跨语言句子相似度计算在文本挖掘,网页检索,机器翻译和问答系统中发挥着重要的作用,一直以来是自然语言处理领域中的一个重要的研究内容。随着中国一带一路倡议的不断推进,中国正在不断加强与东南亚国家的交流与合作。泰国一直以来都是中国重要的国际交流合作国家,语言是中国与泰国之间实现文化、经济等交流的重要纽带。然而,语言的差异也成为两国交流的障碍。泰语作为一种资源稀缺的语言,语料不易获取,同时泰语语言处理的相关研究较少。因此,汉-泰跨语言句子相似度研究面临巨大挑战,为了解决汉-泰跨语言句子相似度计算问题开展了本文的工作。本文针对汉-泰跨语言句子相似度计算方法进行相关研究。主要从以下三个方面展开:(1)在泰语单语言的句子相似度计算方面,提出基于词性和词向量的泰语句子相似度计算方法。该方法首先借用词性标注(POS)结果,通过考虑泰语句子中的词性来计算两个泰语句子的相似度,然后通过词向量训练工具将句子中的词语转换为向量,并计算两个句子中非重叠词的相似度。最后,结合词性和词向量来计算泰语句子的相似度。此方法不仅考虑词性,还融入了语义。(2)提出基于不对等语料的汉-泰跨语言词语的相似度计算方法。该方法首先对汉语和泰语的单语词向量进行归一化约束,对汉-泰双语词对向量正交最优线性变换得到模型参数的初始值,其次,通过对大型汉语语料进行聚类,借助双语词对找到与每一聚类簇相对应的汉语词,取聚类得到的每一簇词向量均值和汉语与泰语对应的词向量均值,作为新的一组汉-泰相对应的双语词对向量,并追加到原有的双语词对中,建立新的双语词向量对应关系,使得原有的双语词对得以泛化和扩展。然后,利用泛化扩展后的双语词对,对汉-泰跨语言词嵌入映射模型进行训练求得最优的映射矩阵W。最后,通过词嵌入映射模型实现汉语词向量到泰语词向量空间的映射,从而在泰语向量空间实现汉-泰跨语言词语的相似度计算。(3)提出基于句子嵌入的汉-泰跨语言句子相似度计算方法。该方法首先对平行句对进行预处理,得到汉-泰各自的句子分词后的集合,然后用Word2Vec处理两个词集合得到词向量集合,用融入词权重句子嵌入方法得到汉-泰的句子向量矩阵。最后对本文提出的跨语言词向量映射方法进行扩展,使其适用于跨语言句子嵌入模型,实现句子级的跨语言向量空间映射,从而计算跨语言句子的相似度。