CN115545960A - 一种电子信息数据交互系统及方法 - Google Patents

一种电子信息数据交互系统及方法 Download PDF

Info

Publication number
CN115545960A
CN115545960A CN202211527475.7A CN202211527475A CN115545960A CN 115545960 A CN115545960 A CN 115545960A CN 202211527475 A CN202211527475 A CN 202211527475A CN 115545960 A CN115545960 A CN 115545960A
Authority
CN
China
Prior art keywords
weight
signal source
information
interactive
data interaction
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
CN202211527475.7A
Other languages
English (en)
Other versions
CN115545960B (zh
Inventor
宋玉柱
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.)
Jiangsu Lianhongxin Technology Development Co ltd
Original Assignee
Jiangsu Lianhongxin Technology Development 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 Jiangsu Lianhongxin Technology Development Co ltd filed Critical Jiangsu Lianhongxin Technology Development Co ltd
Priority to CN202211527475.7A priority Critical patent/CN115545960B/zh
Publication of CN115545960A publication Critical patent/CN115545960A/zh
Application granted granted Critical
Publication of CN115545960B publication Critical patent/CN115545960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及通信技术领域，具体公开了一种电子信息数据交互系统及方法，所述方法包括：获取多模态输入信息，获取候选话题集和相似用户集；构建二分图，获得交互话题；数据库获取N个意图信号源；对LSTM算法进行建模和训练，得到意图信号源的匹配值以及重要程度进行评价预测，重新排序，将意图信号源反馈至输入者；查看用户接受意向；若不满意重复上述步骤，直至获取最终的用户意图，完成数据交互。本发明可以实现多方交互，且交互各方可以根据需要对多个共享方的屏幕数据进行快捷、方便、灵活地交互和分享，尤其是能够选择性地从屏幕中选取部分区域以针对性地进行关注和操作，从而大大提升交互效率。

Description

一种电子信息数据交互系统及方法
技术领域
本发明涉及通信技术领域，具体为一种电子信息数据交互系统及方法。
背景技术
现实生活中接触的大部分信息数据都具有复杂网络性质，我们在研究和总结不同的复杂网络在结构上的相似性，可以将网络看成由节点通过一定的方式进行连接的一个系统，节点表示具体的一个信息单位，节点之间的连线为数据网之间的连接，而对于该节点的信息单位本身又是一个复杂数据子系统，这个子系统又是通过子节点连接而成，如此循环往复；
每个节点代表的数据都存储在当前数据库中，数据库本身信息数据优化迭代比较快，当前数据进行交互时，需要对搜索渠道进行更新后，才能检索到数据库中最新数据信息，这也导致维护的工作量非常庞大且复杂；
针对当前信息数据交互存在问题，结合现实针对个别问题进行分析，具体为：
1、首先，在数据交互中不能对用户需求进行分析，用户一般输入的是多模态信息，通过对多模态信息进行相似关联，并不会对输入者的社交关系和自身性格进行分析，这样在处理过程中，无法获取用户所想要交互的隐藏信息，展示的交互信息未必是客户所需要的；
2、其次，用户在交互话题时，如果不是想要的交互内容，会再次进行刷新，但刷新后的内容依然是根据多模态信息所提取出来的内容，缺乏灵活性，不能对上次交互数据进行记忆分析；
3、最后，交互系统中现实的交互数据都是在数据库中提取，由于数据库本身内容繁杂，需要对数据库中的多源异构数据进行融合和分类，但是现有的数据融合方法缺少记忆功能，不能获取隐藏的信息，获得的数据不够精准。
发明内容
本发明的目的在于提供一种电子信息数据交互系统及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种电子信息数据交互方法，所述方法包括：
S1：获取多模态输入信息，根据信息输入者的社交关系和行为历史获取候选话题集和相似用户集；
S2：根据候选话题集和相似用户集构建用户-话题二分图，并对其进行二分图建模；获得交互话题；
S3：将所述交互话题通过传输信道传送至数据库，数据库根据交互话题搜索获取N个意图信号源；对意图信号源进行编号：
Figure 383612DEST_PATH_IMAGE001
，其中，An表示第n个意图信号源的序号，
Figure 442835DEST_PATH_IMAGE002
；每一个信号源对应的传输信道为Sn；
S4：在S3中获得的N个意图信号源，对LSTM长短期记忆递归神经网络算法进行建模和训练，从而得到意图信号源的匹配值以及重要程度进行评价预测，
S5：根据S4中的评价预测值，根据预测值大小重新排序，从而将意图信号源反馈至输入者；查看用户接受意向；
S6：如果用户认为查询结果并不是个人所需的结果，用户重新输入信息，重复操作步骤S1-S5，直至获取最终的用户意图，完成数据交互。
步骤S2中对二分图建模的方法为：
二分图建模表示为G＝(V，S，E)，其中C表示数据交互系统中请求接入的用户集合，N表示用户相近的交互话题集合，共有m个用户和n个类似交互话题，E表示用户和交互话题之间可选链路的集合，也是二分图中的边e＝(v，s),e∈E，v∈V，s∈S，每条边都有权值l，边的权值lm,n即为匹配度。
步骤S3中数据库获取意图信号源的过程，包括：
S31：数据库根据对应交互话题产生的网络拓扑图，从而确定意图信号源，其中，在网络拓扑图中确定出所述交互话题所对应的节点作为初始节点，并在网络拓扑图中确定出以所述交互话题所对应的初始节点的连线所对应的节点作为终端节点，从而根据终端节点来确定出意图信号源；
S32：当确定出的终端节点为多个时，将各个终端节点对应的意图信号源作为候选意图，根据网络拓扑图中各个节点连线的权重来对这些候选意图进行排序。
所述LSTM长短期记忆递归神经网络算法模型对意图信号源的处理还包括以下步骤，
S41：对意图信号源进行归一化处理；
S42：利用网络训练结果学习逼近；
S43：计算权值并判断其是否满足偏差，若不满足则进一步修正权值直至满足；
S44：当权值满足偏差时输出所述意图信号源所属的类别。
所述对意图信号源的处理还包括，将经过模型处理的各意图信号源的结果进行识别并输出类型，得到不同类型的对象结果。
对步骤S4中LSTM长短期记忆递归神经网络算法，在每个时间步下，结合上一节点的输出值，通过门结构对当前状态的信息进行添加或删除，LSTM长短期记忆递归神经网络基本单元具体包括：
遗忘门：
Figure 265166DEST_PATH_IMAGE003
输入门：
Figure 359024DEST_PATH_IMAGE004
输出门：
Figure 421658DEST_PATH_IMAGE005
记忆单元结构：
Figure 217444DEST_PATH_IMAGE006
Figure 328620DEST_PATH_IMAGE007
Figure 729514DEST_PATH_IMAGE008
其中：
Figure 900733DEST_PATH_IMAGE009
、
Figure 262444DEST_PATH_IMAGE010
、
Figure 160999DEST_PATH_IMAGE011
与
Figure 963870DEST_PATH_IMAGE012
、
Figure 549397DEST_PATH_IMAGE013
、
Figure 539350DEST_PATH_IMAGE014
为通过该LSTM层的网络结构参数，即在训练中通过损失函数反馈后进行调整的参数，
Figure 241596DEST_PATH_IMAGE015
为遗忘门控，控制上一状态的
Figure 898973DEST_PATH_IMAGE016
具体的遗忘部分，
Figure 474311DEST_PATH_IMAGE017
为输入门控，控制对于输入
Figure 997565DEST_PATH_IMAGE018
的记忆，
Figure 191917DEST_PATH_IMAGE019
为输出门控，控制当前状态的输出，
Figure 484227DEST_PATH_IMAGE015
、
Figure 902570DEST_PATH_IMAGE017
、
Figure 726170DEST_PATH_IMAGE019
通过sigmoid激励函数转化成为0到1之间的数值，将结果通过非线性函数tanh转化为-1到1之间的值。
通过LSTM层融合数据对意图信号源权重关联性再次分析，具体如下所示：
Figure 770218DEST_PATH_IMAGE020
；
式中，M代表匹配度以及重要程度；
Figure 605450DEST_PATH_IMAGE021
、
Figure 709541DEST_PATH_IMAGE022
、
Figure 426961DEST_PATH_IMAGE023
、
Figure 274700DEST_PATH_IMAGE024
为识别模型中的一级权重，且
Figure 26756DEST_PATH_IMAGE025
=1；
Figure 114797DEST_PATH_IMAGE026
、
Figure 568781DEST_PATH_IMAGE027
、
Figure 970944DEST_PATH_IMAGE028
、
Figure 832633DEST_PATH_IMAGE029
为识别模型中的二级权重，并且
Figure 966942DEST_PATH_IMAGE030
、
Figure 173801DEST_PATH_IMAGE031
、
Figure 848496DEST_PATH_IMAGE032
、
Figure 637461DEST_PATH_IMAGE033
；
Figure 519835DEST_PATH_IMAGE034
、
Figure 902406DEST_PATH_IMAGE035
、
Figure 630059DEST_PATH_IMAGE036
、
Figure 539109DEST_PATH_IMAGE037
为识别模型中的三级权重；
其中一级权重表示数据库下，关于交互话题所涉及的第一分类领域，该第一分类下关于交互话题的相关数据权重为
Figure 811959DEST_PATH_IMAGE021
、
Figure 993410DEST_PATH_IMAGE038
、
Figure 9908DEST_PATH_IMAGE023
、
Figure 898098DEST_PATH_IMAGE024
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；
同理，二级权重表示第一分类领域下的第二分类领域，该第二分类下关于交互话题的相关数据权重为
Figure 873008DEST_PATH_IMAGE026
、
Figure 89225DEST_PATH_IMAGE039
、
Figure 158681DEST_PATH_IMAGE028
、
Figure 448848DEST_PATH_IMAGE040
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；i指代具体第一分类领域下的第二分类领域中的具体指标；
同理，三级权重表示第二分类领域下的第三分类领域，该第三分类下关于交互话题的相关数据权重为
Figure 843927DEST_PATH_IMAGE034
、
Figure 422807DEST_PATH_IMAGE035
、
Figure 313532DEST_PATH_IMAGE036
、
Figure 723784DEST_PATH_IMAGE037
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；j指代具体第一分类领域下的第二分类领域中的具体指标。
通过M匹配值大小的输出,从而对意图信号源进行排序，并反馈至输入者。
所述系统配置为将电子数据交互的信息显示在输入信息获取模块中，所述系统包括：
输入信息获取模块，其用于获取多模态输入信息；
数据处理模块，其与所述输入信息获取模块连接，用于对所述多模态输入信息进行文字处理、图像处理或音频处理，并结合根据信息输入者的社交关系和行为历史获取候选话题集和相似用户集；
计算匹配模块，其用于计算机程序算法运行模块；
输出信息反馈模块，其用于输出交互话题的反馈信息；
数据库，其与数据处理模块和计算匹配模块通过传输信道相连接，用于匹配交互话题，并将信息反馈至所述输出信息反馈模块中。
所述计算匹配模块上存储有可执行上述步骤的方法。
与现有技术相比，本发明的有益效果是：
1、本方案涉及的多模态信息，可以获取输入者的社交关系、行为历史以及关键词相关联话题等信息，通过获取的信息利用用户-话题二分图再次识别，从而获得输入信息中包含的隐藏信息，可以更快的读取输入者感兴趣的话题，根据输入者的兴趣点寻找交互话题，具有很强的普适性，并且具有自我修复和学习训练的能力，在学习中完善二分图模型性能不佳的问题。
2、本发明涉及的计算方法应用在输入者的计算机设备上，通过传输信道进入数据库，数据库本身迭代更新迅速，适应网络的变化，动态协调异构网络数据的同时，有效保障用户的服务质量。
3、本发明采用LSTM长短期记忆递归神经网络算法模型对意图信号源进行处理，通过融合目标不同意图信号源，从而确定最终表达意图；在众多复杂场景中，可通过反复搜索确认最终表达意图，从而更加准确稳定的实现数据匹配，和其他方法相比，本发明具有记忆功能，可通过记忆功能弥补自身遗忘的潜藏关键词，从而提高数据匹配的精度和速度，减少了计算量和显存占用，利于在工程实践中部署。
4、LSTM层融合数据对应意图信号源的权重关联性再次分析可知，输入者相关联的意图信号源本身属于哪个领域，在一定程度上细化意图信号的的分类，当前计算机分为三类，这样可以将对应的分类下的权重进行分析，对意图信号源输出的信息判断更精准。
5、当输入者在表达错误或者不知如何表达输入信息时，可以采用多次有关联性的输入，并通过LSTM长短期记忆递归神经网络算法模型中函数具有引导功能，获取输入者的潜藏信息，在多次检索后获得用户所需要的交互话题信息。
6、本发明利用二分图算法和LSTM长短期记忆递归神经网络算法为交互话题匹配合理的意图信号源，使其对交互话题进行多维度分析感知，使得匹配更加合理精准，同时减少资源消耗，有效缩短检索的周期，同时对电子信息数据交互系统进行了优化，提高了对交互话题的查询精度。
7、本发明可以实现多方交互，且交互各方可以根据需要对多个共享方的数据进行快捷、方便、灵活地交互和分享，尤其是能够选择性地从数据中选取部分区域进行针对性的关注和操作，从而大大提升交互效率。
附图说明
图1为本发明电子信息数据交互方法流程图；
图2为本发明电子信息数据交互过程数据结构图；
图3为本发明二分图匹配的网络选择模型；
图4为本发明LSTM长短期记忆递归神经网络基本单元示意图；
图5为本发明电子信息数据交互系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：请参阅图1-4，一种电子信息数据交互方法，所述方法包括：
S1：获取多模态输入信息，根据信息输入者的社交关系和行为历史获取候选话题集和相似用户集；
S2：根据候选话题集和相似用户集构建用户-话题二分图，并对其进行二分图建模；获得交互话题；
S3：将所述交互话题通过传输信道传送至数据库，数据库根据交互话题搜索获取N个意图信号源；对意图信号源进行编号：
Figure 102813DEST_PATH_IMAGE041
，其中，An表示第n个意图信号源的序号，
Figure 214994DEST_PATH_IMAGE042
；每一个信号源对应的传输信道为Sn；
S4：在S3中获得的N个意图信号源，对LSTM长短期记忆递归神经网络算法进行建模和训练，从而得到意图信号源的匹配值以及重要程度进行评价预测，
S5：根据S4中的评价预测值，根据预测值大小重新排序，从而将意图信号源反馈至输入者；查看用户接受意向；
S6：如果用户认为查询结果并不是个人所需的结果，用户重新输入信息，重复操作步骤S1-S5，直至获取最终的用户意图，完成数据交互。
如图3所示，步骤S2中对二分图建模的方法为：
二分图建模表示为G＝(V，S，E)，其中C表示数据交互系统中请求接入的用户集合，N表示用户相近的交互话题集合，共有m个用户和n个类似交互话题，E表示用户和交互话题之间可选链路的集合，也是二分图中的边e＝(v，s),e∈E，v∈V，s∈S，每条边都有权值l，边的权值lm,n即为匹配度。
如图2所示步骤S3中数据库获取意图信号源的过程，包括：
S31数据库根据对应交互话题产生的网络拓扑图，从而确定意图信号源，其中，在网络拓扑图中确定出所述交互话题所对应的节点作为初始节点，并在网络拓扑图中确定出以所述交互话题所对应的初始节点的连线所对应的节点作为终端节点，从而根据终端节点来确定出意图信号源；
S32：当确定出的终端节点为多个时，将各个终端节点对应的意图信号源作为候选意图，根据网络拓扑图中各个节点连线的权重来对这些候选意图进行排序。
所述LSTM长短期记忆递归神经网络算法模型对意图信号源的处理还包括以下步骤，
S41：对意图信号源进行归一化处理；
S42：利用网络训练结果学习逼近；
S43：计算权值并判断其是否满足偏差，若不满足则进一步修正权值直至满足；
S44：当权值满足偏差时输出所述意图信号源所属的类别。
所述对意图信号源的处理还包括，将经过模型处理的各意图信号源的结果进行识别并输出类型，得到不同类型的对象结果。
对步骤S4中LSTM长短期记忆递归神经网络算法，在每个时间步下，结合上一节点的输出值，通过门结构对当前状态的信息进行添加或删除，LSTM长短期记忆递归神经网络基本单元具体包括：
遗忘门：
Figure 376986DEST_PATH_IMAGE043
输入门：
Figure 94275DEST_PATH_IMAGE044
输出门：
Figure 316309DEST_PATH_IMAGE045
记忆单元结构：
Figure 181365DEST_PATH_IMAGE046
Figure 474943DEST_PATH_IMAGE047
Figure 594209DEST_PATH_IMAGE048
其中：
Figure 236412DEST_PATH_IMAGE049
、
Figure 277180DEST_PATH_IMAGE050
、
Figure 295821DEST_PATH_IMAGE051
与
Figure 535172DEST_PATH_IMAGE052
、
Figure 161326DEST_PATH_IMAGE053
、
Figure 735395DEST_PATH_IMAGE014
为通过该LSTM层的网络结构参数，即在训练中通过损失函数反馈后进行调整的参数，
Figure 42880DEST_PATH_IMAGE054
为遗忘门控，控制上一状态的
Figure 386005DEST_PATH_IMAGE055
具体的遗忘部分，
Figure 324005DEST_PATH_IMAGE056
为输入门控，控制对于输入
Figure 391231DEST_PATH_IMAGE057
的记忆，
Figure 502406DEST_PATH_IMAGE058
为输出门控，控制当前状态的输出，
Figure 778667DEST_PATH_IMAGE054
、
Figure 199153DEST_PATH_IMAGE056
、
Figure 436230DEST_PATH_IMAGE058
通过上述网络结构参数和sigmoid激励函数转化成为0到1之间的数值，将结果通过非线性函数tanh转化为-1到1之间的值。
具体如图4所示：使用在图中，
Figure 334785DEST_PATH_IMAGE059
是在 t 时刻的输入信息，
Figure 403235DEST_PATH_IMAGE060
是在 t 时刻的输出信息，我们可以看到LSTM长短期记忆递归神经网络算法会递归的调用自身并且将 t−1时刻的信息
Figure 729043DEST_PATH_IMAGE061
作为 t 时刻的输入信息进行计算；这种将各个门都可以在获得上一时刻的单元状态的前提下进行运算；
其中sigmoid激励函数为
Figure 843629DEST_PATH_IMAGE062
Figure 234291DEST_PATH_IMAGE063
该公式实现更为简单，倒数易获得，而且变量x通过sigmoid激励函数转化成为0到1之间的数值，可以作为输出层表示概率，可以减少噪声数据的影响；
其中tanh激励函数为
Figure 406515DEST_PATH_IMAGE064
Figure 653957DEST_PATH_IMAGE065
该公式双曲正切函数，实现简单，倒数易获得，而且变量
Figure 911631DEST_PATH_IMAGE066
通过tanh双曲正切函数转化成为-1到1之间的数值，可以作为输出层表示概率，它解决了Sigmoid函数的不是零均值化（zero-centered）的输出问题；
通过LSTM层融合数据对意图信号源权重关联性再次分析，具体如下所示：
Figure 168300DEST_PATH_IMAGE020
；
式中，M代表匹配度以及重要程度；
Figure 273660DEST_PATH_IMAGE021
、
Figure 206849DEST_PATH_IMAGE022
、
Figure 436974DEST_PATH_IMAGE023
、
Figure 684284DEST_PATH_IMAGE024
为识别模型中的一级权重，且
Figure 581833DEST_PATH_IMAGE025
=1；
Figure 414486DEST_PATH_IMAGE026
、
Figure 725381DEST_PATH_IMAGE039
、
Figure 323853DEST_PATH_IMAGE028
、
Figure 262859DEST_PATH_IMAGE040
为识别模型中的二级权重，并且
Figure 288584DEST_PATH_IMAGE030
、
Figure 742568DEST_PATH_IMAGE031
、
Figure 144730DEST_PATH_IMAGE032
、
Figure 79188DEST_PATH_IMAGE033
；
Figure 728344DEST_PATH_IMAGE034
、
Figure 685936DEST_PATH_IMAGE035
、
Figure 609898DEST_PATH_IMAGE036
、
Figure 70967DEST_PATH_IMAGE037
为识别模型中的三级权重；
其中一级权重表示数据库下，关于交互话题所涉及的第一分类领域，该第一分类下关于交互话题的相关数据权重为
Figure 766390DEST_PATH_IMAGE021
、
Figure 194966DEST_PATH_IMAGE038
、
Figure 876615DEST_PATH_IMAGE023
、
Figure 972615DEST_PATH_IMAGE024
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；
同理，二级权重表示第一分类领域下的第二分类领域，该第二分类下关于交互话题的相关数据权重为
Figure 245465DEST_PATH_IMAGE026
、
Figure 239966DEST_PATH_IMAGE039
、
Figure 771310DEST_PATH_IMAGE028
、
Figure 206971DEST_PATH_IMAGE040
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；i指代具体第一分类领域下的第二分类领域中的具体指标；
同理，三级权重表示第二分类领域下的第三分类领域，该第三分类下关于交互话题的相关数据权重为
Figure 109111DEST_PATH_IMAGE034
、
Figure 528591DEST_PATH_IMAGE035
、
Figure 598047DEST_PATH_IMAGE036
、
Figure 216110DEST_PATH_IMAGE037
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；j指代具体第一分类领域下的第二分类领域中的具体指标。
通过M匹配值大小的输出,从而对意图信号源进行排序，并反馈至输入者。
实施例2，请参阅图5，所述系统配置为将电子数据交互的信息显示在输入信息获取模块中，所述系统包括：
输入信息获取模块，其用于获取多模态输入信息；
数据处理模块，其与所述输入信息获取模块连接，用于对所述多模态输入信息进行文字处理、图像处理或音频处理，并结合根据信息输入者的社交关系和行为历史获取候选话题集和相似用户集；
计算匹配模块，其用于计算机程序算法运行模块；
输出信息反馈模块，其用于输出交互话题的反馈信息；
数据库，其与数据处理模块和计算匹配模块通过传输信道相连接，用于匹配交互话题，并将信息反馈至所述输出信息反馈模块中。
所述计算匹配模块上存储有可执行上述步骤的方法。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种电子信息数据交互方法，其特征在于：所述方法包括：
S1：获取多模态输入信息，根据信息输入者的社交关系和行为历史获取候选话题集和相似用户集；
S2：根据候选话题集和相似用户集构建用户-话题二分图，并对其进行二分图建模；获得交互话题；
S3：将所述交互话题通过传输信道传送至数据库，数据库根据交互话题搜索获取N个意图信号源；对意图信号源进行编号：
Figure 862744DEST_PATH_IMAGE001
，其中，An表示第n个意图信号源的序号，
Figure 842201DEST_PATH_IMAGE002
；每一个信号源对应的传输信道为Sn；
S4：在S3中获得的N个意图信号源，对LSTM长短期记忆递归神经网络算法进行建模和训练，从而得到意图信号源的匹配值以及重要程度进行评价预测，
S5：根据S4中的评价预测值，根据预测值大小重新排序，从而将意图信号源反馈至输入者；查看用户接受意向；
S6：如果用户认为查询结果并不是个人所需的结果，用户重新输入信息，重复操作步骤S1-S5，直至获取最终的用户意图，完成数据交互。
2.根据权利要求1所述的一种电子信息数据交互方法，其特征在于：步骤S2中对二分图建模的方法为：
二分图建模表示为G＝(V，S，E)，其中C表示数据交互系统中请求接入的用户集合，N表示用户相近的交互话题集合，共有m个用户和n个类似交互话题，E表示用户和交互话题之间可选链路的集合，也是二分图中的边e＝(v，s),e∈E，v∈V，s∈S，每条边都有权值l，边的权值lm,n即为匹配度。
3.根据权利要求1所述的一种电子信息数据交互方法，其特征在于：步骤S3中数据库获取意图信号源的过程，包括：
S31：数据库根据对应交互话题产生的网络拓扑图，从而确定意图信号源，其中，在网络拓扑图中确定出所述交互话题所对应的节点作为初始节点，并在网络拓扑图中确定出以所述交互话题所对应的初始节点的连线所对应的节点作为终端节点，从而根据终端节点来确定出意图信号源；
S32：当确定出的终端节点为多个时，将各个终端节点对应的意图信号源作为候选意图，根据网络拓扑图中各个节点连线的权重来对这些候选意图进行排序。
4.根据权利要求1所述的一种电子信息数据交互方法，其特征在于：所述LSTM长短期记忆递归神经网络算法模型对意图信号源的处理还包括以下步骤，
S41：对意图信号源进行归一化处理；
S42：利用网络训练结果学习逼近；
S43：计算权值并判断其是否满足偏差，若不满足则进一步修正权值直至满足；
S44：当权值满足偏差时输出所述意图信号源所属的类别。
5.根据权利要求1所述的一种电子信息数据交互方法，其特征在于：所述对意图信号源的处理还包括，将经过模型处理的各意图信号源的结果进行识别并输出类型，得到不同类型的对象结果。
6.根据权利要求1所述的一种电子信息数据交互方法，其特征在于：对步骤S4中LSTM长短期记忆递归神经网络算法，在每个时间步下，结合上一节点的输出值，通过门结构对当前状态的信息进行添加或删除，LSTM长短期记忆递归神经网络基本单元具体包括：
遗忘门：
Figure 949834DEST_PATH_IMAGE004
输入门：
Figure 548306DEST_PATH_IMAGE006
输出门：
Figure 690574DEST_PATH_IMAGE008
记忆单元结构：
Figure 575354DEST_PATH_IMAGE010
Figure 170283DEST_PATH_IMAGE012
Figure 697079DEST_PATH_IMAGE014
其中：
Figure 834799DEST_PATH_IMAGE016
、
Figure 156059DEST_PATH_IMAGE018
、
Figure 238285DEST_PATH_IMAGE020
与
Figure 178559DEST_PATH_IMAGE022
、
Figure 29840DEST_PATH_IMAGE024
、
Figure 53160DEST_PATH_IMAGE026
为通过该LSTM层的网络结构参数，即在训练中通过损失函数反馈后进行调整的参数，
Figure 498048DEST_PATH_IMAGE028
为遗忘门控，控制上一状态的
Figure 101068DEST_PATH_IMAGE030
具体的遗忘部分，
Figure 338014DEST_PATH_IMAGE032
为输入门控，控制对于输入
Figure 142022DEST_PATH_IMAGE034
的记忆，
Figure 198839DEST_PATH_IMAGE036
为输出门控，控制当前状态的输出，
Figure 746495DEST_PATH_IMAGE037
、
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
通过sigmoid激励函数转化成为0到1之间的数值，将结果通过非线性函数tanh转化为-1到1之间的值。
7.根据权利要求6所述的一种电子信息数据交互方法，其特征在于：通过LSTM层融合数据对意图信号源权重关联性再次分析，具体如下所示：
Figure DEST_PATH_IMAGE040
；
式中，M代表匹配度以及重要程度；
Figure DEST_PATH_IMAGE041
、
Figure DEST_PATH_IMAGE042
、
Figure DEST_PATH_IMAGE043
、
Figure DEST_PATH_IMAGE044
为识别模型中的一级权重，且
Figure DEST_PATH_IMAGE045
=1；
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE047
、
Figure DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
为识别模型中的二级权重，并且
Figure DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
、
Figure DEST_PATH_IMAGE052
、
Figure DEST_PATH_IMAGE053
；
Figure DEST_PATH_IMAGE054
、
Figure DEST_PATH_IMAGE055
、
Figure DEST_PATH_IMAGE056
、
Figure DEST_PATH_IMAGE057
为识别模型中的三级权重；
其中一级权重表示数据库下，关于交互话题所涉及的第一分类领域，该第一分类下关于交互话题的相关数据权重为
Figure 671505DEST_PATH_IMAGE041
、
Figure 771048DEST_PATH_IMAGE042
、
Figure 924949DEST_PATH_IMAGE043
、
Figure 135351DEST_PATH_IMAGE044
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；
同理，二级权重表示第一分类领域下的第二分类领域，该第二分类下关于交互话题的相关数据权重为
Figure 550152DEST_PATH_IMAGE046
、
Figure 820596DEST_PATH_IMAGE047
、
Figure 586427DEST_PATH_IMAGE048
、
Figure 210306DEST_PATH_IMAGE049
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；i指代具体第一分类领域下的第二分类领域中的具体指标；
同理，三级权重表示第二分类领域下的第三分类领域，该第三分类下关于交互话题的相关数据权重为
Figure 10772DEST_PATH_IMAGE054
、
Figure 452117DEST_PATH_IMAGE055
、
Figure 439665DEST_PATH_IMAGE056
、
Figure 132814DEST_PATH_IMAGE057
，权重具体数值由LSTM长短期记忆递归神经网络算法训练可得；j指代具体第一分类领域下的第二分类领域中的具体指标。
8.根据权利要求6所述的一种电子信息数据交互方法，其特征在于：通过M匹配值大小的输出,从而对意图信号源进行排序，并反馈至输入者。
9.一种电子信息数据交互系统，其特征在于：所述系统配置为将电子数据交互的信息显示在输出信息反馈模块中，所述系统包括：
输入信息获取模块，其用于获取多模态输入信息；
数据处理模块，其与所述输入信息获取模块连接，用于对所述多模态输入信息进行文字处理、图像处理或音频处理，并结合根据信息输入者的社交关系和行为历史获取候选话题集和相似用户集；
计算匹配模块，其用于计算机程序算法运行模块；
输出信息反馈模块，其用于输出交互话题的反馈信息；
数据库，其与数据处理模块和计算匹配模块通过传输信道相连接，用于匹配交互话题，并将信息反馈至所述输出信息反馈模块中。
10.根据权利要求9所述的一种电子信息数据交互系统，其特征在于：所述计算匹配模块上存储有可执行如权利要求1-8中任一项所述步骤的方法。
CN202211527475.7A 2022-12-01 2022-12-01 一种电子信息数据交互系统及方法 Active CN115545960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211527475.7A CN115545960B (zh) 2022-12-01 2022-12-01 一种电子信息数据交互系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211527475.7A CN115545960B (zh) 2022-12-01 2022-12-01 一种电子信息数据交互系统及方法

Publications (2)

Publication Number Publication Date
CN115545960A true CN115545960A (zh) 2022-12-30
CN115545960B CN115545960B (zh) 2023-06-30

Family

ID=84722542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211527475.7A Active CN115545960B (zh) 2022-12-01 2022-12-01 一种电子信息数据交互系统及方法

Country Status (1)

Country Link
CN (1) CN115545960B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434733A (zh) * 2023-04-25 2023-07-14 深圳市中诺智联科技有限公司 一种关于智能安全帽的ai语音交互处理方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951077A (zh) * 2015-06-24 2015-09-30 百度在线网络技术（北京）有限公司 基于人工智能的人机交互方法、装置和终端设备
CN105094315A (zh) * 2015-06-25 2015-11-25 百度在线网络技术（北京）有限公司 基于人工智能的人机智能聊天的方法和装置
CN105843382A (zh) * 2016-03-18 2016-08-10 北京光年无限科技有限公司 一种人机交互方法及装置
CN106548777A (zh) * 2016-11-25 2017-03-29 北京光年无限科技有限公司 一种用于智能机器人的数据处理方法及装置
CN107273477A (zh) * 2017-06-09 2017-10-20 北京光年无限科技有限公司 一种用于机器人的人机交互方法及装置
US20190311807A1 (en) * 2018-04-06 2019-10-10 Curai, Inc. Systems and methods for responding to healthcare inquiries
CN111177357A (zh) * 2019-12-31 2020-05-19 中国人民大学 一个基于记忆神经网络的对话式信息检索的方法
CN112083806A (zh) * 2020-09-16 2020-12-15 华南理工大学 一种基于多模态识别的自学习情感交互方法
CN112768070A (zh) * 2021-01-06 2021-05-07 万佳安智慧生活技术(深圳)有限公司 一种基于对话交流的精神健康评测方法和系统
CN113191154A (zh) * 2021-03-04 2021-07-30 浙江师范大学 基于多模态图神经网络的语义分析方法、系统和存储介质
CN113254803A (zh) * 2021-06-24 2021-08-13 暨南大学 一种基于多特征异质图神经网络的社交推荐方法
CN114444693A (zh) * 2022-01-21 2022-05-06 重庆邮电大学 一种基于协同知识图谱的人机交互话题转移方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951077A (zh) * 2015-06-24 2015-09-30 百度在线网络技术（北京）有限公司 基于人工智能的人机交互方法、装置和终端设备
CN105094315A (zh) * 2015-06-25 2015-11-25 百度在线网络技术（北京）有限公司 基于人工智能的人机智能聊天的方法和装置
CN105843382A (zh) * 2016-03-18 2016-08-10 北京光年无限科技有限公司 一种人机交互方法及装置
CN106548777A (zh) * 2016-11-25 2017-03-29 北京光年无限科技有限公司 一种用于智能机器人的数据处理方法及装置
CN107273477A (zh) * 2017-06-09 2017-10-20 北京光年无限科技有限公司 一种用于机器人的人机交互方法及装置
US20190311807A1 (en) * 2018-04-06 2019-10-10 Curai, Inc. Systems and methods for responding to healthcare inquiries
CN111177357A (zh) * 2019-12-31 2020-05-19 中国人民大学 一个基于记忆神经网络的对话式信息检索的方法
CN112083806A (zh) * 2020-09-16 2020-12-15 华南理工大学 一种基于多模态识别的自学习情感交互方法
CN112768070A (zh) * 2021-01-06 2021-05-07 万佳安智慧生活技术(深圳)有限公司 一种基于对话交流的精神健康评测方法和系统
CN113191154A (zh) * 2021-03-04 2021-07-30 浙江师范大学 基于多模态图神经网络的语义分析方法、系统和存储介质
CN113254803A (zh) * 2021-06-24 2021-08-13 暨南大学 一种基于多特征异质图神经网络的社交推荐方法
CN114444693A (zh) * 2022-01-21 2022-05-06 重庆邮电大学 一种基于协同知识图谱的人机交互话题转移方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
文孟飞等: "网络媒体大数据流异构多模态目标识别策略", 《计算机研究与发展》 *
文孟飞等: "网络媒体大数据流异构多模态目标识别策略", 《计算机研究与发展》, no. 01, 15 January 2017 (2017-01-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434733A (zh) * 2023-04-25 2023-07-14 深圳市中诺智联科技有限公司 一种关于智能安全帽的ai语音交互处理方法
CN116434733B (zh) * 2023-04-25 2024-06-07 深圳市中诺智联科技有限公司 一种关于智能安全帽的ai语音交互处理方法

Also Published As

Publication number Publication date
CN115545960B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
US11347783B2 (en) Implementing a software action based on machine interpretation of a language input
CN111782965B (zh) 意图推荐方法、装置、设备及存储介质
CN111444428B (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
WO2020177282A1 (zh) 一种机器对话方法、装置、计算机设备及存储介质
CN108399428B (zh) 一种基于迹比准则的三元组损失函数设计方法
CN110674840B (zh) 一种多方证据关联模型构建方法和证据链提取方法及装置
CN111475637B (zh) 用于推送知识点的数据处理、训练方法及装置
JP2021056991A (ja) 推薦方法、装置、電子デバイス、記憶媒体、及びプログラム
CN116010684A (zh) 物品推荐方法、装置及存储介质
CN113301442A (zh) 确定直播资源的方法、设备、介质及程序产品
US20230088445A1 (en) Conversational recommendation method, method of training model, device and medium
CN116244513B (zh) 随机群组poi推荐方法、系统、设备及存储介质
JP2023017921A (ja) コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム
CN113656647A (zh) 一种面向智能运维的工程档案数据管理平台、方法及系统
Xiao et al. User behavior prediction of social hotspots based on multimessage interaction and neural network
CN115545960A (zh) 一种电子信息数据交互系统及方法
US11775813B2 (en) Generating a recommended target audience based on determining a predicted attendance utilizing a machine learning approach
JP2023533723A (ja) 検索クエリについての解釈の評価
CN115329078B (zh) 文本数据处理方法、装置、设备以及存储介质
Yu et al. A graph attention network under probabilistic linguistic environment based on Bi-LSTM applied to film classification
Saeed et al. A framework to predict early news popularity using deep temporal propagation patterns
CN114268625B (zh) 特征选择方法、装置、设备及存储介质
CN114692978A (zh) 一种基于大数据的社交媒体用户行为预测方法及系统
CN112463920A (zh) 一种信息应答方法及装置
CN111899728B (zh) 智能语音助手决策策略的训练方法及装置

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