CN116308221B - 一种基于人工智能的低碳奖章自动生成系统 - Google Patents
一种基于人工智能的低碳奖章自动生成系统 Download PDFInfo
- Publication number
- CN116308221B CN116308221B CN202310594759.6A CN202310594759A CN116308221B CN 116308221 B CN116308221 B CN 116308221B CN 202310594759 A CN202310594759 A CN 202310594759A CN 116308221 B CN116308221 B CN 116308221B
- Authority
- CN
- China
- Prior art keywords
- output
- feature
- module
- day
- time
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 148
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 86
- 230000005540 biological transmission Effects 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于人工智能的低碳奖章自动生成系统,属于电数字数据处理技术领域,本发明通过将绘图素材进行分类存储,从而便于系统寻找绘图素材,提取用户语义,从而获知用户需求,得到素材类型关键词,从绘图素材中选出符合用户需求的绘图素材,再根据碳排放数据,得到环保等级,从而将绘图素材与环保等级进行组合,得到低碳奖章,实现一种生成时间短,且同时满足用户需求的低碳奖章生成系统,在用户语义改变时,选择的绘图素材也一并改变,从而实现对低碳奖章的灵活调整。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种基于人工智能的低碳奖章自动生成系统。
背景技术
现有低碳奖章的设计方法一般有两种:第一种通过设计人员根据用户需求进行设计图案和内容,这种方式存在奖章设计时间长,效率低下的问题。第二种通过软件系统自动生成,通过将各种设计素材进行拼接,生成新的奖章。第二种低碳奖章生成方式虽然生成时间短,效率高,但其不满足客户需求,无法跟随客户需求进行随时灵活调整。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于人工智能的低碳奖章自动生成系统解决了现有低碳奖章生成系统存在无法同时满足生成时间短和客户需求的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于人工智能的低碳奖章自动生成系统,包括:绘图素材存储单元、语义提取单元、语义素材匹配单元、环保等级生成单元和低碳奖章组装单元;
所述绘图素材存储单元用于分类存储绘图素材;所述语义提取单元用于提取用户语义,得到素材类型;所述语义素材匹配单元用于从绘图素材中选出符合所述素材类型的绘图素材;所述环保等级生成单元用于根据碳排放数据,得到环保等级;所述低碳奖章组装单元用于将绘图素材和环保等级进行组装,得到低碳奖章。
进一步地,所述语义提取单元包括:向量化层、多个特征提取层、注意力层和文本转换层;
所述向量化层用于将用户需求转为词向量;所述特征提取层用于对词向量提取初次特征;所述注意力层用于对初次特征提取关键词特征;所述文本转换层用于将关键词特征转换成文本,得到素材类型。
上述进一步地方案的有益效果为:通过向量化层将用户需求转为词向量,通过多个特征提取层提取词向量的特征,再通过注意力层汇集并选择特征,得到关键词特征,通过文本转换层将提取的关键词特征转换成文本,得到素材类型,实现对用户需求的语义提取。
进一步地,所述特征提取层包括:特征选择模块、特征输入模块、特征传输模块和特征输出模块;
所述特征选择模块的输出端分别与特征传输模块的第一输入端和特征输出模块的第一输入端连接;所述特征输入模块的输出端分别与特征传输模块的第二输入端和特征输出模块的第二输入端连接;所述特征传输模块的输出端与特征输出模块的第三输入端连接。
上述进一步地方案的有益效果为:通过特征选择模块选择输入特征提取层的特征,再通过特征输入模块实现特征的输入,在特征传输模块处实现特征选择模块输出和特征输入模块输出的初次融合,在特征输出模块处实现特征选择模块输出、特征输入模块输出和特征传输模块输出的深度融合,实现特征有效提取。
进一步地,所述特征选择模块的表达式为:
,
其中,为特征选择模块第/>时刻的输出,/>为S形激活函数,/>为特征选择模块的权重,/>为特征选择模块的偏置,/>为第一比例系数,/>为对数函数,/>为特征提取层第/>时刻的输入,/>为特征提取层第/>时刻的输出,/>为自然对数。
上述进一步地方案的有益效果为:在特征选择模块中,先通过对数函数实现输入的线性放大,从而便于S形激活函数选择特征,特征选择模块的输入为特征提取层第时刻的输入/>和特征提取层的输出/>,对于第一个特征提取层,/>为向量化层的输出,对于后续特征提取层,/>为上一个特征提取层的特征传输模块的输出/>。本发明中还设计了两条反馈路线,第一条反馈路线:特征传输模块输出的/>与特征选择模块的输出/>相乘,记忆历史数据,第二条反馈路线,将特征提取层的输出/>在下一时刻重新输入到特征提取层,建立输入与输出的映射关系,根据当前时刻输出情况调整下一时刻的输出。
进一步地,所述特征输入模块的表达式为:
,
其中,为特征输入模块第/>时刻的输出,/>为双曲正切函数,/>为对数函数,为特征输入模块的权重,/>为特征输入模块的偏置,/>为特征提取层第/>时刻的输入,为特征提取层第/>时刻的输出,/>为第二比例系数,/>为自然对数。
上述进一步地方案的有益效果为:本发明通过对数函数对输入进行线性放大,从而使得特征显著,再对输入特征赋予权重和偏置,使其能灵活实现输入特征的调整,控制输入特征。
进一步地,所述特征传输模块的表达式为:
,
其中,为特征传输模块第/>时刻的输出,/>为特征输入模块第/>时刻的输出,/>为特征选择模块第/>时刻的输出,/>为特征传输模块第/>时刻的输出,/>为哈达玛积。
进一步地,所述特征输出模块的表达式为:
,
其中,为特征输出模块第/>时刻的输出,即特征提取层第/>时刻的输出,/>为特征选择模块第/>时刻的输出,/>为特征输入模块第/>时刻的输出,/>为双曲正切函数,/>为特征传输模块第/>时刻的输出,/>为哈达玛积。
进一步地,所述注意力层的表达式为:
,
其中,为注意力层第/>时刻的输出,/>为归一化函数,/>为第一注意力权重,/>为第二注意力权重,/>,/>为多个特征提取层输出的集合,/>为第1个特征提取层第/>时刻的输出,/>为第/>个特征提取层第/>时刻的输出,/>为第/>个特征提取层第/>时刻的输出,/>为特征提取层的数量,/>为S形激活函数,/>为双曲正切函数,/>为转置运算。
上述进一步地方案的有益效果为:在注意力层处,为了实现特征进一步精确提取,并对重要特征施加更多关注度,本发明选择双曲正切激活函数和S形激活函数分别对集合/>进行处理,并赋予不同权重,实现特征的选择,再对选择的特征与集合/>的转置相乘,实现特征在空间上融合,提高特征提取精度。
进一步地,所述语义素材匹配单元用于根据每个素材类型关键词,计算每个素材类型关键词与绘图素材的描述的相似度,在相似度高于阈值时,对应的绘图素材为符合所述素材类型的绘图素材,其中,相似度的计算公式为:
,
,
,
,
其中,为第/>个素材类型关键词的相似度,/>为第/>个素材类型关键词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第1个近义词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第/>个近义词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第/>个近义词出现在绘图素材的描述中的次数,/>为近义词的数量,/>为第/>个素材类型关键词的第/>个近义词的相似系数,/>为第/>个素材类型关键词的第1个近义词的相似系数,/>为第/>个素材类型关键词的第/>个近义词的相似系数,/>为第/>个素材类型关键词前的素材类型关键词是否出现在绘图素材的描述中的状态,若是,/>为1,若否,/>为0,/>为第/>个素材类型关键词后的素材类型关键词是否出现在绘图素材的描述中的状态,若是,/>为1,若否,/>为0,/>为自然对数,/>为对数函数,/>为寻找序列的最大值。
上述进一步地方案的有益效果为:本发明以素材类型关键词在绘图素材的描述中的出现次数作为最重要的评价标准,本发明采用指数函数来放大素材类型关键词出现次数的占比,同时以素材类型关键词的多个近义词来评判语义近似程度,通过来放大近义词的语义近似程度,并选出最大相似系数,从素材类型关键词本身以及近义词两方面衡量语义相似性,同时,若素材类型关键词前或后的关键词出现在绘图素材的描述中,则进一步地增加了相似性。
综上,本发明的有益效果为:本发明通过将绘图素材进行分类存储,从而便于系统寻找绘图素材,提取用户语义,从而获知用户需求,得到素材类型关键词,从绘图素材中选出符合用户需求的绘图素材,再根据碳排放数据,得到环保等级,从而将绘图素材与环保等级进行组合,得到低碳奖章,实现一种生成时间短,且同时满足用户需求的低碳奖章生成系统,在用户语义改变时,选择的绘图素材也一并改变,从而实现对低碳奖章的灵活调整。
附图说明
图1为一种基于人工智能的低碳奖章自动生成系统的系统框图;
图2为语义提取单元的结构示意图;
图3为特征提取层的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于人工智能的低碳奖章自动生成系统,包括:绘图素材存储单元、语义提取单元、语义素材匹配单元、环保等级生成单元和低碳奖章组装单元;
所述绘图素材存储单元用于分类存储绘图素材;所述语义提取单元用于提取用户语义,得到素材类型;所述语义素材匹配单元用于从绘图素材中选出符合所述素材类型的绘图素材;所述环保等级生成单元用于根据碳排放数据,得到环保等级;所述低碳奖章组装单元用于将绘图素材和环保等级进行组装,得到低碳奖章。
在本实施例中,本发明中分类存储的绘图素材包括:奖章轮廓、奖章标识、奖章图案和奖章背景等,在存储时,对其加上对应的文字描述,描述出其图案特征和包含的设计元素。
在本实施例中,本发明设计的系统适用于对于各个企业发放低碳奖章,根据企业的碳排放数据,得到对应的环保等级,将环保等级与绘图素材进行融合或者拼接,则可以快速生成低碳奖章。
如图2所示,所述语义提取单元包括:向量化层、多个特征提取层、注意力层和文本转换层;
所述向量化层用于将用户需求转为词向量;所述特征提取层用于对词向量提取初次特征;所述注意力层用于对初次特征提取关键词特征;所述文本转换层用于将关键词特征转换成文本,得到素材类型。
在本实施例中,向量化层为将用户的文字转为词向量,文本转换层为将提取的词向量转换为文本。
本发明通过向量化层将用户需求转为词向量,通过多个特征提取层提取词向量的特征,再通过注意力层汇集并选择特征,得到关键词特征,通过文本转换层将提取的关键词特征转换成文本,得到素材类型,实现对用户需求的语义提取。
如图3所示,所述特征提取层包括:特征选择模块、特征输入模块、特征传输模块和特征输出模块;
所述特征选择模块的输出端分别与特征传输模块的第一输入端和特征输出模块的第一输入端连接;所述特征输入模块的输出端分别与特征传输模块的第二输入端和特征输出模块的第二输入端连接;所述特征传输模块的输出端与特征输出模块的第三输入端连接。
本发明通过特征选择模块选择输入特征提取层的特征,再通过特征输入模块实现特征的输入,在特征传输模块处实现特征选择模块输出和特征输入模块输出的初次融合,在特征输出模块处实现特征选择模块输出、特征输入模块输出和特征传输模块输出的深度融合,实现特征有效提取。
所述特征选择模块的表达式为:
,
其中,为特征选择模块第/>时刻的输出,/>为S形激活函数,/>为特征选择模块的权重,/>为特征选择模块的偏置,/>为第一比例系数,/>为对数函数,/>为特征提取层第/>时刻的输入,/>为特征提取层第/>时刻的输出,/>为自然对数。
在特征选择模块中,先通过对数函数实现输入的线性放大,从而便于S形激活函数选择特征,特征选择模块的输入为特征提取层第时刻的输入/>和特征提取层的输出/>,对于第一个特征提取层,/>为向量化层的输出,对于后续特征提取层,/>为上一个特征提取层的特征传输模块的输出/>。本发明中还设计了两条反馈路线,第一条反馈路线:特征传输模块输出的/>与特征选择模块的输出/>相乘,记忆历史数据,第二条反馈路线,将特征提取层的输出/>在下一时刻重新输入到特征提取层,建立输入与输出的映射关系,根据当前时刻输出情况调整下一时刻的输出。
所述特征输入模块的表达式为:
,
其中,为特征输入模块第/>时刻的输出,/>为双曲正切函数,/>为对数函数,为特征输入模块的权重,/>为特征输入模块的偏置,/>为特征提取层第/>时刻的输入,为特征提取层第/>时刻的输出,/>为第二比例系数,/>为自然对数。
本发明通过对数函数对输入进行线性放大,从而使得特征显著,再对输入特征赋予权重和偏置,使其能灵活实现输入特征的调整,控制输入特征。
所述特征传输模块的表达式为:
,
其中,为特征传输模块第/>时刻的输出,/>为特征输入模块第/>时刻的输出,/>为特征选择模块第/>时刻的输出,/>为特征传输模块第/>时刻的输出,/>为哈达玛积。
所述特征输出模块的表达式为:
,
其中,为特征输出模块第/>时刻的输出,即特征提取层第/>时刻的输出,/>为特征选择模块第/>时刻的输出,/>为特征输入模块第/>时刻的输出,/>为双曲正切函数,/>为特征传输模块第/>时刻的输出,/>为哈达玛积。
所述注意力层的表达式为:
,
其中,为注意力层第/>时刻的输出,/>为归一化函数,/>为第一注意力权重,/>为第二注意力权重,/>,/>为多个特征提取层输出的集合,/>为第1个特征提取层第/>时刻的输出,/>为第/>个特征提取层第/>时刻的输出,/>为第/>个特征提取层第/>时刻的输出,/>为特征提取层的数量,/>为S形激活函数,/>为双曲正切函数,/>为转置运算。
在注意力层处,为了实现特征进一步精确提取,并对重要特征施加更多关注度,本发明选择双曲正切激活函数和S形激活函数/>分别对集合/>进行处理,并赋予不同权重,实现特征的选择,再对选择的特征与集合/>的转置相乘,实现特征在空间上融合,提高特征提取精度。
如图2所示,向量化层的输出输入到第一个特征提取层中,后续特征提取层的输出作为下一个特征提取层的输入,即第一特征提取层的输入包括:向量化层的输出和第一特征提取层的输出;后续特征提取层的输入包括:上一个特征提取层的输出和自身的输出。
第一特征提取层的输出在自身中循环,其他特征提取层的输出/>一方面在自身中循环,另一方面流入下一个特征提取层。
所述语义素材匹配单元用于根据每个素材类型关键词,计算每个素材类型关键词与绘图素材的描述的相似度,在相似度高于阈值时,对应的绘图素材为符合所述素材类型的绘图素材,其中,相似度的计算公式为:
,
,
,
,
其中,为第/>个素材类型关键词的相似度,/>为第/>个素材类型关键词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第1个近义词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第/>个近义词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第/>个近义词出现在绘图素材的描述中的次数,/>为近义词的数量,/>为第/>个素材类型关键词的第/>个近义词的相似系数,/>为第/>个素材类型关键词的第1个近义词的相似系数,/>为第/>个素材类型关键词的第/>个近义词的相似系数,/>为第/>个素材类型关键词前的素材类型关键词是否出现在绘图素材的描述中的状态,若是,/>为1,若否,/>为0,/>为第/>个素材类型关键词后的素材类型关键词是否出现在绘图素材的描述中的状态,若是,/>为1,若否,/>为0,/>为自然对数,/>为对数函数,/>为寻找序列的最大值。
本发明以素材类型关键词在绘图素材的描述中的出现次数作为最重要的评价标准,本发明采用指数函数来放大素材类型关键词出现次数的占比,同时以素材类型关键词的多个近义词来评判语义近似程度,通过来放大近义词的语义近似程度,并选出最大相似系数,从素材类型关键词本身以及近义词两方面衡量语义相似性,同时,若素材类型关键词前或后的关键词出现在绘图素材的描述中,则进一步地增加了相似性。
综上,本发明实施例的有益效果为:本发明通过将绘图素材进行分类存储,从而便于系统寻找绘图素材,提取用户语义,从而获知用户需求,得到素材类型关键词,从绘图素材中选出符合用户需求的绘图素材,再根据碳排放数据,得到环保等级,从而将绘图素材与环保等级进行组合,得到低碳奖章,实现一种生成时间短,且同时满足用户需求的低碳奖章生成系统,在用户语义改变时,选择的绘图素材也一并改变,从而实现对低碳奖章的灵活调整。
以上仅为本发明的优选实施例而已,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 (8)
1.一种基于人工智能的低碳奖章自动生成系统,其特征在于,包括:绘图素材存储单元、语义提取单元、语义素材匹配单元、环保等级生成单元和低碳奖章组装单元;
所述绘图素材存储单元用于分类存储绘图素材;所述语义提取单元用于提取用户语义,得到素材类型;所述语义素材匹配单元用于从绘图素材中选出符合所述素材类型的绘图素材;所述环保等级生成单元用于根据碳排放数据,得到环保等级;所述低碳奖章组装单元用于将绘图素材和环保等级进行组装,得到低碳奖章;
所述语义素材匹配单元用于根据每个素材类型关键词,计算每个素材类型关键词与绘图素材的描述的相似度,在相似度高于阈值时,对应的绘图素材为符合所述素材类型的绘图素材,其中,相似度的计算公式为:
,
,
,
,
其中,为第/>个素材类型关键词的相似度,/>为第/>个素材类型关键词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第1个近义词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第/>个近义词出现在绘图素材的描述中的次数,/>为第/>个素材类型关键词的第/>个近义词出现在绘图素材的描述中的次数,/>为近义词的数量,/>为第/>个素材类型关键词的第/>个近义词的相似系数,/>为第/>个素材类型关键词的第1个近义词的相似系数,/>为第/>个素材类型关键词的第/>个近义词的相似系数,/>为第/>个素材类型关键词前的素材类型关键词是否出现在绘图素材的描述中的状态,若是,/>为1,若否,/>为0,/>为第/>个素材类型关键词后的素材类型关键词是否出现在绘图素材的描述中的状态,若是,/>为1,若否,/>为0,/>为自然对数,/>为对数函数,/>为寻找序列的最大值。
2.根据权利要求1所述的基于人工智能的低碳奖章自动生成系统,其特征在于,所述语义提取单元包括:向量化层、多个特征提取层、注意力层和文本转换层;
所述向量化层用于将用户需求转为词向量;所述特征提取层用于对词向量提取初次特征;所述注意力层用于对初次特征提取关键词特征;所述文本转换层用于将关键词特征转换成文本,得到素材类型。
3.根据权利要求2所述的基于人工智能的低碳奖章自动生成系统,其特征在于,所述特征提取层包括:特征选择模块、特征输入模块、特征传输模块和特征输出模块;
所述特征选择模块的输出端分别与特征传输模块的第一输入端和特征输出模块的第一输入端连接;所述特征输入模块的输出端分别与特征传输模块的第二输入端和特征输出模块的第二输入端连接;所述特征传输模块的输出端与特征输出模块的第三输入端连接。
4.根据权利要求3所述的基于人工智能的低碳奖章自动生成系统,其特征在于,所述特征选择模块的表达式为:
,
其中,为特征选择模块第/>时刻的输出,/>为S形激活函数,/>为特征选择模块的权重,/>为特征选择模块的偏置,/>为第一比例系数,/>为对数函数,/>为特征提取层第/>时刻的输入,/>为特征提取层第/>时刻的输出,/>为自然对数。
5.根据权利要求3所述的基于人工智能的低碳奖章自动生成系统,其特征在于,所述特征输入模块的表达式为:
,
其中,为特征输入模块第/>时刻的输出,/>为双曲正切函数,/>为对数函数,/>为特征输入模块的权重,/>为特征输入模块的偏置,/>为特征提取层第/>时刻的输入,/>为特征提取层第/>时刻的输出,/>为第二比例系数,/>为自然对数。
6.根据权利要求3所述的基于人工智能的低碳奖章自动生成系统,其特征在于,所述特征传输模块的表达式为:
,
其中,为特征传输模块第/>时刻的输出,/>为特征输入模块第/>时刻的输出,/>为特征选择模块第/>时刻的输出,/>为特征传输模块第/>时刻的输出,/>为哈达玛积。
7.根据权利要求3所述的基于人工智能的低碳奖章自动生成系统,其特征在于,所述特征输出模块的表达式为:
,
其中,为特征输出模块第/>时刻的输出,即特征提取层第/>时刻的输出,/>为特征选择模块第/>时刻的输出,/>为特征输入模块第/>时刻的输出,/>为双曲正切函数,/>为特征传输模块第/>时刻的输出,/>为哈达玛积。
8.根据权利要求2所述的基于人工智能的低碳奖章自动生成系统,其特征在于,所述注意力层的表达式为:
,
其中,为注意力层第/>时刻的输出,/>为归一化函数,/>为第一注意力权重,/>为第二注意力权重,/>,/>为多个特征提取层输出的集合,/>为第1个特征提取层第/>时刻的输出,/>为第/>个特征提取层第/>时刻的输出,/>为第/>个特征提取层第/>时刻的输出,/>为特征提取层的数量,/>为S形激活函数,/>为双曲正切函数,/>为转置运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594759.6A CN116308221B (zh) | 2023-05-25 | 2023-05-25 | 一种基于人工智能的低碳奖章自动生成系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594759.6A CN116308221B (zh) | 2023-05-25 | 2023-05-25 | 一种基于人工智能的低碳奖章自动生成系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308221A CN116308221A (zh) | 2023-06-23 |
CN116308221B true CN116308221B (zh) | 2023-07-21 |
Family
ID=86817212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310594759.6A Active CN116308221B (zh) | 2023-05-25 | 2023-05-25 | 一种基于人工智能的低碳奖章自动生成系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308221B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681042B (zh) * | 2023-08-01 | 2023-10-10 | 成都信通信息技术有限公司 | 基于关键字提取的内容概要生成方法、系统及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1802658A (zh) * | 2002-11-26 | 2006-07-12 | 阿格塞特国际公开公司 | 创建、收集及转让环境排放减少的系统和方法 |
WO2015007036A1 (zh) * | 2013-07-17 | 2015-01-22 | 江苏国信合成革有限公司 | 水性生态汽车内饰用面料及其制备方法 |
CN105279186A (zh) * | 2014-07-17 | 2016-01-27 | 腾讯科技(深圳)有限公司 | 一种图像处理方法和系统 |
CN107133210A (zh) * | 2017-04-20 | 2017-09-05 | 中国科学院上海高等研究院 | 方案文本生成方法及系统 |
CN109271489A (zh) * | 2018-10-25 | 2019-01-25 | 第四范式(北京)技术有限公司 | 一种文本检测方法及装置 |
CN110532571A (zh) * | 2017-09-12 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 文本处理方法及相关装置 |
CN112445813A (zh) * | 2020-12-01 | 2021-03-05 | 深圳市中博科创信息技术有限公司 | 一种企业服务门户平台搜索语义分析方法 |
CN114971730A (zh) * | 2022-06-02 | 2022-08-30 | 广州欢聚时代信息科技有限公司 | 文案素材提取方法及其装置、设备、介质、产品 |
CN114998484A (zh) * | 2022-05-27 | 2022-09-02 | 中国平安人寿保险股份有限公司 | 音视频生成方法、装置、计算机设备及存储介质 |
CN115115745A (zh) * | 2022-06-24 | 2022-09-27 | 北京华录新媒信息技术有限公司 | 自主创作型的数字艺术的生成方法、系统、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8122026B1 (en) * | 2006-10-20 | 2012-02-21 | Google Inc. | Finding and disambiguating references to entities on web pages |
-
2023
- 2023-05-25 CN CN202310594759.6A patent/CN116308221B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1802658A (zh) * | 2002-11-26 | 2006-07-12 | 阿格塞特国际公开公司 | 创建、收集及转让环境排放减少的系统和方法 |
WO2015007036A1 (zh) * | 2013-07-17 | 2015-01-22 | 江苏国信合成革有限公司 | 水性生态汽车内饰用面料及其制备方法 |
CN105279186A (zh) * | 2014-07-17 | 2016-01-27 | 腾讯科技(深圳)有限公司 | 一种图像处理方法和系统 |
CN107133210A (zh) * | 2017-04-20 | 2017-09-05 | 中国科学院上海高等研究院 | 方案文本生成方法及系统 |
CN110532571A (zh) * | 2017-09-12 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 文本处理方法及相关装置 |
CN109271489A (zh) * | 2018-10-25 | 2019-01-25 | 第四范式(北京)技术有限公司 | 一种文本检测方法及装置 |
CN112445813A (zh) * | 2020-12-01 | 2021-03-05 | 深圳市中博科创信息技术有限公司 | 一种企业服务门户平台搜索语义分析方法 |
CN114998484A (zh) * | 2022-05-27 | 2022-09-02 | 中国平安人寿保险股份有限公司 | 音视频生成方法、装置、计算机设备及存储介质 |
CN114971730A (zh) * | 2022-06-02 | 2022-08-30 | 广州欢聚时代信息科技有限公司 | 文案素材提取方法及其装置、设备、介质、产品 |
CN115115745A (zh) * | 2022-06-24 | 2022-09-27 | 北京华录新媒信息技术有限公司 | 自主创作型的数字艺术的生成方法、系统、存储介质及电子设备 |
Non-Patent Citations (4)
Title |
---|
A review of low carbon fuel policies: Principles, program status and future directions;Sonia Yeh 等;《Energy Policy》;第97卷;第220-234页 * |
Research on automatic labeling of imbalanced texts of customer complaints based on text enhancement and layer-by-layer semantic matchin;XiaoboTang 等;《Scientific Reports》;第11卷;第1-11页 * |
基于自然语言理解的可对话视频树制作平台研究;李怡菲;《中国优秀硕士学位论文全文数据库 信息科技辑》(第4期);第I138-1545页 * |
基于语义的中文文本关键词提取算法;王立霞 等;《计算机工程》;第38卷(第1期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116308221A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116308221B (zh) | 一种基于人工智能的低碳奖章自动生成系统 | |
Berry et al. | Email surveillance using non-negative matrix factorization | |
CN110263160B (zh) | 一种计算机问答系统中的问句分类方法 | |
CN108304372A (zh) | 实体提取方法和装置、计算机设备和存储介质 | |
CN109325132A (zh) | 专家知识推荐方法、装置、计算机设备及存储介质 | |
CN110782346B (zh) | 一种基于关键字特征提取和注意力的智能合约分类方法 | |
US11024326B2 (en) | Interest determination system, interest determination method, and storage medium | |
CN109035001A (zh) | 智能语音应答处理方法及系统 | |
CN113204627B (zh) | 利用DialoGPT作为特征标注器的对话摘要生成系统 | |
CN113158687B (zh) | 语义的消歧方法及装置、存储介质、电子装置 | |
CN110222192A (zh) | 语料库建立方法及装置 | |
CN110781679A (zh) | 一种基于关联语义链网络的新闻事件关键词挖掘方法 | |
CN103678336A (zh) | 实体词识别方法及装置 | |
CN115880120A (zh) | 一种在线政务服务系统及服务方法 | |
CN112328735A (zh) | 热点话题确定方法、装置及终端设备 | |
CN111611395A (zh) | 一种实体关系的识别方法及装置 | |
Wang et al. | Joint Learning on Relevant User Attributes in Micro-blog. | |
Ekbal et al. | Weighted vote based classifier ensemble selection using genetic algorithm for named entity recognition | |
CN113761192A (zh) | 文本处理方法、文本处理装置及文本处理设备 | |
CN109635289B (zh) | 词条分类方法及审计信息抽取方法 | |
CN110928990B (zh) | 一种基于用户画像专用于电力设备台账数据推荐的方法 | |
CN114358736A (zh) | 客服工单生成方法、装置、存储介质和电子设备 | |
Li et al. | Classification of mobile APPs with combined information | |
CN116775849B (zh) | 一种线上问题处理系统及方法 | |
Long et al. | Wordnet-based lexical semantic classification for text corpus analysis |
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 |