CN110196979A - 基于分布式系统的意图识别方法及装置 - Google Patents

基于分布式系统的意图识别方法及装置 Download PDF

Info

Publication number
CN110196979A
CN110196979A CN201910487058.6A CN201910487058A CN110196979A CN 110196979 A CN110196979 A CN 110196979A CN 201910487058 A CN201910487058 A CN 201910487058A CN 110196979 A CN110196979 A CN 110196979A
Authority
CN
China
Prior art keywords
model
xgboost
training
distributed system
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910487058.6A
Other languages
English (en)
Other versions
CN110196979B (zh
Inventor
姜伟敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Di Di Information Technology Ltd By Share Ltd
Original Assignee
Shenzhen Di Di Information Technology Ltd By Share Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Di Di Information Technology Ltd By Share Ltd filed Critical Shenzhen Di Di Information Technology Ltd By Share Ltd
Priority to CN201910487058.6A priority Critical patent/CN110196979B/zh
Publication of CN110196979A publication Critical patent/CN110196979A/zh
Application granted granted Critical
Publication of CN110196979B publication Critical patent/CN110196979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于分布式系统的意图识别方法及装置，所述方法通过数据分块模型，对原始数据进行有效分块预处理；将每一块数据作为单一独立模块数据，分别通过Scikit‑learn算法实现文本数据信息处理和训练，经过训练后的countVectorizer和tfidfVectorizer函数模型，作为Scikit‑learn算法中间件存储于本地，便于对用户数据直接进行关联特征选取；接下来，独立模块分别对应进入XGBoost算法训练，通过损失函数设置训练周期，意图识别XGBoost模型结果存储于本地；最后分布式系统根据分块训练的个数配置分布式计算规模，每个节点位置，对应配置Scikit‑learn算法中间件和XGBoost存储模型，根据用户意图分析模块，综合分析用户意图。本发明有效解决海量数据时，初始样本巨大，造成训练周期长，训练效果不理想的问题。

Description

基于分布式系统的意图识别方法及装置
技术领域
本发明涉及一种意图识别方法及装置，尤其是指一种基于分布式系统的意图识别方法及装置。
背景技术
随着信息时代的快速发展，用户数据以指数级增长，大数据背景下，充分挖掘海量细粒度查询意图，不仅有效提高搜索的速度和准确性，同时覆盖率较高。因此用户意图识别技术研究是一项具有重要意义和挑战性的工作。
传统意图识别方法中，XGBoost算法凭借在分类，回归，排序等具体场景时，通用问题解决能力，在学术竞赛和工业界领域使用非常频繁。但是数据量较大时，XGBoost算法内部使用的贪婪算法耗时严重；另外XGBoost使用level-wise生成决策树，当多叶子节点的分裂增益较低时，系统开销巨大。
发明内容
本发明所要解决的技术问题是：提供一种基于分布式系统的意图识别方法及装置，旨在解决在面对大数据量的文本数据时，传统意图识别技术在训练效率和意图识别准确率低的问题。
为了解决上述技术问题，本发明采用的技术方案为：一种基于分布式系统的意图识别方法，包括以下步骤，
S10、通过数据分块模型，对原始文本数据进行分块处理，得到文本分块数据；
S20、基于分块数据，每一块数据作为单一独立模块数据，分别通过Scikit-learn算法模型中的countVectorizer和tfidfVectorizer函数模型进行训练；
S30、将经过训练后的countVectorizer和tfidfVectorizer函数模型，作为Scikit-learn算法中间件存储于本地，保留文本数据特征间相互关联关系，形成XGBoost模型初始数据；
S40、分别对与分布式系统的每个节点对应的XGBoost算法通过XGBoost模型初始数据进行独立训练，得到意图识别XGBoost模型存储于本地；
S60、在分布式系统的每个节点位置，对应配置Scikit-learn算法中间件和意图识别XGBoost模型；
S70、根据在分布式系统的每个节点位置对应配置的Scikit-learn算法中间件和XGBoost存储模型，分析用户意图。
进一步的，在步骤S60之前，还包括步骤，
S50、通过分布式系统，根据分块训练的个数配置分布式计算规模，分布式计算出分布式系统的每个节点位置。
进一步的，所述步骤S20具体包括，
S21、通过Scikit-learn算法中的CountVectorizer函数将分块数据转换词频矩阵；
S22、词频矩阵通过TfidfVectorizer函数计算出每个短语权重分值。
进一步的，所述步骤S40还包括，将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，通过收缩比例因子新增加权重防止过拟合情况，训练直至达到损失函数条件，终止模型训练，得到XGBoost算法意图识别模型。
为了解决上述技术问题，本发明采用的另一个技术方案为：一种基于分布式系统的意图识别装置，包括以下模块，
数据分块模块，用于通过数据分块模型，对原始数据进行有效分块处理；
特征函数训练模块，用于基于分块数据，每一块数据作为单一独立模块数据，分别通过Scikit-learn算法模型中的countVectorizer和tfidfVectorizer函数模型进行训练；
特征函数存储模块，用于将经过训练后的countVectorizer和tfidfVectorizer函数模型，作为Scikit-learn算法中间件存储于本地，保留文本数据特征间相互关联关系，形成XGBoost模型初始数据；
XGBoost模型优化模块，用于分别对与分布式系统的每个节点对应的XGBoost算法通过XGBoost模型初始数据进行独立训练，得到意图识别XGBoost模型存储于本地；
XGBoost模型配置模块，用于在分布式系统的每个节点位置，对应配置Scikit-learn算法中间件和意图识别XGBoost模型；
用户意图分析模块，用于根据在分布式系统的每个节点位置对应配置的Scikit-learn算法中间件和XGBoost存储模型，分析用户意图。
进一步的，在XGBoost模型配置模块之前，还包括，
节点位置计算模块，用于通过分布式系统，根据分块训练的个数配置分布式计算规模，分布式计算出分布式系统的每个节点位置。
进一步的，所述特征函数训练模块包括，
数据转换单元，用于通过Scikit-learn算法中的CountVectorizer函数将分块数据转换词频矩阵；
短语权重计算单元，用于词频矩阵通过TfidfVectorizer函数计算出每个短语权重分值。
进一步的，所述XGBoost模型优化模块，还用于将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，通过收缩比例因子新增加权重防止过拟合情况，训练直至达到损失函数条件，终止模型训练，得到XGBoost算法意图识别模型存储于本地。
本发明的有益效果在于：分布式系统根据分块训练的个数配置分布式计算规模，分布式计算每个节点位置，对应配置Scikit-learn算法中间件和XGBoost存储模型，有效解决海量数据时，初始样本巨大，造成训练周期长，训练效果不理想的问题；各个分块数据是相对独立关系，所以Scikit-learn算法中间件最大限度保留各个原始数据中训练样本间关联关系，可以有效对用户信息进行特征抽取和分析；然后，各个Scikit-learn算法中间件对应结果进入相应XGBoost存储模型；通过分布式系统实现意图识别，有效降低计算周期，同时提高模型的准确性。
附图说明
下面结合附图详述本发明的具体结构。
图1为本发明一具体实施例的基于分布式系统的意图识别方法流程图；
图2为本发明另一具体实施例的基于分布式系统的意图识别方法流程图；
图3为本发明一具体实施例的特征函数训练流程图；
图4为本发明一具体实施例的基于分布式系统的意图识别装置模块框图；
图5为本发明另一具体实施例的基于分布式系统的意图识别装置模块框图；
图6为本发明一具体实施例的特征函数训练模块框图；
图7为本发明基于分布式系统的意图识别模型关系图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
参阅图1，图7，本发明的一具体实施例为：一种基于分布式系统的意图识别方法，包括以下步骤，
S10、通过数据分块模型，对原始文本数据进行分块处理，得到文本分块数据；
本步骤中，对于原始文本数据，需要人工进行类别标注，标志格式：datas＝[(number1：data2)，(number2：data2)，...，(number(n-1)：data(n-1))，(number(n)：data(n))]，(number是数据类别)。海量数据经过人工标注后，通过datasBlock算法实现数据分块，即首先检测人工标注的分类数据类别的总和n，datas/n作为人工标注数据分块标准，人工标注数据子类分类依次记为datas1，datas2...datasn。当data1小于datas/n时，data1整块作为一个分类，否则(data1-datas/n)作为一个分块，data1剩余数据继续进行比较操作，直至当前分类分块结束。依次循环直至所有类别分块结束。
S20、基于分块数据，每一块数据作为单一独立模块数据，分别通过Scikit-learn算法模型中的countVectorizer和tfidfVectorizer函数模型进行训练；
本步骤，对每一块数据作为单一独立模块数据输入Scikit-learn算法模型中的countVectorizer和tfidfVectorizer函数模型训练，针对相应的分块数据分别提取文本特征，提取文本特征过程：数据初始化后，采用Scikit-learn算法中CountVectorizer函数实现数据转换词频矩阵，TfidfVectorizer函数不仅考量某一词汇在当前文本中出现的频率，同时关注包含这个词汇的其他训练文本的倒数。
S30、将经过训练后的countVectorizer和tfidfVectorizer函数模型，作为Scikit-learn算法中间件存储于本地，保留文本数据特征间相互关联关系，形成XGBoost模型初始数据；
本步骤中，训练countVectorizer和tfidfVectorizer中间件存储于本地，便于程序本地化加载运行，根据训练文本数据特征间相互关联关系，直接对用户数据进行处理，从而降低系统开销，提高运行效率。
S40、分别对与分布式系统的每个节点对应的XGBoost算法通过XGBoost模型初始数据进行独立训练，得到意图识别XGBoost模型存储于本地；
本步骤中，将XGBoost训练后模型自动存储于本地，便于运行加载训练好的模型，复用率高。
S60、在分布式系统的每个节点位置，对应配置Scikit-learn算法中间件和意图识别XGBoost模型；
本步骤中，在分布式系统的各个节点上，配置Scikit-learn算法中间件和意图识别XGBoost模型，有效降低计算周期，同时提高模型的准确性。
S70、根据在分布式系统的每个节点位置对应配置的Scikit-learn算法中间件和XGBoost存储模型，分析用户意图。
本技术方案，如图7的基于分布式系统的意图识别模型关系图，分布式系统根据分块训练的个数配置分布式计算规模，分布式计算每个节点位置，对应配置Scikit-learn算法中间件和XGBoost存储模型，有效解决海量数据时，初始样本巨大，造成训练周期长，训练效果不理想的问题；各个分块数据是相对独立关系，所以Scikit-learn算法中间件最大限度保留各个原始数据中训练样本间关联关系，可以有效对用户信息进行特征抽取和分析；然后，各个Scikit-learn算法中间件对应结果进入相应XGBoost存储模型；通过分布式系统实现意图识别，有效降低计算周期，同时提高模型的准确性。
参阅图2，在一具体实施例中，在步骤S60之前，还包括步骤，
S50、通过分布式系统，根据分块训练的个数配置分布式计算规模，分布式计算出分布式系统的每个节点位置。
参阅图3，在一具体实施例中，所述步骤S20具体包括，
S21、通过Scikit-learn算法中的CountVectorizer函数将分块数据转换词频矩阵；
S22、词频矩阵通过TfidfVectorizer函数计算出每个短语权重分值。
在一具体实施例中，所述步骤S40还包括，将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，通过收缩比例因子新增加权重防止过拟合情况，训练直至达到损失函数条件，终止模型训练，得到XGBoost算法意图识别模型。
参阅图4，本发明的另一具体实施例为：一种基于分布式系统的意图识别装置，包括以下模块，
数据分块模块，用于通过数据分块模型，对原始数据进行有效分块处理；
特征函数训练模块，用于基于分块数据，每一块数据作为单一独立模块数据，分别通过Scikit-learn算法模型中的countVectorizer和tfidfVectorizer函数模型进行训练；
特征函数存储模块，用于将经过训练后的countVectorizer和tfidfVectorizer函数模型，作为Scikit-learn算法中间件存储于本地，保留文本数据特征间相互关联关系，形成XGBoost模型初始数据；
XGBoost模型优化模块，用于分别对与分布式系统的每个节点对应的XGBoost算法通过XGBoost模型初始数据进行独立训练，得到意图识别XGBoost模型存储于本地；
XGBoost模型配置模块，用于在分布式系统的每个节点位置，对应配置Scikit-learn算法中间件和意图识别XGBoost模型；
用户意图分析模块，用于根据在分布式系统的每个节点位置对应配置的Scikit-learn算法中间件和XGBoost存储模型，分析用户意图。
参阅图5，在一具体实施例中，在XGBoost模型配置模块之前，还包括，
节点位置计算模块，用于通过分布式系统，根据分块训练的个数配置分布式计算规模，分布式计算出分布式系统的每个节点位置。
参阅图6，在一具体实施例中，所述特征函数训练模块包括，
数据转换单元，用于通过Scikit-learn算法中的CountVectorizer函数将分块数据转换词频矩阵；
短语权重计算单元，用于词频矩阵通过TfidfVectorizer函数计算出每个短语权重分值。
在一具体实施例中，所述XGBoost模型优化模块，还用于将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，通过收缩比例因子新增加权重防止过拟合情况，训练直至达到损失函数条件，终止模型训练，得到XGBoost算法意图识别模型存储于本地。
综上所述，本发明的有益效果在于：分布式系统根据分块训练的个数配置分布式计算规模，分布式计算每个节点位置，对应配置Scikit-learn算法中间件和XGBoost存储模型，有效解决海量数据时，初始样本巨大，造成训练周期长，训练效果不理想的问题；各个分块数据是相对独立关系，所以Scikit-learn算法中间件最大限度保留各个原始数据中训练样本间关联关系，可以有效对用户信息进行特征抽取和分析；然后，各个Scikit-learn算法中间件对应结果进入相应XGBoost存储模型；通过分布式系统实现意图识别，有效降低计算周期，同时提高模型的准确性。
此处第一、第二……只代表其名称的区分，不代表它们的重要程度和位置有什么不同。
此处，上、下、左、右、前、后只代表其相对位置而不表示其绝对位置。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于分布式系统的意图识别方法，其特征在于：包括以下步骤，
S10、通过数据分块模型，对原始文本数据进行分块处理，得到文本分块数据；
S20、基于分块数据，每一块数据作为单一独立模块数据，分别通过Scikit-learn算法模型中的countVectorizer和tfidfVectorizer函数模型进行训练；
S30、将经过训练后的countVectorizer和tfidfVectorizer函数模型，作为Scikit-learn算法中间件存储于本地，保留文本数据特征间相互关联关系，形成XGBoost模型初始数据；
S40、分别对与分布式系统的每个节点对应的XGBoost算法通过XGBoost模型初始数据进行独立训练，得到意图识别XGBoost模型存储于本地；
S60、在分布式系统的每个节点位置，对应配置Scikit-learn算法中间件和意图识别XGBoost模型；
S70、根据在分布式系统的每个节点位置对应配置的Scikit-learn算法中间件和XGBoost存储模型，分析用户意图。
2.如权利要求1所述的基于分布式系统的意图识别方法，其特征在于：在步骤S60之前，还包括步骤，
S50、通过分布式系统，根据分块训练的个数配置分布式计算规模，分布式计算出分布式系统的每个节点位置。
3.如权利要求1所述的基于分布式系统的意图识别方法，其特征在于：所述步骤S20具体包括，
S21、通过Scikit-learn算法中的CountVectorizer函数将分块数据转换词频矩阵；
S22、词频矩阵通过TfidfVectorizer函数计算出每个短语权重分值。
4.如权利要求1所述的基于分布式系统的意图识别方法，其特征在于：所述步骤S40还包括，将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，通过收缩比例因子新增加权重防止过拟合情况，训练直至达到损失函数条件，终止模型训练，得到XGBoost算法意图识别模型。
5.一种基于分布式系统的意图识别装置，其特征在于：包括以下模块，
数据分块模块，用于通过数据分块模型，对原始数据进行有效分块处理；
特征函数训练模块，用于基于分块数据，每一块数据作为单一独立模块数据，分别通过Scikit-learn算法模型中的countVectorizer和tfidfVectorizer函数模型进行训练；
特征函数存储模块，用于将经过训练后的countVectorizer和tfidfVectorizer函数模型，作为Scikit-learn算法中间件存储于本地，保留文本数据特征间相互关联关系，形成XGBoost模型初始数据；
XGBoost模型优化模块，用于分别对与分布式系统的每个节点对应的XGBoost算法通过XGBoost模型初始数据进行独立训练，得到意图识别XGBoost模型存储于本地；
XGBoost模型配置模块，用于在分布式系统的每个节点位置，对应配置Scikit-learn算法中间件和意图识别XGBoost模型；
用户意图分析模块，用于根据在分布式系统的每个节点位置对应配置的Scikit-learn算法中间件和XGBoost存储模型，分析用户意图。
6.如权利要求5所述的基于分布式系统的意图识别装置，其特征在于：在XGBoost模型配置模块之前，还包括，
节点位置计算模块，用于通过分布式系统，根据分块训练的个数配置分布式计算规模，分布式计算出分布式系统的每个节点位置。
7.如权利要求5所述的基于分布式系统的意图识别装置，其特征在于：所述特征函数训练模块包括，
数据转换单元，用于通过Scikit-learn算法中的CountVectorizer函数将分块数据转换词频矩阵；
短语权重计算单元，用于词频矩阵通过TfidfVectorizer函数计算出每个短语权重分值。
8.如权利要求5所述的基于分布式系统的意图识别装置，其特征在于：所述XGBoost模型优化模块，还用于将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，通过收缩比例因子新增加权重防止过拟合情况，训练直至达到损失函数条件，终止模型训练，得到XGBoost算法意图识别模型存储于本地。
CN201910487058.6A 2019-06-05 2019-06-05 基于分布式系统的意图识别方法及装置 Active CN110196979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910487058.6A CN110196979B (zh) 2019-06-05 2019-06-05 基于分布式系统的意图识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910487058.6A CN110196979B (zh) 2019-06-05 2019-06-05 基于分布式系统的意图识别方法及装置

Publications (2)

Publication Number Publication Date
CN110196979A true CN110196979A (zh) 2019-09-03
CN110196979B CN110196979B (zh) 2023-07-25

Family

ID=67754076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910487058.6A Active CN110196979B (zh) 2019-06-05 2019-06-05 基于分布式系统的意图识别方法及装置

Country Status (1)

Country Link
CN (1) CN110196979B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140079297A1 (en) * 2012-09-17 2014-03-20 Saied Tadayon Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities
US20160247061A1 (en) * 2015-02-19 2016-08-25 Digital Reasoning Systems, Inc. Systems and Methods for Neural Language Modeling
US20160253688A1 (en) * 2015-02-24 2016-09-01 Aaron David NIELSEN System and method of analyzing social media to predict the churn propensity of an individual or community of customers
CN107092596A (zh) * 2017-04-24 2017-08-25 重庆邮电大学 基于attention CNNs和CCR的文本情感分析方法
CN108959383A (zh) * 2018-05-31 2018-12-07 平安科技（深圳）有限公司 网络舆情的分析方法、装置及计算机可读存储介质
CN109284406A (zh) * 2018-09-03 2019-01-29 四川长虹电器股份有限公司 基于差异循环神经网络的意图识别方法
CN109344017A (zh) * 2018-09-06 2019-02-15 浪潮电子信息产业股份有限公司 一种基于机器学习预测内存故障的方法，设备及可读存储介质
CN109522556A (zh) * 2018-11-16 2019-03-26 北京九狐时代智能科技有限公司 一种意图识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140079297A1 (en) * 2012-09-17 2014-03-20 Saied Tadayon Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities
US20160247061A1 (en) * 2015-02-19 2016-08-25 Digital Reasoning Systems, Inc. Systems and Methods for Neural Language Modeling
US20160253688A1 (en) * 2015-02-24 2016-09-01 Aaron David NIELSEN System and method of analyzing social media to predict the churn propensity of an individual or community of customers
CN107092596A (zh) * 2017-04-24 2017-08-25 重庆邮电大学 基于attention CNNs和CCR的文本情感分析方法
CN108959383A (zh) * 2018-05-31 2018-12-07 平安科技（深圳）有限公司 网络舆情的分析方法、装置及计算机可读存储介质
CN109284406A (zh) * 2018-09-03 2019-01-29 四川长虹电器股份有限公司 基于差异循环神经网络的意图识别方法
CN109344017A (zh) * 2018-09-06 2019-02-15 浪潮电子信息产业股份有限公司 一种基于机器学习预测内存故障的方法，设备及可读存储介质
CN109522556A (zh) * 2018-11-16 2019-03-26 北京九狐时代智能科技有限公司 一种意图识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韦鹏程 等: "《基于虚拟化技术的云计算架构的技术与实践探究》", 30 June 2018, 电子科技大学出版社, pages: 191 - 196 *

Also Published As

Publication number Publication date
CN110196979B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN107239446B (zh) 一种基于神经网络与注意力机制的情报关系提取方法
CN107122375B (zh) 基于图像特征的图像主体的识别方法
CN105930277B (zh) 一种基于缺陷报告分析的缺陷源代码定位方法
CN110019839A (zh) 基于神经网络和远程监督的医学知识图谱构建方法和系统
CN106156003A (zh) 一种问答系统中的问句理解方法
CN109697469A (zh) 一种基于一致性约束的自学习小样本遥感图像分类方法
CN101980202A (zh) 不平衡数据的半监督分类方法
CN108710894A (zh) 一种基于聚类代表点的主动学习标注方法和装置
CN108596274A (zh) 基于卷积神经网络的图像分类方法
CN105740404A (zh) 标签关联方法及装置
CN110334187A (zh) 基于迁移学习的缅语情感分析方法及装置
CN103400160B (zh) 一种零训练样本行为识别方法
CN105930319A (zh) 建立获取题目知识点模型、获取题目知识点的方法和装置
CN104680178A (zh) 基于迁移学习多吸引子细胞自动机的图像分类方法
CN106779053A (zh) 一种基于影响因子和神经网络的知识点摸底方法
CN109255339B (zh) 基于自适应深度森林人体步态能量图的分类方法
CN110275966A (zh) 一种知识抽取方法及装置
CN110210695A (zh) 一种基于支持向量机的塔台管制模拟训练评估方法
CN112633432A (zh) 一种基于深度学习的汉字书写质量评价方法
CN116561274A (zh) 一种基于数字人技术与自然语言大模型的知识问答方法
CN114758180A (zh) 一种基于知识蒸馏的轻量化花卉识别方法
CN104331717B (zh) 一种整合特征字典结构与视觉特征编码的图像分类方法
CN112329830B (zh) 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统
CN110442736A (zh) 一种基于二次判别分析的语义增强子空间跨媒体检索方法
CN112489689B (zh) 基于多尺度差异对抗的跨数据库语音情感识别方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant