CN109284829A - 基于评价网络的循环神经网络 - Google Patents
基于评价网络的循环神经网络 Download PDFInfo
- Publication number
- CN109284829A CN109284829A CN201811115285.8A CN201811115285A CN109284829A CN 109284829 A CN109284829 A CN 109284829A CN 201811115285 A CN201811115285 A CN 201811115285A CN 109284829 A CN109284829 A CN 109284829A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- network
- recognition
- recurrent neural
- neural network
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于评价网络的循环神经网络,包含以下步骤:A、对RNN中的训练样本做数值化处理;B、确定RNN的网络结构;C、确定评价网络的输入神经元个数;D、确定评价网络的输出神经元个数;E、确定评价网络的个数;F、训练含有评价指标的待训练样本;G、利用训练后的基于评价网络的RNN进行预测。本发明将循环神经网络与评价网络进行结合,利用循环神经网络得出的结果放入到评价网络(基于人工神经网络)中,并进行评价,将评价的结果反馈给循环神经网络,从而使得循环神经网络在训练一定的样本后,能够得到符合某个评价指标(比如实用性、可靠性、或者美观度等等)的结果,提高了循环神经网络的可用性。
Description
技术领域
本发明涉及人工智能技术领域,具体是基于评价网络的循环神经网络。
背景技术
循环神经网络是为了解决学习事物时序性的问题而被提出,其最大的特点,可以利用循环神经网络来学习事物的时序性,并依据其学习到的内容(内容的时序性)进行有意义的组合,因此其多被用来进行文章的创建、词曲的创作等等,是人工智能领域机器学习的一个非常重要的算法。
然而利用已经训练后的循环神经网络在推理时,其只能根据先前学习到的样本中的时序性进行推理,虽然得到的结果可以与先前样本中事物的时序性有较好的相关性,但是其得出的结果仅仅是在某个层面上结果,这就会导致其生成的结果和预期有一定差距。如根据一定量的样本(如诗词)进行学习后,其进行推理时得到的结果往往和先前的样本有相关性,但是其结果是否押韵,是否有意境等,并不能得到很好的体现,而且得出的结果也比较难和先前的样本形成闭环,因此就使得其应用场景受到一定的限制。
发明内容
本发明的目的在于提供基于评价网络的循环神经网络,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于评价网络的循环神经网络,包含以下步骤:
A、对RNN中的训练样本做数值化处理;
B、确定RNN的网络结构;
C、确定评价网络的输入神经元个数;
D、确定评价网络的输出神经元个数;
E、确定评价网络的个数;
F、训练含有评价指标的待训练样本;
G、利用训练后的基于评价网络的RNN进行预测。
作为本发明的进一步技术方案:所述步骤A具体是:采用多种方式对放入循环神经网络中的训练样本进行数值化处理,其中包括但不限于样本向量化、word2vec、TF-IDF等方式对输出的内容进行数值化处理。
作为本发明的进一步技术方案:所述步骤B具体是:根据步骤A中数值化的处理方式,确定循环RNN中的一个神经网络的中的输入和输出的神经元个数,并且根据待训练的样本,来确定循环神经网络RNN的循环次数。
作为本发明的进一步技术方案:所述步骤C具体是:根据步骤B中确定的RNN的循环次数,来确定评价网络中的输入神经元个数,其输入神经元个数与循环神经网络的循环次数相同,即实现循环神经网络的输出结果映射到评价网络中。
作为本发明的进一步技术方案:所述步骤D中,评价网络的输出神经元个数,依据不同的评价体系及不同的评分策略给出。
作为本发明的进一步技术方案:所述步骤E中,评价指标根据用途分为不同的评价网络,包括但不限于评价实用性的评价网络、评价外观的评价网络以及评价可靠性等的评价网络,评价指标也随不同的评价信息不同而不同。
作为本发明的进一步技术方案:所述步骤F具体是:根据评价的指标不同,对放入基于评价网络的RNN中的样本给出相应的评分,并将待训练样本及评分放入到基于评价网络的RNN中进行训练。
作为本发明的进一步技术方案:所述步骤G具体是:基于评价网络的RNN在完成待训练样本的训练后,用户利用该基于评价网络的RNN进行预测,将需要预测的内容放入到基于评价网络的RNN后,其会根据先前已训练好的网络给出基于该内容的时序性的结果,并给出该结果在不同评价指标中的评分。
与现有技术相比,本发明的有益效果是:本发明将循环神经网络与评价网络进行结合,利用循环神经网络得出的结果放入到评价网络(基于人工神经网络)中,并进行评价,将评价的结果反馈给循环神经网络,从而使得循环神经网络在训练一定的样本后,能够得到符合某个评价指标(比如实用性、可靠性、或者美观度等等)的结果,提高了循环神经网络的可用性。
附图说明
图1为基于评价网络的循环(递归)神经网络图;
图2为基于评价网络的循环神经网络设计方法图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,基于评价网络的循环神经网络,包含以下步骤:
A、对RNN中的训练样本做数值化处理。可采用多种方式对放入循环神经网络中的训练样本进行数值化处理,其中包括但不限于样本向量化、word2vec、TF-IDF等等方式对输出的内容进行数值化处理;
B、确定RNN的网络结构。根据步骤1中数值化的处理方式,确定循环RNN中的一个神经网络的中的输入和输出的神经元个数。并且根据待训练的样本,来确定循环神经网络(RNN)的循环次数;
C、确定评价网络的输入神经元个数。根据步骤2中确定的RNN的循环次数,来确定评价网络中的输入神经元个数,其输入神经元个数与循环神经网络的循环次数相同,即实现循环神经网络的输出结果映射到评价网络中(如图1所示);
D、确定评价网络的输出神经元个数。评价网络的输出神经元个数,依据不同的评价体系及不同的评分策略给出,(比如评分策略为5分制,则评价网络的输出神经元的个数为5个;如果为百分制,则评价网络的输出神经元个数为100个);
E、确定评价网络的个数。在基于评价网络的RNN中,评价网络可以有多个,以实现对不同指标的评价。评价指标可以根据用途分为不同的评价网络,如评价实用性的评价网络、评价外观的评价网络、以及评价可靠性的评价网络等等,其可分为不同的评价网络,评价指标也随不同的评价信息不同而不同(如图2所示);
F、训练含有评价指标的待训练样本。根据评价的指标不同,对放入基于评价网络的RNN中的样本给出相应的评分,并将待训练样本及评分放入到基于评价网络的RNN中进行训练;
G、利用训练后的基于评价网络的RNN进行预测。基于评价网络的RNN在完成待训练样本的训练后,用户可以利用该基于评价网络的RNN进行预测,将需要预测的内容放入到基于评价网络的RNN后,其会根据先前已训练好的网络给出基于该内容的时序性的结果,并给出该结果在不同评价指标(比如实用性、外观、可靠性等等)中的评分,从而帮助用户全面了解RNN的结果。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.基于评价网络的循环神经网络,其特征在于,包含以下步骤:
A、对RNN中的训练样本做数值化处理;
B、确定RNN的网络结构;
C、确定评价网络的输入神经元个数;
D、确定评价网络的输出神经元个数;
E、确定评价网络的个数;
F、训练含有评价指标的待训练样本;
G、利用训练后的基于评价网络的RNN进行预测。
2.根据权利要求1所述的基于评价网络的循环神经网络,其特征在于,所述步骤A具体是:采用多种方式对放入循环神经网络中的训练样本进行数值化处理,其中包括样本向量化、word2vec、TF-IDF方式对输出的内容进行数值化处理。
3.根据权利要求1所述的基于评价网络的循环神经网络,其特征在于,所述步骤B具体是:根据步骤A中数值化的处理方式,确定循环RNN中的一个神经网络的中的输入和输出的神经元个数,并且根据待训练的样本,来确定循环神经网络RNN的循环次数。
4.根据权利要求1所述的基于评价网络的循环神经网络,其特征在于,所述步骤C具体是:根据步骤B中确定的RNN的循环次数,来确定评价网络中的输入神经元个数,其输入神经元个数与循环神经网络的循环次数相同,即实现循环神经网络的输出结果映射到评价网络中。
5.根据权利要求1所述的基于评价网络的循环神经网络,其特征在于,所述步骤D中,评价网络的输出神经元个数依据不同的评价体系及不同的评分策略给出。
6.根据权利要求1所述的基于评价网络的循环神经网络,其特征在于,所述步骤E中,评价指标根据用途分为不同的评价网络,包括评价实用性的评价网络、评价外观的评价网络以及评价可靠性的评价网络,评价指标也随不同的评价信息不同而不同。
7.根据权利要求1所述的基于评价网络的循环神经网络,其特征在于,所述步骤F具体是:根据评价的指标不同,对放入基于评价网络的RNN中的样本给出相应的评分,并将待训练样本及评分放入到基于评价网络的RNN中进行训练。
8.根据权利要求1-7任一所述的基于评价网络的循环神经网络,其特征在于,所述步骤G具体是:基于评价网络的RNN在完成待训练样本的训练后,用户利用该基于评价网络的RNN进行预测,将需要预测的内容放入到基于评价网络的RNN后,其会根据先前已训练好的网络给出基于该内容的时序性的结果,并给出该结果在不同评价指标中的评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811115285.8A CN109284829A (zh) | 2018-09-25 | 2018-09-25 | 基于评价网络的循环神经网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811115285.8A CN109284829A (zh) | 2018-09-25 | 2018-09-25 | 基于评价网络的循环神经网络 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109284829A true CN109284829A (zh) | 2019-01-29 |
Family
ID=65181283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811115285.8A Pending CN109284829A (zh) | 2018-09-25 | 2018-09-25 | 基于评价网络的循环神经网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284829A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738313A (zh) * | 2019-10-15 | 2020-01-31 | 北京百度网讯科技有限公司 | 用于评估量化操作的方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178346A1 (en) * | 2015-12-16 | 2017-06-22 | High School Cube, Llc | Neural network architecture for analyzing video data |
CN106951783A (zh) * | 2017-03-31 | 2017-07-14 | 国家电网公司 | 一种基于深度神经网络的伪装入侵检测方法及装置 |
CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
CN108197702A (zh) * | 2018-02-09 | 2018-06-22 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于评价网络与循环神经网络的产品设计的方法 |
CN108363697A (zh) * | 2018-03-08 | 2018-08-03 | 腾讯科技(深圳)有限公司 | 文本信息生成方法、装置、存储介质及设备 |
-
2018
- 2018-09-25 CN CN201811115285.8A patent/CN109284829A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178346A1 (en) * | 2015-12-16 | 2017-06-22 | High School Cube, Llc | Neural network architecture for analyzing video data |
CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
CN106951783A (zh) * | 2017-03-31 | 2017-07-14 | 国家电网公司 | 一种基于深度神经网络的伪装入侵检测方法及装置 |
CN108197702A (zh) * | 2018-02-09 | 2018-06-22 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于评价网络与循环神经网络的产品设计的方法 |
CN108363697A (zh) * | 2018-03-08 | 2018-08-03 | 腾讯科技(深圳)有限公司 | 文本信息生成方法、装置、存储介质及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738313A (zh) * | 2019-10-15 | 2020-01-31 | 北京百度网讯科技有限公司 | 用于评估量化操作的方法、装置、设备和介质 |
CN110738313B (zh) * | 2019-10-15 | 2022-05-31 | 阿波罗智能技术(北京)有限公司 | 用于评估量化操作的方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437077A (zh) | 一种基于生成对抗网络的旋转面部表示学习的方法 | |
Hidayah et al. | Student classification for academic performance prediction using neuro fuzzy in a conventional classroom | |
Burbridge | If living labs are the answer–what's the question? A review of the literature | |
Suresh et al. | Using transformers to provide teachers with personalized feedback on their classroom discourse: The TalkMoves application | |
CN109388698A (zh) | 一种基于深度强化学习的指导性自动聊天方法 | |
CN108364066B (zh) | 基于n-gram和wfst模型的人工神经网络芯片及其应用方法 | |
Feng et al. | Research on the multimodal digital teaching quality data evaluation model based on fuzzy BP neural network | |
Blomkamp | A critical history of cultural indicators | |
Singh | Colorization of old gray scale images and videos using deep learning | |
Wolhuter | Research on HE in South Africa: stocktaking and assessment from international comparative perspectives | |
Wildenberg et al. | Linking thoughts to flows-Fuzzy cognitive mapping as tool for integrated landscape modelling | |
CN109284829A (zh) | 基于评价网络的循环神经网络 | |
Praharaj | Co-located collaboration analytics | |
Das et al. | Application of fuzzy logic in the ranking of academic institutions | |
US11727338B2 (en) | Controlling submission of content | |
Yu et al. | Temporal sentiment analysis of learners: Public versus private social media communication channels in a women-in-tech conversion course | |
Kuptsov et al. | Modeling of pedagogical processes | |
IN2013CH05503A (zh) | ||
Massel et al. | Contingency management and semantic modeling in energy sector | |
Srivastava et al. | Visual aesthetic analysis using deep neural network: model and techniques to increase accuracy without transfer learning | |
CN110348577A (zh) | 一种基于融合认知计算的知识跟踪方法 | |
Chernyakov et al. | Improving the financial stability of economic entities in the agricultural sector | |
Gupta et al. | Per-C based student examination strategy evaluation in mobile evaluation system conducted through a smartphone | |
Buruzs et al. | Using Fuzzy Cognitive Maps approach to identify integrated waste management system characteristics | |
CN116011548B (zh) | 一种多知识图谱问答模型训练方法、***及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |