训练方法、AI面试方法及相关设备技术

本发明专利技术涉及人工智能领域，公开了一种训练方法、AI面试方法及相关设备，用于AI面试对候选人的提问进行回复。该方法包括：获取面试获选人反问的文本数据，将所述文本数据向量化，得到文本向量数据；将所述文本向量数据输入至预置文本分类神经网络中进行分类处理，得到所述文本分类神经网络生成的答复文本数据，其中，所述文本分类神经网络通过训练方法训练得出。本发明专利技术实施例，在将大型的神经网络压缩为小型的神经网络过程中，提高了小型的神经网络的分辨精度。此外，本发明专利技术还涉及区块链技术，用户的隐私信息可存储于区块链中。

【技术实现步骤摘要】
训练方法、AI面试方法及相关设备
本专利技术涉及人工智能领域，尤其涉及一种训练方法、AI面试方法及相关设备。
技术介绍
自在围棋领域上，人工智能成功战胜人类最强棋手，人工智能领域就不断被人们重视。在人工智能领域中深度学习、图像识别、自动驾驶、智能回复等领域，技术不断涌现，极大的改变了人类的生活。在移动支付领域，人脸识别技术被广泛应用。在自动驾驶领域，深度学习与图像识别不断创造新的奇迹。在智能回复领域中，在应用场景AI招聘的过程中有两个步骤，第一步骤为AI先对候选人进行提问并获取候选人的回复，第二步骤为候选人对AI进行反向提问并由AI给予回复。在第二步骤中，由于大型的神经网络层集数较为巨大，在移动终端中会出现回复较慢或者算力不足的情况，因此出现了将大型神经网络压缩为小型神经网络的技术，但是小型神经网络的精度还存在不足的问题，需要有提高小型神经网络的分类精度的处理技术。
技术实现思路
本专利技术的主要目的在于解决当大型神经网络压缩为小型神经网络，小型神经网络应用于AI面试答复时分类精度不足的技术问题。本专利技术第本文档来自技高网...

【技术保护点】
1.一种文本分类神经网络的训练方法，其特征在于，所述训练方法包括：/n获取训练文本数据，并对所述训练文本数据进行向量化处理，得到训练向量数据，其中，所述训练文本数据包括面试候选人反问的历史文本数据；/n将所述训练向量数据分别输入预置大型网络和预置小型网络中进行训练，得到所述大型网络输出的第一处理数据和所述小型网络输出的第二处理数据以及所述大型网络与所述小型网络对应的整体损失函数值，其中，所述大型网络用于调整所述小型网络的分类精度；/n将所述第一处理数据、所述第二处理数据和所述训练向量数据输入预置分类器进行分类处理，得到分类损失函数值；/n根据所述整体损失函数值和所述分类损失函数值，计算所述分类...

【技术特征摘要】
1.一种文本分类神经网络的训练方法，其特征在于，所述训练方法包括：
获取训练文本数据，并对所述训练文本数据进行向量化处理，得到训练向量数据，其中，所述训练文本数据包括面试候选人反问的历史文本数据；
将所述训练向量数据分别输入预置大型网络和预置小型网络中进行训练，得到所述大型网络输出的第一处理数据和所述小型网络输出的第二处理数据以及所述大型网络与所述小型网络对应的整体损失函数值，其中，所述大型网络用于调整所述小型网络的分类精度；
将所述第一处理数据、所述第二处理数据和所述训练向量数据输入预置分类器进行分类处理，得到分类损失函数值；
根据所述整体损失函数值和所述分类损失函数值，计算所述分类器和小型网络的调整参数；
基于所述调整参数分别对所述分类器和小型网络进行调整，得到文本分类神经网络。


2.根据权利要求1所述的文本分类神经网络的训练方法，其特征在于，所述获取训练文本数据，并对所述训练文本数据进行向量化处理，得到训练向量数据包括：
获取训练文本数据，以及获取预置向量转换表；
依次读取所述训练文本数据中的字符，得到训练字符组合；
根据所述训练字符组合中字符的获得时间顺序，得到所述训练文本数据的字符排序；
对所述训练字符组合中字符进行去重处理，得到字符种类集合；
根据所述字符种类集合中的字符查询所述向量转换表中对应的向量，并根据所述字符排序将所述向量排列生成训练向量数据。


3.根据权利要求1或2所述的文本分类神经网络的训练方法，其特征在于，所述将所述训练向量数据分别输入预置大型网络和预置小型网络中进行训练，得到所述大型网络输出的第一处理数据和所述小型网络输出的第二处理数据以及所述大型网络与所述小型网络中对应的整体损失函数值包括：
将所述训练向量数据输入预置大型网络和预置小型网络中进行训练，得到所述大型网络输出的第一处理数据和所述小型网络输出的第二处理数据；
根据预置网络隐藏层映射关系，查询出所述大型网络与所述小型网络中对应隐藏层的预置损失函数；
根据所述第一处理数据和所第二处理数据的训练过程，读取所有所述损失函数输出的数值，得到所述大型网络与所述小型网络中各个对应隐藏层的损失函数值；
获取预置整体损失函数框架，将各个对应隐藏层的损失函数值填入所述整体损失函数框架中，得到整体损失函数值。


4.根据权利要求3所述的文本分类神经网络的训练方法，其特征在于，所述将所述第一处理数据、所述第二处理数据和所述训练向量数据输入预置分类器进行分类处理，得到分类损失函数值包括：
将所述第一处理数据与所述训练向量数据组合生成第一组合数据，以及将第二处理数据与所述训练向量数据组合生成第二组合数据；
将所述第一组合数据与预置向量映射矩阵相乘得到第一映射数据，以及将所述第二组合数据与所述向量映射矩阵相乘得到第二映射数据；
将所述第一映射数据与预置权重矩阵相乘得到第一分类结果，以及将所述第二映射数据与所述权重矩阵相乘得到第二分类结果；
对所述第一分类结果进行归一化处理得到第一归一化结果，并对所述第二分类结果进行归一化处理得到第二归一化结果，以及将所述第一归一化结果和所述第二归一化结果代入预置分类损失函数，得出分类损失函数值。


5.根据权利要求4所述的文本分类神经网络的训练方法，其特征在于，所述根据所述损失函数值和所述分类损失函数值，计算所述分类器和小型网络的调整参数包括：
获取预置博弈损失函数框架，将所述整体损失函数值和所述分类损失函数值填入所述博弈损失函数框架，得到博弈损失函数值；
判断所述博弈损失函数值、所述整体损失函数值和所述分类损失函数值是否均为极值；
若是，则将所述博弈损失函数值对应的小型网络确认为文本分类神经网络；
若否，则修改所述分类器的参数和所述小型网络的参数，直至所述博弈损失函数值、所述整体损失函数值和所述分类损失函数值均为极值，得到所述分类器和小型网络的调整参数。


6.一种基...

【专利技术属性】
技术研发人员：邓悦，郑立颖，徐亮，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44