CN110750548B - 基于神经网络的问题评价方法、存储介质及应用服务器 - Google Patents

基于神经网络的问题评价方法、存储介质及应用服务器 Download PDF

Info

Publication number
CN110750548B
CN110750548B CN201810732041.8A CN201810732041A CN110750548B CN 110750548 B CN110750548 B CN 110750548B CN 201810732041 A CN201810732041 A CN 201810732041A CN 110750548 B CN110750548 B CN 110750548B
Authority
CN
China
Prior art keywords
neural network
network model
problem information
weight coefficient
preset
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.)
Active
Application number
CN201810732041.8A
Other languages
English (en)
Other versions
CN110750548A (zh
Inventor
李涛
曹芝勇
龙超
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 TCL Digital Technology Co Ltd
Original Assignee
Shenzhen TCL Digital Technology Co 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 TCL Digital Technology Co Ltd filed Critical Shenzhen TCL Digital Technology Co Ltd
Priority to CN201810732041.8A priority Critical patent/CN110750548B/zh
Publication of CN110750548A publication Critical patent/CN110750548A/zh
Application granted granted Critical
Publication of CN110750548B publication Critical patent/CN110750548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于神经网络的问题评价方法、存储介质及应用服务器，所述方法包括：预先建立神经网络模型，并采用预设的若干训练种子对预设神经网络模型进行深度学习，以使得深度学习得到的神经网络模型包含的权重系数满足预设条件，再通过满足预设条件的神经网络模型确定接收到问题信息对应的评价等级，为所述各问题提供客观统一的评价标准，从而提供了问题信息评价的准确性。

Description

基于神经网络的问题评价方法、存储介质及应用服务器
技术领域
本申请涉及计算机技术领域，特别涉及一种基于神经网络的问题评价方法、存储介质及应用服务器。
背景技术
随着终端设备的不断普及，应用程序的种类也在不断增加。应用程序在开发以及使用过程会存在各种问题，并且需要对问题的严重度等级进行评价以确定急需解决的问题。目前问题严重度等级的界定都是开发工程师人为界定，并且不同的开发工程师对问题的严重度等级的界定不同，这样一方面造成问题严重等级评价的准确低，另一方面还可能造成根据问题严重度等级确定工作量与实际所需工作量不符，影响工作效率。
发明内容
本申请旨在提供一种基于神经网络的问题评价方法、存储介质及应用服务器，以提高问题评价的准确性。
本申请所采用的技术方案如下：
一种基于神经网络的问题评价方法，其包括：
将预设的若干训练种子分别输入预设神经网络模型以得到各训练种子的评分值，其中，所述预设神经网络模型包含第一权重系数和第二权重系数；
计算各训练种子的评分值与各训练种子的期望评分值的误差值，并根据所述误差值对所述第一权重系数和第二权重系数进行调整，以得到满足预设条件的神经网络模型；
将接收到的问题信息输入满足预设条件的神经网络模型；
通过所述神经网络模型确定所述问题信息对应的评价等级。
所述的基于神经网络的问题评价方法，其中，所述计算各训练种子的评分值与各训练种子的期望评分值的误差值，并根据所述误差值对所述第一权重系数和第二权重系数进行调整，以得到满足预设条件的神经网络模型具体包括：
根据所述各训练种子的评分值以及各训练种子的期望评价值计算所述预设网络模型的误差值；
根据所述误差值按照预设调整策略对所述第一权重系数和第二权重系数进行调整，以得到第一权重系数和第二权重系数满足预设条件的神经网络模型。
所述的基于神经网络的问题评价方法，其中，根据所述各训练种子的评分值以及各训练种子的期望评价值计算所述预设网络模型的误差值具体包括：
计算各训练种子的评价值以及各训练种子的期望评价值的方差；
根据所述方差确定所述第一神经网络模型的误差值。
所述的基于神经网络的问题评价方法，其中所述将预设的若干训练种子分别输入预设神经网络模型以得到各训练种子的评分值之前还包括：
获取若干第一问题信息，并分别提取各第一问题信息包含的关键字；
根据所述关键字获取各第一问题信息对应的期望评价值，并将所述若干问题作为训练种子。
所述的基于神经网络的问题评价方法，其中所述将接收到的问题信息输入满足预设条件的神经网络模型具体包括：
接收用户输入的问题信息，并在预设问题信息库内查找所述问题信息；
若未查找到所述问题信息，则提取所述问题信息携带的关键字，并将所述关键字输入所述满足预设条件的神经网络模型；
若查找到所述问题信息，则读取所述问题信息对应的评价等级。
所述的基于神经网络的问题评价方法，其中所述通过所述神经网络模型确定所述问题信息对应的评价等级具体为：
通过所述神经网络模型计算所述问题信息对应的评价分值，并根据所述评价分值在预设等级划分表内查找所述问题信息对应的评价等级。
所述的基于神经网络的问题评价方法，其中，所述预设条件为：所述误差值小于所述第一权重系数；或者所述误差值大于第一权重系数、第一权重系数小于等于第一阈值且所述第二权重系数且小于等于第二阈值。
一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于神经网络的问题评价方法中的步骤。
一种应用服务器，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于神经网络的问题评价方法中的步骤。
有益效果：与现有技术相比，本申请提供了一种基于神经网络的问题评价方法、存储介质及应用服务器，在所述方法中，预先建立神经网络模型，并采用预设的若干训练种子对预设神经网络模型进行深度学习，以使得深度学习得到的神经网络模型包含的权重系数满足预设条件，再通过满足预设条件的神经网络模型确定接收到问题信息对应的评价等级，为所述各问题提供客观统一的评价标准，从而提供了问题信息评价的准确性。
附图说明
图1为本申请提供的基于神经网络的问题评价方法的实施例的流程图。
图2为本申请提供的基于神经网络的问题评价方法的实施例中步骤S10的流程图。
图3为本申请提供的基于神经网络的问题评价方法的实施例中步骤S20的流程图。
图4为申请提供的基于神经网络的问题评价方法的实施例中步骤S21的流程图。
图5为本申请提供的应用服务器的实施例的结构原理图。
具体实施方式
本申请提供一种基于神经网络的问题评价方法、存储介质及应用服务器，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面结合附图，通过对实施例的描述，对申请内容作进一步说明。
请参照图1，图1为本申请提供的基于神经网络的问题评价方法的一实施例的流程图。所述方法包括：
S10、将预设的若干训练种子分别输入预设神经网络模型以得到各训练种子的评分值，其中，所述预设神经网络模型包含第一权重系数和第二权重系数。
具体地，所述若干训练种子为预先获取的若干问题信息，其中，所述问题信息可以为应用程度等在开发或者使用过程中存在的问题的描述，例如，所述问题信息可以为【多媒体】播放音乐时，按遥控器上的快进快退按钮死机。所述关键字为所述问题信息携带的关键信息，所述关键字可以根据预先设置的关键字库来确定，并且所述问题信息包含的所有关键字可以构成所述问题信息对应的信息向量，根据所述信息向量确定其对应的数值向量，将所述数值向量作为预设神经网络模型的输入项。另外，为了确定所述问题信息对应的数值向量，需要在接收用户输入的问题信息之前，可以需要建立以关键字库，并通过所述关键字库确定各问题信息包含的关键字。当然，在实际应用中，所述问题信息根据所述关键字库为确定关键字，这个时候可以在将所述问题按照词性划分为若干词语，并将根据预设关键字的选取条件从所述若干词语中选取关键字，并将选取得到的关键字作为所述问题信息的关键字，同时将选取到的关键字更新至关键字库以更新关键字库。例如，将问题信息进行分词和词性标注处理，过滤掉辅助词性，保留指定词性的单词，如名词，形容词等，并根据保留的单词得到问题信息包含的关键字。
进一步，所述若干训练种子为预先获取的，并且在获取各训练种子时还确定所述各训练种子对应的期望评分值。相应的，所述将预设的若干训练种子分别输入预设神经网络模型以得到各训练种子的评分值之前还包括：
获取若干第一问题信息，并分别提取各第一问题信息包含的关键字；
根据所述关键字获取各第一问题信息对应的期望评价值，并将所述若干问题作为训练种子。
具体地，所述训练种子为预先已收集的问题信息，并且各问题信息包括的关键字以及其对应的评价值均为已知。所述预设关键字库可以根据训练种子生成的，也就是说，根据所述若干训练种子包含的关键字生成关键字库，并为关键字库内各关键字配置相应的评价值。这样根据所述关键库可以确定各关键字字对应的评价值，并将所述评价值作为神经网络模型的输入项。在本实施例中，所述关键字库可以如表2所示。
表2关键字库
关键字 评分
死机 5
多媒体 5
…
其中，各关键字为问题信息的最小神经元，即为神经网络模型的最小神经元。
此外，所述各训练种子的期望评价值是根据所述问题信息包含的所有关键字对应的评价值以及该问题信息出现的概率计算得到，用于对通过第一神经网络模型计算得到的评价值进行横梁的依据。所述期望评价值的计算公式可以为：其中，y表示期望评价值，k表示关键字的评价值，p表示问题信息的出现概率，n表示关键字的数量。例如，所述问题信息为“【多媒体】播放音乐时，按遥控器上的快进快退按钮死机”，问题出现概率为“100％”，那么，所述问题信息包含的所有关键字为[死机，多媒体]，即所述[死机，多媒体]构成所述问题信息对应的向量，根据所述向量以及期望评价值计算公式得到的期望评价值为(5+5)/2*1＝5，其中，所述死机对应的评价值为5，所述多媒体对应的评价值为5。
同时在本实施例中，所述预设神经网络模型为预设设置的初始神经网络模型，通过训练种子对所述初始神经网络模型进行深度学习和训练得到最后的神经网络模型。其中，所述第一神经网络模型包括第一权重系数和第二权重系数，并且所述关键字对应的评价值为所述第一神经网络模型的输入项。在本实施例中，所述第一神经网络模型可以表示为：
其中，u表示评价值，a表示第二权重系数，b表示第一权重系数，xi表示关键字对应的评价值，n表示关键字的数量。
S20、计算各训练种子的评分值与各训练种子的期望评分值的误差值，并根据所述误差值对所述第一权重系数和第二权重系数进行调整，以得到满足预设条件的神经网络模型。
具体地，所述误差是根据各训练种子的评分值以及其对应的期望评分值得到，并具体是根据各各训练种子的评分值以及其对应的期望评分值的方差得到。相应的，如图2所示，所述计算各训练种子的评分值与各训练种子的期望评分值的误差值，并根据所述误差值对所述第一权重系数和第二权重系数进行调整，以得到满足预设条件的神经网络模型具体包括：
S21、根据所述各训练种子的评分值以及各训练种子的期望评价值计算所述预设网络模型的误差值；
S22、根据所述误差值按照预设调整策略对所述第一权重系数和第二权重系数进行调整，以得到第一权重系数和第二权重系数满足预设条件的神经网络模型。
具体地，所述预设条件为预先设置的，用于确定训练得到的神经网络模型是否满足要求。在本实施例中，所述预设条件包括：a、所述误差值小于所述第一权重系数；b、所述误差值大于第一权重系数、第一权重系数小于等于第一阈值且所述第二权重系数且小于等于第二阈值。所述第一权重系数和第二权重系数满足预设条件至少的所述第一权重系数和第二权重系数满足所述预设条件中的任意一条。即，所述预设条件中包含的2个条件为并列关系，只要满足其中一条即可。
示例性的，所述根据所述误差值对所述第一神经网络模型进行训练以使得所述神经网络模型具体可以包括两个过程，第一过程为对第一权重系数进行修正，第二过程为对第二权重系数进行修正，其中，所述第二过程在第一过程完成后且第一权重系数和第二权重系数未满足预设条件的情况下执行第二过程。
所述第一权重系数修改过程可以包括：将第一权重系数与所述误差值进行比较；若所述误差值小于等于所述第一权重系数，则确定所述第一权重系数和第二权重系数满足预设条件，完成神经网络模型训练；若所述误差值大于所述第一权重系数，将所述第一权重系数与第一阈值进行比较；当所述第一权重系数大于第一阈值时，则对所述第一权重系数进行修正以得到修正后的第一神经网络模型；采用修正后的第一神经网络模型得到修正后的误差值，并将所述误差值与第一权重系数进行比较以重复对第一权重系数修正过程；当所述误差值大于第一权重系数且第一权重系数小于等于第一阈值时，完成对所述第二权重系数进行修正。
所述第二权重系数修正过程具体包括：采用对第一权重系数修正后的第一神经网络模型得到误差值，并将所述误差值与第一权重系数进行比较；若所述误差值小于等于所述第一权重系数，则确定所述第一权重系数和第二权重系数满足预设条件，完成神经网络模型训练；若所述误差值大于第一权重系数，则对所述第二权重系数进行修正以得到修正后的第一神经网络模型；采用修正后的第一神经网络模型得到修正后的误差值，并将所述误差值与第一权重系数进行比较以重复对第二权重系数修正过程；当所述误差值大于第一权重系数且第二权重系数小于等于第二阈值时，完成对所述第二权重系数进行修正，并将采用修正后的第一权重系数和第二权重系数的第一神经网络模型作为所述神经网络模型。
此外，在本实施例中，所述预设调整策略可为将第一权重系数和第二权重系数进行依次递减。例如，每次修正第一权重系数时，将第一权重系数减少一个其对应的单位，每次修正第二权重系数时，将第二权重系数减少一个其对应的单位。这里，所述单位可以是所述权重系数所占最小单位，例如，所述权重系数为10，那么一个单位为1，所述权重系数为1.5，那么单位为0.1等。
进一步，所述误差值是根据各训练种子的评分值和对应的期望评分值得到。相应的，如图4所示，所述根据所述各训练种子的评分值以及各训练种子的期望评价值计算所述预设网络模型的误差值具体包括：
S211、计算各训练种子的评价值以及各训练种子的期望评价值的方差；
S212、根据所述方差确定所述第一神经网络模型的误差值。
具体地，所述方差根据各训练种子的评价值与各训练种子的期望评价值的计算得到，所述方差的计算公式可以为：其中，y表示期望评价值，u表示第一评价值，N表示训练种子的数量，f(y)表示方差。所述误差与所述方差成比例关系，即误差d＝c*f(y)，其中，所述c表示修正系数，所述修正系数为预先设置。
S30、将接收到的问题信息输入满足预设条件的神经网络模型。
具体地，所述将接收到的问题信息输入满足预设条件的神经网络模型指的是将所述问题信息包含的关键字输入所述满足预设条件的神经网络模型，从而在输入问题信息之前可以提取所述问题信息包含的关键字。所述关键字可以根据预先设置的关键字库来确定，并且所述问题信息包含的所有关键字可以构成所述问题信息对应的信息向量，根据所述信息向量确定其对应的数值向量，将所述数值向量作为预设神经网络模型的输入项。此外，为了避免问题信息的重复评价，可以预先设置问题信息库，所述问题信息库内存储有已经具有评价值的问题信息以及其对应的评价值，在接收到问题信息时，可以在所述问题信息库内查找所述问题信息，在未查找到问题信息时提取所述问题信息携带的关键字。相应的，如图3所示，所述接收用户输入的问题信息，并提取所述问题信息携带的关键字具体包括：
S31、接收用户输入的问题信息，并在预设问题信息库内查找所述问题信息；
S32、若未查找到所述问题信息，则提取所述问题信息携带的关键字，并将所述关键字输入所述满足预设条件的神经网络模型；
S33、若查找到所述问题信息，则读取所述问题信息对应的评价等级。
具体地，所述预设问题信息库内存储有具有评价值的问题信息，在所述预设问题信息库内查找问题信息时，可以采用逐字比对方式，可以采用提取关键字并采用关键字进行比对的方式。在本实施例中，采用关键字比对方式，即在接收用户输入的问题信息后，提取所述问题信息携带的所有关键字，并在所述预设问题信息库中查找是否存储于所述问题信息携带相同关键字的第一问题信息，若查找到第一问题信息，则将所述问题信息与所述第一问题信息作为同一问题信息，并将所述第一问题信息对应的评价等级确定为所述问题信息对应的评价等级，以使得携带相同关键字的问题信息对应的评价等级相同。此外，所述预设问题信息库中存储有各问题信息携带的关键字以及各问题信息的评价等级，并且各问题信息携带的关键字以及各问题信息的评价等级与各问题相对应，其中，所述关键字或者问题信息可以作为对应关系的指针，即根据所述关键字或者问题信息可以查找到其他信息。例如，根据关键字可以查找其对应的问题信息以及评价等级。
S40、通过所述神经网络模型确定所述问题信息对应的评价等级。
具体地，所述神经网络模型的输入项为根据关键字正常的数值向量。也就是说，将根据所述问题信息包含的所有关键字生成的数值向量作为所述神经网络模型的输入项，并将所述输入项输入所述神经网络模型，以通过所述神经网络模型得到所述问题信息的评价值，再根据所述评价值确定其对应的评价等级。相应的，如图3所示，所述将所述关键字输入预设的神经网络模型，并通过所述神经网络模型确定所述问题信息对应的评价等级具体包括：通过所述神经网络模型计算所述问题信息对应的评价分值，并根据所述评价分值在预设等级划分表内查找所述问题信息对应的评价等级。其中。所述预设等级划分表可以为预先设置的，通过评价值可以在所述等级评价表中查找到其对应的等级。所述预设等级评价划分表可以为表1所示。
表1预设等级划分表
等级 评分
S 4--5
A 3--4
B 2--3
C 1--2
D 0--1
其中，所述等级对应的严重性自上到下依次降低。
同时在本实施例中，所述神经网络模型为预先通过训练种子进行深度学习以及训练得到。也就是说，在接收用户输入的问题信息之前，还可以一个神经网络模型深度学习过程，通过所述深度学习过程可以得到用于获取问题信息评分的神经网络模型。
基于上述基于神经网络的问题评价方法，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于神经网络的问题评价方法中的步骤。
基于上述基于神经网络的问题评价方法，本申请还提供了一种应用服务器，如图5所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种基于神经网络的问题评价方法，其特征在于，其包括：
将预设的若干训练种子分别输入预设神经网络模型以得到各训练种子的评分值，其中，所述预设神经网络模型包含第一权重系数和第二权重系数；
计算各训练种子的评分值与各训练种子的期望评分值的误差值，并根据所述误差值对所述第一权重系数和第二权重系数进行调整，以得到满足预设条件的神经网络模型；
将接收到的问题信息输入满足预设条件的神经网络模型；
通过所述神经网络模型确定所述问题信息对应的评价等级；
所述计算各训练种子的评分值与各训练种子的期望评分值的误差值，并根据所述误差值对所述第一权重系数和第二权重系数进行调整，以得到满足预设条件的神经网络模型具体包括：
根据所述各训练种子的评分值以及各训练种子的期望评价值计算所述预设神经网络模型的误差值；
根据所述误差值按照预设调整策略对所述第一权重系数和第二权重系数进行调整，以得到第一权重系数和第二权重系数满足预设条件的神经网络模型；
所述根据所述各训练种子的评分值以及各训练种子的期望评价值计算所属预设神经网络模型的误差值具体包括：
计算各训练种子的评价值以及各训练种子的期望评价值的方差；
根据所述方差确定所述预设神经网络模型的误差值；
所述各训练种子的期望评价值是根据所述问题信息包含的所有关键字对应的评价值以及该问题信息出现的概率计算得到。
2.根据权利要求1所述的基于神经网络的问题评价方法，其特征在于，所述将预设的若干训练种子分别输入预设神经网络模型以得到各训练种子的评分值之前还包括：
获取若干第一问题信息，并分别提取各第一问题信息包含的关键字；
根据所述关键字获取各第一问题信息对应的期望评价值，并将所述若干第一问题作为训练种子。
3.根据权利要求1所述基于神经网络的问题评价方法，其特征在于，所述将接收到的问题信息输入满足预设条件的神经网络模型具体包括：
接收用户输入的问题信息，并在预设问题信息库内查找所述问题信息；
若未查找到所述问题信息，则提取所述问题信息携带的关键字，并将所述关键字输入所述满足预设条件的神经网络模型；
若查找到所述问题信息，则读取所述问题信息对应的评价等级。
4.根据权利要求1所述基于神经网络的问题评价方法，其特征在于，所述通过所述神经网络模型确定所述问题信息对应的评价等级具体为：
通过所述神经网络模型计算所述问题信息对应的评价分值，并根据所述评价分值在预设等级划分表内查找所述问题信息对应的评价等级。
5.根据权利要求1-4任一所述的基于神经网络的问题评价方法，其特征在于，所述预设条件为：所述误差值小于所述第一权重系数；或者所述误差值大于第一权重系数、第一权重系数小于等于第一阈值且所述第二权重系数且小于等于第二阈值。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～5任意一项所述的基于神经网络的问题评价方法中的步骤。
7.一种应用服务器，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-5任意一项所述的基于神经网络的问题评价方法中的步骤。
CN201810732041.8A 2018-07-05 2018-07-05 基于神经网络的问题评价方法、存储介质及应用服务器 Active CN110750548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810732041.8A CN110750548B (zh) 2018-07-05 2018-07-05 基于神经网络的问题评价方法、存储介质及应用服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810732041.8A CN110750548B (zh) 2018-07-05 2018-07-05 基于神经网络的问题评价方法、存储介质及应用服务器

Publications (2)

Publication Number Publication Date
CN110750548A CN110750548A (zh) 2020-02-04
CN110750548B true CN110750548B (zh) 2024-04-05

Family

ID=69274690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810732041.8A Active CN110750548B (zh) 2018-07-05 2018-07-05 基于神经网络的问题评价方法、存储介质及应用服务器

Country Status (1)

Country Link
CN (1) CN110750548B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6418413B2 (en) * 1999-02-04 2002-07-09 Ita Software, Inc. Method and apparatus for providing availability of airline seats
US8131786B1 (en) * 2009-11-23 2012-03-06 Google Inc. Training scoring models optimized for highly-ranked results
CN104376409A (zh) * 2014-11-07 2015-02-25 深圳市前海安测信息技术有限公司 一种基于网络医院的分诊数据处理方法及系统
WO2017134554A1 (en) * 2016-02-05 2017-08-10 International Business Machines Corporation Efficient determination of optimized learning settings of neural networks
CN107273974A (zh) * 2017-05-22 2017-10-20 浙江鹏信信息科技股份有限公司 一种安全应急处置评价体系构建方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6418413B2 (en) * 1999-02-04 2002-07-09 Ita Software, Inc. Method and apparatus for providing availability of airline seats
US8131786B1 (en) * 2009-11-23 2012-03-06 Google Inc. Training scoring models optimized for highly-ranked results
CN104376409A (zh) * 2014-11-07 2015-02-25 深圳市前海安测信息技术有限公司 一种基于网络医院的分诊数据处理方法及系统
WO2017134554A1 (en) * 2016-02-05 2017-08-10 International Business Machines Corporation Efficient determination of optimized learning settings of neural networks
CN107273974A (zh) * 2017-05-22 2017-10-20 浙江鹏信信息科技股份有限公司 一种安全应急处置评价体系构建方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王志军 ; 郭忠平 ; 李勇 ; .基于神经网络的安全评价指标重要度判定方法及应用.中国安全科学学报.2005,(12),全文. *

Also Published As

Publication number Publication date
CN110750548A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
TWI444844B (zh) 模擬參數校正技術
CN108681751B (zh) 确定事件影响因素的方法及终端设备
CN110705245A (zh) 一种获取参考处理方案的方法及装置、存储介质
CN114492279A (zh) 一种模拟集成电路的参数优化方法及系统
JP6468364B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
US20240346343A1 (en) Recommendation model training method, article recommendation method and system, and related device
CN112381620A (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN111260056A (zh) 一种网络模型蒸馏方法及装置
CN113204642A (zh) 文本聚类方法、装置、存储介质和电子设备
CN110750548B (zh) 基于神经网络的问题评价方法、存储介质及应用服务器
CN112633321A (zh) 一种人工智能推荐系统及方法
CN110990256A (zh) 开源代码检测方法、装置及计算机可读存储介质
CN110874667A (zh) 评分卡模型优化方法、装置、服务器及存储介质
CN115203556A (zh) 一种评分预测模型训练方法、装置、电子设备及存储介质
CN113505838B (zh) 一种图像聚类方法、装置、电子设备及存储介质
CN109966744B (zh) 一种动态组队匹配的方法和系统
CN112784165A (zh) 关联关系预估模型的训练方法以及预估文件热度的方法
CN113034260A (zh) 一种信用评估方法、模型构建方法、显示方法及相关设备
CN112132260B (zh) 神经网络模型的训练方法、调用方法、设备及存储介质
CN117808124B (zh) 一种基于Llama2的文本简化方法
CN112766380B (zh) 一种基于特征增益矩阵增量学习的图像分类方法及系统
CN112990548B (zh) 位置点确定方法、装置、电子设备和可读存储介质
CN110309127B (zh) 一种数据处理方法、装置及电子设备
CN115423532A (zh) 基于样本扩展的用户分析方法、装置、设备及存储介质
JP7338858B2 (ja) 行動学習装置、行動学習方法、行動決定装置及び行動決定方法

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