CN113705201B - 基于文本的事件概率预测评估算法、电子设备及存储介质 - Google Patents
基于文本的事件概率预测评估算法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113705201B CN113705201B CN202111263887.XA CN202111263887A CN113705201B CN 113705201 B CN113705201 B CN 113705201B CN 202111263887 A CN202111263887 A CN 202111263887A CN 113705201 B CN113705201 B CN 113705201B
- Authority
- CN
- China
- Prior art keywords
- text
- evaluated
- word
- vector
- prediction
- 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
Links
Images
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
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能决策领域,揭露一种基于文本的事件概率评估算法,包括:对待评估文本执行分词操作,得到预测关联词语集;根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,得到位置向量集;从所述待评估文本中提取预测关联数据,与所述位置向量集融合得到融合向量集;利用Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集;将所述特征向量集输入至预训练完成的事件概率评估模型,计算得到所述待评估文本的事件概率值,根据所述事件概率值确定所述事件的概率预测评估结果。本发明还提出一种电子设备以及介质。本发明可以提高事件概率预测评估的准确率。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种基于文本的事件概率评估算法、电子设备及计算机可读存储介质。
背景技术
目前,基于文本识别的方式对事件概率进行评估,已经广泛应用于事件概率预测、股票涨跌预测、舆情检测、信用风险评估以及授信评估等各个方面。 例如,企业的经营风险或者信用风险等级的评估,主要利用识别规则识别企业的关键数字信息,其中关键信息包括企业年营业额、企业人数等,并利用回归方法预测关键数字信息得到评估审核结果,虽然该方法可实现企业的风险评估,但由于识别规则仅识别企业的关键数字信息,容易丢失企业的其他信息,如企业的企业文化、企业近年发展目标等,从而导致风险评估的维度单一、企业评估的特征信息丢失严重,进而造成风险评估准确率较低的现象。
因此,需要构建一种基于文本的多维度进行事件概率预测评估的算法,以解决上述的技术问题。
发明内容
本发明提供一种基于文本的事件概率评估算法、电子设备及计算机可读存储介质,其主要目的在于提高事件概率预测评估的准确率。
为实现上述目的,本发明提供的一种基于文本识别的事件概率预测评估算法,包括:
获取待评估文本,对所述待评估文本执行分词操作,得到预测关联词语集;
根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,对每个预测关联词语执行位置向量转化,得到位置向量集;
从所述待评估文本中提取预测关联数据,将所述预测关联数据信息执行向量转换后,与所述位置向量集融合得到融合向量集;
构建与所述融合向量集对应的Huffman二叉树,利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集;
将所述特征向量集输入至预训练完成的事件概率评估模型,其中,所述事件概率评估模型包括卷积池化层和Softmax函数;
利用所述卷积池化层对所述特征向量集执行卷积池化操作,得到待评估向量集;
将所述待评估向量集输入所述Softmax函数中,计算得到所述待评估文本的事件概率值,根据所述事件概率值确定所述事件的概率预测评估结果。
可选地,所述根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,对每个预测关联词语执行位置向量转化,得到位置向量集,包括:
将所述预测关联词语集中每个预测关联词语根据在所述待评估文本中的文本位置进行组合,得到组合词语集;
根据预设的位置截断数,截断所述组合词语集得到截断词语集;
将所述截断词语集作为预构建的Word2Vec模型的词袋,利用所述Word2Vec模型及所述词袋,对每个所述预测关联词语执行位置向量转化,得到所述位置向量集。
可选地,所述根据预设的位置截断数,截断所述组合词语集得到截断词语集,包括:
从所述组合词语集选择其中一个组合词语;
判断在所述组合词语的左边的总词语个数及右边的总词语个数,是否均大于所述位置截断数;
当所述左边的总词语个数或所述右边的总词语个数,存在小于所述位置截断数时,利用预设的填补符号,执行填补操作,直到所述左边的总词语个数及所述右边的总词语个数均大于所述位置截断数时,分别从所述组合词语的左边及右边截取与所述位置截断数相同数量的词语,得到截断词语,并汇总每个截断词语及选择的所述组合词语,得到所述截断词语集。
可选地,所述利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集,包括:
累加所述融合向量集中每个融合向量,得到累加向量;
利用所述累加向量构建优化函数;
利用所述Huffman二叉树,对所述融合向量集中每个融合向量执行二叉树分类,得到多组二叉树树节点,并利用所述优化函数,计算多组所述二叉树树节点的损失值;
在所述损失值小于所述预设阈值时,从所述二叉树的每个树节点中选择出融合向量并汇总选择的所述融合向量得到所述特征向量集。
可选地,所述利用所述累加向量构建优化函数,包括:
将所述累加向量作为sigmoid分类函数的自变量,得到所述Huffman二叉树的分类函数;
计算所述Huffman二叉树的树节点个数;
利用所述树节点个数和所述分类函数构建得到所述优化函数
可选地,所述利用所述树节点个数和所述分类函数,构建得到所述优化函数,包括:
按照如下公式,构建得到所述优化函数:
其中,表示预测关联词语被所述分类函数分到所述Huffman
二叉树下某树节点的条件概率,表示所述Huffman二叉树下的树节点个数,表示
Huffman二叉树下第个Huffman二叉树的树节点对应的Huffman编码值,表示第
个Huffman二叉树树节点对应的融合向量。
可选地,所述将所述待评估向量集输入所述Softmax函数中,包括:
将所述待评估向量集中每个待评估向量按行拆分,得到多组待评估行向量;
将多组所述待评估行向量首尾相连,得到单维待评估向量;
将所述单维待评估向量输入所述Softmax函数中。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的基于文本的事件概率预测评估算法。
为了解决上述问题,本发明还提供一种可读存储介质,所述可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于文本的事件概率预测评估算法。
本发明实施例对所述待评估文本执行分词操作,得到预测关联词语集;其中,所述待评估文本包括多个不同维度的文本信息;根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,对每个预测关联词语执行位置向量转化,得到位置向量集;从所述待评估文本中提取预测关联数据,将所述预测关联数据信息执行向量转换后,与所述位置向量集融合得到融合向量集;构建与所述融合向量集对应的Huffman二叉树,利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集;将所述特征向量集输入至预训练完成的事件概率评估模型,其中,所述事件概率评估模型包括卷积池化层和Softmax函数;利用所述卷积池化层对所述特征向量集执行卷积池化操作,得到待评估向量集;将所述待评估向量集输入所述Softmax函数中,计算得到所述待评估文本的事件概率值,根据所述事件概率值确定所述事件的概率预测评估结果。因此本发明实施例提出的基于文本的事件概率预测评估算法提高了事件概率预测的准确率。
附图说明
图1为本发明一实施例提供的基于文本的事件概率预测评估算法的流程示意图;
图2为本发明一实施例提供的基于文本的事件概率预测评估算法中得到位置向量集的流程示意图;
图3为本发明一实施例提供的基于文本的事件概率预测评估算法中得到融合向量集的流程示意图;
图4为本发明一实施例提供的基于文本的事件概率预测评估算法中得到特征向量集的流程示意图;
图5为本发明一实施例提供的实现基于文本的事件概率预测评估算法的电子设备的内部结构示意图;
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于文本的事件概率预测评估算法。所述基于文本的事件概率预测评估算法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于文本的事件概率预测评估算法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的基于文本的事件概率预测评估算法的流程示意图,在本发明实施例中,所述基于文本的事件概率预测评估算法包括:
S1、获取待评估文本,对所述待评估文本执行分词操作,得到预测关联词语集。
其中,所述待评估文本包括多个不同维度的文本信息;以企业信用风险或者授信评估为例,来对企业的违约行为概率进行预测;在本发明的一可选地实施例中,所述待评估文本是预先利用企业的财务报表、公司网页信息等汇总得到的文本信息,如企业A的待评估文本为:
“公司自成立有7年之余,目前主要经营范围包括:服装加工、生产及销售。公司正式员工50人,每位职工的平均年薪为90,000,公司年营业额为四百万,年支出为三百五十万,无资产赤字,公司曾被市场监督局警告过经营异常一次,且公司今年受疫情影响,计划裁员5人,同时进一步缩减服装生产规模,并打算向银行借款,计划三年内还清借款”。
进一步地,为了提高概率预测的准确率,本发明实施例对所述待评估文本执行分词操作,并去除其中的标点符号和停用词等。
详细地,所述将所述待评估文本执行分词操作,得到预测关联词语集,包括:
利用预设的分词词典对所述待评估文本进行分词,得到初始文本词语集;
删除所述初始文本词语集中的标点符号及停用词,得到所述预测关联词语集。
其中,所述停用词为无意义的词语,包括:语气助词、副词、介词、连接词等,如“的”、“在”,通过对停用词的清理等,从而得到预测关联词语集。
S2、根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,对每个预测关联词语执行位置向量转化,得到位置向量集;
详细地,参阅图2所示,所述S2包括:
S21、将所述预测关联词语集中每个预测关联词语根据在所述待评估文本中的文本位置进行组合,得到组合词语集;
本发明实施例中,若对预测关联词语集中每个预测关联词语直接进行向量化操作,则会丧失每个预测关联词语在对应的待评估文本的位置信息,容易造成概率预测准确率不高的现象,因此,本发明实施例将所述预测关联词语集中每个预测关联词语根据在所述待评估文本中的文本位置进行组合。
例如,企业B的预测关联词语集包括为“门面店”, “硬件设备”,“贷款”,“100万”等,则将“门面店”, “硬件设备”,“贷款”,“100万”等,按照在待评估文本中出现的先后顺序进行组合,得到组合词语集为[门面店,硬件设备,贷款,100万]等。
S22、根据预设的位置截断数,截断所述组合词语集得到截断词语集;
本发明实施例中,由于组合词语集数量庞大,若考虑每个预测关联词语在整个组合词语集的位置并执行位置向量化,容易造成计算崩塌,导致预测评估失败的现象发生,因此需依据位置截断数,从组合词语集中截取部分组合词语得到截断词语集,利用截断词语集对每个预测关联词语执行位置向量化。
详细地,所述S22包括:
从所述组合词语集选择其中一个组合词语;
判断在所述组合词语的左边的总词语个数及右边的总词语个数,是否均大于所述位置截断数;
当所述左边的总词语个数或所述右边的总词语个数,存在小于所述位置截断数时,利用预设的填补符号执行填补操作,直到所述左边的总词语个数及所述右边的总词语个数均大于所述位置截断数时,分别从所述组合词语的左边及右边截取与所述位置截断数相同数量的词语,得到截断词语,并汇总每个截断词语及选择的所述组合词语,得到所述截断词语集。
如上述组合词语集为[融资,原因,使用,门面店,硬件设备,贷款,100万],若需对“硬件设备”执行位置向量化,且设置的位置截断数若为2,则“硬件设备”对应的截断词语集为[使用,门面店,硬件设备,贷款,100万]。
本发明实施例所述预设的填补符号可以为,如**、##等符号,如上述组合词语集[融资,原因,使用,门面店,硬件设备,贷款,100万],当单个组合词语为“融资”,位置截断数为2时,则“融资”的左边没有可供截断的词语,故利用预设符合填充,填充“融资”左边的词语,得到对应的截断词语集为[**,**,融资,原因,使用]。
S23、将所述截断词语集作为预构建的Word2Vec模型的词袋,利用所述Word2Vec模型及所述词袋,对每个所述预测关联词语执行位置向量转化,得到所述位置向量集。
详细地,本发明实施例使用Word2Vec方法并将所述截断词语集作为Word2Vec的词袋,依次对每个预测关联词语执行位置向量化得到位置向量,并汇总每个位置向量,得到所述位置向量集。
S3、从所述待评估文本中提取预测关联数据,将所述预测关联数据信息执行向量转换后,与所述位置向量集融合得到融合向量集。
进一步的,所述待评估文本中还有一些数字数据可以是对事件概率的预测有价值的;因此,本发明中还从所述待评估文本中提取预测关联数据。例如,对于企业年报作为一个待评估文本来说,企业年报是企业一年一度的数据总结,一般以报表形式体现出来,如负债率、流动资产、年支出、研发投入比等,年报所展现的数据较为清晰且准确,因此本发明实施例执行概率预测评估时,可融入企业年报数据,提高评估准确率。
由于企业年报包括如负债率、流动资产、年支出、研发投入等直观准确的数据,因此本发明实施例在执行企业授信的事件概率预测评估前,可融入企业年报,以提高准确率。
详细地,参阅图3所示,所述S3包括:
S30、根据预构建的关键字表,从所述待评估文本中提取预测关联数据;
S31、将所述预测关联执行向量化操作,得到数据向量集;
S32、将所述数据向量集与所述位置向量集,按照维度交叉的方法融合得到所述融合向量集。
S4、构建与所述融合向量集对应的Huffman二叉树,利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集。
由上述可知,位置向量集中每个位置向量的向量信息,均对应一个预测关联词语及预测关联词语位置截断数内的词语,因此可从所述位置向量集中提取有价值的信息,得到可代表所述待评估文本的特征向量集。
其中,本发明实施例利用Huffman二叉树从所述位置向量集中提取特征向量,所述Huffman二叉树是一种通过位置向量集构建树节点,并利用每个树节点对位置向量集执行分类的过程中,优化Huffman二叉树对应的损失值,使其损失值达到最小值的一种分类模型。
详细地,参阅图4所示,所述利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集,包括:
S41、累加所述融合向量集中每个融合向量,得到累加向量;
S42、利用所述累加向量构建优化函数;
S43、利用所述Huffman二叉树,对所述融合向量集中每个融合向量执行二叉树分类,得到多组二叉树树节点,并利用所述优化函数,计算多组所述二叉树树节点的损失值;
S44、判断所述损失值是否小于预设的阈值。
S45、当所述损失值不小于所述预设的阈值时,重新构建所述Huffman二叉树,并返回上述的S43;
S46、在所述损失值小于所述预设阈值时,从所述二叉树的每个树节点中选择出融合向量并汇总选择的所述融合向量得到所述特征向量集。
进一步地,本发明实施例采用如下公式,累加所述融合向量集中每个融合向量:
进一步地,本发明实施例通过下述构建所述优化函数:将所述累加向量作为sigmoid分类函数的自变量,得到所述Huffman二叉树的分类函数;
计算所述Huffman二叉树的树节点个数;
利用所述树节点个数和所述分类函数构建得到所述优化函数。
其中,所述分类函数为:
其中,所述优化函数为:
其中,表示预测关联词语被所述分类函数分到所述Huffman
二叉树下某树节点的条件概率,表示所述Huffman二叉树下的树节点个数,表示
Huffman二叉树下第个Huffman二叉树的树节点对应的Huffman编码值,表示第个Huffman二叉树树节点对应的融合向量。
进一步地,由于分类函数中具有累加向量的转置,优化函数中具有累加向量,
因此分类函数与优化函数在累加位置向量具有关联点,当Huffman二叉树依照分类函数对
融合向量集执行分类时,同时优化函数利用累加向量优化Huffman二叉树分类时所产生的
损失值,从而完成对融合向量集的特征提取,得到所述特征向量集。
S5、将所述特征向量集输入至预训练完成的事件概率评估模型,其中,所述事件概率评估模型包括卷积池化层和Softmax函数;
可选地,本发明实施例中所述事件概率评估模型可由卷积神经网络构建得到,其中所述事件概率评估模型包括卷积池化层和Softmax函数。
另外需强调的是,由于不同特征向量集的向量维度不尽相同,而事件概率评估模型对于输入向量的维度严格统一,因此所述将所述特征向量集输入至预训练完成的事件概率评估模型,包括:
判断所述特征向量集的向量维度是否与所述事件概率评估模型的输入维度相同;
若所述特征向量集的向量维度大于所述事件概率评估模型的输入维度,随机去除所述特征向量集中多出的向量维度;
若所述特征向量集的向量维度小于所述事件概率评估模型的输入维度,利用预构建的填补向量,填补所述特征向量集的向量维度;
若所述特征向量集的向量维度与所述事件概率评估模型的输入维度相同,将所述特征向量集输入至所述事件概率评估模型。
本发明实施例中,所述事件概率评估模型的输入维度一般设置为128,若所述特征向量集的向量维度大于128,可使用随机剔除或剔除尾部向量的向量维度的方法,若所述特征向量集的向量维度小于128,本发明实施例利用补零操作方法,将特征向量集的向量维度补充至128,从而达到事件概率评估模型的输入要求。
S6、利用所述卷积池化层对所述特征向量集执行卷积池化操作,得到待评估向量集;
详细地,所述卷积池化操包括卷积操作及最大池化操作。
进一步地,本发明实施例中预设6至10次的卷积池化操作,从而可将所述特征向量集转为维度更低的待评估向量集。
S7、将所述待评估向量集输入所述Softmax函数中,计算得到所述待评估文本的事件概率值,根据所述事件概率值确定所述事件的概率预测评估结果。
本发明实施例中,为了符合Softmax函数对输入参数必须是单维度的要求,需对所述待评估向量集执行单维度转化。
因此,所述将所述待评估向量集输入所述Softmax函数中,包括:
将所述待评估向量集中每个待评估向量按行拆分,得到多组待评估行向量;
将多组所述待评估行向量首尾相连,得到单维待评估向量;
将所述单维待评估向量输入所述Softmax函数中。
详细地,将所述单维待评估向量输入所述Softmax函数进行计算,可得到所述事件概率值,如根据上述企业A的待评估文本计算得到的事件概率值为0.78,根据上述企业B的待评估文本计算得到的事件概率值为0.21,设置的风险阈值为0.62,则可得到企业A风险预测为1(代表合格或者风险小),企业B风险预测为0(不合格或者风险大)。
如图5所示,是本发明实现基于文本的事件概率预测评估算法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如企业授信评估程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如事件概率预测评估程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如事件概率预测评估程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的事件概率预测评估程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取待评估文本,对所述待评估文本执行分词操作,得到预测关联词语集;
根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,对每个预测关联词语执行位置向量转化,得到位置向量集;
从所述待评估文本中提取预测关联数据,将所述预测关联数据信息执行向量转换后,与所述位置向量集融合得到融合向量集;
构建与所述融合向量集对应的Huffman二叉树,利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集;
将所述特征向量集输入至预训练完成的事件概率评估模型,其中,所述事件概率评估模型包括卷积池化层和Softmax函数;
利用所述卷积池化层对所述特征向量集执行卷积池化操作,得到待评估向量集;
将所述待评估向量集输入所述Softmax函数中,计算得到所述待评估文本的事件概率值,根据所述事件概率值确定所述事件的概率预测评估结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以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。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待评估文本,对所述待评估文本执行分词操作,得到预测关联词语集;
根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,对每个预测关联词语执行位置向量转化,得到位置向量集;
从所述待评估文本中提取预测关联数据,将所述预测关联数据信息执行向量转换后,与所述位置向量集融合得到融合向量集;
构建与所述融合向量集对应的Huffman二叉树,利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集;
将所述特征向量集输入至预训练完成的事件概率评估模型,其中,所述事件概率评估模型包括卷积池化层和Softmax函数;
利用所述卷积池化层对所述特征向量集执行卷积池化操作,得到待评估向量集;
将所述待评估向量集输入所述Softmax函数中,计算得到所述待评估文本的事件概率值,根据所述事件概率值确定所述事件的概率预测评估结果。
进一步地,所述计算机可用存储介质可主要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等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于文本的事件概率预测评估算法,其特征在于,包括:
获取待评估文本,对所述待评估文本执行分词操作,得到预测关联词语集;
根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,对每个预测关联词语执行位置向量转化,得到位置向量集;
从所述待评估文本中提取预测关联数据,将所述预测关联数据信息执行向量转换后,与所述位置向量集融合得到融合向量集;
构建与所述融合向量集对应的Huffman二叉树,利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集;
将所述特征向量集输入至预训练完成的事件概率评估模型,其中,所述事件概率评估模型包括卷积池化层和Softmax函数;
利用所述卷积池化层对所述特征向量集执行卷积池化操作,得到待评估向量集;
将所述待评估向量集输入所述Softmax函数中,计算得到所述待评估文本的事件概率值,根据所述事件概率值确定所述事件的概率预测评估结果。
2.如权利要求1所述的基于文本的事件概率预测评估算法,其特征在于,所述根据所述预测关联词语集中每个预测关联词语在所述待评估文本的位置,对每个预测关联词语执行位置向量转化,得到位置向量集,包括:
将所述预测关联词语集中每个预测关联词语根据在所述待评估文本中的文本位置进行组合,得到组合词语集;
根据预设的位置截断数,截断所述组合词语集得到截断词语集;
将所述截断词语集作为预构建的Word2Vec模型的词袋,利用所述Word2Vec模型及所述词袋,对每个所述预测关联词语执行位置向量转化,得到所述位置向量集。
3.如权利要求2所述的基于文本的事件概率预测评估算法,其特征在于,所述根据预设的位置截断数,截断所述组合词语集得到截断词语集,包括:
从所述组合词语集选择其中一个组合词语;
判断在所述组合词语的左边的总词语个数及右边的总词语个数,是否均大于所述位置截断数;
当所述左边的总词语个数或所述右边的总词语个数,存在小于所述位置截断数时,利用预设的填补符号,执行填补操作,直到所述左边的总词语个数及所述右边的总词语个数均大于所述位置截断数时,分别从所述组合词语的左边及右边截取与所述位置截断数相同数量的词语,得到截断词语;
汇总每个截断词语及选择的所述组合词语,得到所述截断词语集。
4.如权利要求2所述的基于文本的事件概率预测评估算法,其特征在于,所述利用所述Huffman二叉树提取所述融合向量集的特征向量,得到特征向量集,包括:
累加所述融合向量集中每个融合向量,得到累加向量;
利用所述累加向量构建优化函数;
利用所述Huffman二叉树,对所述融合向量集中每个融合向量执行二叉树分类,得到多组二叉树树节点,并利用所述优化函数,计算多组所述二叉树树节点的损失值;
在所述损失值不小于预设阈值时,重新构建所述Huffman二叉树,并返回所述利用所述Huffman二叉树,对所述融合向量集中每个融合向量执行二叉树分类步骤;
在所述损失值小于所述预设阈值时,从所述二叉树的每个树节点中选择出融合向量并汇总选择的所述融合向量得到所述特征向量集;
其中,采用如下公式,累加所述融合向量集中每个融合向量:
5.如权利要求4所述的基于文本的事件概率预测评估算法,其特征在于,所述利用所述累加向量构建优化函数,包括:
将所述累加向量作为sigmoid分类函数的自变量,得到所述Huffman二叉树的分类函数;
计算所述Huffman二叉树的树节点个数;
利用所述树节点个数和所述分类函数构建得到所述优化函数。
7.如权利要求1-6中任意一项所述的基于文本的事件概率预测评估算法,其特征在于,所述将所述待评估向量集输入所述Softmax函数中,包括:
将所述待评估向量集中每个待评估向量按行拆分,得到多组待评估行向量;
将多组所述待评估行向量首尾相连,得到单维待评估向量;
将所述单维待评估向量输入所述Softmax函数中。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于文本的事件概率预测评估算法。
9.一种可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于文本的事件概率预测评估算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111263887.XA CN113705201B (zh) | 2021-10-28 | 2021-10-28 | 基于文本的事件概率预测评估算法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111263887.XA CN113705201B (zh) | 2021-10-28 | 2021-10-28 | 基于文本的事件概率预测评估算法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705201A CN113705201A (zh) | 2021-11-26 |
CN113705201B true CN113705201B (zh) | 2022-01-11 |
Family
ID=78647338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111263887.XA Active CN113705201B (zh) | 2021-10-28 | 2021-10-28 | 基于文本的事件概率预测评估算法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705201B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708073B (zh) * | 2022-03-29 | 2023-03-24 | 湖南华菱电子商务有限公司 | 一种围标串标智能检测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427616A (zh) * | 2019-07-19 | 2019-11-08 | 山东科技大学 | 一种基于深度学习的文本情感分析方法 |
CN112131886A (zh) * | 2020-08-05 | 2020-12-25 | 浙江工业大学 | 一种文本的方面级别情感分析方法 |
CN113065577A (zh) * | 2021-03-09 | 2021-07-02 | 北京工业大学 | 一种面向目标的多模态情感分类方法 |
CN113407670A (zh) * | 2021-06-21 | 2021-09-17 | 福州大学 | 一种基于TextCNN的学生线上学习行为检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140236578A1 (en) * | 2013-02-15 | 2014-08-21 | Nec Laboratories America, Inc. | Question-Answering by Recursive Parse Tree Descent |
EP3474201A1 (en) * | 2017-10-17 | 2019-04-24 | Tata Consultancy Services Limited | System and method for quality evaluation of collaborative text inputs |
-
2021
- 2021-10-28 CN CN202111263887.XA patent/CN113705201B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427616A (zh) * | 2019-07-19 | 2019-11-08 | 山东科技大学 | 一种基于深度学习的文本情感分析方法 |
CN112131886A (zh) * | 2020-08-05 | 2020-12-25 | 浙江工业大学 | 一种文本的方面级别情感分析方法 |
CN113065577A (zh) * | 2021-03-09 | 2021-07-02 | 北京工业大学 | 一种面向目标的多模态情感分类方法 |
CN113407670A (zh) * | 2021-06-21 | 2021-09-17 | 福州大学 | 一种基于TextCNN的学生线上学习行为检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113705201A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494A (zh) | 风险预测方法、装置、设备及存储介质 | |
CN113449187B (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN111652278B (zh) | 用户行为检测方法、装置、电子设备及介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112328657A (zh) | 特征衍生方法、装置、计算机设备及介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN112560465A (zh) | 批量异常事件的监控方法、装置、电子设备及存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN113505273A (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN111950623A (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
CN113626605B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN116485512A (zh) | 基于强化学习的银行数据分析方法及系统 | |
CN115186188A (zh) | 基于行为分析的产品推荐方法、装置、设备及存储介质 |
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 |