في السنوات الأخيرة، أدت الشبكات العصبية العميقة إلى تحقيق تقدم مثير في مجالات التعرف على الكلام والرؤية الحاسوبية ومعالجة اللغة الطبيعية (NLP). ومع ذلك، كانت هناك نتائج إيجابية قليلة للنماذج العميقة في مهام الاسترجاع العشوائي. هذا جزئيًا بسبب حقيقة أن العديد من الخصائص المهمة لمهام الاسترجاع العشوائي لم يتم معالجتها بشكل جيد بعد في النماذج العميقة. عادةً ما يتم صياغة مهمة الاسترجاع العشوائي كمشكلة تطابق بين قطعتين من النصوص في الأعمال السابقة باستخدام النماذج العميقة، وتعتبر مكافئة للكثير من مهام NLP مثل تحديد إعادة الصياغة وإجابات الأسئلة والمحادثات الآلية. ومع ذلك، نعتقد أن مهمة الاسترجاع العشوائي تتعلق بشكل أساسي بالتطابق الصلة بينما تهتم معظم مهام التطابق في NLP بالتطابق الدلالي، وهناك بعض الاختلافات الأساسية بين هذين النوعين من مهام التطابق. يتطلب التوافق الصلة الناجح التعامل المناسب مع إشارات التطابق الدقيق وأهمية شروط الاستعلام والمتطلبات التطابق المتنوعة. في هذه الورقة البحثية، نقترح نموذج تطابق صلة عميق جديد (DRMM) للاسترجاع العشوائي. بصفة خاصة، يستخدم نموذجنا بنية عميقة مشتركة على مستوى شروط الاستعلام للتوافق الصلة. من خلال استخدام خرائط الهيستوغرام للتطابق وشبكة التطابق ذات التغذية الأمامية وشبكة التحكم في الشروط، يمكننا التعامل بكفاءة مع الثلاثة عوامل المذكورة أعلاه للتوافق الصلة. أظهرت نتائج التجارب على مجموعتين تمثيليتين من المعايير المرجعية أن نموذجنا يمكنه تجاوز بعض النماذج المعروفة للاسترجاع وكذلك أفضل النماذج الحديثة للتطابق العميق بشكل كبير.