名称字符特征匹配向量以及第二歌词字符特征匹配向量，则按照该预设拼接规则拼接后，可以得到5个第一目标词特征匹配向量：第一歌手词特征匹配向量(A1词特征匹配向量)、第一名称词特征匹配向量(B1词特征匹配向量)、第一名称词特征匹配向量+第一歌手词特征匹配向量(C1词特征匹配向量)、第一歌手词特征匹配向量+第一歌词词特征匹配向量(D1词特征匹配向量)、第一歌手词特征匹配向量+第一歌词词特征匹配向量(E1词特征匹配向量)，5个第二目标词特征匹配向量：第二歌手词特征匹配向量(A2词特征匹配向量)、第二名称词特征匹配向量(B2词特征匹配向量)、第二名称词特征匹配向量+第二歌手词特征匹配向量(C2词特征匹配向量)、第二歌手词特征匹配向量+第二歌词词特征匹配向量(D2词特征匹配向量)、第二歌手词特征匹配向量+第二歌词词特征匹配向量(E2词特征匹配向量)，5个第一目标字符特征匹配向量：第一歌手字符特征匹配向量(A1字符特征匹配向量)、第一名称字符特征匹配向量(B1字符特征匹配向量)、第一名称字符特征匹配向量+第一歌手字符特征匹配向量(C1字符特征匹配向量)、第一歌手字符特征匹配向量+第一歌词字符特征匹配向量(D1字符特征匹配向量)、第一歌手字符特征匹配向量+第一歌词字符特征匹配向量(E1字符特征匹配向量)，5个第二目标字符特征匹配向量：第二歌手字符特征匹配向量(A2字符特征匹配向量)、第二名称字符特征匹配向量(B2字符特征匹配向量)、第二名称字符特征匹配向量+第二歌手字符特征匹配向量(C2字符特征匹配向量)、第二歌手字符特征匹配向量+第二歌词字符特征匹配向量(D2字符特征匹配向量)、第二歌手字符特征匹配向量+第二歌词字符特征匹配向量(E2字符特征匹配向量)。

图4中的Title包括的4个向量为该B1词特征匹配向量、B2词特征匹配向量、B1字符特征匹配向量以及B2字符特征匹配向量，Author包括的4个向量为该A1词特征匹配向量、A2词特征匹配向量、A1字符特征匹配向量以及A2字符特征匹配向量，Title+Author包括的4个向量为该C1词特征匹配向量、C2词特征匹配向量、C1字符特征匹配向量以及C2字符特征匹配向量，Title+Extra包括的4个向量为该E1词特征匹配向量、E2词特征匹配向量、E1字符特征匹配向量以及E2字符特征匹配向量，Author+Extra包括的4个向量为该D1词特征匹配向量、D2词特征匹配向量、D1字符特征匹配向量以及D2字符特征匹配向量。

之后，可以对该5个第一目标词特征匹配向量进行最大池化处理，得到5个第一池化词特征匹配向量：A1池化词特征匹配向量、B1池化词特征匹配向量、C1池化词特征匹配向量、D1池化词特征匹配向量、E1池化词特征匹配向量；对该5个第二目标词特征匹配向量进行最大池化处理后，再进行平均池化处理，得到5个第二池化词特征匹配向量：A2池化词特征匹配向量、B2池化词特征匹配向量、C2池化词特征匹配向量、D2池化词特征匹配向量、E2池化词特征匹配向量；对该5个第一目标字符特征匹配向量进行最大池化处理，得到5个第一池化字符特征匹配向量：A1池化字符特征匹配向量、B1池化字符特征匹配向量、C1池化字符特征匹配向量、D1池化字符特征匹配向量、E1池化字符特征匹配向量；对该5个第二目标字符特征匹配向量进行最大池化处理后，再进行平均池化处理，得到5个第二池化字符特征匹配向量：A2池化字符特征匹配向量、B2池化字符特征匹配向量、C2池化字符特征匹配向量、D2池化字符特征匹配向量、E2池化字符特征匹配向量。其中，图4所示的Global MaxPooling为该最大池化处理，Query Pooling为该最大池化处理和平均池化处理。

进一步地，再将A1池化词特征匹配向量与A2池化词特征匹配向量进行拼接得到A12目标池化词特征匹配向量，将B1池化词特征匹配向量与B2池化词特征匹配向量进行拼接，得到B12目标池化词特征匹配向量，将C1池化词特征匹配向量与C2池化词特征匹配向量进行拼接，得到C12目标池化词特征匹配向量，将D1池化词特征匹配向量与D2池化词特征匹配向量进行拼接，得到D12目标池化词特征匹配向量，将E1池化词特征匹配向量与E2池化词特征匹配向量进行拼接，得到E12目标池化词特征匹配向量，再将A1池化字符特征匹配向量与A2池化字符特征匹配向量进行拼接得到A12目标池化字符特征匹配向量，将B1池化字符特征匹配向量与B2池化字符特征匹配向量进行拼接，得到B12目标池化字符特征匹配向量，将C1池化字符特征匹配向量与C2池化字符特征匹配向量进行拼接，得到C12目标池化字符特征匹配向量，将D1池化字符特征匹配向量与D2池化字符特征匹配向量进行拼接，得到D12目标池化字符特征匹配向量，将E1池化字符特征匹配向量与E2池化字符特征匹配向量进行拼接，得到E12目标池化字符特征匹配向量。

最后，将A12目标池化词特征匹配向量、B12目标池化词特征匹配向量、C12目标池化词特征匹配向量、D12目标池化词特征匹配向量、E12目标池化词特征匹配向量、A12目标池化字符特征匹配向量、B12目标池化字符特征匹配向量、C12目标池化字符特征匹配向量、D12目标池化字符特征匹配向量以及E12目标池化字符特征匹配向量分别输入该全连接层，得到每个目标池化词特征匹配向量对应的匹配值和每个目标池化字符特征匹配向量对应的匹配值，并根据最大的匹配值，确定该待搜索文本与该待匹配文本之间的相关性。该匹配值越大，表示该待搜索文本与该待匹配文本之间的相关性越强，该匹配值越小，表示该待搜索文本与该待匹配文本之间的相关性越弱。其中，图4所示的Dense Layer为该全连接层，score为该匹配值。

采用上述方法，按照预设文本划分要素将该待匹配文本划分为多个目标文本，按照词划分方式和字符划分方式对该待搜索文本和每个目标文本进行划分，得到该待搜索文本对应的待搜索词划分文本和待搜索字符划分文本，以及每个目标文本对应的目标词划分文本和目标字符划分文本，根据该待搜索词划分文本、该多个目标词划分文本、该待搜索字符划分文本以及该多个目标字符划分文本，获取该待搜索文本与该待匹配文本之间的相关性，这样，由于不同维度的目标文本是独立的，在匹配规则不同的情况下，根据每个待搜索词划分文本和不同的目标词划分文本计算的相关性不会影响整体相关性的计算结果，从而提高了确定的文本相关性的准确率。并且，将字符划分方式与词划分方式融合后，针对待搜索文本不规范或者个别字符拼错的情况，可以以其它正确字符计算得到的匹配值获取该待搜索文本与该待匹配文本之间的相关性，从而可以进一步提高确定的文本相关性的准确率。

图5是根据一示例性实施例示出的一种确定文本相关性的装置的框图，如图5所示，该装置可以包括：

文本获取模块501，用于获取待搜索文本和该待搜索文本对应的待匹配文本；

第一文本划分模块502，用于按照预设文本划分要素，将该待匹配文本划分为多个目标文本，该预设文本划分要素用于表征该待匹配文本的不同维度；

相关性获取模块503，用于根据该待搜索文本和多个该目标文本，获取该待搜索文本与该待匹配文本之间的相关性。

相应地，该相关性获取模块503，还用于：

按照词划分方式对该待搜索文本和每个该目标文本进行划分，得到该待搜索文本对应的待搜索词划分文本，以及每个该目标文本对应的目标词划分文本，该词划分文本包括一个或多个词语；

根据该待搜索词划分文本和多个该目标词划分文本，获取该待搜索文本与该待匹配文本之间的相关性。

相应地，该相关性获取模块503，还用于：

根据该待搜索词划分文本和多个该目标词划分文本，获取该目标词划分文本对应的多个词匹配矩阵；

根据多个该词匹配矩阵，获取该待搜索文本与该待匹配文本之间的相关性。

相应地，该相关性获取模块503，还用于：

针对每个该目标词划分文本，获取该待搜索词划分文本中每个词语对应的词向量与该目标词划分文本中每个词语对应的词向量之间的相似度，并根据该相似度获取该目标词划分文本对应的词匹配矩阵。

相应地，该相关性获取模块503，还用于：

通过预先训练的向量获取模型，获取每个该词匹配矩阵对应的词特征匹配向量；

根据多个该词特征匹配向量，获取该待搜索文本与该待匹配文本之间的相关性。

相应地，该相关性获取模块503，还用于：

获取预设拼接规则；

按照该预设拼接规则，将多个该词特征匹配向量进行拼接，得到多个目标词特征匹配向量；

获取每个该目标词特征匹配向量对应的匹配值；

根据最大的该匹配值，确定该待搜索文本与该待匹配文本之间的相关性。

相应地，该词特征匹配向量包括第一词特征匹配向量和第二词特征匹配向量，该目标词特征匹配向量包括第一目标词特征匹配向量和第二目标词特征匹配向量；该相关性获取模块503，还用于：

按照该预设拼接规则，将多个该第一词特征匹配向量进行拼接，得到多个该第一目标词特征匹配向量，将多个该第二词特征匹配向量进行拼接，得到多个该第二目标词特征匹配向量。

相应地，图6是根据一示例性实施例示出的第二种确定文本相关性的装置的框图，如图6所示，该装置可以包括：

第一池化向量获取模块504，用于针对每个该第一目标词特征匹配向量，对该第一目标词特征匹配向量进行最大池化处理，得到该第一目标词特征匹配向量对应的第一池化词特征匹配向量；

第二池化向量获取模块505，用于针对每个该第二目标词特征匹配向量，对该第二目标词特征匹配向量进行最大池化处理后，再进行平均池化处理，得到该第二目标词特征匹配向量对应的第二池化词特征匹配向量；

第三池化向量获取模块506，用于将多个该第一池化词特征匹配向量和多个该第二池化词特征匹配向量进行拼接，得到多个目标池化词特征匹配向量；

该相关性获取模块503，还用于：

针对每个该目标池化词特征匹配向量，将该目标池化词特征匹配向量输入预先训练的全连接层，得到该目标池化词特征匹配向量对应的匹配值。

相应地，该相关性获取模块503，还用于：

确定该待匹配文本对应的业务场景；

通过预先设置的拼接规则关联关系，确定该业务场景对应的预设拼接规则，该拼接规则关联关系包括不同的业务场景和预设拼接规则之间的对应关系。

相应地，图7是根据一示例性实施例示出的第三种确定文本相关性的装置的框图，如图7所示，该装置可以包括：

第二文本划分模块507，用于按照字符划分方式分别对该待搜索文本和每个该目标文本进行划分，得到该待搜索文本对应的待搜索字符划分文本，以及每个该目标文本对应的目标字符划分文本，该字符划分文本包括一个或多个字符；

该相关性获取模块503，还用于：

根据该待搜索词划分文本、多个该目标词划分文本、该待搜索字符划分文本以及多个该目标字符划分文本，获取该待搜索文本与该待匹配文本之间的相关性。

通过上述装置，按照预设文本划分要素将该待匹配文本划分为多个目标文本，根据该待搜索文本和该多个目标文本获取该待搜索文本与该待匹配文本之间的相关性，这样，由于不同维度的目标文本是独立的，在匹配规则不同的情况下，不会影响相关性的计算结果，从而提高了确定的文本相关性的准确率。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待搜索文本和所述待搜索文本对应的待匹配文本；按照预设文本划分要素，将所述待匹配文本划分为多个目标文本；根据所述待搜索文本和多个所述目标文本，获取所述待搜索文本与所述待匹配文本之间的相关性。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，文本获取模块还可以被描述为“获取待搜索文本和所述待搜索文本对应的待匹配文本的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种确定文本相关性的方法，包括：获取待搜索文本和所述待搜索文本对应的待匹配文本；按照预设文本划分要素，将所述待匹配文本划分为多个目标文本，所述预设文本划分要素用于表征所述待匹配文本的不同维度；根据所述待搜索文本和多个所述目标文本，获取所述待搜索文本与所述待匹配文本之间的相关性。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述待搜索文本和多个所述目标文本，获取所述待搜索文本与所述待匹配文本之间的相关性包括：按照词划分方式对所述待搜索文本和每个所述目标文本进行划分，得到所述待搜索文本对应的待搜索词划分文本，以及每个所述目标文本对应的目标词划分文本，所述词划分文本包括一个或多个词语；根据所述待搜索词划分文本和多个所述目标词划分文本，获取所述待搜索文本与所述待匹配文本之间的相关性。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据所述待搜索词划分文本和多个所述目标词划分文本，获取所述待搜索文本与所述待匹配文本之间的相关性包括：根据所述待搜索词划分文本和多个所述目标词划分文本，获取所述目标词划分文本对应的多个词匹配矩阵；根据多个所述词匹配矩阵，获取所述待搜索文本与所述待匹配文本之间的相关性。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述目标词划分文本和多个所述目标词划分文本，获取所述待搜索词划分文本对应的多个词匹配矩阵包括：针对每个所述目标词划分文本，获取所述待搜索词划分文本中每个词语对应的词向量与所述目标词划分文本中每个词语对应的词向量之间的相似度，并根据所述相似度获取所述目标词划分文本对应的词匹配矩阵。

根据本公开的一个或多个实施例，示例5提供了示例3的方法，所述根据多个所述词匹配矩阵，获取所述待搜索文本与所述待匹配文本之间的相关性包括：通过预先训练的向量获取模型，获取每个所述词匹配矩阵对应的词特征匹配向量；根据多个所述词特征匹配向量，获取所述待搜索文本与所述待匹配文本之间的相关性。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述根据多个所述词特征匹配向量，获取所述待搜索文本与所述待匹配文本之间的相关性包括：获取预设拼接规则；按照所述预设拼接规则，将多个所述词特征匹配向量进行拼接，得到多个目标词特征匹配向量；获取每个所述目标词特征匹配向量对应的匹配值；根据最大的所述匹配值，确定所述待搜索文本与所述待匹配文本之间的相关性。

根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述词特征匹配向量包括第一词特征匹配向量和第二词特征匹配向量，所述目标词特征匹配向量包括第一目标词特征匹配向量和第二目标词特征匹配向量；所述按照所述预设拼接规则，将多个所述词特征匹配向量进行拼接，得到多个目标词特征匹配向量包括：按照所述预设拼接规则，将多个所述第一词特征匹配向量进行拼接，得到多个所述第一目标词特征匹配向量，将多个所述第二词特征匹配向量进行拼接，得到多个所述第二目标词特征匹配向量。

根据本公开的一个或多个实施例，示例8提供了示例7的方法，在所述获取每个所述目标词特征匹配向量对应的匹配值前，所述方法还包括：针对每个所述第一目标词特征匹配向量，对所述第一目标词特征匹配向量进行最大池化处理，得到所述第一目标词特征匹配向量对应的第一池化词特征匹配向量；针对每个所述第二目标词特征匹配向量，对所述第二目标词特征匹配向量进行最大池化处理后，再进行平均池化处理，得到所述第二目标词特征匹配向量对应的第二池化词特征匹配向量；将多个所述第一池化词特征匹配向量和多个所述第二池化词特征匹配向量进行拼接，得到多个目标池化词特征匹配向量；所述获取每个所述目标词特征匹配向量对应的匹配值包括：针对每个所述目标池化词特征匹配向量，将所述目标池化词特征匹配向量输入预先训练的全连接层，得到所述目标池化词特征匹配向量对应的匹配值。

根据本公开的一个或多个实施例，示例9提供了示例6的方法，所述获取预设拼接规则包括：确定所述待匹配文本对应的业务场景；通过预先设置的拼接规则关联关系，确定所述业务场景对应的预设拼接规则，所述拼接规则关联关系包括不同的业务场景和预设拼接规则之间的对应关系。

根据本公开的一个或多个实施例，示例10提供了示例2至示例9中任一示例的方法，在所述根据所述待搜索词划分文本和多个所述目标词划分文本，获取所述待搜索文本与所述待匹配文本之间的相关性前，所述方法还包括：按照字符划分方式分别对所述待搜索文本和每个所述目标文本进行划分，得到所述待搜索文本对应的待搜索字符划分文本，以及每个所述目标文本对应的目标字符划分文本，所述字符划分文本包括一个或多个字符；所述根据所述待搜索词划分文本和多个所述目标词划分文本，获取所述待搜索文本与所述待匹配文本之间的相关性包括：根据所述待搜索词划分文本、多个所述目标词划分文本、所述待搜索字符划分文本以及多个所述目标字符划分文本，获取所述待搜索文本与所述待匹配文本之间的相关性。

根据本公开的一个或多个实施例，示例11提供了一种确定文本相关性的装置，包括：文本获取模块，用于获取待搜索文本和所述待搜索文本对应的待匹配文本；第一文本划分模块，用于按照预设文本划分要素，将所述待匹配文本划分为多个目标文本，所述预设文本划分要素用于表征所述待匹配文本的不同维度；相关性获取模块，用于根据所述待搜索文本和多个所述目标文本，获取所述待搜索文本与所述待匹配文本之间的相关性。

根据本公开的一个或多个实施例，示例12提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-10中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例13提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-10中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。