CN119227013B 一种基于人工智能的数据搜索方法及系统 （上海银行股份有限公司）

本发明公开了一种基于人工智能的数据搜收用户询问进行查询解析并计算与数据点特征收用户询问进行查询解析并计算与数据点特征2收集多模态数据进行预处理，提取预处理后数据点特征将拓扑特征转换为拓扑特征向量与数据点特征向量融合，构建深度神经网络DNN计算所述收集多模态数据进行预处理，提取预处理后数据点特征向量并构建距离矩阵包所述预处理包括，使用正则表达式删除文本数据的HTML标签和特殊将语音数据进行分帧处理得到语音信号，使用傅里进行查询解析并计算与数据点特征向量之间的使用余弦相似度计算标准化后查询特征向量U与标准化后第k个数据点特征向量Fk之间3.如权利要求2所述的基于人工智能的数据搜索方法，其特征在于：所述构建距离矩a)；换为拓扑特征向量与数据点特征向量融合指使用持久熵将拓扑特征转换为拓扑特征向量通过非线性变换计算综合拓扑特征向量E与第k个数据点特征向量Fk之间的融合的特征3网络DNN计算融合特征向量与查询特征向量之间相似度，生成搜索结果指收集历史数据并设定输入层的格式为融合特征向量F'k和标准化后查询特征使用自适应调整机制对现有的损失函数进行改进，构建改进将融合特征向量和查询特征向量带入到训练好的深度神经网络DNN模型中，得到融合特征向量F'k与标准化后查询特征向量U之将融合特征向量F'k与标准化后查询特征向量U之间的相似度Ak2与标准化后查询特征面展示优化后的搜索结果指使用React.js构建可视化界面展示用户询问信息和最终搜索7.一种基于权利要求1_6任一所述的基于人工智能的数据搜索方法的基于人工智能的融合优化模块，用于将拓扑特征转换为拓扑特征向量与数据4处理器执行时实现权利要求1至6中任一项所述的基于人工智能的数据搜索方5[0001]本发明涉及信息检索技术领域，特别是一种基于人工智能的数据搜索方法及系究者们逐渐将这些先进技术应用于多模态数据的处数据点特征向量融合，构建深度神经网络DNN计算融合特征向量与查询特征向量之间相似[0011]将语音数据进行分帧处理得到语音信号，使用傅里叶变换计算语音信号的功率6[0013]对数据点特征向量进行标准化处理，得到标准化后第k个数据点特征向量’[0016]使用余弦相似度计算标准化后查询特征向量U与标准化后第k个数据点特征向量之间的相似度。’将标准化后的拓扑特征向量Ei组合为综合拓扑[0025]通过非线性变换计算综合拓扑特征向量E与标准化后第k个数据点特征向量别为标准化后第k个数据点特征向量和综合拓扑特征向量的L2范7[0033][0034]将融合特征向量和查询特征向量带入到训练好的深度神经网络DNN模型中，得到[0035]将融合特征向量与标准化后查询特征向量U之间的相似度与标准化后查询特征向量U与标准化后第k个数据点特征向量之间的相似度进行对比，将相似8理器执行所述计算机程序时实现上述基于人工智能的数据搜索方法为拓扑特征向量与数据点特征向量融合，构建深度神经网络DNN计算融合特征向量与查询行查询解析并计算与数据点特征向量之间的[0055]将语音数据进行分帧处理得到语音信号，使用傅里叶变换计算语音信号的功率9[0057]对数据点特征向量进行标准化处理，得到标准化后第k个数据点特征向量’[0061]使用余弦相似度计算标准化后查询特征向量U与标准化后数据点特征向量之查询特征向量与数据点特征向量之间的相似性，能够快速定位与用户查询最相关的数据，,其中为逐步[0073]若n个特征向量每对特征向量之间的距离均小于等于逐步增大距离阈值时，将特.为第a维单纯形的边[0076]通过使用欧氏距离计算数据点特征向量之间的距离，确’将标准化后的拓扑特征向量Ei组合为综合拓扑[0080]基于现有技术使用线性加权融合计算综合拓扑特征向量E与标准化后第k个数据u和B分别为加权系数；[0082]通过非线性变换计算综合拓扑特征向量E与标准化后第k个数据点特征向量之间融合的特征向量，公式为其中为双曲正一方向上的相似程度，确保在综合特征向量之间的相互比较中捕捉到最大程度的相关性，[0089]使用训练集对深度神经网络DNN模型进行训练，使用现有的损失函数，公式为真实标签；[0092]将融合特征向量和查询特征向量带入到训练好的深度神经网络DNN模型中，得到[0093]将融合特征向量与标准化后查询特征向量U之间的相似度与标准化后查询特征向量U与标准化后第k个数据点特征向量之间的相似度进行