CN111695352B 基于语义分析的评分方法、装置、终端设备及存储介质 (平安科技(深圳)有限公司)_第1页
CN111695352B 基于语义分析的评分方法、装置、终端设备及存储介质 (平安科技(深圳)有限公司)_第2页
CN111695352B 基于语义分析的评分方法、装置、终端设备及存储介质 (平安科技(深圳)有限公司)_第3页
CN111695352B 基于语义分析的评分方法、装置、终端设备及存储介质 (平安科技(深圳)有限公司)_第4页
CN111695352B 基于语义分析的评分方法、装置、终端设备及存储介质 (平安科技(深圳)有限公司)_第5页
已阅读5页,还剩22页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

道福安社区益田路5033号平安金融中速度慢增加面试成本以及面试维度判定准确性2将所述文本信息输入至训练后的第一神经网络模型,对所述文本信息进行语义分析,果训练得到的,所述第一神经网络模型的输出结果为将所述训练样本集合作为输入得到基于训练样本集合及第二神经网络模型训练所述第一神经网络将所述训练样本划分为预设分词数量的短句集合,将所述短句集合中模型对所述输出矩阵进行双向卷积计算,输出所述输出矩阵中每个分词被掩盖的概率矩将所述输出矩阵中被掩盖的分词对应的预测向量与被掩盖的词实际对应的真实向量按预设分词数量,将所述文本信息进行划分,得到符合所述预设分词将所述训练样本集合中的语句文本划分为预设分词数量的短句集合,并将所述分词矩阵进行卷积计算,得到目标矩阵,将所述目标3获取所述输出矩阵中被掩盖的分词对应的预测向量,计算所述预测向按照预设的迭代训练次数完成对第一神经网络的训练后,依据第一神经网处理单元,用于将所述文本信息输入至训练后的第一神经网络模所述处理单元,还用于基于训练样本集合及第二神经网络模型将所述输出矩阵中被掩盖的分词对应的预测向量与被掩盖的词实际对应的真实向量8.一种计算机可读存储介质,所述计算机可读存储介质45[0023]将所述输出矩阵输入至第二神经网络模型,由第二神经网络模型对所述输出矩实现上述第一方面中任一项所述的基于语义分析6设备上运行时,使得终端设备执行上述第一方面中任一项所述的基于语义分析的评分方7[0053]参见图2是本申请实施例提供基于语义分析的评分方法的实现流程示意图,该方[0060]在一些实施例中,在所述将所述文本信息输入至训练后的第一神经网络模型之8[0072]步骤S302,将所述训练样本集合中的语句文本划分为预9入第二神经网络模型的输出层;由输出层对双向LSTM层的每个分词对应的向量做线性变的输出层输出的矩阵,根据评分等级设置评分参数矩阵,例如针对输出矩阵T设置大小为目标评分参数矩阵的第一神经网络模型作为对目标用户输入的语音信息进行语义识别及的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限[0093]对应于上文实施例所述的基于语义分析的评分方法,图4示出了本申请实施例提序52时实现上述任意各个基于语义分析的评分方法实[0101]所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器[0103]所述存储器51在一些实施例中可以是所述终端设备5的内部存储单元,例如终端既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步[0106]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论