[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

本發明公開了一種基于循環神經網絡的場景自適配方法及裝置，涉及深度學習技術領域，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。基于循環神經網絡模型，達到了提高代碼復用率，節約了開發人員時間，降低研發成本的技術效果。

技術領域

本申請涉及深度學習技術領域，尤其涉及一種基于循環神經網絡的場景自適配方法及裝置。

背景技術

信息化公司在滿足客戶需求的過程中，會遇到很多的業務場景，針對每個場景都會有一組相關的功能模塊和算法實現。近年來，隨著深度學習技術的進步，尤其是分詞、詞向量化、特征向量提取的進步，使得實現精確的場景自適配方法成為可能。

但本申請發明人在實現本申請實施例中技術方案的過程中，發現上述現有技術至少存在如下技術問題：

現有技術中當出現新場景時，不能自動地去歷史記錄中尋找相似場景，出現功能模塊重復開發、算法重復設計實現，從而造成資源浪費、耗費精力，增加研發成本的技術問題。

申請內容

本申請實施例通過提供一種基于循環神經網絡的場景自適配方法及裝置，用以解決現有技術中當出現新場景時，不能自動地去歷史記錄中尋找相似場景，出現功能模塊重復開發、算法重復設計實現，從而造成資源浪費、耗費精力，增加研發成本的技術問題。基于循環神經網絡模型，能夠自動從歷史記錄中尋找與新場景相似的場景，以便復用已開發的功能模塊和算法實現，達到了提高代碼復用率，節約了開發人員時間，降低研發成本的技術效果。

為了解決上述問題，第一方面，本申請實施例提供了一種基于循環神經網絡的場景自適配方法，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。

優選的，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；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。

優選的，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。