[發明專利]一種基于循環神經網絡的場景自適配方法及裝置

有效

• 申請號: 201910012308.0
• 申請日: 2019-01-07
• 公開（公告）號: CN109815996B
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 宋揚;陳星;蘇睿聰;張俊青
• 申請（專利權）人: 北京首鋼自動化信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F40/216;G06F40/289
• 代理公司: 北京華沛德權律師事務所 11302
• 代理人: 馬苗苗

1.一種基于循環神經網絡的場景自適配方法，其特征在于，所述方法包括：

獲得場景庫；

獲得第一場景；

根據所述第一場景，獲得所述第一場景的特征向量；

判斷所述第一場景的特征向量與所述場景庫中的場景的特征向量是否相似；

如果所述第一場景的特征向量與所述場景庫中的場景的特征向量相似，輸出所述場景庫中的場景的功能模塊名稱和算法實現信息；

如果所述第一場景的特征向量與所述場景庫中的場景的特征向量不相似，將所述第一場景的特征向量加入所述場景庫中，記錄所述第一場景的功能模塊和算法實現的信息；

其中，所述判斷所述第一場景的特征向量與所述場景庫中的場景的特征向量是否相似，包括：

通過f-NLTK對描述所述第一場景的文本進行分詞，獲得所述第一場景的分詞結果；

通過TF-IDF，根據所述分詞結果進行關鍵詞提取；

獲得標簽庫；

根據所述標簽庫，獲得與所述第一場景相對應的標簽，其中，所述標簽為可重用的代碼結構；

通過word2vec將所述關鍵詞和所述標簽轉換為向量，將所述向量進行拼接；

根據拼接后的向量，通過卷積網絡提取所述第一場景的特征向量；

將所述第一場景的特征向量與所述場景庫中的場景的特征向量進行比較，判斷所述第一場景的特征向量與所述場景庫中的場景的特征向量是否相似；

其中，所述通過f-NLTK對描述所述第一場景的文本進行分詞，獲得所述第一場景的分詞結果，包括：

獲得第一輸入層；

獲得正向LSTM隱藏層和逆向LSTM隱藏層；

所述第一輸入層同時接入所述正向LSTM隱藏層和逆向LSTM隱藏層；

獲得正向LSTM隱藏層輸出的第一分詞結果；

獲得逆向LSTM隱藏層輸出的第二分詞結果；

將所述第一分詞結果和所述第二分詞結果進行合并，獲得所述第一場景的分詞結果。

2.如權利要求1所述的方法，其特征在于，所述根據拼接后的向量，通過卷積網絡提取所述第一場景的特征向量，包括：

將所述向量進行拼接，獲得樣本矩陣；

對所述樣本矩陣進行中心化處理，獲得中心化樣本矩陣；

獲得中心化后的樣本矩陣的協方差矩陣；

根據所述協方差矩陣，獲得協方差矩陣的特征值和特征向量；

根據所述特征值和所述特征向量，獲得映射矩陣；

根據所述映射矩陣對所述中心化后的樣本矩陣進行映射，獲得輸出結果；

將所述輸出結果作為所述卷積神經網絡的輸入，輸出所述第一場景的特征向量。

3.如權利要求1所述的方法，其特征在于，所述判斷所述第一場景的特征向量與所述場景庫中的場景的特征向量是否相似，包括：

獲得所述第一場景的特征向量與所述場景庫中場景的特征向量的距離集合；

根據所述距離集合，獲得第一距離，所述第一距離為所述第一場景的特征向量與所述場景庫中場景的特征向量的最小距離；

獲得預定距離閾值；

判斷所述第一距離是否小于所述預定距離閾值；

如果所述第一距離小于所述預定距離閾值，確定所述第一場景的特征向量與所述場景庫中的場景的特征向量相似；

如果所述第一距離不小于所述預定距離閾值，確定所述第一場景的特征向量與所述場景庫中的場景的特征向量不相似。

4.如權利要求3所述的方法，其特征在于，所述預定距離閾值為其中，e_i，e_j分別為場景庫中任意兩個場景的特征向量。

5.如權利要求1所述的方法，其特征在于，所述通過TF-IDF，根據所述分詞結果進行關鍵詞提取之后，包括：

判斷提取出的關鍵詞是否存在于所述標簽庫中；

如果所述關鍵詞存在于所述標簽庫中，對所述關鍵詞進行向量化；

如果所述關鍵詞不存在于所述標簽庫中，將所述關鍵詞添加到所述標簽庫中并對所述關鍵詞進行向量化。