本發(fā)明涉及人工智能，具體涉及到一種多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法。

背景技術(shù)：

1、可解釋性是指模型在進(jìn)行決策時(shí)能夠提供清晰、易于理解的解釋的程度。模型可解釋性方面的研究，在近些年的科研會(huì)議上成為關(guān)注熱點(diǎn)，因?yàn)榇蠹也粌H僅滿足于模型的效果，更對(duì)模型效果的原因產(chǎn)生更多的思考，這樣的思考有助于模型和特征的優(yōu)化，更能夠幫助更好的理解模型本身和提升模型服務(wù)質(zhì)量。深度學(xué)習(xí)模型由于參數(shù)的數(shù)量以及提取和組合特征的復(fù)雜方法而導(dǎo)致其不可解釋性。目前，特征重要性分析是一種常用的模型解釋技術(shù)，它用于評(píng)估模型中每個(gè)特征對(duì)預(yù)測(cè)結(jié)果的影響程度。這可以幫助我們理解模型如何利用輸入數(shù)據(jù)做出決策。雖然特征重要性分析可以快速篩選出對(duì)模型性能影響較大的特征，減少計(jì)算成本，簡(jiǎn)單易懂，容易解釋。但是它不能考慮特征之間的相互作用。特別是在保留較少特征的情況下，可能會(huì)丟失一些信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法及裝置，以解決相關(guān)技術(shù)中存在的技術(shù)問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的第一方面，提供了一種多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法，包括獲取目標(biāo)任務(wù)領(lǐng)域的多源數(shù)據(jù)，并提取多源數(shù)據(jù)文本描述以及對(duì)應(yīng)的語(yǔ)義特征信息；將所述文本描述以及語(yǔ)義特征信息輸入至隱語(yǔ)義模型中以利用矩陣奇異值分解算法提取隱語(yǔ)義；基于神經(jīng)網(wǎng)絡(luò)模型對(duì)所述隱語(yǔ)義進(jìn)行處理，得到對(duì)應(yīng)的解釋。

3、可選地，在提取所述隱語(yǔ)義時(shí)方法包括：基于所述多源數(shù)據(jù)文本描述以及對(duì)應(yīng)的語(yǔ)義特征信息構(gòu)建語(yǔ)義特征信息和文本描述矩陣：

4、

5、對(duì)所述矩陣截?cái)嗥娈愔捣纸猓?/p>

6、

7、其中，k≤n≤m，uk是m*k矩陣，它的列由u的前k個(gè)互相正交的左奇異向量組成，∑k是k階對(duì)角方陣，對(duì)角元素為σ的前k個(gè)最大奇異值組成，vk是n*k矩陣，它的列由v的前k個(gè)互相正交的右奇異向量組成；將uk作為語(yǔ)義向量空間；確定隱語(yǔ)義：

8、

9、可選地，所述神經(jīng)網(wǎng)絡(luò)模型包括1個(gè)輸入層、3個(gè)隱藏層和1個(gè)輸出層，每一層神經(jīng)元的個(gè)數(shù)是上一層神經(jīng)元個(gè)數(shù)的一半。

10、可選地，基于所述隱語(yǔ)義確定對(duì)應(yīng)的隱語(yǔ)義特征信息子集合，利用相似度計(jì)算函數(shù)、深度神經(jīng)網(wǎng)絡(luò)模型算法，對(duì)隱語(yǔ)義進(jìn)行解釋。

11、根據(jù)本發(fā)明的第二方面，提供了一種多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)裝置，包括數(shù)據(jù)預(yù)處理單元，用于獲取目標(biāo)任務(wù)領(lǐng)域的多源數(shù)據(jù)，并提取多源數(shù)據(jù)文本描述以及對(duì)應(yīng)的語(yǔ)義特征信息；隱語(yǔ)義提取單元，被配置成將所述文本描述以及語(yǔ)義特征信息輸入至隱語(yǔ)義模型中以利用矩陣奇異值分解算法提取隱語(yǔ)義；解釋單元，用于基于神經(jīng)網(wǎng)絡(luò)模型對(duì)所述隱語(yǔ)義進(jìn)行處理，得到對(duì)應(yīng)的解釋。

12、可選地，在提取所述隱語(yǔ)義時(shí)：基于所述多源數(shù)據(jù)文本描述以及對(duì)應(yīng)的語(yǔ)義特征信息構(gòu)建語(yǔ)義特征信息和文本描述矩陣：

13、

14、對(duì)所述矩陣截?cái)嗥娈愔捣纸猓?/p>

15、

16、其中，k≤n≤m，uk是m*k矩陣，它的列由u的前k個(gè)互相正交的左奇異向量組成，∑k是k階對(duì)角方陣，對(duì)角元素為σ的前k個(gè)最大奇異值組成，vk是n*k矩陣，它的列由v的前k個(gè)互相正交的右奇異向量組成；將uk作為語(yǔ)義向量空間；

17、確定隱語(yǔ)義：

18、

19、可選地，所述神經(jīng)網(wǎng)絡(luò)模型包括1個(gè)輸入層、3個(gè)隱藏層和1個(gè)輸出層，每一層神經(jīng)元的個(gè)數(shù)是上一層神經(jīng)元個(gè)數(shù)的一半。

20、可選地，基于所述隱語(yǔ)義確定對(duì)應(yīng)的隱語(yǔ)義特征信息子集合，利用相似度計(jì)算函數(shù)、深度神經(jīng)網(wǎng)絡(luò)模型算法，對(duì)隱語(yǔ)義進(jìn)行解釋。

21、根據(jù)本發(fā)明的第三方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)指令，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行第一方面任意一項(xiàng)實(shí)現(xiàn)方式所述的方法。

22、根據(jù)本發(fā)明的第四方面，提供了一種電子設(shè)備，包括：至少一個(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器執(zhí)行第一方面任意一項(xiàng)實(shí)現(xiàn)方式所述的方法。

23、本實(shí)施例多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法及裝置，其中方法包括獲取目標(biāo)任務(wù)領(lǐng)域的多源數(shù)據(jù)，并提取多源數(shù)據(jù)文本描述以及對(duì)應(yīng)的語(yǔ)義特征信息；將所述文本描述以及語(yǔ)義特征信息輸入至隱語(yǔ)義模型中以利用矩陣奇異值分解算法提取隱語(yǔ)義；基于神經(jīng)網(wǎng)絡(luò)模型對(duì)所述隱語(yǔ)義進(jìn)行處理，得到對(duì)應(yīng)的解釋。根據(jù)目標(biāo)任務(wù)多源數(shù)據(jù)與典型任務(wù)的顯性特征和隱性交互信息，有效地挖掘出符合目標(biāo)任務(wù)多源數(shù)據(jù)的隱語(yǔ)義特征信息以及隱藏層所代表的語(yǔ)義，實(shí)現(xiàn)了可解釋性理解。

技術(shù)特征：

1.一種多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法，其特征在于，在提取所述隱語(yǔ)義時(shí)方法包括：

3.根據(jù)權(quán)利要求2所述的多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型包括1個(gè)輸入層、3個(gè)隱藏層和1個(gè)輸出層，每一層神經(jīng)元的個(gè)數(shù)是上一層神經(jīng)元個(gè)數(shù)的一半。

4.根據(jù)權(quán)利要求3所述的多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法，其特征在于，基于所述隱語(yǔ)義確定對(duì)應(yīng)的隱語(yǔ)義特征信息子集合，利用相似度計(jì)算函數(shù)、深度神經(jīng)網(wǎng)絡(luò)模型算法，對(duì)隱語(yǔ)義進(jìn)行解釋。

5.一種多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)裝置，其特征在于，包括：

6.根據(jù)權(quán)利要求5所述的多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)裝置，其特征在于，在提取所述隱語(yǔ)義時(shí)：

7.根據(jù)權(quán)利要求6所述的多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)裝置，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型包括1個(gè)輸入層、3個(gè)隱藏層和1個(gè)輸出層，每一層神經(jīng)元的個(gè)數(shù)是上一層神經(jīng)元個(gè)數(shù)的一半。

8.根據(jù)權(quán)利要求3所述的多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)裝置，其特征在于，基于所述隱語(yǔ)義確定對(duì)應(yīng)的隱語(yǔ)義特征信息子集合，利用相似度計(jì)算函數(shù)、深度神經(jīng)網(wǎng)絡(luò)模型算法，對(duì)隱語(yǔ)義進(jìn)行解釋。

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)指令，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行權(quán)利要求1-4任意一項(xiàng)所述的方法。

10.一種電子設(shè)備，其特征在于，包括：至少一個(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器執(zhí)行權(quán)利要求1-4任意一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明公開了一種多源數(shù)據(jù)隱語(yǔ)義認(rèn)知結(jié)果預(yù)測(cè)方法及裝置，其中方法包括獲取目標(biāo)任務(wù)領(lǐng)域的多源數(shù)據(jù)，并提取多源數(shù)據(jù)文本描述以及對(duì)應(yīng)的語(yǔ)義特征信息；將所述文本描述以及語(yǔ)義特征信息輸入至隱語(yǔ)義模型中以利用矩陣奇異值分解算法提取隱語(yǔ)義；基于神經(jīng)網(wǎng)絡(luò)模型對(duì)所述隱語(yǔ)義進(jìn)行處理，得到對(duì)應(yīng)的解釋。根據(jù)目標(biāo)任務(wù)多源數(shù)據(jù)與典型任務(wù)的顯性特征和隱性交互信息，有效地挖掘出符合目標(biāo)任務(wù)多源數(shù)據(jù)的隱語(yǔ)義特征信息以及隱藏層所代表的語(yǔ)義，實(shí)現(xiàn)了可解釋性理解。

技術(shù)研發(fā)人員：杜樂(lè),劉富月,李凱
受保護(hù)的技術(shù)使用者：武漢東湖大數(shù)據(jù)科技股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26