CN116401308B - 用于移动控制端的数据展示切换方法及系统 - Google Patents
用于移动控制端的数据展示切换方法及系统 Download PDFInfo
- Publication number
- CN116401308B CN116401308B CN202310378874.XA CN202310378874A CN116401308B CN 116401308 B CN116401308 B CN 116401308B CN 202310378874 A CN202310378874 A CN 202310378874A CN 116401308 B CN116401308 B CN 116401308B
- Authority
- CN
- China
- Prior art keywords
- training
- matching data
- semantic understanding
- data
- feature vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims description 243
- 238000012549 training Methods 0.000 claims description 125
- 239000011159 matrix material Substances 0.000 claims description 90
- 238000009826 distribution Methods 0.000 claims description 41
- 238000009877 rendering Methods 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 41
- 230000004927 fusion Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/14—Session management
- H04L67/141—Setup of application sessions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/16—Implementation or adaptation of Internet protocol [IP], of transmission control protocol [TCP] or of user datagram protocol [UDP]
- H04L69/161—Implementation details of TCP/IP or UDP/IP stack architecture; Specification of modified or new header fields
- H04L69/162—Implementation details of TCP/IP or UDP/IP stack architecture; Specification of modified or new header fields involving adaptations of sockets based mechanisms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/22—Parsing or analysis of headers
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请涉及数据领域,其具体地公开了一种用于移动控制端的数据展示切换方法及系统,其通过采用基于深度学习的神经网络模型挖掘出解析参数语义理解特征与数据库备选匹配数据的语义理解特征之间的关联性特征信息以此来精准地进行备选匹配数据的检索,从而提高检索的匹配精准度,优化用户需求匹配的质量,满足用户的深层检索需求。
Description
技术领域
本申请涉及数据领域,且更为具体地,涉及一种用于移动控制端的数据展示切换方法及系统。
背景技术
移动控制端是指能够通过移动设备进行远程控制的终端设备,如智能手机、平板电脑等。移动控制端在大屏幕展示中扮演着重要的角色,通过移动设备可以实时控制大屏幕的展示内容,从而满足不同场景下的需求,例如会议、展示、演出等等。
然而,在传统的移动设备控制数据展示切换方案中,往往需要用户手动切换界面或菜单,导致用户需要在不同的界面和菜单之间来回切换,降低了用户的操作效率和使用体验。并且,传统方案无法根据用户的使用行为和数据需求自动切换展示内容,需要用户自己手动切换展示内容,缺乏智能化和个性化的用户体验。
因此,期望一种优化的用于移动控制端的数据展示切换方案。
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用于移动控制端的数据展示切换方法及系统,其通过采用基于深度学习的神经网络模型挖掘出解析参数语义理解特征与数据库备选匹配数据的语义理解特征之间的关联性特征信息以此来精准地进行备选匹配数据的检索,从而提高检索的匹配精准度,优化用户需求匹配的质量,满足用户的深层检索需求。
根据本申请的一个方面,提供了一种用于移动控制端的数据展示切换方法,其包括:
前端使用WebSocket的WebSocket API与后端服务器端建立连接;
所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型;
所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据;
所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;以及
根据渲染方式,将所述备选匹配数据渲染到页面上。
在上述用于移动控制端的数据展示切换方法中,所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据,包括:对所述WebSocket请求进行解析以得到所述解析参数的序列;将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量;从后台数据库提取第一备选匹配数据;将所述第一备选匹配数据通过所述包含词嵌入层的上下文编码器以得到备选匹配数据语义理解特征向量;计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;以及,将所述分类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返回所述第一备选匹配数据。
在上述用于移动控制端的数据展示切换方法中,将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量,包括:使用所述包含嵌入层的上下文编码器的嵌入层分别将所述解析参数的序列中各个解析参数映射为解析参数嵌入向量以得到解析参数嵌入向量的序列;使用所述包含嵌入层的上下文编码器的转换器对所述解析参数嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义解析参数特征向量;以及,将所述多个全局上下文语义解析参数特征向量进行级联以得到所述解析参数语义理解特征向量。
在上述用于移动控制端的数据展示切换方法中,使用所述包含嵌入层的上下文编码器的转换器对所述解析参数嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义解析参数特征向量,包括:将所述解析参数嵌入向量的序列进行一维排列以得到全局解析参数特征向量;计算所述全局解析参数特征向量与所述解析参数嵌入向量的序列中各个解析参数嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述解析参数嵌入向量的序列中各个解析参数嵌入向量进行加权以得到所述多个上下文语义解析参数特征向量;以及,将所述多个上下文语义解析参数特征向量进行级联以得到所述多个全局上下文语义解析参数特征向量。
在上述用于移动控制端的数据展示切换方法中,将所述第一备选匹配数据通过所述包含词嵌入层的上下文编码器以得到备选匹配数据语义理解特征向量,包括:对所述第一备选匹配数据进行分词处理以将所述第一备选匹配数据转化为由多个词组成的词序列;使用所述包含嵌入层的上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述备选匹配数据语义理解特征向量。
在上述用于移动控制端的数据展示切换方法中,计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵,包括:以如下公式计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;其中,所述公式为:其中Vc表示所述解析参数语义理解特征向量,V表示所述备选匹配数据语义理解特征向量,M表示所述分类特征矩阵。
在上述用于移动控制端的数据展示切换方法中,还包括对所述包含词嵌入层的上下文编码器和所述分类器进行训练;其中,对所述包含词嵌入层的上下文编码器和所述分类器进行训练,包括:获取训练数据,所述训练数据包括训练WebSocket请求,以及,所述是否返回第一备选匹配数据的真实值;对所述训练WebSocket请求进行解析以得到训练解析参数的序列;将所述训练解析参数的序列通过所述包含词嵌入层的上下文编码器以得到训练解析参数语义理解特征向量;从所述后台数据库提取第一训练备选匹配数据;将所述第一训练备选匹配数据通过所述包含词嵌入层的上下文编码器以得到训练备选匹配数据语义理解特征向量;计算所述训练解析参数语义理解特征向量相对于所述训练备选匹配数据语义理解特征向量的转移矩阵作为训练分类特征矩阵;将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的概率分布移位信息补偿损失函数值;以及,以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器和所述分类器进行训练。
在上述用于移动控制端的数据展示切换方法中,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值,包括:使用所述分类器以如下公式对所述训练分类特征矩阵进行处理以获得分类损失函数值,其中,所述公式为:O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述训练分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。
在上述用于移动控制端的数据展示切换方法中,计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的概率分布移位信息补偿损失函数值,包括:以如下优化公式计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的所述概率分布移位信息补偿损失函数值;其中,所述优化公式为:
其中,V1和V2分别是所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量,softmax(·)表示softmax函数,bool(·)表示bool函数,log表示以2为底的对数函数值,τ1和τ2为移位补偿超参数,且α为加权超参数,表示所述概率分布移位信息补偿损失函数值。
根据本申请的另一方面,提供了一种用于移动控制端的数据展示切换系统,其包括:
连接建立模块,用于前端使用WebSocket的WebSocket API与后端服务器端建立连接;
第一WebSocket模块,用于所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型;
数据获取模块,用于所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据;
第二WebSocket模块,用于所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;以及
备选匹配数据渲染模块,用于根据渲染方式,将所述备选匹配数据渲染到页面上。
与现有技术相比,本申请提供的一种用于移动控制端的数据展示切换方法及系统,其通过采用基于深度学习的神经网络模型挖掘出解析参数语义理解特征与数据库备选匹配数据的语义理解特征之间的关联性特征信息以此来精准地进行备选匹配数据的检索,从而提高检索的匹配精准度,优化用户需求匹配的质量,满足用户的深层检索需求。
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用于移动控制端的数据展示切换方法中推断阶段的流程图;
图2为根据本申请实施例的用于移动控制端的数据展示切换方法中训练阶段的流程图;
图3为根据本申请实施例的用于移动控制端的数据展示切换方法中推断阶段的架构示意图;
图4为根据本申请实施例的用于移动控制端的数据展示切换方法中训练阶段的架构示意图;
图5为根据本申请实施例的用于移动控制端的数据展示切换方法中备选匹配数据查询的流程图;
图6为根据本申请实施例的用于移动控制端的数据展示切换方法中上下文编码的流程图;
图7为根据本申请实施例的用于移动控制端的数据展示切换系统的框图。
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。
场景概述
如上所述,在传统的移动端控制数据展示切换方案中,往往需要用户手动切换界面或菜单,导致用户需要在不同的界面和菜单之间来回切换,降低了用户的操作效率和使用体验。并且,传统方案无法根据用户的使用行为和数据需求自动切换展示内容,需要用户自己手动切换展示内容,缺乏智能化和个性化的用户体验。因此,期望一种优化的用于移动控制端的数据展示切换方案。
具体地,在本申请的技术方案中,提出了一种用于移动控制端的数据展示切换方案,其包括:在前端代码中使用WebSocket API建立与服务器的连接;前端通过WebSocket发送数据展示切换的请求到服务器端,这个请求通常会包含需要展示的数据范围、数据类型、以及其他参数;服务器端接收到WebSocket请求后,解析请求的参数,并根据参数从数据库中查询相应的数据;服务器将查询到的数据通过WebSocket发送给前端;前端收到服务器发送的数据后,根据展示方式将数据渲染到页面上,例如,可以根据请求参数展示地图、列表、图表等不同的展示方式;当需要切换数据展示方式时,前端再次发送WebSocket请求到服务器,重复以上步骤。应可以理解,值得注意的是,WebSocket是一种基于TCP协议的双向通信协议,它可以在前端和服务器之间建立持久化的连接,减少了HTTP协议中不必要的请求和响应,从而提高了数据的传输效率和实时性。
相应地,考虑到在服务器端接收到WebSocket请求后,精准地进行请求参数的解析,并根据参数精准地从数据库中查询相应的数据是保证数据展示准确率的关键。因此,为了能够提高检索的匹配精准度,以此来优化用户需求匹配的质量,以满足用户的深层检索需求,在本申请的技术方案中,期望通过对解析后参数数据和数据库的备选匹配数据进行语义理解,以此来进行解析参数语义特征和数据库备选匹配数据语义特征的特征匹配表达。在此过程中,难点在于如何进行所述解析参数语义理解特征与数据库备选匹配数据的语义理解特征之间的关联性特征的充分表达,以此
来精准地进行备选匹配数据的检索,从而提高检索的匹配精准度,优化用户需求匹配的质量,满足用户的深层检索需求。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述解析参数语义理解特征与数据库备选匹配数据的语义理解特征之间的关联性特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,对获取的WebSocket请求进行解析以得到解析参数的序列,并且,从后台数据库提取第一备选匹配数据。特别地,在本申请的一个具体示例中,若根据请求参数展示地图方式,即在地图上展示位置点,那么从后台数据库中查询的第一备选匹配数据可能包括经纬度、位置描述,以及其他可用于标记和展示的信息。
接着,考虑到在所述解析参数的序列和所述第一备选匹配数据都是由多组词和数据组成的,也就是说,通过使用多组词和数据的形式来描述所述解析参数的序列和所述第一备选匹配数据,并且各个词和数据之间具有着上下文的语义关联关系。因此,为了能够充分地进行所述解析参数的序列和所述第一备选匹配数据的语义特征表达,在本申请的技术方案中,进一步将所述解析参数的序列和所述第一备选匹配数据分别通过包含词嵌入层的上下文编码器中进行编码,以此来分别提取出所述解析参数的序列和所述第一备选匹配数据中基于全局的上下文语义关联特征信息,从而得到解析参数语义理解特征向量和备选匹配数据语义理解特征向量。
然后,计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵,以此来表示所述解析参数的序列的语义理解特征和所述第一备选匹配数据的语义理解特征之间的关联性特征分布信息,也就是,所述解析参数的序列和所述第一备选匹配数据之间的语义匹配程度特征信息,并以此作为分类特征矩阵通过分类器中进行分类处理,进而利用所述解析参数的序列和所述第一备选匹配数据之间的语义匹配程度来完成所述第一备选匹配数据的检索匹配判断评估,从而得到用于表示是否返回所述第一备选匹配数据的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括返回所述第一备选匹配数据(第一标签),以及,部返回所述第一备选匹配数据(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否返回所述第一备选匹配数据”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否返回所述第一备选匹配数据的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否返回所述第一备选匹配数据”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否返回所述第一备选匹配数据判断评估标签,因此,在得到所述分类结果后,可基于所述分类结果来进行数据库中的备选匹配数据的检索,以优化用户需求匹配的质量,满足用户的深层检索需求。
特别地,在本申请的技术方案中,这里,在计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为所述分类特征矩阵时,实质上所述分类特征矩阵表达的是所述解析参数语义理解特征向量和所述备选匹配数据语义理解特征向量之间的特征分布的域转移融合,由此,在所述解析参数语义理解特征向量和所述备选匹配数据语义理解特征向量的特征分布融合的情况下,其各自的特征分布在模型的参数空间内后向传播通过分类器时,会遇到各自的特征表达信息的退化问题。
基于此,本申请的申请人引入针对所述解析参数语义理解特征向量,例如记为V1和所述备选匹配数据语义理解特征向量,例如记为V2的概率分布移位信息补偿损失函数,表示为:
其中,τ1和τ2为移位补偿超参数,且α为加权超参数。
这里,基于Softmax函数从所述解析参数语义理解特征向量V1和所述备选匹配数据语义理解特征向量V2分别得到的类概率值本身会对于各自的特征分布遵循概率分布,使用所述概率分布移位信息补偿损失函数来对所述解析参数语义理解特征向量V1和所述备选匹配数据语义理解特征向量V2的特征表示的概率分布的移位来进行信息补偿,并通过bool函数来使得补偿带来的交叉信息熵最大化,这样,可以使得融合后的所述分类特征矩阵的特征分布能够最大程度地还原融合前的所述解析参数语义理解特征向量和所述备选匹配数据语义理解特征向量的特征表达信息,从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够精准地进行备选匹配数据的检索,提高检索的匹配精准度,优化用户需求匹配的质量,满足用户的深层检索需求。
基于此,本申请提出了一种用于移动控制端的数据展示切换方法,其包括:前端使用WebSocket的WebSocket API与后端服务器端建立连接;所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型;所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据;所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;以及,根据渲染方式,将所述备选匹配数据渲染到页面上。
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。
示例性方法
图1为根据本申请实施例的用于移动控制端的数据展示切换方法中推断阶段的流程图。如图1所示,根据本申请实施例的用于移动控制端的数据展示切换方法,包括:推断阶段,包括:S110,前端使用WebSocket的WebSocket API与后端服务器端建立连接;S120,所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型;S130,所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据;S140,所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;以及,S150,根据渲染方式,将所述备选匹配数据渲染到页面上。
图3为根据本申请实施例的用于移动控制端的数据展示切换方法中推断阶段的架构示意图。如图3所示,在推断阶段中,在该网络结构中,首先,前端使用WebSocket的WebSocket API与后端服务器端建立连接;接着,所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型;然后,所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据;所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;进而,根据渲染方式,将所述备选匹配数据渲染到页面上。
具体地,在步骤S110和步骤S120中,前端使用WebSocket的WebSocket API与后端服务器端建立连接;所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型。也就是,在前端代码中使用WebSocketAPI建立与服务器的连接;前端通过WebSocket发送数据展示切换的请求到服务器端,这个请求通常会包含需要展示的数据范围、数据类型、以及其他参数。
具体地,在步骤S130中,所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据。也就是,服务器端接收到WebSocket请求后,解析请求的参数,并根据参数从数据库中查询相应的数据。考虑到在服务器端接收到WebSocket请求后,精准地进行请求参数的解析,并根据参数精准地从数据库中查询相应的数据是保证数据展示准确率的关键。因此,为了能够提高检索的匹配精准度,以此来优化用户需求匹配的质量,以满足用户的深层检索需求,在本申请的技术方案中,可通过对解析后参数数据和数据库的备选匹配数据进行语义理解,以此来进行解析参数语义特征和数据库备选匹配数据语义特征的特征匹配表达。
图5为根据本申请实施例的用于移动控制端的数据展示切换方法中备选匹配数据查询的流程图。如图5所示,在所述备选匹配数据查询过程中,包括:S210,对所述WebSocket请求进行解析以得到所述解析参数的序列;S220,将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量;S230,从后台数据库提取第一备选匹配数据;S240,将所述第一备选匹配数据通过所述包含词嵌入层的上下文编码器以得到备选匹配数据语义理解特征向量;S250,计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;以及,S260,将所述分类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返回所述第一备选匹配数据。
更具体地,在步骤S210和S220中,对所述WebSocket请求进行解析以得到所述解析参数的序列;并将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量。考虑到所述解析参数的序列是由多组词和数据组成的,也就是说,可以通过使用多组词和数据的形式来描述所述解析参数的序列,并且各个词和数据之间具有着上下文的语义关联关系。因此,为了能够充分地进行所述解析参数的序列的语义特征表达,在本申请的技术方案中,进一步将所述解析参数的序列通过包含词嵌入层的上下文编码器中进行编码,以此来提取出所述解析参数的序列和所述第一备选匹配数据中基于全局的上下文语义关联特征信息,从而得到解析参数语义理解特征向量。
图6为根据本申请实施例的用于移动控制端的数据展示切换方法中上下文编码的流程图。如图6所示,在所述上下文编码过程中,包括:S310,使用所述包含嵌入层的上下文编码器的嵌入层分别将所述解析参数的序列中各个解析参数映射为解析参数嵌入向量以得到解析参数嵌入向量的序列;S320,使用所述包含嵌入层的上下文编码器的转换器对所述解析参数嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义解析参数特征向量;以及,S330,将所述多个全局上下文语义解析参数特征向量进行级联以得到所述解析参数语义理解特征向量。更具体地,所述S320,包括:将所述解析参数嵌入向量的序列进行一维排列以得到全局解析参数特征向量;计算所述全局解析参数特征向量与所述解析参数嵌入向量的序列中各个解析参数嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述解析参数嵌入向量的序列中各个解析参数嵌入向量进行加权以得到所述多个上下文语义解析参数特征向量;以及,将所述多个上下文语义解析参数特征向量进行级联以得到所述多个全局上下文语义解析参数特征向量。
更具体地,在步骤S230和S240中,从后台数据库提取第一备选匹配数据;并将所述第一备选匹配数据通过所述包含词嵌入层的上下文编码器以得到备选匹配数据语义理解特征向量。在本申请的一个具体示例中,若根据请求参数展示地图方式,即在地图上展示位置点,那么从后台数据库中查询的第一备选匹配数据可能包括经纬度、位置描述,以及其他可用于标记和展示的信息。应可以理解,所述第一备选匹配数据也是由多组词和数据组成的,也就是说,可通过使用多组词和数据的形式来描述所述第一备选匹配数据,并且各个词和数据之间具有着上下文的语义关联关系。因此,为了能够充分地进行所述第一备选匹配数据的语义特征表达,在本申请的技术方案中,进一步将所述第一备选匹配数据通过包含词嵌入层的上下文编码器中进行编码,以此来提取出所述第一备选匹配数据中基于全局的上下文语义关联特征信息,从而得到所述备选匹配数据语义理解特征向量。具体地,对所述第一备选匹配数据进行分词处理以将所述第一备选匹配数据转化为由多个词组成的词序列;使用所述包含嵌入层的上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述备选匹配数据语义理解特征向量。
更具体地,在步骤S250中,计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵。在本申请的技术方案中,在得到所述所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量后,进一步计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵,以此来表示所述解析参数的序列的语义理解特征和所述第一备选匹配数据的语义理解特征之间的关联性特征分布信息,也就是,所述解析参数的序列和所述第一备选匹配数据之间的语义匹配程度特征信息。在本申请的一个具体示例中,以如下公式计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;其中,所述公式为:
其中Vc表示所述解析参数语义理解特征向量,V表示所述备选匹配数据语义理解特征向量,M表示所述分类特征矩阵。
更具体地,在步骤S260中,将所述分类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返回所述第一备选匹配数据。也就是,在得到所述分类特征矩阵后,进一步将所述分类特征矩阵通过分类器以得到用于表示是否返回所述第一备选匹配数据的分类结果,具体地,使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果,其中,所述公式为:
O=
s o f t m a x{(W n,B n):…:(W 1,B 1)|P r o j e c t(F),其中P r o j e ct(F)表示将所述分类特征矩阵投影为向量,W 1至W n为各层全连接层的权重矩阵,B 1至B n表示各层全连接层的偏置向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述分类特征矩阵投影为向量,例如,在一个具体的示例中,将所述分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量;然后,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中,所述分类器的标签包括返回所述第一备选匹配数据(第一标签),以及,部返回所述第一备选匹配数据(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否返回所述第一备选匹配数据”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否返回所述第一备选匹配数据的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否返回所述第一备选匹配数据”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否返回所述第一备选匹配数据判断评估标签,因此,在得到所述分类结果后,可基于所述分类结果来进行数据库中的备选匹配数据的检索,以优化用户需求匹配的质量,满足用户的深层检索需求。
具体地,在步骤S140和步骤S150中,所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;并根据渲染方式,将所述备选匹配数据渲染到页面上。也就是,服务器将查询到的数据通过WebSocket发送给前端;前端收到服务器发送的数据后,根据展示方式将数据渲染到页面上,例如,可以根据请求参数展示地图、列表、图表等不同的展示方式;当需要切换数据展示方式时,前端再次发送WebSocket请求到服务器,重复以上步骤。值得注意的是,WebSocket是一种基于TCP协议的双向通信协议,它可以在前端和服务器之间建立持久化的连接,减少了HTTP协议中不必要的请求和响应,从而提高了数据的传输效率和实时性。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述包含词嵌入层的上下文编码器和所述分类器进行训练。也就是说,在本申请的用于移动控制端的数据展示切换方法中,还包括训练模块,用于对所述包含词嵌入层的上下文编码器和所述分类器进行训练。
图2为根据本申请实施例的用于移动控制端的数据展示切换方法中训练阶段的流程图。如图2所示,根据本申请实施例的用于移动控制端的数据展示切换方法,还包括训练阶段,包括步骤:S1110,获取训练数据,所述训练数据包括训练WebSocket请求,以及,所述是否返回第一备选匹配数据的真实值;S1120,对所述训练WebSocket请求进行解析以得到训练解析参数的序列;S1130,将所述训练解析参数的序列通过所述包含词嵌入层的上下文编码器以得到训练解析参数语义理解特征向量;S1140,从所述后台数据库提取第一训练备选匹配数据;S1150,将所述第一训练备选匹配数据通过所述包含词嵌入层的上下文编码器以得到训练备选匹配数据语义理解特征向量;S1160,计算所述训练解析参数语义理解特征向量相对于所述训练备选匹配数据语义理解特征向量的转移矩阵作为训练分类特征矩阵;S1170,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;S1180,计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的概率分布移位信息补偿损失函数值;以及,S1190,以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器和所述分类器进行训练。
图4为根据本申请实施例的用于移动控制端的数据展示切换方法中训练阶段的架构示意图。如图4所示,在所述用于移动控制端的数据展示切换方法中,在训练过程中,首先,获取训练数据,其中,所述训练数据包括训练WebSocket请求,以及,所述是否返回第一备选匹配数据的真实值;其次,对所述训练WebSocket请求进行解析以得到训练解析参数的序列;再将所述训练解析参数的序列通过所述包含词嵌入层的上下文编码器以得到训练解析参数语义理解特征向量;接着,从所述后台数据库提取第一训练备选匹配数据;将所述第一训练备选匹配数据通过所述包含词嵌入层的上下文编码器以得到训练备选匹配数据语义理解特征向量;计算所述训练解析参数语义理解特征向量相对于所述训练备选匹配数据语义理解特征向量的转移矩阵作为训练分类特征矩阵;然后,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的概率分布移位信息补偿损失函数值;进而,以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器和所述分类器进行训练。
特别地,在本申请的技术方案中,这里,在计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为所述分类特征矩阵时,实质上所述分类特征矩阵表达的是所述解析参数语义理解特征向量和所述备选匹配数据语义理解特征向量之间的特征分布的域转移融合,由此,在所述解析参数语义理解特征向量和所述备选匹配数据语义理解特征向量的特征分布融合的情况下,其各自的特征分布在模型的参数空间内后向传播通过分类器时,会遇到各自的特征表达信息的退化问题。基于此,本申请的申请人引入针对所述解析参数语义理解特征向量,例如记为V1和所述备选匹配数据语义理解特征向量,例如记为V2的概率分布移位信息补偿损失函数,表示为:
其中,V1和V2分别是所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量,softmax(·)表示softmax函数,bool(·)表示bool函数,log表示以2为底的对数函数值,τ1和τ2为移位补偿超参数,且α为加权超参数,表示所述概率分布移位信息补偿损失函数值。这里,基于Softmax函数从所述解析参数语义理解特征向量V1和所述备选匹配数据语义理解特征向量V2分别得到的类概率值本身会对于各自的特征分布遵循概率分布,使用所述概率分布移位信息补偿损失函数来对所述解析参数语义理解特征向量V1和所述备选匹配数据语义理解特征向量V2的特征表示的概率分布的移位来进行信息补偿,并通过bool函数来使得补偿带来的交叉信息熵最大化,这样,可以使得融合后的所述分类特征矩阵的特征分布能够最大程度地还原融合前的所述解析参数语义理解特征向量和所述备选匹配数据语义理解特征向量的特征表达信息,从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够精准地进行备选匹配数据的检索,提高检索的匹配精准度,优化用户需求匹配的质量,满足用户的深层检索需求。
综上,根据本申请实施例的用于移动控制端的数据展示切换方法被阐明,其通过采用基于深度学习的神经网络模型挖掘出解析参数语义理解特征与数据库备选匹配数据的语义理解特征之间的关联性特征信息以此来精准地进行备选匹配数据的检索,从而提高检索的匹配精准度,优化用户需求匹配的质量,满足用户的深层检索需求。
示例性系统
图7为根据本申请实施例的用于移动控制端的数据展示切换系统的框图。如图7所示,根据本申请实施例的用于移动控制端的数据展示切换系统300,包括:连接建立模块310;第一WebSocket模块320;数据获取模块330;第二WebSocket模块340;以及,备选匹配数据渲染模块350。
其中,所述连接建立模块310,用于前端使用WebSocket的WebSocket API与后端服务器端建立连接;所述第一WebSocket模块320,用于所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型;所述数据获取模块330,用于所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据;所述第二WebSocket模块340,用于所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;以及,所述备选匹配数据渲染模块350,用于根据渲染方式,将所述备选匹配数据渲染到页面上。
在一个示例中,在上述用于移动控制端的数据展示切换系统300中,所述数据获取模块330,用于:对所述WebSocket请求进行解析以得到所述解析参数的序列;将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量;从后台数据库提取第一备选匹配数据;将所述第一备选匹配数据通过所述包含词嵌入层的上下文编码器以得到备选匹配数据语义理解特征向量;计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;以及,将所述分类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返回所述第一备选匹配数据。其中,将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量,包括:使用所述包含嵌入层的上下文编码器的嵌入层分别将所述解析参数的序列中各个解析参数映射为解析参数嵌入向量以得到解析参数嵌入向量的序列;使用所述包含嵌入层的上下文编码器的转换器对所述解析参数嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义解析参数特征向量;以及,将所述多个全局上下文语义解析参数特征向量进行级联以得到所述解析参数语义理解特征向量;更具体的,使用所述包含嵌入层的上下文编码器的转换器对所述解析参数嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义解析参数特征向量,包括:将所述解析参数嵌入向量的序列进行一维排列以得到全局解析参数特征向量;计算所述全局解析参数特征向量与所述解析参数嵌入向量的序列中各个解析参数嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述解析参数嵌入向量的序列中各个解析参数嵌入向量进行加权以得到所述多个上下文语义解析参数特征向量;以及,将所述多个上下文语义解析参数特征向量进行级联以得到所述多个全局上下文语义解析参数特征向量;更具体地,计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵,包括:以如下公式计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;其中,所述公式为:
其中Vc表示所述解析参数语义理解特征向量,V表示所述备选匹配数据语义理解特征向量,M表示所述分类特征矩阵。
综上,根据本申请实施例的用于移动控制端的数据展示切换系统300被阐明,其通过采用基于深度学习的神经网络模型挖掘出解析参数语义理解特征与数据库备选匹配数据的语义理解特征之间的关联性特征信息以此来精准地进行备选匹配数据的检索,从而提高检索的匹配精准度,优化用户需求匹配的质量,满足用户的深层检索需求。
Claims (7)
1.一种用于移动控制端的数据展示切换方法,其特征在于,包括:
前端使用WebSocket的WebSocket API与后端服务器端建立连接;
所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型;
所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据;
所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;以及
根据渲染方式,将所述备选匹配数据渲染到页面上;
所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据,包括:
对所述WebSocket请求进行解析以得到所述解析参数的序列;
将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量;
从后台数据库提取第一备选匹配数据;
将所述第一备选匹配数据通过所述包含词嵌入层的上下文编码器以得到备选匹配数据语义理解特征向量;
计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;以及
将所述分类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返回所述第一备选匹配数据;
所述方法还包括对所述包含词嵌入层的上下文编码器和所述分类器进行训练;
其中,对所述包含词嵌入层的上下文编码器和所述分类器进行训练,包括:
获取训练数据,所述训练数据包括训练WebSocket请求,以及,所述是否返回第一备选匹配数据的真实值;
对所述训练WebSocket请求进行解析以得到训练解析参数的序列;
将所述训练解析参数的序列通过所述包含词嵌入层的上下文编码器以得到训练解析参数语义理解特征向量;
从所述后台数据库提取第一训练备选匹配数据;
将所述第一训练备选匹配数据通过所述包含词嵌入层的上下文编码器以得到训练备选匹配数据语义理解特征向量;
计算所述训练解析参数语义理解特征向量相对于所述训练备选匹配数据语义理解特征向量的转移矩阵作为训练分类特征矩阵;
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;
计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的概率分布移位信息补偿损失函数值;以及
以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器和所述分类器进行训练;
所述计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的概率分布移位信息补偿损失函数值,包括:
以如下优化公式计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的所述概率分布移位信息补偿损失函数值;
其中,所述优化公式为:
其中,V1和V2分别是所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量,softmax(·)表示softmax函数,bool(·)表示bool函数,log表示以2为底的对数函数值,τ1和τ2为移位补偿超参数,且α为加权超参数,表示所述概率分布移位信息补偿损失函数值。
2.根据权利要求1所述的用于移动控制端的数据展示切换方法,其特征在于,将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量,包括:
使用包含嵌入层的上下文编码器的嵌入层分别将所述解析参数的序列中各个解析参数映射为解析参数嵌入向量以得到解析参数嵌入向量的序列;
使用所述包含嵌入层的上下文编码器的转换器对所述解析参数嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义解析参数特征向量;以及
将所述多个全局上下文语义解析参数特征向量进行级联以得到所述解析参数语义理解特征向量。
3.根据权利要求2所述的用于移动控制端的数据展示切换方法,其特征在于,使用所述包含嵌入层的上下文编码器的转换器对所述解析参数嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义解析参数特征向量,包括:
将所述解析参数嵌入向量的序列进行一维排列以得到全局解析参数特征向量;
计算所述全局解析参数特征向量与所述解析参数嵌入向量的序列中各个解析参数嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
分别以所述多个概率值中各个概率值作为权重对所述解析参数嵌入向量的序列中各个解析参数嵌入向量进行加权以得到多个上下文语义解析参数特征向量;以及
将所述多个上下文语义解析参数特征向量进行级联以得到所述多个全局上下文语义解析参数特征向量。
4.根据权利要求3所述的用于移动控制端的数据展示切换方法,其特征在于,将所述第一备选匹配数据通过所述包含词嵌入层的上下文编码器以得到备选匹配数据语义理解特征向量,包括:
对所述第一备选匹配数据进行分词处理以将所述第一备选匹配数据转化为由多个词组成的词序列;
使用所述包含嵌入层的上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及
将所述多个全局上下文语义特征向量进行级联以得到所述备选匹配数据语义理解特征向量。
5.根据权利要求4所述的用于移动控制端的数据展示切换方法,其特征在于,计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵,包括:以如下公式计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;
其中,所述公式为:
其中Vc表示所述解析参数语义理解特征向量,V表示所述备选匹配数据语义理解特征向量,M表示所述分类特征矩阵。
6.根据权利要求5所述的用于移动控制端的数据展示切换方法,其特征在于,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值,包括:使用所述分类器以如下公式对所述训练分类特征矩阵进行处理以获得分类损失函数值,其中,所述公式为:
O=softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述训练分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。
7.一种用于移动控制端的数据展示切换系统,其特征在于,包括:
连接建立模块,用于前端使用WebSocket的WebSocket API与后端服务器端建立连接;
第一WebSocket模块,用于所述前端通过所述WebSocket发送WebSocket请求到所述服务器端,其中,所述WebSocket请求包括数据范围和数据类型;
数据获取模块,用于所述服务器端对所述WebSocket请求进行解析以得到解析参数的序列,并基于所述解析参数的序列从数据库中查询相应的备选匹配数据;
第二WebSocket模块,用于所述服务器端将所述备选匹配数据通过所述WebSocket发送给所述前端;以及
备选匹配数据渲染模块,用于根据渲染方式,将所述备选匹配数据渲染到页面上;
所述数据获取模块,进一步用于:
对所述WebSocket请求进行解析以得到所述解析参数的序列;
将所述解析参数的序列通过包含词嵌入层的上下文编码器以得到解析参数语义理解特征向量;
从后台数据库提取第一备选匹配数据;
将所述第一备选匹配数据通过所述包含词嵌入层的上下文编码器以得到备选匹配数据语义理解特征向量;
计算所述解析参数语义理解特征向量相对于所述备选匹配数据语义理解特征向量的转移矩阵作为分类特征矩阵;以及
将所述分类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返回所述第一备选匹配数据;
所述数据展示切换系统还包括训练模块,所述训练模块用于对所述包含词嵌入层的上下文编码器和所述分类器进行训练;
其中,所述训练模块,具体用于:
获取训练数据,所述训练数据包括训练WebSocket请求,以及,所述是否返回第一备选匹配数据的真实值;
对所述训练WebSocket请求进行解析以得到训练解析参数的序列;
将所述训练解析参数的序列通过所述包含词嵌入层的上下文编码器以得到训练解析参数语义理解特征向量;
从所述后台数据库提取第一训练备选匹配数据;
将所述第一训练备选匹配数据通过所述包含词嵌入层的上下文编码器以得到训练备选匹配数据语义理解特征向量;
计算所述训练解析参数语义理解特征向量相对于所述训练备选匹配数据语义理解特征向量的转移矩阵作为训练分类特征矩阵;
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;
计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的概率分布移位信息补偿损失函数值;以及
以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器和所述分类器进行训练;
以如下优化公式计算所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量的所述概率分布移位信息补偿损失函数值;
其中,所述优化公式为:
其中,V1和V2分别是所述训练解析参数语义理解特征向量和所述训练备选匹配数据语义理解特征向量,softmax(·)表示softmax函数,bool(·)表示bool函数,log表示以2为底的对数函数值,τ1和τ2为移位补偿超参数,且α为加权超参数,表示所述概率分布移位信息补偿损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378874.XA CN116401308B (zh) | 2023-04-10 | 2023-04-10 | 用于移动控制端的数据展示切换方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378874.XA CN116401308B (zh) | 2023-04-10 | 2023-04-10 | 用于移动控制端的数据展示切换方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116401308A CN116401308A (zh) | 2023-07-07 |
CN116401308B true CN116401308B (zh) | 2023-11-07 |
Family
ID=87007092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310378874.XA Active CN116401308B (zh) | 2023-04-10 | 2023-04-10 | 用于移动控制端的数据展示切换方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401308B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806892A (zh) * | 2010-03-19 | 2010-08-18 | 南京航空航天大学 | 基于投影近似子空间跟踪技术的自聚焦方法 |
CN109189596A (zh) * | 2018-09-18 | 2019-01-11 | 杭州安恒信息技术股份有限公司 | 基于Websocket实现大屏展示的方法和装置 |
CN115116139A (zh) * | 2022-07-12 | 2022-09-27 | 大连理工大学 | 基于图卷积网络的多粒度人体动作分类方法 |
CN115529166A (zh) * | 2022-09-05 | 2022-12-27 | 浙江御安信息技术有限公司 | 基于多源数据的网络安全扫描风险管控系统及其方法 |
CN115861983A (zh) * | 2022-12-29 | 2023-03-28 | 陕西省君凯电子科技有限公司 | 用于机械设备的智能化管理系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9792899B2 (en) * | 2014-07-15 | 2017-10-17 | International Business Machines Corporation | Dataset shift compensation in machine learning |
-
2023
- 2023-04-10 CN CN202310378874.XA patent/CN116401308B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806892A (zh) * | 2010-03-19 | 2010-08-18 | 南京航空航天大学 | 基于投影近似子空间跟踪技术的自聚焦方法 |
CN109189596A (zh) * | 2018-09-18 | 2019-01-11 | 杭州安恒信息技术股份有限公司 | 基于Websocket实现大屏展示的方法和装置 |
CN115116139A (zh) * | 2022-07-12 | 2022-09-27 | 大连理工大学 | 基于图卷积网络的多粒度人体动作分类方法 |
CN115529166A (zh) * | 2022-09-05 | 2022-12-27 | 浙江御安信息技术有限公司 | 基于多源数据的网络安全扫描风险管控系统及其方法 |
CN115861983A (zh) * | 2022-12-29 | 2023-03-28 | 陕西省君凯电子科技有限公司 | 用于机械设备的智能化管理系统及其方法 |
Non-Patent Citations (2)
Title |
---|
Semantic segmentation on compressed video using block motion compensation and guided inpainting;Stefanie Tanujaya等;《2020 IEEE international symposium on circuits and Systems(ISCAS)》;第1-2页 * |
雷达与导航、声呐与对抗;电子科技文摘;《电子科技文摘》(第1期);第74-83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116401308A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3885966B1 (en) | Method and device for generating natural language description information | |
CN113254684B (zh) | 一种内容时效的确定方法、相关装置、设备以及存储介质 | |
CN111611436A (zh) | 一种标签数据处理方法、装置以及计算机可读存储介质 | |
CN111445903B (zh) | 企业名称识别方法及装置 | |
CN105786793A (zh) | 解析口语文本信息的语义的方法和装置 | |
CN110020022B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN108959388B (zh) | 信息生成方法及装置 | |
CN110162624B (zh) | 一种文本处理方法、装置以及相关设备 | |
CN111444341A (zh) | 用户画像构建方法、装置、设备及可读存储介质 | |
CN113656613A (zh) | 训练图文检索模型的方法、多模态图像检索方法及装置 | |
CN109874018A (zh) | 基于神经网络的图像编码方法、系统、终端及存储介质 | |
CN117251795A (zh) | 基于自适应融合的多模态虚假新闻检测方法 | |
CN116401308B (zh) | 用于移动控制端的数据展示切换方法及系统 | |
CN112800177A (zh) | 基于复杂数据类型的faq知识库自动生成方法和装置 | |
CN102087550B (zh) | 一种硬件设备中进行输入的方法、系统及硬件设备 | |
CN106850923B (zh) | 联系人信息显示方法、系统及其设备 | |
CN116775980B (zh) | 一种跨模态搜索方法及相关设备 | |
CN116246287A (zh) | 目标对象识别方法、训练方法、装置以及存储介质 | |
CN110570877A (zh) | 手语视频生成方法、电子设备及计算机可读存储介质 | |
CN116340479A (zh) | 知识库的构建方法、数据检索方法、装置和云设备 | |
CN115718904A (zh) | 文本处理方法及装置 | |
CN113672700B (zh) | 内容项的搜索方法、装置、电子设备以及存储介质 | |
CN115601620A (zh) | 特征融合方法、装置、电子设备及计算机可读存储介质 | |
CN113139751A (zh) | 基于大数据的微服务用户业务类型确定方法 | |
CN114648712A (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 |
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 |