CN117014126B - 基于信道拓展的数据传输方法 - Google Patents
基于信道拓展的数据传输方法 Download PDFInfo
- Publication number
- CN117014126B CN117014126B CN202311249610.0A CN202311249610A CN117014126B CN 117014126 B CN117014126 B CN 117014126B CN 202311249610 A CN202311249610 A CN 202311249610A CN 117014126 B CN117014126 B CN 117014126B
- Authority
- CN
- China
- Prior art keywords
- matching
- result
- phrase
- similarity
- results
- 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 85
- 230000005540 biological transmission Effects 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims description 61
- 230000011218 segmentation Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0058—Allocation criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/02—Channels characterised by the type of signal
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据传输领域,尤其涉及一种基于信道拓展的数据传输方法,该方法包括:步骤S1,接收待传输数据;步骤S2,基于待传输数据构建第一词组;步骤S3,第一词组分别与第一信道集和第二信道集进行匹配处理,以获取若干第一匹配结果和若干第二匹配结果;步骤S4,根据若干第一匹配结果和若干第二匹配结果的比较结果确定若干第三匹配结果;步骤S5,若干第三匹配结果根据预设系数计算得到第四计算结果,并对第四计算结果按照由大到小进行排序形成第四匹配度序列,并获取在第四匹配度序列中的第一位对应的匹配结果作为目标匹配结果,步骤S6,使用目标匹配结果对应的信道传输待传输数据。本发明对选择过程进行多次匹配,使得匹配结果准确。
Description
技术领域
本发明涉及数据传输领域,尤其涉及一种基于信道拓展的数据传输方法。
背景技术
现有技术中,主要采用了单承载来进行数据传输的方案,即以较少的承载个数承载较为单一的业务,限制了多样业务的传输,影响了数据传输效率。现有技术的方案在现有通信***条件下会导致通信调度资源的浪费,不利于应对现有电力通信市场对视频、语音等多业务传输拓展的需求,影响了LTE-G通信***的端到端性能,也无法满足未来更高性能网络的需求。
公开号为CN114157404A的专利文献中公开了数据传输方法,该方法包括:根据终端接入请求确定终端承载配置信息;在所述终端承载配置信息为多承载配置信息的情况下,通过拓展数据结构与终端进行数据传输;其中,所述拓展数据结构包括上行/下行逻辑信道扩展标识、逻辑信道标识LCHID和无线链路层控制协议RLC数据,其中,所述下行逻辑信道扩展标识为公共控制信道的逻辑信道标识、所述上行逻辑信道扩展标识为上行逻辑信道的预留逻辑信道标识。
现有技术中在对传输信道进行选择的过程中,对传输信道所采取的选择方法简单,使得选择出的结果不全面,从而造成与待传输数据匹配不精确的问题。
发明内容
为此,本发明提供一种基于信道拓展的数据传输方法,可以解决与待传输数据匹配不精确的问题。
为实现上述目的,本发明提供一种基于信道拓展的数据传输方法,该方法包括:步骤S1,接收待传输数据,所述待传输数据包括至少一个关键词组;
步骤S2,基于所述待传输数据进行语义处理形成两个过程词组,确定两个所述过程词组的相似度,将所述相似度与预设标准相似度进行比较,获取比较结果,并根据所述比较结果选择任一过程词组作为第一词组;
步骤S3,所述第一词组分别与第一信道集和第二信道集进行匹配处理,以获取第一数量的第一匹配结果和第二数量的第二匹配结果;
步骤S4,根据所述第一匹配结果和所述第二匹配结果的比较结果确定第三匹配结果集,所述第三匹配结果集内包括第三数量的第三匹配结果,所述第三匹配结果为所述第一匹配结果和所述第二匹配结果的交集;
步骤S5,所述第三匹配结果集根据预设系数计算得到第四计算结果集,所述第四计算结果集包括第三数量的第四结果,对所述第四计算结果集按照由大到小进行排序形成第四匹配度序列,并获取在所述第四匹配度序列中的第一位对应的匹配结果作为目标匹配结果;
步骤S6,使用所述目标匹配结果对应的信道传输所述待传输数据。
进一步地,在所述步骤S6之后还包括:
获取用户对所述目标匹配结果的满意度;
根据所述满意度和所述第四计算结果集进行二次计算得到第五计算结果集;
对所述第五计算结果集按照由大到小进行排序形成第五匹配度序列;
获取在所述第五匹配度序列中的第一位的第五计算结果对应的第五匹配结果作为优化匹配结果。
进一步地,根据所述比较结果选择任一过程词组作为第一词组包括:
基于所述待传输数据进行语义分割处理并选择分割文本中的关键词组作为第二词组;
所述第二词组与第三数据库进行语义匹配获取第三词组;
所述第二词组与所述第三词组进行相似度匹配,获取匹配结果为第一相似度;
将所述第一相似度与标准相似度进行对比,若所述第一相似度小于所述标准相似度,则所述第三词组为所述第一词组,若所述第一相似度大于所述标准相似度,则所述第二词组为所述第一词组。
进一步地,对所述待传输数据进行语义分割处理包括:
对所述待传输数据进行预处理,得到预处理文本,所述预处理过程为将特殊字符、标点符号和停用词去除;
将所述预处理文本输入到词向量模型中获取所述预处理文本的词向量;
将所述预处理文本的词向量输入到语义分割模型中,在所述语义分割模型中进行计算,获取所述预处理文本的预测语义分割结果;
根据所述预测语义分割结果对所述预处理文本进行最终语义分割过程得到分割文本。
进一步地,所述第二词组与所述第三词组进行相似度匹配,获取匹配结果为第一相似度包括:
将所述第二词组输入到词向量模型中获取所述第二词组的词向量;
将所述第三词组输入到词向量模型中获取所述第三词组的词向量;
将所述第二词组的词向量和所述第三词组的词向量进行归一化处理;
通过欧氏距离公式计算所述第一相似度,设归一化处理后的所述第二词组的词向量为,归一化处理后的所述第三词组的词向量为/>,则所述第一相似度/>为。
进一步地,获取第一数量的第一匹配结果包括:
将所述第一词组与所述第一信道集进行相似度匹配,获取相似度结果;
将相似度大于80%所对应的匹配结果进行选择,获取第一数量的选择结果;
将所述选择结果依据相似度由大到小进行排序,获取第一排序结果;
所述第一排序结果为所述第一匹配结果。
进一步地,获取第二数量的第二匹配结果包括:
将所述第一词组与所述第二信道集进行语义匹配,获取匹配结果作为第四词组;
将所述第四词组与所述第一信道集进行相似度匹配,获取相似度结果;
将相似度大于80%所对应的匹配结果进行选择,获取第二数量的匹配结果;
将所述匹配结果依据相似度由大到小进行排序,获取第二排序结果;
所述第二排序结果为第二匹配结果。
进一步地,所述第一词组与所述第二信道集进行语义匹配包括:
基于所述第二信道集构建分类模型;
将所述第一词组输入到所述分类模型中进行预测,获取预测结果;
根据所述预测结果确定所述第一词组与所述第二信道集语义匹配后的结果。
进一步地,根据所述第一匹配结果和所述第二匹配结果的比较结果确定第三匹配结果集包括:
将第一数量的所述第一匹配结果输入到词向量模型中获取第一数量的所述第一匹配结果的词向量;
将第二数量的所述第二匹配结果输入到词向量模型中获取第二数量的所述第二匹配结果的词向量;
通过欧氏距离公式计算所述第一匹配结果和所述第二匹配结果的相似度;
将所述欧氏距离公式的计算结果为0所对应的所述第一匹配结果和所述第二匹配结果中的结果选择出来作为第三匹配结果集。
进一步地,所述第三匹配结果集根据预设系数计算得到第四计算结果集包括:
将所述第三匹配结果中的任意一个结果选择出作为第三结果,所述第三结果在所述第一匹配结果和所述第二匹配结果中均存在;
设在第四计算结果集中所述第一匹配结果的比例系数为0.8,在第四计算结果集中所述第二匹配结果的比例系数为0.2,所述第三结果在所述第一匹配结果中的相似度数值为,所述第三结果在所述第二匹配结果中的相似度数值为/>,则所述第三结果在所述第四计算结果集中的相似度/>计算结果为/>,式中i代表所述第三匹配结果中的任意一个结果。
与现有技术相比,本发明的有益效果在于,通过对所述待传输数据进行语义处理获取所述过程词组,通过所述过程词组获取所述第一词组,使得所述第一词组在所述传输信道中语义正确,提高了后续匹配结果的准确率;通过所述第一词组分别与所述第一信道集和所述第二信道集进行匹配处理获取第一数量的第一匹配结果和第二数量的第二匹配结果,所述第一匹配结果和所述第二匹配结果的匹配结果信息全面,提高了匹配过程的准确度;通过所述第一匹配结果和所述第二匹配结果的比较结果确定第三匹配结果集,所述第三匹配结果为所述第一匹配结果和所述第二匹配结果的交集,提高了匹配的准确性和匹配过程的效率;通过将所述第四匹配度序列中的第一位对应的匹配结果作为目标匹配结果,使得在所述第四匹配结果中选取最优解,使得匹配结果准确,采用最优解对应的信道进行待传输数据的传输,使得传输效率更为高效,实现信道和待传输数据的高度匹配和契合。
尤其,通过收集用户对所述目标匹配结果的满意度,使得对于所述目标匹配结果和用户的预期结果进行判断,依据所述满意度对所述第四计算结果集进行重新计算,使得对于所述第四计算结果集中的结果进行重新排序,将排序后的第一位输出,使得在所述匹配结果准确的基础上,和用户的预期结果接近,提高了用户的使用感受,使得所述检索更加人性化。
尤其,通过基于所述待传输数据进行语义分割处理并选择分割文本中的关键词组作为第二词组,使得所述待传输数据精简,提高了后续的匹配效率;通过所述第二词组与第三数据库进行语义匹配获取第三词组,使得所述第三词组更符合所述信道传输特性,提高了匹配的效率;通过所述第一相似度与预设标准相似度进行比较确定所述第一词组,使得所述第一词组符合所述传输信道的传输特性,提高了匹配准确度。
尤其,通过对所述待传输数据进行预处理,将所述待传输数据去除没有意义的部分,使得所述待传输数据更加精简,对于后续文本处理提供便捷,通过将所述预处理文本转化为向量模式,使其在模型计算中便捷,提高了计算效率,通过使用语义分割模型对所述预处理文本进行语义分割,使得分割过程便捷快速,提高了分割效率,通过所述预测预处理语义分割结果确定最终的语义分割结果,提高了最终语义分割结果的准确性。
尤其,通过将所述第二词组转化为所述第二词组的词向量,将所述第三词组转化为所述第三词组的词向量,使得计算过程简单便捷,通过对其进行归一化处理,使得后续计算过程稳定,提高了计算结果的准确度,通过欧氏距离公式进行相似度计算,其计算过程简单,使得计算效率提升,提高了所述第二词组和所述第三词组的匹配过程的效率。
尤其,通过所述第一词组与所述第一信道集进行相似度匹配,使得所述第一匹配结果准确,通过将相似度大于80%的匹配结果进行选择,使得所述匹配结果范围全面且与所述第一词组匹配的结果准确,将所述选择结果进行排序,便于后续的计算和匹配过程,提高了匹配效率。
尤其,通过所述第一词组与所述第二信道集进行语义匹配获取所述第四词组,使得对于所述第一词组进行上位,在所述第四词组与所述第一信道集进行相似度匹配时,使得所述相似度结果范围包含更加全面,通过将相似度大于80%所对应的匹配结果进行选择,使得在保证匹配全面性的前提下提高了匹配结果的准确性,通过将所述匹配结果依据相似度由大到小进行排序,使得在后续计算和匹配过程时,提高了效率。
尤其,通过所述第二信道集构建分类模型,使得所述分类模型准确,通过将所述第一词组输入到所述分类模型中进行预测,使得对于所述分类模型进行检测,使后续分类过程精确,通过所述预测结果确定最终分类结果,提高了所述分类结果的准确性。
尤其,通过将所述第一匹配结果和所述第二匹配结果转化为词向量,使得在后续相似度计算过程时快速便捷,将所述欧氏距离公式为0的结果选择,所述结果完全相似,使得所述第三匹配结果集准确,使得最终匹配结果准确。
尤其,通过设置比例系数计算得到所述第四计算结果集,使得对于同一匹配结果在所述第四计算结果集中的最终相似度不同,使得所述第四计算结果集中的结果符合最优匹配结果,使得在通过排序后的第四结果集中的第一位作为目标匹配结果输出其匹配结果最准确。
附图说明
图1为本发明实施例提供的一种基于信道拓展的数据传输方法的流程示意图;
图2为本发明实施例提供的一种基于信道拓展的数据传输方法的另一流程示意图;
图3为本发明实施例提供的一种基于信道拓展的数据传输方法获取第一词组的流程示意图;
图4为本发明实施例提供的一种基于信道拓展的数据传输方法对待传输数据语义分割的流程示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,本发明实施例提供的基于信道拓展的数据传输方法包括:
步骤S1,接收待传输数据,所述待传输数据包括至少一个关键词组;
步骤S2,基于所述待传输数据进行语义处理形成的两个过程词组,确定所述过程词组的相似度,并将所述相似度与预设标准相似度进行比较,获取比较结果,并根据所述比较结果选择任一过程词组作为第一词组;
步骤S3,所述第一词组分别与第一信道集和第二信道集进行匹配处理,以获取第一数量的第一匹配结果和第二数量的第二匹配结果;
步骤S4,根据所述第一匹配结果和所述第二匹配结果的比较结果确定第三匹配结果集,所述第三匹配结果集内包括第三数量的第三匹配结果,所述第三匹配结果为所述第一匹配结果和所述第二匹配结果的交集;
步骤S5,所述第三匹配结果集根据预设系数计算得到第四计算结果集,所述第四计算结果集包括第三数量的第四结果,对所述第四计算结果集按照由大到小进行排序形成第四匹配度序列,并获取在所述第四匹配度序列中的第一位对应的匹配结果作为目标匹配结果;
步骤S6,使用所述目标匹配结果对应的信道传输所述待传输数据。
具体而言,本发明实施例中的第一信道集中的传输信道和第二信道集中的传输信道均为历史数据传输过程中形成的,其中第一信道集可以是在传输所述待传输数据的前一传输数据形成的,第二信道集可以是在传输所述待传输数据的前二传输数据形成的,还可以是其他时刻的传输数据形成的,在此不做限制。无论是第一信道集还是第二信道集,均为传输任意传输数据过程中形成的传输集合。
具体而言,在实际应用中,任意信道在传输数据后,都会对其传输的数据进行记录,实现对待传输数据与信道的匹配,也能够获知信道传输数据过程中的传输效率,因此本发明实施例建立在信道和数据匹配的基础上,通过对信道的属性的确定实现其与待传输数据的高度匹配,进而有效提升待传输数据在特定信道内的传输效率。
具体而言,通过对所述待传输数据进行语义处理获取所述过程词组,通过所述过程词组获取所述第一词组,使得所述第一词组在所述传输信道中语义正确,提高了后续匹配结果的准确率;通过所述第一词组分别与所述第一信道集和所述第二信道集进行匹配处理获取第一数量的第一匹配结果和第二数量的第二匹配结果,所述第一匹配结果和所述第二匹配结果的匹配结果信息全面,提高了匹配过程的准确度;通过所述第一匹配结果和所述第二匹配结果的比较结果确定第三匹配结果集,所述第三匹配结果为所述第一匹配结果和所述第二匹配结果的交集,提高了匹配的准确性和匹配过程的效率;通过将所述第四匹配度序列中的第一位对应的匹配结果作为目标匹配结果,使得在所述第四匹配结果中选取最优解,使得匹配结果准确。
参阅图2所述,在所述步骤S6之后还包括:
步骤S7,获取用户对所述目标匹配结果的满意度;
步骤S8,根据所述满意度和所述第四计算结果集进行二次计算得到第五计算结果集;
步骤S9,对所述第五计算结果集按照由大到小进行排序形成第五匹配度序列;
步骤S10,获取在所述第五匹配度序列中的第一位的第五计算结果对应的第五匹配结果作为优化匹配结果。
具体而言,所述二次计算过程为设所述满意度为k,所述目标匹配结果的第四计算结果集数值为,则所述第五计算结果集/>为/>,所述用户满意度为在1-10之间打分,若用户满意度为8,则在所述二次计算过程中k值为0.8,以此类推。
具体而言,通过收集用户对所述目标匹配结果的满意度,使得对于所述目标匹配结果和用户的预期结果进行判断,依据所述满意度对所述第四计算结果集进行重新计算,使得对于所述第四计算结果集中的结果进行重新排序,将排序后的第一位输出,使得在所述匹配结果准确的基础上,和用户的预期结果接近,提高了用户的使用感受,使得所述检索更加人性化。
参阅图3所示,根据所述比较结果选择任一过程词组作为第一词组包括:
步骤S21,基于所述待传输数据进行语义分割处理并选择分割文本中的关键词组作为第二词组;
步骤S22,所述第二词组与第三数据库进行语义匹配获取第三词组;
步骤S23,所述第二词组与所述第三词组进行相似度匹配,获取匹配结果为第一相似度;
步骤S24,将所述第一相似度与标准相似度进行对比,若所述第一相似度小于所述标准相似度,则所述第三词组为所述第一词组,若所述第一相似度大于所述标准相似度,则所述第二词组为所述第一词组。
具体而言,所述第三数据库为所述传输信道的标准用语集,若所述第一相似度小于所述标准相似度,则代表所述第二词组与所述第三词组相似性很小,为了后续匹配结果的准确性,应选取从所述第三数据库中选择的标准用语作为第一词组,若所述第一相似度大于所述标准相似度,则代表所述第二词组与所述第三词组相似性很大,则选取用户待传输数据中选择出的关键词组作为第一词组即可。
具体而言,通过基于所述待传输数据进行语义分割处理并选择分割文本中的关键词组作为第二词组,使得所述待传输数据精简,提高了后续的匹配效率;通过所述第二词组与第三数据库进行语义匹配获取第三词组,使得所述第三词组更符合所述信道传输特性,提高了匹配的效率;通过所述第一相似度与预设标准相似度进行比较确定所述第一词组,使得所述第一词组符合所述传输信道的传输特性,提高了匹配准确度。
参阅图4所示,对所述待传输数据进行语义分割处理包括:
步骤S211,对所述待传输数据进行预处理,得到预处理文本,所述预处理过程为将特殊字符、标点符号和停用词去除;
步骤S212,将所述预处理文本输入到词向量模型中获取所述预处理文本的词向量;
步骤S213,将所述预处理文本的词向量输入到语义分割模型中,在所述语义分割模型中进行计算,获取所述预处理文本的预测语义分割结果;
步骤S214,根据所述预测语义分割结果对所述预处理文本进行最终语义分割过程得到分割文本。
具体而言,对于所述待传输数据进行预处理过程使用的方法不做要求,对所述词向量模型不做要求,可以为Word2Vec,也可以为BERT,对所述语义分割模型也不做具体要求,可以为FCN,也可以为U-Net。
具体而言,通过对所述待传输数据进行预处理,将所述待传输数据去除没有意义的部分,使得所述待传输数据更加精简,对于后续文本处理提供便捷,通过将所述预处理文本转化为向量模式,使其在模型计算中便捷,提高了计算效率,通过使用语义分割模型对所述预处理文本进行语义分割,使得分割过程便捷快速,提高了分割效率,通过所述预测预处理语义分割结果确定最终的语义分割结果,提高了最终语义分割结果的准确性。
具体而言,所述第二词组与所述第三词组进行相似度匹配,获取匹配结果为第一相似度包括:
将所述第二词组输入到词向量模型中获取所述第二词组的词向量;
将所述第三词组输入到词向量模型中获取所述第三词组的词向量;
将所述第二词组的词向量和所述第三词组的词向量进行归一化处理;
通过欧氏距离公式计算所述第一相似度,设归一化处理后的所述第二词组的词向量为,归一化处理后的所述第三词组的词向量为/>,则所述第一相似度/>为。
具体而言,对于词向量模型不做要求,对于归一化处理的方式不做要求,可以为最大最小归一化,也可以为L2范数归一化,对于计算所述第一相似度的计算方法不做要求,可以使用余弦相似度和欧氏距离公式。
具体而言,通过将所述第二词组转化为所述第二词组的词向量,将所述第三词组转化为所述第三词组的词向量,使得计算过程简单便捷,通过对其进行归一化处理,使得后续计算过程稳定,提高了计算结果的准确度,本文采用通过欧氏距离公式进行相似度计算,其计算过程简单,使得计算效率提升,提高了所述第二词组和所述第三词组的匹配过程的效率。
具体而言,获取第一数量的第一匹配结果包括:
将所述第一词组与所述第一信道集进行相似度匹配,获取相似度结果;
将相似度大于80%所对应的匹配结果进行选择,获取第一数量的选择结果;
将所述选择结果依据相似度由大到小进行排序,获取第一排序结果;
所述第一排序结果为所述第一匹配结果。
具体而言,对于所述第一词组与所述第一信道集进行相似度匹配的方法不做具体要求,对于将相似度大于80%所对应的匹配结果进行选择的选择方法不做要求。
具体而言,通过所述第一词组与所述第一信道集进行相似度匹配,使得所述第一匹配结果准确,通过将相似度大于80%的匹配结果进行选择,使得所述匹配结果范围全面且与所述第一词组匹配的结果准确,将所述选择结果进行排序,便于后续的计算和匹配过程,提高了匹配效率。
具体而言,获取第二数量的第二匹配结果包括:
将所述第一词组与所述第二信道集进行语义匹配,获取匹配结果作为第四词组;
将所述第四词组与所述第一信道集进行相似度匹配,获取相似度结果;
将相似度大于80%所对应的匹配结果进行选择,获取第二数量的匹配结果;
将所述匹配结果依据相似度由大到小进行排序,获取第二排序结果;
所述第二排序结果为第二匹配结果。
具体而言,对于所述匹配过程和所述选择过程中所采用的方法不做具体要求,通过所述第一词组与所述第二信道集进行语义匹配获取所述第四词组,使得对于所述第一词组进行上位,在所述第四词组与所述第一信道集进行相似度匹配时,使得所述相似度结果范围包含更加全面,通过将相似度大于80%所对应的匹配结果进行选择,使得在保证匹配全面性的前提下提高了匹配结果的准确性,通过将所述匹配结果依据相似度由大到小进行排序,使得在后续计算和匹配过程时,提高了效率。
具体而言,所述第一词组与所述第二信道集进行语义匹配包括:
基于所述第二信道集构建分类模型;
将所述第一词组输入到所述分类模型中进行预测,获取预测结果;
根据所述预测结果确定所述第一词组与所述第二信道集语义匹配后的结果。
具体而言,对于所述分类模型构建的过程方法不做具体要求,其构建过程可以为:将所述第二信道集中数据进行预处理,对预处理后的数据进行向量转化,选择分类模型进行训练,所述分类模型可以为决策树,也可以为逻辑回归等,训练后的模型即为构建好的分类模型。
具体而言,通过所述第二信道集构建分类模型,使得所述分类模型准确,通过将所述第一词组输入到所述分类模型中进行预测,使得对于所述分类模型进行检测,使后续分类过程精确,通过所述预测结果确定最终分类结果,提高了所述分类结果的准确性。
具体而言,根据所述第一匹配结果和所述第二匹配结果的比较结果确定第三匹配结果集包括:
将第一数量的所述第一匹配结果输入到词向量模型中获取第一数量的所述第一匹配结果的词向量;
将第二数量的所述第二匹配结果输入到词向量模型中获取第二数量的所述第二匹配结果的词向量;
通过欧氏距离公式计算所述第一匹配结果和所述第二匹配结果的相似度;
将所述欧氏距离公式的计算结果为0所对应的所述第一匹配结果和所述第二匹配结果中的结果选择出来作为第三匹配结果集。
具体而言,当所述欧氏距离公式计算结果为0时,则所述第一匹配结果与所述第二匹配结果相似度为100%,设所述第一匹配结果的词向量为,所述第二匹配结果的词向量为/>,则所述欧氏距离公式计算结果为/>,式中t为所述第一匹配结果中任意一个结果,p为所述第二匹配结果中任意一个结果。
具体而言,通过将所述第一匹配结果和所述第二匹配结果转化为词向量,使得在后续相似度计算过程时快速便捷,将所述欧氏距离公式为0的结果选择,所述结果完全相似,使得所述第三匹配结果集准确,使得最终匹配结果准确。
具体而言,所述第三匹配结果集根据预设系数计算得到第四计算结果集包括:
将所述第三匹配结果中的任意一个结果选择出作为第三结果,所述第三结果在所述第一匹配结果和所述第二匹配结果中均存在;
设在第四计算结果集中所述第一匹配结果的比例系数为0.8,在第四计算结果集中所述第二匹配结果的比例系数为0.2,所述第三结果在所述第一匹配结果中的相似度数值为,所述第三结果在所述第二匹配结果中的相似度数值为/>,则所述第三结果在所述第四计算结果集中的相似度/>计算结果为/>,式中i代表所述第三匹配结果中的任意一个结果。
具体而言,通过设置比例系数计算得到所述第四计算结果集,使得对于同一匹配结果在所述第四计算结果集中的最终相似度不同,使得所述第四计算结果集中的结果符合最优匹配结果,使得在通过排序后的第四结果集中的第一位作为目标匹配结果输出其匹配结果最准确。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于信道拓展的数据传输方法,其特征在于,包括:
步骤S1,接收待传输数据,所述待传输数据包括至少一个关键词组;
步骤S2,基于所述待传输数据进行语义处理形成两个过程词组,确定两个所述过程词组的相似度,将所述相似度与预设标准相似度进行比较,获取比较结果,并根据所述比较结果选择任一过程词组作为第一词组;
步骤S3,所述第一词组分别与第一信道集和第二信道集进行匹配处理,以获取第一数量的第一匹配结果和第二数量的第二匹配结果;
步骤S4,根据所述第一匹配结果和所述第二匹配结果的比较结果确定第三匹配结果集,所述第三匹配结果集内包括第三数量的第三匹配结果,所述第三匹配结果集为所述第一匹配结果和所述第二匹配结果的交集;
步骤S5,所述第三匹配结果集根据预设系数计算得到第四计算结果集,所述第四计算结果集包括第三数量的第四结果,对所述第四计算结果集按照由大到小进行排序形成第四匹配度序列,并获取在所述第四匹配度序列中的第一位对应的匹配结果作为目标匹配结果;
步骤S6,使用所述目标匹配结果对应的信道传输所述待传输数据。
2.根据权利要求1所述的基于信道拓展的数据传输方法,其特征在于,在所述步骤S6之后还包括:
获取用户对所述目标匹配结果的满意度;
根据所述满意度和所述第四计算结果集进行二次计算得到第五计算结果集;
对所述第五计算结果集按照由大到小进行排序形成第五匹配度序列;
获取在所述第五匹配度序列中的第一位的第五计算结果对应的第五匹配结果作为优化匹配结果。
3.根据权利要求2所述的基于信道拓展的数据传输方法,其特征在于,根据所述比较结果选择任一过程词组作为第一词组包括:
基于所述待传输数据进行语义分割处理并选择分割文本中的关键词组作为第二词组;
所述第二词组与第三数据库进行语义匹配获取第三词组;
所述第二词组与所述第三词组进行相似度匹配,获取匹配结果为第一相似度;
将所述第一相似度与标准相似度进行对比,若所述第一相似度小于所述标准相似度,则所述第三词组为所述第一词组,若所述第一相似度大于所述标准相似度,则所述第二词组为所述第一词组。
4.根据权利要求3所述的基于信道拓展的数据传输方法,其特征在于,对所述待传输数据进行语义分割处理包括:
对所述待传输数据进行预处理,得到预处理文本,所述预处理过程为将特殊字符、标点符号和停用词去除;
将所述预处理文本输入到词向量模型中获取所述预处理文本的词向量;
将所述预处理文本的词向量输入到语义分割模型中,在所述语义分割模型中进行计算,获取所述预处理文本的预测语义分割结果;
根据所述预测语义分割结果对所述预处理文本进行最终语义分割过程得到分割文本。
5.根据权利要求4所述的基于信道拓展的数据传输方法,其特征在于,所述第二词组与所述第三词组进行相似度匹配,获取匹配结果为第一相似度包括:
将所述第二词组输入到词向量模型中获取所述第二词组的词向量;
将所述第三词组输入到词向量模型中获取所述第三词组的词向量;
将所述第二词组的词向量和所述第三词组的词向量进行归一化处理;
通过欧氏距离公式计算所述第一相似度,设归一化处理后的所述第二词组的词向量为,归一化处理后的所述第三词组的词向量为/>,则所述第一相似度/>为。
6.根据权利要求5所述的基于信道拓展的数据传输方法,其特征在于,获取第一数量的第一匹配结果包括:
将所述第一词组与所述第一信道集进行相似度匹配,获取相似度结果;
将相似度大于80%所对应的匹配结果进行选择,获取第一数量的选择结果;
将所述选择结果依据相似度由大到小进行排序,获取第一排序结果;
所述第一排序结果为所述第一匹配结果。
7.根据权利要求6所述的基于信道拓展的数据传输方法,其特征在于,获取第二数量的第二匹配结果包括:
将所述第一词组与所述第二信道集进行语义匹配,获取匹配结果作为第四词组;
将所述第四词组与所述第一信道集进行相似度匹配,获取相似度结果;
将相似度大于80%所对应的匹配结果进行选择,获取第二数量的匹配结果;
将所述匹配结果依据相似度由大到小进行排序,获取第二排序结果;
所述第二排序结果为第二匹配结果。
8.根据权利要求7所述的基于信道拓展的数据传输方法,其特征在于,所述第一词组与所述第二信道集进行语义匹配包括:
基于所述第二信道集构建分类模型;
将所述第一词组输入到所述分类模型中进行预测,获取预测结果;
根据所述预测结果确定所述第一词组与所述第二信道集语义匹配后的结果。
9.根据权利要求8所述的基于信道拓展的数据传输方法,其特征在于,根据所述第一匹配结果和所述第二匹配结果的比较结果确定第三匹配结果集包括:
将第一数量的所述第一匹配结果输入到词向量模型中获取第一数量的所述第一匹配结果的词向量;
将第二数量的所述第二匹配结果输入到词向量模型中获取第二数量的所述第二匹配结果的词向量;
通过欧氏距离公式计算所述第一匹配结果和所述第二匹配结果的相似度;
将所述欧氏距离公式的计算结果为0所对应的所述第一匹配结果和所述第二匹配结果中的结果选择出来作为第三匹配结果集。
10.根据权利要求9所述的基于信道拓展的数据传输方法,其特征在于,所述第三匹配结果集根据预设系数计算得到第四计算结果集包括:
将所述第三匹配结果中的任意一个结果选择出作为第三结果,所述第三结果在所述第一匹配结果和所述第二匹配结果中均存在;
设在第四计算结果集中所述第一匹配结果的比例系数为0.8,在第四计算结果集中所述第二匹配结果的比例系数为0.2,所述第三结果在所述第一匹配结果中的相似度数值为,所述第三结果在所述第二匹配结果中的相似度数值为/>,则所述第三结果在所述第四计算结果集中的相似度/>计算结果为/>,式中i代表所述第三匹配结果中的任意一个结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249610.0A CN117014126B (zh) | 2023-09-26 | 2023-09-26 | 基于信道拓展的数据传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249610.0A CN117014126B (zh) | 2023-09-26 | 2023-09-26 | 基于信道拓展的数据传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117014126A CN117014126A (zh) | 2023-11-07 |
CN117014126B true CN117014126B (zh) | 2023-12-08 |
Family
ID=88567489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311249610.0A Active CN117014126B (zh) | 2023-09-26 | 2023-09-26 | 基于信道拓展的数据传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117014126B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753649A (zh) * | 2018-12-03 | 2019-05-14 | 中国科学院计算技术研究所 | 基于细粒度匹配信号的文本相关性度量方法和*** |
CN110162593A (zh) * | 2018-11-29 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种搜索结果处理、相似度模型训练方法及装置 |
CN113705245A (zh) * | 2021-09-01 | 2021-11-26 | 北京邮电大学 | 语义通信方法、装置、***、计算机设备及存储介质 |
CN115883018A (zh) * | 2022-11-03 | 2023-03-31 | 北京邮电大学 | 语义通信*** |
WO2023051343A1 (zh) * | 2021-09-30 | 2023-04-06 | 上海商汤智能科技有限公司 | 视频语义分割方法、装置、电子设备、存储介质及计算机程序产品 |
CN116150704A (zh) * | 2023-04-21 | 2023-05-23 | 广东工业大学 | 基于语义相似度匹配的多模态融合表征方法及*** |
CN116436567A (zh) * | 2023-04-20 | 2023-07-14 | 东南大学 | 一种基于深度神经网络的语义通信方法 |
CN116645971A (zh) * | 2023-05-08 | 2023-08-25 | 南京航空航天大学 | 一种基于深度学习的语义通信文本传输优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101615262B1 (ko) * | 2009-08-12 | 2016-04-26 | 삼성전자주식회사 | 시멘틱 정보를 이용한 멀티 채널 오디오 인코딩 및 디코딩 방법 및 장치 |
-
2023
- 2023-09-26 CN CN202311249610.0A patent/CN117014126B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162593A (zh) * | 2018-11-29 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种搜索结果处理、相似度模型训练方法及装置 |
CN109753649A (zh) * | 2018-12-03 | 2019-05-14 | 中国科学院计算技术研究所 | 基于细粒度匹配信号的文本相关性度量方法和*** |
CN113705245A (zh) * | 2021-09-01 | 2021-11-26 | 北京邮电大学 | 语义通信方法、装置、***、计算机设备及存储介质 |
WO2023051343A1 (zh) * | 2021-09-30 | 2023-04-06 | 上海商汤智能科技有限公司 | 视频语义分割方法、装置、电子设备、存储介质及计算机程序产品 |
CN115883018A (zh) * | 2022-11-03 | 2023-03-31 | 北京邮电大学 | 语义通信*** |
CN116436567A (zh) * | 2023-04-20 | 2023-07-14 | 东南大学 | 一种基于深度神经网络的语义通信方法 |
CN116150704A (zh) * | 2023-04-21 | 2023-05-23 | 广东工业大学 | 基于语义相似度匹配的多模态融合表征方法及*** |
CN116645971A (zh) * | 2023-05-08 | 2023-08-25 | 南京航空航天大学 | 一种基于深度学习的语义通信文本传输优化方法 |
Non-Patent Citations (1)
Title |
---|
基于量子神经网络的启发式网络隐蔽信道检测模型;唐彰国;李焕洲;钟明全;张健;;计算机应用研究(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117014126A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063221B (zh) | 基于混合策略的查询意图识别方法和装置 | |
WO2021143018A1 (zh) | 意图识别方法、装置、设备及计算机可读存储介质 | |
US7945437B2 (en) | Systems and methods for using automated translation and other statistical methods to convert a classifier in one language to another language | |
US20120303355A1 (en) | Method and System for Text Message Normalization Based on Character Transformation and Web Data | |
CN112035645B (zh) | 数据查询方法以及*** | |
CN105976818A (zh) | 指令识别的处理方法及装置 | |
CN101119326A (zh) | 一种即时通信会话记录的管理方法及装置 | |
CN110442741B (zh) | 一种基于张量融合和重排序的跨模态图文互搜方法 | |
CN116484052B (zh) | 一种基于大数据的教育资源共享*** | |
CN113449084A (zh) | 基于图卷积的关系抽取方法 | |
CN115358774A (zh) | 一种智慧客服机器人数据处理方法及*** | |
CN117014126B (zh) | 基于信道拓展的数据传输方法 | |
KR101941924B1 (ko) | 자율 인지 신경망 기반 연관 모델 학습을 이용한 나노 의도 분석 서비스 제공 방법 | |
CN113836898A (zh) | 一种电力***自动派单方法 | |
CN113160800A (zh) | 语音数据标注方法及电子设备、存储装置 | |
CN111190998B (zh) | 一种基于混合模型的问答机器人***及问答机器人 | |
CN117423339A (zh) | 一种基于多路音源输入的广播终端 | |
CN116684903A (zh) | 小区参数处理方法、装置、设备及存储介质 | |
CN115858787A (zh) | 一种基于公路运输中问题诉求信息的热点提取和挖掘方法 | |
CN115410185A (zh) | 一种多模态数据中特定人名及单位名属性的提取方法 | |
CN113392286B (zh) | 大数据信息采集*** | |
CN113177164B (zh) | 基于大数据的多平台协同新媒体内容监控管理*** | |
CN111930919B (zh) | 一种面向企业在线教育app语音交互的实现方法 | |
CN113553844A (zh) | 一种基于前缀树特征与卷积神经网络的领域识别方法 | |
CN117221839B (zh) | 5g信令识别方法及其*** |
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 |