CN115994668A - 智慧社区资源管理系统 - Google Patents

Abstract

公开了一种智慧社区资源管理系统，其基于自然语言技术对所述资源供给描述和所述资源需求描述进行语义理解，并通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达，并进一步通过卷积神经网络模型来捕捉匹配表达矩阵中的深度关联信息，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。

Description

智慧社区资源管理系统

技术领域

本申请涉及资源管理领域，且更为具体地，涉及一种智慧社区资源管理系统。

背景技术

随着城镇化的开发进程不断加快，城市的人口聚集度越来越密集，目前的最小管理化单位是社区管理，社区即人们共同居住在一起的小区。

但是，目前的社区管理比较流散、人员与人员之间的联动能力差，各方的资源得不到有效地调度与合作，即浪费资源，有存在运维工作量大的缺陷。

因此，期待一种优化的智慧社区资源管理方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智慧社区资源管理系统，其基于自然语言技术对所述资源供给描述和所述资源需求描述进行语义理解，并通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达，并进一步通过卷积神经网络模型来捕捉匹配表达矩阵中的深度关联信息，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。

相应地，根据本申请的一个方面，提供了一种智慧社区资源管理系统，其包括：双方数据抓取模块，用于获取待管理社区中第一方的资源供给描述和第二方的资源需求描述；资源供给语义理解模块，用于将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量；资源需求语义理解模块，用于将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量；关联模块，用于对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；空间维度增强模块，用于将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵；特征分布校正模块，用于对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵；以及资源管理结果生成模块，用于将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。

在上述智慧社区资源管理系统中，所述资源供给语义理解模块，包括:第一分词单元，用于对所述第一方的资源供给描述进行分词处理以获得多个资源供给词；第一词嵌入单元，用于将所述多个资源供给词通过嵌入层以将所述多个资源供给词中各个资源供给词转化为资源供给词嵌入向量以得到资源供给词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源供给词进行嵌入编码；第一上下文理解单元，用于将所述资源供给词嵌入向量的序列输入所述上下文编码器以得到所述多个资源供给特征向量；以及，第一级联单元，用于将所述多个资源供给特征向量进行级联以得到所述资源供给语义特征向量。

在上述智慧社区资源管理系统中，所述第一上下文理解单元，进一步用于：将所述资源供给词嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述资源供给词嵌入向量的序列中各个资源供给词嵌入向量作为值向量分别进行相乘以得到所述多个资源供给特征向量。

在上述智慧社区资源管理系统中，所述资源需求语义理解模块，包括：第二分词单元，用于对所述第二方的资源需求描述进行分词处理以获得多个资源需求词；第二词嵌入单元，用于将所述多个资源需求词通过嵌入层以将所述多个资源需求词中各个资源需求词转化为资源需求词嵌入向量以得到资源需求词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源需求词进行嵌入编码；第二上下文理解单元，用于将所述资源需求词嵌入向量的序列输入所述上下文编码器以得到所述多个资源需求特征向量；以及，第二级联单元，用于将所述多个资源需求特征向量进行级联以得到所述资源需求语义特征向量。

在上述智慧社区资源管理系统中，所述关联模块，进一步用于：以如下公式对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；其中，所述公式为：

，

其中

表示所述资源供给语义特征向量的转置向量，

表示所述资源需求语义特征向量，

表示所述资源协同矩阵，

表示矩阵相乘。

在上述智慧社区资源管理系统中，所述空间维度增强模块，进一步用于：使用所述卷积神经网络模型的卷积编码部分对所述资源协同矩阵进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到资源协同特征图；以及，对所述资源协同特征图进行沿通道维度的全局均值池化处理以得到所述资源协同特征矩阵。

在上述智慧社区资源管理系统中，所述特征分布校正模块，包括：图核游走节点分布融合单元，用于以如下公式计算所述资源供给语义特征向量和所述资源需求语义特征向量之间的图核游走节点分布融合特征矩阵；其中，所述公式为：

，

其中，

表示所述资源供给语义特征向量，

表示所述资源需求语义特征向量，

表示所述图核游走节点分布融合特征矩阵，

为所述资源供给语义特征向量和所述资源需求语义特征向量之间的距离矩阵，且

和

均为列向量，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘；以及，映射校正单元，用于将所述图核游走节点分布融合特征矩阵与所述资源协同特征矩阵进行矩阵相乘以得到所述校正后资源协同特征矩阵。

在上述智慧社区资源管理系统中，所述资源管理结果生成模块，包括：展开单元，用于将所述校正后资源协同特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，还提供了一种智慧社区资源管理方法，其包括：获取待管理社区中第一方的资源供给描述和第二方的资源需求描述；将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量；将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量；对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵；对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵；以及将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。

在上述智慧社区资源管理方法中，所述将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量，包括:对所述第一方的资源供给描述进行分词处理以获得多个资源供给词；将所述多个资源供给词通过嵌入层以将所述多个资源供给词中各个资源供给词转化为资源供给词嵌入向量以得到资源供给词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源供给词进行嵌入编码；将所述资源供给词嵌入向量的序列输入所述上下文编码器以得到所述多个资源供给特征向量；以及，将所述多个资源供给特征向量进行级联以得到所述资源供给语义特征向量。

在上述智慧社区资源管理方法中，所述将所述资源供给词嵌入向量的序列输入所述上下文编码器以得到所述多个资源供给特征向量，包括：将所述资源供给词嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述资源供给词嵌入向量的序列中各个资源供给词嵌入向量作为值向量分别进行相乘以得到所述多个资源供给特征向量。

在上述智慧社区资源管理方法中，所述将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量，包括：对所述第二方的资源需求描述进行分词处理以获得多个资源需求词；将所述多个资源需求词通过嵌入层以将所述多个资源需求词中各个资源需求词转化为资源需求词嵌入向量以得到资源需求词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源需求词进行嵌入编码；将所述资源需求词嵌入向量的序列输入所述上下文编码器以得到所述多个资源需求特征向量；以及，将所述多个资源需求特征向量进行级联以得到所述资源需求语义特征向量。

在上述智慧社区资源管理方法中，所述对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵，包括：以如下公式对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；其中，所述公式为：

，

其中

表示所述资源供给语义特征向量的转置向量，

表示所述资源需求语义特征向量，

表示所述资源协同矩阵，

表示矩阵相乘。

在上述智慧社区资源管理方法中，所述将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵，包括：使用所述卷积神经网络模型的卷积编码部分对所述资源协同矩阵进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到资源协同特征图；以及，对所述资源协同特征图进行沿通道维度的全局均值池化处理以得到所述资源协同特征矩阵。

在上述智慧社区资源管理方法中，所述对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵，包括：以如下公式计算所述资源供给语义特征向量和所述资源需求语义特征向量之间的图核游走节点分布融合特征矩阵；其中，所述公式为：

，

其中，

表示所述资源供给语义特征向量，

表示所述资源需求语义特征向量，

表示所述图核游走节点分布融合特征矩阵，

为所述资源供给语义特征向量和所述资源需求语义特征向量之间的距离矩阵，且

和

均为列向量，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘；以及，将所述图核游走节点分布融合特征矩阵与所述资源协同特征矩阵进行矩阵相乘以得到所述校正后资源协同特征矩阵。

在上述智慧社区资源管理方法中，所述将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方，包括：将所述校正后资源协同特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智慧社区资源管理方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智慧社区资源管理方法。

与现有技术相比，本申请提供的智慧社区资源管理系统，其基于自然语言技术对所述资源供给描述和所述资源需求描述进行语义理解，并通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达，并进一步通过卷积神经网络模型来捕捉匹配表达矩阵中的深度关联信息，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的智慧社区资源管理系统的框图。

图2为根据本申请实施例的智慧社区资源管理系统的架构示意图。

图3为根据本申请实施例的智慧社区资源管理系统中资源供给语义理解模块的框图。

图4为根据本申请实施例的智慧社区资源管理方法的流程图。

图5为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述：如上所述，目前的社区管理比较流散、人员与人员之间的联动能力差，各方的资源得不到有效地调度与合作，即浪费资源，这不利于社区实现社区管理。

针对此技术问题，在本申请的技术方案中，通过爬虫软件来爬取社区中作为资源供给的第一方的资源供给描述和作为资源需求的第二方的资源需求描述，并基于自然语言技术对所述资源供给描述和所述资源需求描述进行语义理解，并通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达，并进一步通过卷积神经网络模型来捕捉匹配表达矩阵中的深度关联信息，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。

具体地，首先获取待管理社区中第一方的资源供给描述和第二方的资源需求描述。例如，在一个具体的示例中，通过爬虫软件来获取第一方的资源供给描述以及第二方的资源需求描述。在另外的示例中，所述第一方和所述第二方会在社区管理数字化平台上发布所述资源供给描述和所述资源需求描述。

接着，将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量，以及，将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量。也就是，使用基于转换器（transformer）机制的上下文编码器，例如，基于转换器的Bert模型对所述资源供给描述和所述资源需求描述进行上下文语义理解以得到所述资源供给语义特征向量和所述资源需求语义特征向量。

应可以理解，在本申请的技术方案中，需要去判断所述第一方的资源供给描述与所述第二方的资源需求描述之间是否适配，即，所述第一方所提供的资源是否可满足所述第二方的资源需求。因此，对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵，也就是，通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达。

为了挖掘资源需求方与资源供给方之间的匹配表达中的深度隐含关联模式特征，进一步地将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵。也就是，使用在局部关联特征提取领域具有优异性能表现的卷积神经网络模型来对所述资源协同矩阵进行基于卷积核的特征过滤以捕捉所述资源协同矩阵中的高维局部隐含关联特征。应可以理解，在所述资源协同矩阵中，不同位置的特征值用于表示所述资源供给语义特征向量和所述资源需求语义特征向量之间的逐位置关联，其在最终的分类判断中具有不同的影响权重，因此，为了使得所述资源协同特征矩阵具有相对更加的空间可鉴别性，将所述空间注意力机制集成于所述卷积神经网络模型。

进而，将所述资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。也就是，通过分类器来确定所述资源协同特征矩阵所属的类概率标签，在本申请的技术方案中，所述类概率标签包括向作为资源需求方的第二方推荐作为资源供应方的第一方（第一标签），以及，不向作为资源需求方的第二方推荐作为资源供应方的第一方（第二标签）。因此，在得到所述分类结果后，可基于所述分类结果进行社区管理，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。

在本申请的技术方案中，对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码得到所述资源协同特征矩阵时，由于所述关联编码是将所述资源供给语义特征向量和所述资源需求语义特征向量的各个位置的特征值相乘，因此可以使得所述资源协同特征矩阵表达所述资源供给语义特征向量和所述资源需求语义特征向量的特征值粒度的关联融合特征，但同时，仍然期望所述资源协同特征矩阵能够表达所述资源供给语义特征向量和所述资源需求语义特征向量的向量粒度的关联融合特征。

因此，优选地，进一步计算所述资源供给语义特征向量

和所述资源需求语义特征向量

之间的图核游走节点分布融合特征矩阵，表示为：

，

为所述资源供给语义特征向量

和所述资源需求语义特征向量

之间的距离矩阵，即

，且

和

均为列向量。

所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述资源供给语义特征向量

所述资源需求语义特征向量

分别视为图中的节点，基于所述资源供给语义特征向量

和所述资源需求语义特征向量

的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述资源供给语义特征向量

所述资源需求语义特征向量

的解码回归特征分布具有连续高维回归空间属性的场景下，从而表示作为拓扑节点的所述资源供给语义特征向量

和所述资源需求语义特征向量

在融合特征的高维特征空间内的局部分布信息，以表达所述资源供给语义特征向量

和所述资源需求语义特征向量

之间的向量粒度的关联融合特征。

进一步，将所述图核游走节点分布融合特征矩阵与所述资源协同特征矩阵进行矩阵相乘，以将所述资源协同特征矩阵映射到关联融合特征空间内，以使得所述资源协同特征矩阵进一步表达所述资源供给语义特征向量和所述资源需求语义特征向量的向量粒度的关联融合特征。

基于此，本申请提供了一种智慧社区资源管理系统，其包括：双方数据抓取模块，用于获取待管理社区中第一方的资源供给描述和第二方的资源需求描述；资源供给语义理解模块，用于将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量；资源需求语义理解模块，用于将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量；关联模块，用于对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；空间维度增强模块，用于将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵；特征分布校正模块，用于对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵；以及，资源管理结果生成模块，用于将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统：图1为根据本申请实施例的智慧社区资源管理系统的框图。如图1所示，根据本申请实施例的智慧社区资源管理系统100，包括：双方数据抓取模块110，用于获取待管理社区中第一方的资源供给描述和第二方的资源需求描述；资源供给语义理解模块120，用于将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量；资源需求语义理解模块130，用于将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量；关联模块140，用于对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；空间维度增强模块150，用于将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵；特征分布校正模块160，用于对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵；以及，资源管理结果生成模块170，用于将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。

图2为根据本申请实施例的智慧社区资源管理系统的架构示意图。如图2所示，首先，获取待管理社区中第一方的资源供给描述和第二方的资源需求描述；接着，将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量，同时，将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量；然后，对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；继而，将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵；再对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵；最后，将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。

在上述智慧社区资源管理系统100中，所述双方数据抓取模块110，用于获取待管理社区中第一方的资源供给描述和第二方的资源需求描述。如上所述，目前的社区管理比较流散、人员与人员之间的联动能力差，各方的资源得不到有效地调度与合作，即浪费资源，这不利于社区管理。

针对此技术问题，在本申请的技术方案中，通过爬虫软件来爬取社区中作为资源供给的第一方的资源供给描述和作为资源需求的第二方的资源需求描述，并基于自然语言技术对所述资源供给描述和所述资源需求描述进行语义理解，并通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达，并进一步通过卷积神经网络模型来捕捉匹配表达矩阵中的深度关联信息，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。具体地，首先获取待管理社区中第一方的资源供给描述和第二方的资源需求描述。例如，在一个具体的示例中，通过爬虫软件来获取第一方的资源供给描述以及第二方的资源需求描述。在另外的示例中，所述第一方和所述第二方会在社区管理数字化平台上发布所述资源供给描述和所述资源需求描述。

在上述智慧社区资源管理系统100中，所述资源供给语义理解模块120，用于将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量。也就是，使用基于转换器（transformer）机制的上下文编码器，例如，基于转换器的Bert模型对所述资源供给描述进行上下文语义理解以得到所述资源供给语义特征向量。

具体地，在本申请的一个示例中，所述上下文编码器包括嵌入层和基于转换器（Transformer）的Bert模型。其中，所述嵌入层的作用在于将资源供给词进行向量化转化以将一个资源供给词转化为一个嵌入向量，在具体实施例中，所述嵌入层的向量转化器可基于知识图谱来构建，因此，所述资源供给词可结合资源供给的知识图谱信息以提高资源供给词的信息丰富度。另一方面，通过向量化可将所述资源供给词转化为更便于计算机进行运算的结构化数据。

图3为根据本申请实施例的智慧社区资源管理系统中资源供给语义理解模块的框图。如图3所示，所述资源供给语义理解模块120，包括:第一分词单元121，用于对所述第一方的资源供给描述进行分词处理以获得多个资源供给词；第一词嵌入单元122，用于将所述多个资源供给词通过嵌入层以将所述多个资源供给词中各个资源供给词转化为资源供给词嵌入向量以得到资源供给词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源供给词进行嵌入编码；第一上下文理解单元123，用于将所述资源供给词嵌入向量的序列输入所述上下文编码器以得到所述多个资源供给特征向量；以及，第一级联单元124，用于将所述多个资源供给特征向量进行级联以得到所述资源供给语义特征向量。

更具体地，在本申请实施例中，首先，将所述资源供给词嵌入向量的序列排列为输入向量；接着，将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；然后，计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；再对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；继而，将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；最后，将所述自注意力特征矩阵与以所述资源供给词嵌入向量的序列中各个资源供给词嵌入向量作为值向量分别进行相乘以得到所述多个资源供给特征向量。

在上述智慧社区资源管理系统100中，所述资源需求语义理解模块130，用于将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量。同样地，使用基于转换器（transformer）机制的上下文编码器对所述资源需求描述进行上下文语义理解以得到所述资源需求语义特征向量。

具体地，在本申请实施例中，所述资源需求语义理解模块130，包括：第二分词单元，用于对所述第二方的资源需求描述进行分词处理以获得多个资源需求词；第二词嵌入单元，用于将所述多个资源需求词通过嵌入层以将所述多个资源需求词中各个资源需求词转化为资源需求词嵌入向量以得到资源需求词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源需求词进行嵌入编码；第二上下文理解单元，用于将所述资源需求词嵌入向量的序列输入所述上下文编码器以得到所述多个资源需求特征向量；以及，第二级联单元，用于将所述多个资源需求特征向量进行级联以得到所述资源需求语义特征向量。

在上述智慧社区资源管理系统100中，所述关联模块140，用于对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵。应可以理解，在本申请的技术方案中，需要去判断所述第一方的资源供给描述与所述第二方的资源需求描述之间是否适配，即，所述第一方所提供的资源是否可满足所述第二方的资源需求。因此，对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵，也就是，通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达。

具体地，在本申请实施例中，所述关联模块140，进一步用于：以如下公式对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；其中，所述公式为：

，

其中

表示所述资源供给语义特征向量的转置向量，

表示所述资源需求语义特征向量，

表示所述资源协同矩阵，

表示矩阵相乘。

在上述智慧社区资源管理系统100中，所述空间维度增强模块150，用于将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵。为了挖掘资源需求方与资源供给方之间的匹配表达中的深度隐含关联模式特征，进一步地将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵。也就是，使用在局部关联特征提取领域具有优异性能表现的卷积神经网络模型来对所述资源协同矩阵进行基于卷积核的特征过滤以捕捉所述资源协同矩阵中的高维局部隐含关联特征。应可以理解，在所述资源协同矩阵中，不同位置的特征值用于表示所述资源供给语义特征向量和所述资源需求语义特征向量之间的逐位置关联，其在最终的分类判断中具有不同的影响权重，因此，为了使得所述资源协同特征矩阵具有相对更加的空间可鉴别性，将所述空间注意力机制集成于所述卷积神经网络模型。

具体地，在本申请实施例中，所述空间维度增强模块150，进一步用于：使用所述卷积神经网络模型的卷积编码部分对所述资源协同矩阵进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到资源协同特征图；以及，对所述资源协同特征图进行沿通道维度的全局均值池化处理以得到所述资源协同特征矩阵。

在上述智慧社区资源管理系统100中，所述特征分布校正模块160，用于对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵。在本申请的技术方案中，对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码得到所述资源协同特征矩阵时，由于所述关联编码是将所述资源供给语义特征向量和所述资源需求语义特征向量的各个位置的特征值相乘，因此可以使得所述资源协同特征矩阵表达所述资源供给语义特征向量和所述资源需求语义特征向量的特征值粒度的关联融合特征，但同时，仍然期望所述资源协同特征矩阵能够表达所述资源供给语义特征向量和所述资源需求语义特征向量的向量粒度的关联融合特征。

因此，优选地，进一步计算所述资源供给语义特征向量

和所述资源需求语义特征向量

之间的图核游走节点分布融合特征矩阵，表示为：

，

其中，

表示所述资源供给语义特征向量，

表示所述资源需求语义特征向量，

表示所述图核游走节点分布融合特征矩阵，

为所述资源供给语义特征向量和所述资源需求语义特征向量之间的距离矩阵，即

，且

和

均为列向量，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘。

所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述资源供给语义特征向量

和所述资源需求语义特征向量

分别视为图中的节点，基于所述资源供给语义特征向量

和所述资源需求语义特征向量

的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述资源供给语义特征向量

和所述资源需求语义特征向量

的解码回归特征分布具有连续高维回归空间属性的场景下，从而表示作为拓扑节点的所述资源供给语义特征向量

和所述资源需求语义特征向量

在融合特征的高维特征空间内的局部分布信息，以表达所述资源供给语义特征向量

和所述资源需求语义特征向量

之间的向量粒度的关联融合特征。

进一步，将所述图核游走节点分布融合特征矩阵与所述资源协同特征矩阵进行矩阵相乘，以将所述资源协同特征矩阵映射到关联融合特征空间内，以使得所述资源协同特征矩阵进一步表达所述资源供给语义特征向量和所述资源需求语义特征向量的向量粒度的关联融合特征。

在上述智慧社区资源管理系统100中，所述资源管理结果生成模块170，用于将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。也就是，通过分类器来确定所述资源协同特征矩阵所属的类概率标签，在本申请的技术方案中，所述类概率标签包括向作为资源需求方的第二方推荐作为资源供应方的第一方（第一标签），以及，不向作为资源需求方的第二方推荐作为资源供应方的第一方（第二标签）。因此，在得到所述分类结果后，可基于所述分类结果进行社区管理，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。

具体地，在本申请实施例中，所述资源管理结果生成模块170，包括：展开单元，用于将所述校正后资源协同特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的智慧社区资源管理系统100被阐明，其基于自然语言技术对所述资源供给描述和所述资源需求描述进行语义理解，并通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达，并进一步通过卷积神经网络模型来捕捉匹配表达矩阵中的深度关联信息，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。

如上所述，根据本申请实施例的智慧社区资源管理系统100可以实现在各种终端设备中，例如用于智慧社区资源管理的服务器等。在一个示例中，根据本申请实施例的智慧社区资源管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智慧社区资源管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智慧社区资源管理系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该智慧社区资源管理系统100与该终端设备也可以是分立的设备，并且该智慧社区资源管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法：图4为根据本申请实施例的智慧社区资源管理方法的流程图。如图4所示，根据本申请实施例的智慧社区资源管理方法，包括：S110，获取待管理社区中第一方的资源供给描述和第二方的资源需求描述；S120，将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量；S130，将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量；S140，对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；S150，将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵；S160，对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵；以及，S170，将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。

在一个示例中，在上述智慧社区资源管理方法中，所述将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量，包括:对所述第一方的资源供给描述进行分词处理以获得多个资源供给词；将所述多个资源供给词通过嵌入层以将所述多个资源供给词中各个资源供给词转化为资源供给词嵌入向量以得到资源供给词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源供给词进行嵌入编码；将所述资源供给词嵌入向量的序列输入所述上下文编码器以得到所述多个资源供给特征向量；以及，将所述多个资源供给特征向量进行级联以得到所述资源供给语义特征向量。

在一个示例中，在上述智慧社区资源管理方法中，所述将所述资源供给词嵌入向量的序列输入所述上下文编码器以得到所述多个资源供给特征向量，包括：将所述资源供给词嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述资源供给词嵌入向量的序列中各个资源供给词嵌入向量作为值向量分别进行相乘以得到所述多个资源供给特征向量。

在一个示例中，在上述智慧社区资源管理方法中，所述将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量，包括：对所述第二方的资源需求描述进行分词处理以获得多个资源需求词；将所述多个资源需求词通过嵌入层以将所述多个资源需求词中各个资源需求词转化为资源需求词嵌入向量以得到资源需求词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源需求词进行嵌入编码；将所述资源需求词嵌入向量的序列输入所述上下文编码器以得到所述多个资源需求特征向量；以及，将所述多个资源需求特征向量进行级联以得到所述资源需求语义特征向量。

在一个示例中，在上述智慧社区资源管理方法中，所述对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵，包括：以如下公式对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；其中，所述公式为：

，

其中

表示所述资源供给语义特征向量的转置向量，

表示所述资源需求语义特征向量，

表示所述资源协同矩阵，

表示矩阵相乘。

在一个示例中，在上述智慧社区资源管理方法中，所述将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵，包括：使用所述卷积神经网络模型的卷积编码部分对所述资源协同矩阵进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到资源协同特征图；以及，对所述资源协同特征图进行沿通道维度的全局均值池化处理以得到所述资源协同特征矩阵。

在一个示例中，在上述智慧社区资源管理方法中，所述对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵，包括：以如下公式计算所述资源供给语义特征向量和所述资源需求语义特征向量之间的图核游走节点分布融合特征矩阵；其中，所述公式为：

，

其中，

表示所述资源供给语义特征向量，

表示所述资源需求语义特征向量，

表示所述图核游走节点分布融合特征矩阵，

为所述资源供给语义特征向量和所述资源需求语义特征向量之间的距离矩阵，且

和

均为列向量，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘；以及，将所述图核游走节点分布融合特征矩阵与所述资源协同特征矩阵进行矩阵相乘以得到所述校正后资源协同特征矩阵。

在一个示例中，在上述智慧社区资源管理方法中，所述将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方，包括：将所述校正后资源协同特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

综上，本申请实施例的智慧社区资源管理方法被阐明，其基于自然语言技术对所述资源供给描述和所述资源需求描述进行语义理解，并通过资源供给描述和资源需求描述在高维语义特征空间中的联立表示来模拟资源需求方与资源供给方之间的匹配表达，并进一步通过卷积神经网络模型来捕捉匹配表达矩阵中的深度关联信息，以提高资源需求方与资源供给方的匹配精准度，以使得资源可充分得到配置。

示例性电子设备：下面，参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智慧社区资源管理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如资源供给描述、资源需求描述等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括语音信号等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智慧社区资源管理方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智慧社区资源管理方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

Claims (8)

1.一种智慧社区资源管理系统，其特征在于，包括：双方数据抓取模块，用于获取待管理社区中第一方的资源供给描述和第二方的资源需求描述；资源供给语义理解模块，用于将所述第一方的资源供给描述通过包含嵌入层的上下文编码器以得到资源供给语义特征向量；资源需求语义理解模块，用于将所述第二方的资源需求描述通过所述包含嵌入层的上下文编码器以得到资源需求语义特征向量；关联模块，用于对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；空间维度增强模块，用于将所述资源协同矩阵通过使用空间注意力机制的卷积神经网络模型以得到资源协同特征矩阵；特征分布校正模块，用于对所述资源协同特征矩阵进行特征分布校正以得到校正后资源协同特征矩阵；以及资源管理结果生成模块，用于将所述校正后资源协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向作为资源需求方的第二方推荐作为资源供应方的第一方。

2.根据权利要求1所述的智慧社区资源管理系统，其特征在于，所述资源供给语义理解模块，包括:第一分词单元，用于对所述第一方的资源供给描述进行分词处理以获得多个资源供给词；第一词嵌入单元，用于将所述多个资源供给词通过嵌入层以将所述多个资源供给词中各个资源供给词转化为资源供给词嵌入向量以得到资源供给词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源供给词进行嵌入编码；第一上下文理解单元，用于将所述资源供给词嵌入向量的序列输入所述上下文编码器以得到多个资源供给特征向量；以及第一级联单元，用于将所述多个资源供给特征向量进行级联以得到所述资源供给语义特征向量。

3.根据权利要求2所述的智慧社区资源管理系统，其特征在于，所述第一上下文理解单元，进一步用于：将所述资源供给词嵌入向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及将所述自注意力特征矩阵与以所述资源供给词嵌入向量的序列中各个资源供给词嵌入向量作为值向量分别进行相乘以得到所述多个资源供给特征向量。

4.根据权利要求3所述的智慧社区资源管理系统，其特征在于，所述资源需求语义理解模块，包括：第二分词单元，用于对所述第二方的资源需求描述进行分词处理以获得多个资源需求词；第二词嵌入单元，用于将所述多个资源需求词通过嵌入层以将所述多个资源需求词中各个资源需求词转化为资源需求词嵌入向量以得到资源需求词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个资源需求词进行嵌入编码；第二上下文理解单元，用于将所述资源需求词嵌入向量的序列输入所述上下文编码器以得到多个资源需求特征向量；以及第二级联单元，用于将所述多个资源需求特征向量进行级联以得到所述资源需求语义特征向量。

5.根据权利要求4所述的智慧社区资源管理系统，其特征在于，所述关联模块，进一步用于：以如下公式对所述资源供给语义特征向量和所述资源需求语义特征向量进行关联编码以得到资源协同矩阵；其中，所述公式为：

，

其中

表示所述资源供给语义特征向量的转置向量，

表示所述资源需求语义特征向量，

表示所述资源协同矩阵，

表示矩阵相乘。

6.根据权利要求5所述的智慧社区资源管理系统，其特征在于，所述空间维度增强模块，进一步用于：使用所述卷积神经网络模型的卷积编码部分对所述资源协同矩阵进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到资源协同特征图；以及对所述资源协同特征图进行沿通道维度的全局均值池化处理以得到所述资源协同特征矩阵。

7.根据权利要求6所述的智慧社区资源管理系统，其特征在于，所述特征分布校正模块，包括：图核游走节点分布融合单元，用于以如下公式计算所述资源供给语义特征向量和所述资源需求语义特征向量之间的图核游走节点分布融合特征矩阵；其中，所述公式为：

，

其中，

表示所述资源供给语义特征向量，

表示所述资源需求语义特征向量，

表示所述图核游走节点分布融合特征矩阵，

为所述资源供给语义特征向量和所述资源需求语义特征向量之间的距离矩阵，且

和

均为列向量，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘；以及映射校正单元，用于将所述图核游走节点分布融合特征矩阵与所述资源协同特征矩阵进行矩阵相乘以得到所述校正后资源协同特征矩阵。

8.根据权利要求7所述的智慧社区资源管理系统，其特征在于，所述资源管理结果生成模块，包括：展开单元，用于将所述校正后资源协同特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

Images