一种计算机用的人工智能信息过滤系统技术方案

本发明专利技术涉及数据过滤领域，具体涉及一种计算机用的人工智能信息过滤系统，包括：数据过滤模型构建模块，用于基于录入的过滤关键词组生成对应的训练参数集，并基于训练参数集实现数据过滤模型的构建，基于过滤关键词组之间的关联关系实现数据过滤模型的排序、串联；数据填充模块，用于基于深度学习的不完整大数据填充算法实现数据的填充处理；数据过滤模块，用于基于串联后的数据过滤模型组实现数据的过滤分类。本发明专利技术基于依次串联的数据过滤模型实现数据的过滤分类，每一个数据过滤模型对应一个数据储存节点，一次过滤即可实现多种过滤标准下不同数据集的获取，大大提高系统工作效率。率。率。

【技术实现步骤摘要】
一种计算机用的人工智能信息过滤系统


[0001]本专利技术涉及数据过滤领域，具体涉及一种计算机用的人工智能信息过滤系统。

技术介绍

[0002]随着大数据时代的到来，海量数据的过滤和分类技术显得尤为重要。在海 量数据挖掘中，如何利用从已有数据中过滤和分类出来的信息来指导新数据的过滤和分类已成为一个新的研究热点。
[0003]目前的数据过滤方法主要通过建立一个过滤列表来实现，过滤列表仅能过滤内载在过滤列表内的数据，与其存在某种关联关系的数据仍然无法被过滤，需要配置新的过滤列表信息，因此，需要建立冗长的过滤列表。同时，每一数据的过滤均需要重新获取整个过滤列表信息，程序需要重复查找计算，工作效率低下。

技术实现思路

[0004]为解决上述问题，本专利技术提供了一种计算机用的人工智能信息过滤系统。
[0005]为实现上述目的，本专利技术采取的技术方案为：一种计算机用的人工智能信息过滤系统，基于依次串联的数据过滤模型实现数据的过滤分类，每一个数据过滤模型对应一个数据储存节点；具体的，包括：数据过滤模型构建模块，用于基于录入的过滤关键词组生成对应的训练参数集，并基于所述训练参数集实现数据过滤模型的构建，基于过滤关键词组之间的关联关系实现数据过滤模型的排序、串联；数据采集模块，用于实现数据的采集；数据填充模块，用于基于深度学习的不完整大数据填充算法实现数据的填充处理；数据过滤模块，用于基于串联后的数据过滤模型组实现数据的过滤分类。
[0006]进一步地，所述过滤关键词组至少为2组，且相互之间存在被包含或包含关系，每一组过滤关键词组对应一个数据过滤模型。
[0007]进一步地，所述过滤关键词组至少为2组，且分别为两种不同的分类属性，每一组过滤关键词组对应一个数据过滤模型。
[0008]进一步地，所述数据过滤模型构建模块首先基于模糊神经网络算法根据过滤关键词组生成对应的训练参数集，然后基于Hadoop运行所述训练参数集构建Bi
‑
LSTM+Attention模型。
[0009]进一步地，在任意一个数据过滤模型工作时，其他数据过滤模型均处于休眠状态。
[0010]进一步地，在发现新的过滤关键词组时，首先构建新的过滤关键词组与历史过滤关键词组的关联关系，然后将新的过滤关键词组转换成历史过滤关键词组表达的参数，即可输入对应的训练好的模型进行训练。
[0011]本专利技术具有以下有益效果：
1）基于依次串联的数据过滤模型实现数据的过滤分类，每一个数据过滤模型对应一个数据储存节点，一次过滤即可实现多种过滤标准下不同数据集的获取，大大提高系统工作效率。
[0012]2）基于模糊神经网络算法根据过滤关键词组生成对应的训练参数集，从而可以尽可能的扩大数据过滤模型的过滤标准覆盖面，减少过滤盲区。
[0013]3）通过构建新的过滤关键词组与历史过滤关键词组的关联关系，然后将新的过滤关键词组转换成历史过滤关键词组表达的参数的方式，实现了训练好的模型的微调，从而使其可以快速具备新的过滤功能。
附图说明
[0014]图1为本专利技术实施例一种计算机用的人工智能信息过滤系统的系统框图。
具体实施方式
[0015]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术的保护范围。
[0016]实施例1一种计算机用的人工智能信息过滤系统，包括：数据过滤模型构建模块，用于基于录入的过滤关键词组生成对应的训练参数集，并基于所述训练参数集实现数据过滤模型的构建，基于过滤关键词组之间的关联关系实现数据过滤模型的排序、串联；数据填充模块，用于基于深度学习的不完整大数据填充算法实现数据的填充处理；数据过滤模块，用于基于串联后的数据过滤模型组实现数据的过滤分类。
[0017]本实施例中，所述过滤关键词组至少为2组，且相互之间存在被包含或包含关系，每一组过滤关键词组对应一个数据过滤模型，每一个数据过滤模型对应一个数据储存节点。
[0018]本实施例中，所述过滤关键词组至少为2组，且分别为两种不同的分类属性，每一组过滤关键词组对应一个数据过滤模型。
[0019]本实施例中，所述数据过滤模型构建模块首先基于模糊神经网络算法根据过滤关键词组生成对应的训练参数集，然后基于Hadoop运行所述训练参数集构建Bi
‑
LSTM+Attention模型。
[0020]本实施例中，在任意一个数据过滤模型工作时，其他数据过滤模型均处于休眠状态。
[0021]本实施例中，在发现新的过滤关键词组时，首先构建新的过滤关键词组与历史过滤关键词组的关联关系，然后将新的过滤关键词组转换成历史过滤关键词组表达的参数，即可输入对应的训练好的模型进行训练。
[0022]以上对本专利技术的具体实施例进行了描述。需要理解的是，本专利技术并不局限于上述
特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本专利技术的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机用的人工智能信息过滤系统，其特征在于：基于依次串联的数据过滤模型实现数据的过滤分类，每一个数据过滤模型对应一个数据储存节点。2.如权利要求1所述的一种计算机用的人工智能信息过滤系统，其特征在于：包括：数据过滤模型构建模块，用于基于录入的过滤关键词组生成对应的训练参数集，并基于所述训练参数集实现数据过滤模型的构建，基于过滤关键词组之间的关联关系实现数据过滤模型的排序、串联；数据填充模块，用于基于深度学习的不完整大数据填充算法实现数据的填充处理；数据过滤模块，用于基于串联后的数据过滤模型组实现数据的过滤分类。3.如权利要求2所述的一种计算机用的人工智能信息过滤系统，其特征在于：所述过滤关键词组至少为2组，且相互之间存在被包含或包含关系，每一组过滤关键词组对应一个数据过滤模型。4.如权利要求2所述的一种计算机用的人工智能信息过滤系统，其特...

【专利技术属性】
技术研发人员：张明伯，徐鲁宁，石浪，黄文昌，杨贵明，王琦，谢苏，
申请(专利权)人：百科荣创山东科技发展有限公司，
类型：发明
国别省市：