CN113792150B - 一种人机协同的智能需求识别方法和系统 - Google Patents
一种人机协同的智能需求识别方法和系统 Download PDFInfo
- Publication number
- CN113792150B CN113792150B CN202111344985.6A CN202111344985A CN113792150B CN 113792150 B CN113792150 B CN 113792150B CN 202111344985 A CN202111344985 A CN 202111344985A CN 113792150 B CN113792150 B CN 113792150B
- Authority
- CN
- China
- Prior art keywords
- contribution
- original data
- item
- data
- module
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人机协同的智能需求识别系统,包括,识别处理模块、深度对比模块、数据库、贡献计算模块、分类选取模块、结果展示模块。本发明通过所述识别处理模块对原数据进行转化分类,并提取关键信息最为基础数据,通过设置所述深度对比模块对基础数据进行深度分析,并在深度对比模块内的所述数据库中做对比匹配,通过贡献计算模块对原数据与匹配数据进行贡献值计算,确定对原数据的学习,并通过设置所述分类选取模块对匹配的数据进行精准的范围缩小与分类,在通过所述结果展示模块对最终选定的各项数据进行展示,并对原数据进行评价,能够更直观的表现与原数据的价值情况,实现了对原数据精准的智能需求识别。
Description
技术领域
本发明涉及智能识别技术领域,尤其涉及一种人机协同的智能需求识别方法和系统。
背景技术
20世纪50至60年代,以专家系统为代表的路线,以专家的知识为基础,缺乏自我学习能力,专家知识注入较为受限;20世纪80年代,统计机器学习的路线,对自然语言中的知识逻辑还不能很好的建模;21世纪,发展到机器深度学习,能够很好地识别图片、语音、语言中的浅层知识模式,且需要专家协同,对领域知识的表示框架进行注入。
目前人工智能技术多应用于人脸识别、语音识别等智能识别领域,很少应用于技术检索运用方面,国内大多数线上技术检索平台只能智能检索,无法实现高标准智能匹配,国内缺乏能够辅助科研过程、帮助科研人员产生新的知识点和创意的辅助工具。
发明内容
为此,本发明提供一种人机协同的智能需求识别方法和系统,用以克服现有技术中检索结果精准度低与结果展示不直观的问题。
为实现上述目的,本发明提供一种人机协同的智能需求识别系统,包括,
识别处理模块,用以对待处理的原数据进行分类,并进行信息提取,形成基础数据;所述识别处理模块将原数据转化成文本模态或图像模态,识别处理模块根据文本模态与图像模态的占比对原数据进行分类;
深度对比模块,其内部设置有数据库,所述深度对比模块对所述基础数据进行深度分析,深度对比模块根据基础数据的关键词信息、相关词信息与图像识别信息在所述数据库中对比出匹配的数据项作为匹配项集合;
贡献计算模块,其与所述深度对比模块相连,用以计算所述匹配项集合内各匹配项与原数据的贡献值;所述贡献计算模块根据选择学习贡献值与原数据的贡献值的对比将原数据投放至所述数据库中;所述贡献计算模块能通过匹配项集合内各匹配项与原数据的贡献值对选择学习贡献值进行调整,所述贡献计算模块根据符合项集合的项数对选择学习贡献值进行调整,所述贡献计算模块根据选择学习贡献值与各匹配项的贡献值选出符合项集合;
分类选取模块,其与所述贡献计算模块相连,用以将原数据与符合项集合进行对比,选取出近似项集合;所述分类选取模块根据符合项集合内各符合项的贡献值选取出高贡献项集合;所述分类选择模块通过符合项集合项数,调整近似项集合的项数与高贡献项集合的项数;
结果展示模块,其与所述分类选取模块、所述深度对比模块分别相连,用以展示相近项集合与高贡献项集合;所述结果展示模块能够对原数据项进行评价,结果展示模块将近似项集合内的项与高贡献值集合内的项做对比展示;所述近似项集合为符合项集合中与原数据贡献值相近的项的集合;所述高贡献值集合为符合项集合中贡献值比原数据贡献值高的项的集合。
进一步地,所述识别处理模块内设有文本类别与图像类别,识别处理模块将原数据内的信息模态转化为文本模态Z或图像模态P,
当原数据能够全部转化为文本模态Z时,所述识别处理模块将原数据分为文本类别;
当原数据能够全部转化为图像模态P时,所述识别处理模块将原数据分为图像类别;
当原数据转化同时存在文本模态Z与图像模态P时,所述识别处理模块将计算原数据中文本模态Z与图像模态P的占比,以对原数据进行分类。
进一步地,所述识别处理模块中设有分类参数R,(0<R<1)当原数据转化同时存在文本模态Z与图像模态P时,所述识别处理模块计算原数据中文本模态Z与图像模态P的占比,并进行对比,
当Z/(Z+P)≥R×P/(Z+P)时,所述识别处理模块将原数据分为文本类别,并将原数据以文本模态Z输出;
当Z/(Z+P)<R×P/(Z+P)时,所述识别处理模块将原数据分为图像类别,并将原数据以图像模态P输出。
进一步地,所述识别处理模块内设有文本类别的关键词提取与相关词生成, 识别处理模块内还设有图像类别的识别提取,
当所述识别处理模块将原数据分为文本类别时,识别处理模块将对原数据进行关键词提取与相关词生成,并作为基础数据;
当所述识别处理模块将原数据分为图像类别时,识别处理模块将对原数据进行识别提取,并作为基础数据。
进一步地,所述深度对比模块对所述数据库中的数据项进行深度学习,深度对比模块根据基础数据中的关键词信息Aj、相关词信息Gx与图像识别信息Vt在所述数据库中选取匹配项集合,
当原数据为文本类别时,所述深度对比模块将所述数据库中数据项的关键词信息Aj1、相关词信息Gx1与基础数据中的关键词信息Aj、相关词信息Gx进行分别对比,
当Aj=Aj1并且Gx=Gx1时,所述深度对比模块判定该数据项为匹配项;
当Aj=Aj1或Gx=Gx1时,所述深度对比模块将根据基础数据中的关键词信息Aj、相关词信息Gx与数据项的关键词信息Aj1、相关词信息Gx1的占比进行计算,以判定该数据项是否为匹配项;
当Aj≠Aj1并且Gx≠Gx1时,所述深度对比模块判定该数据项不能作为匹配项;
当原数据为图像类别时,所述深度对比模块在所述数据库中选取图像识别信息为Vt的数据项作为匹配项集合输出。
进一步地,所述深度对比模块内设有关键词信息标准占比Yb,
当 Aj=Aj1,Gx≠Gx1时,所述深度对比模块判定数据项与基础数据的关键词信息相同,深度对比模块将该数据项判定为匹配项;
当Gx=Gx1,Aj≠Aj1时,所述深度对比模块计算Aj在基础数据中的占比Y1与Aj1在数据项中的占比Y2,深度对比模块将关键词信息标准占比Yb与Y1、Y2进行对比,
当Y1≤Yb并且Y2≤Yb时,所述深度对比模块判定该数据项为匹配项;
当Yb<Y1或Yb<Y2时,所述深度对比模块判定该数据项不能作为匹配项。
进一步地,所述贡献计算模块内设置有神经网络结构,贡献计算模块计算所述原数据项的贡献值Q,贡献计算模块内设有选择学习贡献值QB,贡献计算模块将原数据项的贡献值Q与选择学习贡献值QB进行对比,
当Q≥QB时,所述贡献计算模块判定所述原数据到达选择学习贡献标准,贡献计算模块将所述原数据进行复制形成原数据副本,并将原数据副本输入至所述数据库中,由所述深度对比模块进行深度学习;
当Q<QB时,所述贡献计算模块判定所述原数据未到达选择学习贡献标准,贡献计算模块将根据原数据项的贡献值Q与匹配项集合内各项的贡献值选择学习所述原数据项。
进一步地,所述贡献计算模块计算匹配项集合内各数据项的贡献值,并确定贡献最高值Qz、贡献最低值Qa、贡献平均值Qp,当所述贡献计算模块判定所述原数据未到达选择学习贡献标准时,贡献计算模块将贡献平均值Qp与选择学习贡献值QB进行对比,
当Qp≥QB时,所述贡献计算模块判定选择学习贡献值低于匹配项集合贡献平均值,所述深度对比模块不对原数据进行学习;
当Qp<QB时,所述贡献计算模块判定选择学习贡献值高于匹配项集合贡献平均值,贡献计算模块将选择学习贡献值QB调整为QB’,QB’=QB×[(Qp-Qa)/Qp]×[(Qz-Qp)/Qp]+QB,所述贡献计算模块重复上述原数据项的贡献值Q与选择学习贡献值QB进行判定的操作,将原数据项的贡献值Q与调整后的选择学习贡献值QB’进行对比,以判定是否对原数据项进行学习。
进一步地,所述贡献计算模块中设有最大符合项项数Dx与最小符合项项数Dn,贡献计算模块通过选择学习贡献值QB’在匹配项集合中选取符合项集合,贡献计算模块对比计算匹配项集合中高于选择学习贡献值QB’的项数Ds,贡献计算模块将Ds与最大符合项项数Dx、最小符合项项数Dn进行对比,
当Dn≤Ds≤Dx时,所述贡献计算模块判定选择学习贡献值QB’的设定达标,贡献计算模块将匹配项集合中高于选择学习贡献值QB’的项确定为符合项集合。
当Ds<Dn时,所述贡献计算模块判定选择学习贡献值QB’的设定过高,贡献计算模块将选择学习贡献值QB’调整为QB’’,QB’’=QB’×[1-(Dn-Ds)/Dn],贡献计算模块根据选择学习贡献值QB’’在匹配项集合中选取符合项集合,并重复上述将高于选择学习贡献值的项数与最大符合项项数、最小符合项项数对比调节选择学习贡献值的操作,直至Dn≤Ds’≤Dx时,停止调节,所述贡献计算模块将匹配项集合中高于选择学习贡献值的项作为符合项集合,并输出;
当Ds>Dx时,所述贡献计算模块判定选择学习贡献值QB’的设定过低,贡献计算模块将选择学习贡献值QB’调整为QB’’,QB’’=QB’×[1+(Ds-Dx)/Dx],贡献计算模块根据选择学习贡献值QB’’在匹配项集合中选取符合项集合,并重复上述将高于选择学习贡献值的项数与最大符合项项数、最小符合项项数对比调节选择学习贡献值的操作,直至Dn≤Ds’≤Dx时,停止调节,所述贡献计算模块将匹配项集合中高于选择学习贡献值的项作为符合项集合,并输出。
一种应用上述人机协同的智能需求识别系统的人机协同的智能需求识别方法,包括,
步骤S1,将待识别的数据输入,并进行分类识别,形成基础数据;
步骤S2,对基础数据进行深度分析,找出匹配项集合;
步骤S3,对匹配项集合进行逐项贡献值计算,并筛分出符合项集合;
步骤S4,对符合项集合进行分类处理,形成相近项与高贡献项;
步骤S5,展示相近项与高贡献项,并对基础数据进行评价。
与现有技术相比,本发明的有益效果在于,通过设置识别处理模块对原数据进行转化,并根据转化的结果对原数据进行分类,可以将复杂的原数据进行智能转化成为简单模态,减小系统的运算量,提高检索的效率,同时通过设置深度对比模块并在其内部设置数据库,可以将原数据转化成的基础数据进行快速对比,同时又不影响对比的精度,通过设置贡献计算模块对选择的各项数据进行进一步的计算,通过计算结果进一步的缩小关键范围,并选择性的将原数据投入到数据库中由深度对比模块进行学习与训练,增强了深度对比模块的深度分析能力,通过设置结果展示模块将匹配出的结果进行展示,并对原数据项进行评价,能够更直观地展示原数据检索后的智能需求识别,同时又能够保障展示结果的精准度。
进一步地,通过设置所述识别处理模块对原数据进行转化为文本模态与图像模态,可以简化原数据的数据量,通过原数据的转化状态进行分类,可以更好的匹配出原数据对应的内容,既提高了系统的运算速度,又不影响匹配的精度,大大地提高了工作效率。
尤其,通过设置分类参数计算文本模态与图像模态的占比,根据文本模态与图像模态的占比确定分类,以文本模态占比为主,当图像模态占比较大但不大过一定的程度时,还是选择将文本模态作为主要方向,并将其分入文本类别之中,能够进一步的提高匹配精度。
尤其,通过对文本的关键词提取,可以快速的反应原数据的重点,通过相关词的生成,能够扩大相关检索的范围,同时通过对图像进行识别提取,可以更精准的匹配检索内容。
进一步地,通过设置深度对比模块对基础数据进行在数据库中匹配,并进行生成匹配项集合的输出,深度对比模块对数据库中的数据项进行深度学习与训练,并对数据库中的数据项进行多模态深度语义理解,在数据库中进行大范围不漏项的数据匹配,保障了匹配项集合数据的完整性。
进一步地,当基础数据为文本类别时,并且基础数据的关键词信息、相关词信息不能完全匹配数据库中的数据项相关信息时,所述深度对比模块通过计算关键词信息、相关词信息在基础数据中的比例,确定该数据项是否为匹配项,进一步的进行了大范围不漏项的数据匹配,保障了匹配项集合数据的完整性。
进一步地,通过计算配合项集合的贡献值,并通过设置选择学习贡献值确定原数据是否可以被投放到数据库中,既保证了数据库内数据的质量,用能够在贡献计算模块判定原数据到达选择学习贡献标准时,使深度对比模块对其学习,有增加了数据库中的文本多样性,提高了系统的检测能力以及检索精度。
进一步地,当所述贡献计算模块判定所述原数据未到达选择学习贡献标准时,贡献计算模块通过确定匹配项集合内各数据项的贡献值的情况,根据贡献最高值、贡献最低值与贡献平均值对选择学习贡献值进行调整,并重新对原数据项进行选择学习判定,保障了在发展低的领域的重要数据不被遗漏,对其进行充分学习,同时提高了所述深度对比模块的学习能力,提高了所述智能需求识别系统的精准度。
进一步地,所述贡献计算模块利用选择学习贡献值作为符合项选择的标准,可以更突出原数据项的特征,同时根据最大符合项项数与最小符合项项数,确的选择学习贡献值的设定情况,当选出的符合项过少时,表示选择学习贡献值设定的较高,不能很好的体现原数据项领域的大体情况,将选择学习贡献值根据符合的项数进行调整,同样的,当选出的符合项过多时,表示选择学习贡献值设定的较低,不能够体现高质量内容,将选择学习贡献值根据符合的项数进行调整,既能保障检索结果的质量,又能够体现原数据领域的大体情况,保障了所述智能需求识别系统的正常运行。
尤其,通过进行关键信息的提取形成基础数据,通过将基础数据进行深度分析并匹配的方法,保障了匹配的结果的完整性,同时通过贡献值计算形成符合项集合,并对符合项集合进行分类处理,大程度地缩小检索范围,提高检索精度,又通过对相近项与高贡献项的展示,对原数据进行评价,能够更直观的表现与原数据的价值情况,实现了对原数据精准的智能需求识别。
附图说明
图1为本发明所述人机协同的智能需求识别系统的结构示意图;
图2为本发明所述人机协同的智能需求识别方法的流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本发明所述人机协同的智能需求识别系统的结构示意图,本发明公布一种人机协同的智能需求识别系统,包括,识别处理模块、深度对比模块、数据库、贡献计算模块、分类选取模块、结果展示模块,其中,
识别处理模块,用以对待处理的原数据进行分类,并进行信息提取,形成基础数据;所述识别处理模块将原数据转化成文本模态或图像模态,识别处理模块根据文本模态与图像模态的占比对原数据进行分类;
深度对比模块,其内部设置有数据库,所述深度对比模块对所述基础数据进行深度分析,深度对比模块根据基础数据的关键词信息、相关词信息与图像识别信息在所述数据库中对比出匹配的数据项作为匹配项集合;
贡献计算模块,其与所述深度对比模块相连,用以计算所述匹配项集合内各匹配项与原数据的贡献值;所述贡献计算模块根据选择学习贡献值与原数据的贡献值的对比将原数据投放至所述数据库中;所述贡献计算模块能通过匹配项集合内各匹配项与原数据的贡献值对选择学习贡献值进行调整,所述贡献计算模块根据符合项集合的项数对选择学习贡献值进行调整,所述贡献计算模块根据选择学习贡献值与各匹配项的贡献值选出符合项集合;
分类选取模块,其与所述贡献计算模块相连,用以将原数据与符合项集合进行对比,选取出近似项集合;所述分类选取模块根据符合项集合内各符合项的贡献值选取出高贡献项集合;所述分类选择模块通过符合项集合项数,调整近似项集合的项数与高贡献项集合的项数;
结果展示模块,其与所述分类选取模块、所述深度对比模块分别相连,用以展示相近项集合与高贡献项集合;所述结果展示模块能够对原数据项进行评价,结果展示模块将近似项集合内的项与高贡献值集合内的项做对比展示;所述近似项集合为符合项集合中与原数据贡献值相近的项的集合;所述高贡献值集合为符合项集合中贡献值比原数据贡献值高的项的集合。
通过设置识别处理模块对原数据进行转化,并根据转化的结果对原数据进行分类,可以将复杂的原数据进行智能转化成为简单模态,减小系统的运算量,提高检索的效率,同时通过设置深度对比模块并在其内部设置数据库,可以将原数据转化成的基础数据进行快速对比,同时又不影响对比的精度,通过设置贡献计算模块对选择的各项数据进行进一步的计算,通过计算结果进一步的缩小关键范围,并选择性的将原数据投入到数据库中由深度对比模块进行学习与训练,增强了深度对比模块的深度分析能力,通过设置结果展示模块将匹配出的结果进行展示,并对原数据项进行评价,能够更直观地展示原数据检索后的智能需求识别,同时又能够保障展示结果的精准度。
具体而言,所述识别处理模块内设有文本类别与图像类别,识别处理模块将原数据内的信息模态转化为文本模态Z或图像模态P,
当原数据能够全部转化为文本模态Z时,所述识别处理模块将原数据分为文本类别;
当原数据能够全部转化为图像模态P时,所述识别处理模块将原数据分为图像类别;
当原数据转化同时存在文本模态Z与图像模态P时,所述识别处理模块将计算原数据中文本模态Z与图像模态P的占比,以对原数据进行分类。
通过设置所述识别处理模块对原数据进行转化为文本模态与图像模态,可以简化原数据的数据量,通过原数据的转化状态进行分类,可以更好的匹配出原数据对应的内容,既提高了系统的运算速度,又不影响匹配的精度,大大地提高了工作效率。
具体而言,所述识别处理模块中设有分类参数R,(0<R<1)当原数据转化同时存在文本模态Z与图像模态P时,所述识别处理模块计算原数据中文本模态Z与图像模态P的占比,并进行对比,
当Z/(Z+P)≥R×P/(Z+P)时,所述识别处理模块将原数据分为文本类别,并将原数据以文本模态Z输出;
当Z/(Z+P)<R×P/(Z+P)时,所述识别处理模块将原数据分为图像类别,并将原数据以图像模态P输出。
通过设置分类参数计算文本模态与图像模态的占比,根据文本模态与图像模态的占比确定分类,以文本模态占比为主,当图像模态占比较大但不大过一定的程度时,还是选择将文本模态作为主要方向,并将其分入文本类别之中,能够进一步的提高匹配精度。
具体而言,所述识别处理模块内设有文本类别的关键词提取与相关词生成, 识别处理模块内还设有图像类别的识别提取,
当所述识别处理模块将原数据分为文本类别时,识别处理模块将对原数据进行关键词提取与相关词生成,并作为基础数据;
当所述识别处理模块将原数据分为图像类别时,识别处理模块将对原数据进行识别提取,并作为基础数据。
通过对文本的关键词提取,可以快速的反应原数据的重点,通过相关词的生成,能够扩大相关检索的范围,同时通过对图像进行识别提取,可以更精准的匹配检索内容。
具体而言,所述深度对比模块对所述数据库中的数据项进行深度学习,深度对比模块根据基础数据中的关键词信息Aj、相关词信息Gx与图像识别信息Vt在所述数据库中选取匹配项集合,
当原数据为文本类别时,所述深度对比模块将所述数据库中数据项的关键词信息Aj1、相关词信息Gx1与基础数据中的关键词信息Aj、相关词信息Gx进行分别对比,
当Aj=Aj1并且Gx=Gx1时,所述深度对比模块判定该数据项为匹配项;
当Aj=Aj1或Gx=Gx1时,所述深度对比模块将根据基础数据中的关键词信息Aj、相关词信息Gx与数据项的关键词信息Aj1、相关词信息Gx1的占比进行计算,以判定该数据项是否为匹配项;
当Aj≠Aj1并且Gx≠Gx1时,所述深度对比模块判定该数据项不能作为匹配项;
当原数据为图像类别时,所述深度对比模块在所述数据库中选取图像识别信息为Vt的数据项作为匹配项集合输出。
通过设置深度对比模块对基础数据进行在数据库中匹配,并进行生成匹配项集合的输出,深度对比模块对数据库中的数据项进行深度学习与训练,并对数据库中的数据项进行多模态深度语义理解,在数据库中进行大范围不漏项的数据匹配,并通过对比基础数据中的关键词信息、相关词信息与图像识别信息保障了匹配项集合数据的完整性。
具体而言,所述深度对比模块内设有关键词信息标准占比Yb,
当 Aj=Aj1,Gx≠Gx1时,所述深度对比模块判定数据项与基础数据的关键词信息相同,深度对比模块将该数据项判定为匹配项;
当Gx=Gx1,Aj≠Aj1时,所述深度对比模块计算Aj在基础数据中的占比Y1与Aj1在数据项中的占比Y2,深度对比模块将关键词信息标准占比Yb与Y1、Y2进行对比,
当Y1≤Yb并且Y2≤Yb时,所述深度对比模块判定该数据项为匹配项;
当Yb<Y1或Yb<Y2时,所述深度对比模块判定该数据项不能作为匹配项。
当基础数据为文本类别时,并且基础数据的关键词信息、相关词信息不能完全匹配数据库中的数据项相关信息时,所述深度对比模块通过计算关键词信息、相关词信息在基础数据中的比例,确定该数据项是否为匹配项,进一步的进行了大范围不漏项的数据匹配,保障了匹配项集合数据的完整性。
具体而言,所述贡献计算模块内设置有神经网络结构,贡献计算模块计算所述原数据项的贡献值Q,贡献计算模块内设有选择学习贡献值QB,贡献计算模块将原数据项的贡献值Q与选择学习贡献值QB进行对比,
当Q≥QB时,所述贡献计算模块判定所述原数据到达选择学习贡献标准,贡献计算模块将所述原数据进行复制形成原数据副本,并将原数据副本输入至所述数据库中,由所述深度对比模块进行深度学习;
当Q<QB时,所述贡献计算模块判定所述原数据未到达选择学习贡献标准,贡献计算模块将根据原数据项的贡献值Q与匹配项集合内各项的贡献值选择学习所述原数据项。
通过计算配合项集合的贡献值,并通过设置选择学习贡献值确定原数据是否可以被投放到数据库中,既保证了数据库内数据的质量,用能够在贡献计算模块判定原数据到达选择学习贡献标准时,使深度对比模块对其学习,有增加了数据库中的文本多样性,提高了系统的检测能力以及检索精度。
具体而言,所述贡献计算模块计算匹配项集合内各数据项的贡献值,并确定贡献最高值Qz、贡献最低值Qa、贡献平均值Qp,当所述贡献计算模块判定所述原数据未到达选择学习贡献标准时,贡献计算模块将贡献平均值Qp与选择学习贡献值QB进行对比,
当Qp≥QB时,所述贡献计算模块判定选择学习贡献值低于匹配项集合贡献平均值,所述深度对比模块不对原数据进行学习;
当Qp<QB时,所述贡献计算模块判定选择学习贡献值高于匹配项集合贡献平均值,贡献计算模块将选择学习贡献值QB调整为QB’,QB’=QB×[(Qp-Qa)/Qp]×[(Qz-Qp)/Qp]+QB,所述贡献计算模块重复上述原数据项的贡献值Q与选择学习贡献值QB进行判定的操作,将原数据项的贡献值Q与调整后的选择学习贡献值QB’进行对比,以判定是否对原数据项进行学习。
当所述贡献计算模块判定所述原数据未到达选择学习贡献标准时,贡献计算模块通过确定匹配项集合内各数据项的贡献值的情况,根据贡献最高值、贡献最低值与贡献平均值对选择学习贡献值进行调整,并重新对原数据项进行选择学习判定,保障了在发展低的领域的重要数据不被遗漏,对其进行充分学习,同时提高了所述深度对比模块的学习能力,提高了所述智能需求识别系统的精准度。
具体而言,所述贡献计算模块中设有最大符合项项数Dx与最小符合项项数Dn,贡献计算模块通过选择学习贡献值QB’在匹配项集合中选取符合项集合,贡献计算模块对比计算匹配项集合中高于选择学习贡献值QB’的项数Ds,贡献计算模块将Ds与最大符合项项数Dx、最小符合项项数Dn进行对比,
当Dn≤Ds≤Dx时,所述贡献计算模块判定选择学习贡献值QB’的设定达标,贡献计算模块将匹配项集合中高于选择学习贡献值QB’的项确定为符合项集合。
当Ds<Dn时,所述贡献计算模块判定选择学习贡献值QB’的设定过高,贡献计算模块将选择学习贡献值QB’调整为QB’’,QB’’=QB’×[1-(Dn-Ds)/Dn],贡献计算模块根据选择学习贡献值QB’’在匹配项集合中选取符合项集合,并重复上述将高于选择学习贡献值的项数与最大符合项项数、最小符合项项数对比调节选择学习贡献值的操作,直至Dn≤Ds’≤Dx时,停止调节,所述贡献计算模块将匹配项集合中高于选择学习贡献值的项作为符合项集合,并输出;
当Ds>Dx时,所述贡献计算模块判定选择学习贡献值QB’的设定过低,贡献计算模块将选择学习贡献值QB’调整为QB’’,QB’’=QB’×[1+(Ds-Dx)/Dx],贡献计算模块根据选择学习贡献值QB’’在匹配项集合中选取符合项集合,并重复上述将高于选择学习贡献值的项数与最大符合项项数、最小符合项项数对比调节选择学习贡献值的操作,直至Dn≤Ds’≤Dx时,停止调节,所述贡献计算模块将匹配项集合中高于选择学习贡献值的项作为符合项集合,并输出。
所述贡献计算模块利用选择学习贡献值作为符合项选择的标准,可以更突出原数据项的特征,同时根据最大符合项项数与最小符合项项数,确的选择学习贡献值的设定情况,当选出的符合项过少时,表示选择学习贡献值设定的较高,不能很好的体现原数据项领域的大体情况,将选择学习贡献值根据符合的项数进行调整,同样的,当选出的符合项过多时,表示选择学习贡献值设定的较低,不能够体现高质量内容,将选择学习贡献值根据符合的项数进行调整,既能保障检索结果的质量,又能够体现原数据领域的大体情况,保障了所述智能需求识别系统的正常运行。
请继续参阅图2所示,其为本发明所述人机协同的智能需求识别方法的流程图,本发明公布一种人机协同的智能需求识别方法,包括,
步骤S1,将待识别的数据输入,并进行分类识别,形成基础数据;
步骤S2,对基础数据进行深度分析,找出匹配项集合;
步骤S3,对匹配项集合进行逐项贡献值计算,并筛分出符合项集合;
步骤S4,对符合项集合进行分类处理,形成相近项与高贡献项;
步骤S5,展示相近项与高贡献项,并对原数据进行评价。
通过进行关键信息的提取形成基础数据,通过将基础数据进行深度分析并匹配的方法,保障了匹配的结果的完整性,同时通过贡献值计算形成符合项集合,并对符合项集合进行分类处理,大程度地缩小检索范围,提高检索精度,又通过对相近项与高贡献项的展示,对原数据进行评价,能够更直观的表现与原数据的价值情况,实现了对原数据精准的智能需求识别。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种人机协同的智能需求识别系统,其特征在于,包括,
识别处理模块,用以对待处理的原数据进行分类,并进行信息提取,形成基础数据;所述识别处理模块将原数据转化成文本模态或图像模态,识别处理模块根据文本模态与图像模态的占比对原数据进行分类;
深度对比模块,其内部设置有数据库,所述深度对比模块对所述基础数据进行深度分析,深度对比模块根据基础数据的关键词信息、相关词信息与图像识别信息在所述数据库中对比出匹配的数据项作为匹配项集合;
贡献计算模块,其与所述深度对比模块相连,用以计算所述匹配项集合内各匹配项与原数据的贡献值;所述贡献计算模块根据选择学习贡献值与原数据的贡献值的对比将原数据投放至所述数据库中;所述贡献计算模块能通过匹配项集合内各匹配项与原数据的贡献值对选择学习贡献值进行调整,所述贡献计算模块根据符合项集合的项数对选择学习贡献值进行调整,所述贡献计算模块根据选择学习贡献值与各匹配项的贡献值选出符合项集合;
分类选取模块,其与所述贡献计算模块相连,用以将原数据与符合项集合进行对比,选取出近似项集合;所述分类选取模块根据符合项集合内各符合项的贡献值选取出高贡献项集合;所述分类选择模块通过符合项集合项数,调整近似项集合的项数与高贡献项集合的项数;
结果展示模块,其与所述分类选取模块、所述深度对比模块分别相连,用以展示相近项集合与高贡献项集合;所述结果展示模块能够对原数据项进行评价,结果展示模块将近似项集合内的项与高贡献值集合内的项做对比展示;所述近似项集合为符合项集合中与原数据贡献值相近的项的集合;所述高贡献值集合为符合项集合中贡献值比原数据贡献值高的项的集合;
所述贡献计算模块内设置有神经网络结构,贡献计算模块计算所述原数据项的贡献值Q,贡献计算模块内设有选择学习贡献值QB,贡献计算模块将原数据项的贡献值Q与选择学习贡献值QB进行对比,
当Q≥QB时,所述贡献计算模块判定所述原数据到达选择学习贡献标准,贡献计算模块将所述原数据进行复制形成原数据副本,并将原数据副本输入至所述数据库中,由所述深度对比模块进行深度学习;
当Q<QB时,所述贡献计算模块判定所述原数据未到达选择学习贡献标准,贡献计算模块将根据原数据项的贡献值Q与匹配项集合内各项的贡献值选择学习所述原数据项;
所述贡献计算模块计算匹配项集合内各数据项的贡献值,并确定贡献最高值Qz、贡献最低值Qa、贡献平均值Qp,当所述贡献计算模块判定所述原数据未到达选择学习贡献标准时,贡献计算模块将贡献平均值Qp与选择学习贡献值QB进行对比,
当Qp≥QB时,所述贡献计算模块判定选择学习贡献值低于匹配项集合贡献平均值,所述深度对比模块不对原数据进行学习;
当Qp<QB时,所述贡献计算模块判定选择学习贡献值高于匹配项集合贡献平均值,贡献计算模块将选择学习贡献值QB调整为QB’,QB’=QB×[(Qp-Qa)/Qp]×[(Qz-Qp)/Qp]+QB,所述贡献计算模块重复上述原数据项的贡献值Q与选择学习贡献值QB进行判定的操作,将原数据项的贡献值Q与调整后的选择学习贡献值QB’进行对比,以判定是否对原数据项进行学习;
所述贡献计算模块中设有最大符合项项数Dx与最小符合项项数Dn,贡献计算模块通过选择学习贡献值QB’在匹配项集合中选取符合项集合,贡献计算模块对比计算匹配项集合中高于选择学习贡献值QB’的项数Ds,贡献计算模块将Ds与最大符合项项数Dx、最小符合项项数Dn进行对比,
当Dn≤Ds≤Dx时,所述贡献计算模块判定选择学习贡献值QB’的设定达标,贡献计算模块将匹配项集合中高于选择学习贡献值QB’的项确定为符合项集合。
当Ds<Dn时,所述贡献计算模块判定选择学习贡献值QB’的设定过高,贡献计算模块将选择学习贡献值QB’调整为QB’’,QB’’=QB’×[1-(Dn-Ds)/Dn],贡献计算模块根据选择学习贡献值QB’’在匹配项集合中选取符合项集合,并重复上述将高于选择学习贡献值的项数与最大符合项项数、最小符合项项数对比调节选择学习贡献值的操作,直至Dn≤Ds’≤Dx时,停止调节,所述贡献计算模块将匹配项集合中高于选择学习贡献值的项作为符合项集合,并输出;
当Ds>Dx时,所述贡献计算模块判定选择学习贡献值QB’的设定过低,贡献计算模块将选择学习贡献值QB’调整为QB’’,QB’’=QB’×[1+(Ds-Dx)/Dx],贡献计算模块根据选择学习贡献值QB’’在匹配项集合中选取符合项集合,并重复上述将高于选择学习贡献值的项数与最大符合项项数、最小符合项项数对比调节选择学习贡献值的操作,直至Dn≤Ds’≤Dx时,停止调节,所述贡献计算模块将匹配项集合中高于选择学习贡献值的项作为符合项集合,并输出。
2.根据权利要求1所述的人机协同的智能需求识别系统,其特征在于,所述识别处理模块内设有文本类别与图像类别,识别处理模块将原数据内的信息模态转化为文本模态Z或图像模态P,
当原数据能够全部转化为文本模态Z时,所述识别处理模块将原数据分为文本类别;
当原数据能够全部转化为图像模态P时,所述识别处理模块将原数据分为图像类别;
当原数据转化同时存在文本模态Z与图像模态P时,所述识别处理模块将计算原数据中文本模态Z与图像模态P的占比,以对原数据进行分类。
3.根据权利要求2所述的人机协同的智能需求识别系统,其特征在于,所述识别处理模块中设有分类参数R,(0<R<1)当原数据转化同时存在文本模态Z与图像模态P时,所述识别处理模块计算原数据中文本模态Z与图像模态P的占比,并进行对比,
当Z/(Z+P)≥R×P/(Z+P)时,所述识别处理模块将原数据分为文本类别,并将原数据以文本模态Z输出;
当Z/(Z+P)<R×P/(Z+P)时,所述识别处理模块将原数据分为图像类别,并将原数据以图像模态P输出。
4.根据权利要求3所述的人机协同的智能需求识别系统,其特征在于,所述识别处理模块内设有文本类别的关键词提取与相关词生成, 识别处理模块内还设有图像类别的识别提取,
当所述识别处理模块将原数据分为文本类别时,识别处理模块将对原数据进行关键词提取与相关词生成,并作为基础数据;
当所述识别处理模块将原数据分为图像类别时,识别处理模块将对原数据进行识别提取,并作为基础数据。
5.根据权利要求4所述的人机协同的智能需求识别系统,其特征在于,所述深度对比模块对所述数据库中的数据项进行深度学习,深度对比模块根据基础数据中的关键词信息Aj、相关词信息Gx与图像识别信息Vt在所述数据库中选取匹配项集合,
当原数据为文本类别时,所述深度对比模块将所述数据库中数据项的关键词信息Aj1、相关词信息Gx1与基础数据中的关键词信息Aj、相关词信息Gx进行分别对比,
当Aj=Aj1并且Gx=Gx1时,所述深度对比模块判定该数据项为匹配项;
当Aj=Aj1或Gx=Gx1时,所述深度对比模块将根据基础数据中的关键词信息Aj、相关词信息Gx与数据项的关键词信息Aj1、相关词信息Gx1的占比进行计算,以判定该数据项是否为匹配项;
当Aj≠Aj1并且Gx≠Gx1时,所述深度对比模块判定该数据项不能作为匹配项;
当原数据为图像类别时,所述深度对比模块在所述数据库中选取图像识别信息为Vt的数据项作为匹配项集合输出。
6.根据权利要求5所述的人机协同的智能需求识别系统,其特征在于,所述深度对比模块内设有关键词信息标准占比Yb,
当 Aj=Aj1,Gx≠Gx1时,所述深度对比模块判定数据项与基础数据的关键词信息相同,深度对比模块将该数据项判定为匹配项;
当Gx=Gx1,Aj≠Aj1时,所述深度对比模块计算Aj在基础数据中的占比Y1与Aj1在数据项中的占比Y2,深度对比模块将关键词信息标准占比Yb与Y1、Y2进行对比,
当Y1≤Yb并且Y2≤Yb时,所述深度对比模块判定该数据项为匹配项;
当Yb<Y1或Yb<Y2时,所述深度对比模块判定该数据项不能作为匹配项。
7.一种应用权利要求1-6任一项所述人机协同的智能需求识别系统的人机协同的智能需求识别方法,其特征在于,包括,
步骤S1,将待识别的数据输入,并进行分类识别,形成基础数据;
步骤S2,对基础数据进行深度分析,找出匹配项集合;
步骤S3,对匹配项集合进行逐项贡献值计算,并筛分出符合项集合;
步骤S4,对符合项集合进行分类处理,形成相近项与高贡献项;
步骤S5,展示相近项与高贡献项,并对基础数据进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111344985.6A CN113792150B (zh) | 2021-11-15 | 2021-11-15 | 一种人机协同的智能需求识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111344985.6A CN113792150B (zh) | 2021-11-15 | 2021-11-15 | 一种人机协同的智能需求识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792150A CN113792150A (zh) | 2021-12-14 |
CN113792150B true CN113792150B (zh) | 2022-02-11 |
Family
ID=78955142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111344985.6A Active CN113792150B (zh) | 2021-11-15 | 2021-11-15 | 一种人机协同的智能需求识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792150B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139237A (zh) * | 2015-09-25 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 信息推送的方法和装置 |
CN105740786A (zh) * | 2016-01-25 | 2016-07-06 | 中国科学院深圳先进技术研究院 | 书写人的身份识别方法及装置 |
CN106354816A (zh) * | 2016-08-30 | 2017-01-25 | 东软集团股份有限公司 | 一种视频图像处理方法及装置 |
US10089383B1 (en) * | 2017-09-25 | 2018-10-02 | Maana, Inc. | Machine-assisted exemplar based similarity discovery |
CN109218619A (zh) * | 2018-10-12 | 2019-01-15 | 北京旷视科技有限公司 | 图像获取方法、装置和系统 |
CN110019794A (zh) * | 2017-11-07 | 2019-07-16 | 腾讯科技(北京)有限公司 | 文本资源的分类方法、装置、存储介质及电子装置 |
CN110545106A (zh) * | 2019-08-06 | 2019-12-06 | 清华大学 | 时序数据的编码方法及装置 |
WO2020261690A1 (ja) * | 2019-06-28 | 2020-12-30 | ソニー株式会社 | 情報処理装置、情報処理方法、再生処理装置及び再生処理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3731154A1 (en) * | 2019-04-26 | 2020-10-28 | Naver Corporation | Training a convolutional neural network for image retrieval with a listwise ranking loss function |
-
2021
- 2021-11-15 CN CN202111344985.6A patent/CN113792150B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139237A (zh) * | 2015-09-25 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 信息推送的方法和装置 |
CN105740786A (zh) * | 2016-01-25 | 2016-07-06 | 中国科学院深圳先进技术研究院 | 书写人的身份识别方法及装置 |
CN106354816A (zh) * | 2016-08-30 | 2017-01-25 | 东软集团股份有限公司 | 一种视频图像处理方法及装置 |
US10089383B1 (en) * | 2017-09-25 | 2018-10-02 | Maana, Inc. | Machine-assisted exemplar based similarity discovery |
CN110019794A (zh) * | 2017-11-07 | 2019-07-16 | 腾讯科技(北京)有限公司 | 文本资源的分类方法、装置、存储介质及电子装置 |
CN109218619A (zh) * | 2018-10-12 | 2019-01-15 | 北京旷视科技有限公司 | 图像获取方法、装置和系统 |
WO2020261690A1 (ja) * | 2019-06-28 | 2020-12-30 | ソニー株式会社 | 情報処理装置、情報処理方法、再生処理装置及び再生処理方法 |
CN110545106A (zh) * | 2019-08-06 | 2019-12-06 | 清华大学 | 时序数据的编码方法及装置 |
Non-Patent Citations (1)
Title |
---|
"基于深度学习的轻量级和多姿态人脸识别方法";龚锐等;《计算机应用》;20200310;第704-709页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113792150A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609891B (zh) | 一种基于上下文感知图神经网络的视觉对话生成方法 | |
CN108960073B (zh) | 面向生物医学文献的跨模态图像模式识别方法 | |
CN111831790B (zh) | 一种基于低门限集成与文本内容匹配的虚假新闻识别方法 | |
CN107798033B (zh) | 一种公安领域案件文本的分类方法 | |
CN111506732B (zh) | 一种文本多层次标签分类方法 | |
CN114743020A (zh) | 一种结合标签语义嵌入和注意力融合的食物识别方法 | |
CN113657115B (zh) | 一种基于讽刺识别和细粒度特征融合的多模态蒙古文情感分析方法 | |
CN113946677B (zh) | 基于双向循环神经网络和注意力机制的事件识别分类方法 | |
CN111125457A (zh) | 一种深度跨模态哈希检索方法及装置 | |
CN116306317B (zh) | 一种基于人工智能的aigc自动建模系统 | |
CN112818120B (zh) | 习题标注方法、装置、存储介质及电子设备 | |
CN111464881A (zh) | 基于自优化机制的全卷积视频描述生成方法 | |
CN114662497A (zh) | 一种基于协同神经网络的虚假新闻检测方法 | |
CN115601772A (zh) | 一种基于多模态学习的美学质量评价模型和方法 | |
CN113127737A (zh) | 融合注意力机制的个性化搜索方法和搜索系统 | |
CN113886562A (zh) | 一种ai简历筛选方法、系统、设备和存储介质 | |
CN115270807A (zh) | 网络用户的情感倾向判定方法、装置、设备及存储介质 | |
KR20240023494A (ko) | 인공지능 학습 기반의 법안 및 법규정에 대한 모니터링 방법 및 이를 위한 프로그램 | |
CN113792150B (zh) | 一种人机协同的智能需求识别方法和系统 | |
CN117521012A (zh) | 基于多模态上下文分层分步对齐的虚假信息检测方法 | |
CN110618980A (zh) | 基于法律文本精确匹配和矛盾检测的系统及方法 | |
CN115687917A (zh) | 样本处理方法以及装置、识别模型训练方法及装置 | |
CN113792167B (zh) | 一种基于注意力机制和模态依赖的跨媒体交叉检索方法 | |
CN115730058A (zh) | 一种基于知识融合的推理问答方法 | |
CN109697257A (zh) | 一种基于预分类和特征学习抗噪的网络信息检索方法 |
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 |