具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

随着时代和技术的发展，在大型基础建设工程施工过程中，存在许多突发性、高危性的安全隐患与安全管理问题，需要及时发现并给出相应的解决方案。深度语义分析提高了施工安全管理的效率与准确性，降低施工安全管理中的误差，使施工安全文本管理更加智能化，为施工现场安全智能管理及评价提供了理论依据。

本公开的实施例提供了一种工程施工安全管理文档文本智能检索模型的训练方法及装置、文本检索方法及装置、以及计算机系统和计算机可读存储介质。其中，工程施工安全管理文档文本智能检索模型的训练方法，包括：采集样本数据；其中，所述样本数据表征为多个文本对；所述文本对包括：相互关联的一条安全问题文本和一条安全规范文本；将所述样本数据划分为训练集和测试集，对所述训练集和所述测试集进行预处理，得到所述训练集和所述测试集中的安全问题文本词向量集合和安全规范文本词向量集合；将训练集中的所述安全问题文本词向量集合和所述安全规范文本词向量集合分别输入至所述孪生神经网络的第一子网络和第二子网络中，得到安全问题特征向量集合和安全规范文本特征向量集合，所述安全问题特征向量集合和所述安全规范文本特征向量集合用于表征文本深度分析的结果；其中，所述孪生神经网络的所述第一子网络和所述第二子网络均基于Bi-LSTM模型生成；根据所述安全问题特征向量集合和所述安全规范文本特征向量集合，确定安全问题特征向量和安全规范文本特征向量之间的关联值，构建损失函数并计算损失值；以及将测试集中的所述安全问题文本词向量集合和所述安全规范文本词向量集合分别输入至所述孪生神经网络的第一子网络和第二子网络中，对所述损失函数进行优化训练，得到所述工程施工安全管理文档文本智能检索模型。

图1示意性示出了根据本公开实施例的可以应用文档文本智能检索模型的训练方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所开启的对话提供文本检索支持的后台管理服务器。后台管理服务器可以对接收到的用户输入语句等数据进行分析等处理，并将处理结果(例如根据用户输入语句获取或生成针对该用户输入语句的系统输出数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的工程施工安全管理文档文本智能检索模型的训练方法一般可以由服务器105执行。相应地，本公开实施例所提供的工程施工安全管理文档文本智能检索模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的工程施工安全管理文档文本智能检索模型的训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的工程施工安全管理文档文本智能检索模型的训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的工程施工安全管理文档文本智能检索模型的训练方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的工程施工安全管理文档文本智能检索模型的训练装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

例如，样本数据可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的工程施工安全管理文档文本智能检索模型的训练方法，或者将对话语料发送到其他终端设备、服务器、或服务器集群，并由接收该对话语料的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的工程施工安全管理文档文本智能检索模型的训练方法。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的工程施工安全管理文档文本智能检索模型的训练方法的流程图。

如图2所示，该方法包括操作S201～S205。

操作S201，采集样本数据；其中，所述样本数据表征为多个文本对；所述文本对包括：相互关联的一条安全问题文本和一条安全规范文本。

在本公开一实施例中，所述安全问题文本包括：施工现场安全管理文本、施工安全隐患台账文本以及其他施工现场采集的经验文本，这里不再一一例举。所述安全规范文本包括：安全管理规范标准文本或其他规范标准文本，这里不再一一例举。

操作S202，将所述样本数据划分为训练集和测试集，对所述训练集和所述测试集进行预处理，得到所述训练集和所述测试集中的安全问题文本词向量集合和安全规范文本词向量集合。

在本公开的一实施例中，操作S202中包括：

按设定比例，将所述样本数据划分为训练集和测试集；其中，所述训练集和所述测试集中包括至少一个样本数据。关于设定比例的具体数值这里不做进一步限定，可以根据需要进行调整，例如可以为4∶1。

利用Word2vec技术中的skip-gram模型，对所述训练集和所述测试集中每条所述安全问题文本和所述安全规范文本进行文本词向量计算，得到所述训练集和所述测试集中的安全问题文本词向量集合和安全规范文本词向量集合。

在本公开的另一实施例中，操作S202在前一个实施例的基础上还包括语义深度分析的操作。具体的，操作S202包括以下子操作：

操作S2021，按设定比例，将所述样本数据划分为训练集和测试集；其中，所述训练集和所述测试集中包括至少一个样本数据。

操作S2022，基于Jieba分词库对所述训练集中的每条所述安全问题文本和所述安全规范文本进行Jieba分词，得到每条所述安全问题文本和所述安全规范文本中的多个文本词。

例如，对文本“存在安全隐患”进行Jieba分词，得到文本词“存在”和“安全隐患”。

操作S2023，利用语义结构模型分析所述训练集中的每条所述安全问题文本和所述安全规范文本的主体结构，定义每条所述安全问题文本和所述安全规范文本中的各个所述文本词的性质，并在对应的文本词上标注。

例如，利用语义结构模型分析文本“防护栏杆未设置踢脚板”的主体结构，定义文本词“防护栏杆”为主语，定义文本词“未”为副词，定义文本词“设置”为谓语，定义文本词“踢脚板”为宾语。并在文本词“防护栏杆”、“未”、“设置”和“踢脚板”上标注。

操作S2024，剔除所述训练集和所述测试集中每条所述安全问题文本和所述安全规范文本中的文本符号。

例如，剔除文本“未设置防护栏杆或警戒线，存在安全隐患。”中的文本符号“，”和“。”。

操作S2025，利用Word2vec技术中的skip-gram模型，对所述训练集和所述测试集中每条所述安全问题文本和所述安全规范文本进行文本词向量计算，得到所述训练集和所述测试集中的安全问题文本词向量集合和安全规范文本词向量集合。

操作S2026，利用Attention机制，确定所述训练集和所述测试集中的所述安全问题文本词向量集合和所述安全规范文本词向量集合中每个文本词向量的权重，将词语权重融入词向量，获得考虑权重的所述安全问题文本词向量和所述安全规范文本词向量进行关注。关于融入的具体方法可以选用词语权重与词向量相乘。

操作S203，将训练集中的所述安全问题文本词向量集合和所述安全规范文本词向量集合分别输入至所述孪生神经网络的第一子网络和第二子网络中，得到安全问题特征向量集合和安全规范文本特征向量集合，所述安全问题特征向量集合和所述安全规范文本特征向量集合用于表征文本深度分析的结果；其中，所述孪生神经网络的所述第一子网络和所述第二子网络均基于Bi-LSTM模型生成。具体的，操作S203包括以下子操作：

操作S2031，所述安全问题文本词向量顺次经过所述孪生神经网络中第一子网络对应的Bi-LSTM模型的输入门、遗忘门和输出门；所述安全规范文本词向量顺次经过所述孪生神经网络中第二子网络对应的Bi-LSTM模型的输入门、遗忘门和输出门；

操作S2032，所述第一子网络对应的Bi-LSTM模型对所述安全问题文本词向量沿第一方向和第二方向进行遍历，得到安全问题特征向量；所述第二子网络对应的Bi-LSTM模型对所述安全规范文本词向量沿第一方向和第二方向进行遍历，得到安全规范文本特征向量；其中，所述第一方向表征正语序方向，所述第二方向表征逆语序方向；

操作S2033，将训练集中的所述安全问题文本词向量集合中的每个安全问题文本词向量和安全规范文本词向量集合中每个安全规范文本词向量，重复操作S2031和操作S2032得到安全问题特征向量集合和安全规范文本特征向量集合。

操作S204，根据所述安全问题特征向量集合和所述安全规范文本特征向量集合，确定安全问题特征向量和安全规范文本特征向量之间的关联值，构建损失函数并计算损失值。具体的，操作S204包括以下子操作：

操作S2041，利用曼哈顿距离计算所述第一子网络和所述第二子网络输出的安全问题特征向量和安全规范文本特征向量之间的关联值，公式如下：

D_is(X₁，X₂)＝|x₁-x₂|+|y₁-y₂|

式中，X₁、X₂分别表示安全问题特征向量和安全规范文本特征向量；x₁、y₁为安全问题特征向量的二维空间坐标；x₂、y₂为安全规范文本特征向量的二维空间坐标；Dis(X₁，X₂)为安全问题特征向量和安全规范文本特征向量的曼哈顿距离，即安全问题特征向量和安全规范文本特征向量之间的关联值；以及

操作S2042，采用Contrastive Loss损失函数计算损失值，公式如下：

式中：N为所述训练集中安全问题特征向量和安全规范文本特征向量的个数；当满足样本不相似阈值m时，安全问题特征向量和安全规范文本特征向量不相似，Y＝0；当不满足样本不相似阈值m时，安全问题特征向量和安全规范文本特征向量相似，Y＝1。

操作S205，将测试集中的所述安全问题文本词向量集合和所述安全规范文本词向量集合分别输入至所述孪生神经网络的第一子网络和第二子网络中，对所述孪生神经网络的第一子网络和第二子网络中的参数W进行优化训练，得到所述工程施工安全管理文档文本智能检索模型。其中，W为表示Bi-LSTM模型参数，如权重系数，隐含层维度等。

在本公开的一实施例中，按照操作S2021和操作S2022处理安全问题文本(如施工安全管理安全问题文本)和安全规范文本(如安全管理规范标准文本)。在操作S203训练得到的孪生神经网络基础上，在孪生神经网络中的第一个子网络中输入测试集中的安全问题文本，在孪生神经网络结构的第二子网络中输入测试集中的安全规范文本。

参考操作S2041，计算施工安全管理安全问题文本和安全规范文本的关联值。

参考操作S2042，根据关联值和损失函数计算损失值，设置相关性判断阈值，提取与安全问题相匹配的安全规范文本内容，并输出文本之间的关联性大小，实现工程施工安全管理文档文本的智能检索。

根据本公开的上述实施例，本公开提供的工程施工安全管理文档文本智能检索方法，包括：获取工程施工安全管理文档文本智能检索模型；以及通过工程施工安全管理文档文本智能检索模型提取与所述输入的安全问题文本相匹配的安全规范文本，并输出所述件数输入的安全问题文本与所述安全规范文本间的关联值；其中，所述工程施工安全管理文档文本智能检索模型是通过如上述的训练方法训练得到。

实施例

图3示意性示出了根据本公开实施例的工程施工安全管理文档文本智能检索模型的训练及检索方法模型框图。参考图3所示，例如，“配电箱未上墙挂设”，这时测试集中还存在一句“配电箱应上墙挂设”。将“配电箱未上墙挂设”作为安全问题文本词向量输入至第一子网络；将“配电箱应上墙挂设”作为安全规范文本词向量输入至第二子网络，通过BI-LSTM对文本进行分析，第一子网络输出“配电箱应上墙挂设”对应的安全问题特征向量，第二子网络输出“配电箱应上墙挂设”对应的安全规范文本特征向量。由于两个文本中都存在“配电箱”、“上墙”、“挂设”，且结构特征也十分相似，“未”与“应欢”作为副词，在语义上也相近，因此Bi-LSTM输出的特征向量也十分相似，最后通过计算曼哈顿距离，获得两个句子具有很强的关联性，并输出相关性值。

为评价基于深度语义分析的工程施工安全管理文档文本智能检索方法的准确性进行验证，整个数学建模过程通过Python语言实现。以某工程施工安全管理文本为主，收集得到32369组施工安全管理数据作为样本数据，记录了施工过程中出现的安全管理问题以及与之相对应的解决方案，按照操作S201所述，将安全管理问题文本与解决方案成对表示得到多个样本对，如表1所示。

表1

按照表1中的样本数据，定义训练集文本量为25895条，测试集文本量为6474条。利用Word2vec技术量化表1中文本数据得到文本向量。将量化后的安全管理问题文本输入孪生神经网络的第一子网络中，将量化后的安全规范文本输入孪生神经网络的第二子网络中。设置Bi-LSTM超参数值，定义计算次数为50次，最终计算得到文本训练的准确率与损失率，如图4和图5所示。根据计算结果可以得到，孪生神经网络计算准确率达到83.11％，具有较高准确率，满足计算要求。

在孪生神经网络的第一子网络中输入安全问题文本，依次分析安全规范文本中对应安全问题文本的解决方案，计算安全问题文本和安全规范文本之间的关联性大小，设置关联性阈值为0.75，输出关联性大于阈值的安全规范文本以及关联值，如表2所示。

表2

通过表2可以得到，基于孪生神经网络的安全管理文档文本智能检索方法，能够有效智能的查找所需文本内容，且具有较高的准确率。

图6示意性示出了根据本公开实施例的工程施工安全管理文档文本智能检索模型的训练装置的框图。

如图6所示，工程施工安全管理文档文本智能检索模型的训练装置包括：第一获取模块610、预处理模块620、数据集构建模块630、损失函数构建模块640和训练模块650。

第一获取模块610，用于采集样本数据；其中，所述样本数据表征为多个文本对；所述文本对包括：相互关联的一条安全问题文本和一条安全规范文本。

预处理模块620，用于将所述样本数据划分为训练集和测试集，对所述训练集和所述测试集进行预处理，得到所述训练集和所述测试集中的安全问题文本词向量集合和安全规范文本词向量集合。

根据本公开一实施例，上述预处理模块620包括：配置单元、文本量化单元和关注单元。根据本公开另一实施例，与上述预处理模块的区别在于还包括：第一文本处理单元、第二文本处理单元和第三文本处理单元。

配置单元，用于按设定比例，将所述样本数据划分为训练集和测试集。其中，所述训练集和所述测试集中包括至少一个样本数据。

第一文本处理单元，用于基于Jieba分词库对所述训练集中的每条所述安全问题文本和所述安全规范文本进行Jieba分词，得到每条所述安全问题文本和所述安全规范文本中的多个文本词。

第二文本处理单元，用于利用语义结构模型分析所述训练集中的每条所述安全问题文本和所述安全规范文本的主体结构，定义每条所述安全问题文本和所述安全规范文本中的各个所述文本词的性质，并在对应的文本词上标注。

第三文本处理单元，用于剔除所述训练集和所述测试集中每条所述安全问题文本和所述安全规范文本中的文本符号。

文本量化单元，用于利用Word2vec技术中的skip-gram模型，对所述训练集和所述测试集中每条所述安全问题文本和所述安全规范文本进行文本词向量计算，得到所述训练集和所述测试集中的安全问题文本词向量集合和安全规范文本词向量集合。

关注单元，用于利用Attention机制，确定所述训练集和所述测试集中的所述安全问题文本词向量集合和所述安全规范文本词向量集合中每个文本词向量的权重，将词语权重融入词向量，获得考虑权重的所述安全问题文本词向量和所述安全规范文本词向量进行关注。

数据集构建模块630，用于将训练集中的所述安全问题文本词向量集合和所述安全规范文本词向量集合分别输入至所述孪生神经网络的第一子网络和第二子网络中，得到安全问题特征向量集合和安全规范文本特征向量集合，所述安全问题特征向量集合和所述安全规范文本特征向量集合用于表征文本深度分析的结果。图7为Bi-LSTM模型结构示意图。如图7所示，所述孪生神经网络的所述第一子网络和所述第二子网络均基于Bi-LSTM模型生成。

例如，输入的文本为“现场配电箱未上墙挂设”。首先，根据将文本中的每个词向量化，作为基于Bi-LSTM建立的神经网络的输入。神经网络对应的Bi-LSTM模型，进行正向分析文本。这里以“配电箱”为例，正向的LSTM结果会根据位置特征。可以发现“配电箱”的左边为“现场”，右边为“未”，虽然展示了“配电箱”在文本中的作用，但是无法确定“配电箱”中的表达信息量，不能判断“配电箱”是否存在歧义。此时就需要逆向输入文本，此时“配电箱”的左边为“未”，右边为“现场”，由此获得了“配电箱”在文本中的具体信息，使为“配电箱”的定位更加准确，得到基于词语的整个句子的特征向量，作为该基于Bi-LSTM建立的神经网络的输出。

根据本公开的实施例，上述数据集构建模块630包括：第一文本深度分析单元和第一遍历单元。

第一文本深度分析单元，用于所述安全问题文本词向量顺次经过所述孪生神经网络中第一子网络对应的Bi-LSTM模型的输入门、遗忘门和输出门；所述安全规范文本词向量顺次经过所述孪生神经网络中第二子网络对应的Bi-LSTM模型的输入门、遗忘门和输出门；所述第一子网络对应的Bi-LSTM模型对所述安全问题文本词向量沿第一方向和第二方向进行遍历，得到安全问题特征向量；所述第二子网络对应的Bi-LSTM模型对所述安全规范文本词向量沿第一方向和第二方向进行遍历，得到安全规范文本特征向量；其中，所述第一方向表征正语序方向，所述第二方向表征逆语序方向；。

第一遍历单元，用于在文本深度分析单元遍历安全问题文本词向量集合和所述安全规范文本词向量集合得到安全问题特征向量集合和安全规范文本特征向量集合。

损失函数构建模块640，用于根据所述安全问题特征向量集合和所述安全规范文本特征向量集合，确定安全问题特征向量和安全规范文本特征向量之间的关联值，构建损失函数并计算损失值。

根据本公开的实施例，上述损失函数构建模块包括曼哈顿距离计算单元和损失函数单元。

曼哈顿距离计算单元，用于利用曼哈顿距离计算所述第一子网络和所述第二子网络输出的安全问题特征向量和安全规范文本特征向量之间的关联值，公式如下：

Dis(X₁，X₂)＝|x₁-x₂|+|y₁-y₂|

式中，X₁、X₂分别表示安全问题特征向量和安全规范文本特征向量；x₁、y₁为安全问题特征向量的二维空间坐标；x₂、y₂为安全规范文本特征向量的二维空间坐标；Dis(X₁，X₂)为安全问题特征向量和安全规范文本特征向量的曼哈顿距离，即安全问题特征向量和安全规范文本特征向量之间的关联值。

损失函数单元，用于采用Contrastive Loss损失函数计算损失值，公式如下：

式中：N为所述训练集中安全问题特征向量和安全规范文本特征向量的个数；当满足样本不相似阈值m时，安全问题特征向量和安全规范文本特征向量不相似，Y＝0；当不满足样本不相似阈值m时，安全问题特征向量和安全规范文本特征向量相似，Y＝1。

训练模块650，用于将测试集中的所述安全问题文本词向量集合和所述安全规范文本词向量集合分别输入至所述孪生神经网络的第一子网络和第二子网络中，对所述孪生神经网络的第一子网络和第二子网络进行优化训练，得到所述工程施工安全管理文档文本智能检索模型。

图8示意性示出了根据本公开的实施例的工程施工安全管理文档文本智能检索装置的框图。

如图8所示，工程施工安全管理文档文本智能检索装置包括：第二获取模块810和检索模块820。

第二获取模块810，用于获取工程施工安全管理文档文本智能检索模型。其中工程施工安全管理文档文本智能检索模型是通过如上所述的工程施工安全管理文档文本智能检索模型的训练方法训练得到。

检索模块820，用于通过工程施工安全管理文档文本智能检索模型提取与所述输入的安全问题文本相匹配的安全规范文本，并输出所述件数输入的安全问题文本与所述安全规范文本间的关联值。

根据本公开的实施例的模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块610、预处理模块620、数据集构建模块630、损失函数构建模块640和训练模块650中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块610、预处理模块620、数据集构建模块630、损失函数构建模块640和训练模块650中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块610、预处理模块620、数据集构建模块630、损失函数构建模块640和训练模块650中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中工程施工安全管理文档文本智能检索模型的训练装置部分与本公开的实施例中文本工程施工安全管理文档文本智能检索模型的训练方法部分是相对应的，工程施工安全管理文档文本智能检索模型的训练装置部分的描述具体参考工程施工安全管理文档文本智能检索模型的训练方法部分，在此不再赘述。

相应地，本公开的实施例中工程施工安全管理文档文本智能检索装置部分与本公开的实施例中工程施工安全管理文档文本智能检索方法部分是相对应的，工程施工安全管理文档文本智能检索装置部分的描述具体参考工程施工安全管理文档文本智能检索方法部分，在此不再赘述。

图9示意性示出了根据本公开实施例的适于实现工程施工安全管理文档文本智能检索模型的训练方法或工程施工安全管理文档文本智能检索方法的计算机系统的框图。图9示出的计算机系统仅仅是一个示例，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9所示，根据本公开实施例的计算机系统900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有系统900操作所需的各种程序和数据。处理器901、ROM 902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。系统900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

根据本公开的实施例，根据本公开实施例的方法流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，其包括承载在计算机可读存储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部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：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)、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。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

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，上述模块、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，框图或流程图中的每个方框、以及框图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。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。