一种基于循环神经网络的信息查询方法及系统技术方案

本申请实施例公开了一种基于循环神经网络的信息查询方法及系统，属于数据管理技术领域，其中，一种基于循环神经网络的信息查询系统，包括信息获取模块，用于获取社保相关数据，还用于建立社保数据库，社保数据库用于存储社保相关数据；信息查询模块，用于获取训练好的循环神经网络模型，还用于获取社保查询指令，循环神经网络模型用于基于社保查询指令从社保数据库中获取与社保查询指令对应的社保相关数据，具有便于用户获取社保信息的优点。具有便于用户获取社保信息的优点。具有便于用户获取社保信息的优点。

【技术实现步骤摘要】
一种基于循环神经网络的信息查询方法及系统


[0001]本专利技术主要涉及数据管理
，具体地说，涉及一种基于循环神经网络的信息查询方法及系统。

技术介绍

[0002]随着社会与经济的发展和社会保障事业的进步，越来越多的公众开始关注社保基金的政策制定、执行、收入支出等信息，社保基金管理机构提供了面向公众开放的信息平台，但还存在很多信息生态问题，例如：公众对社保基金的政策不了解、公众对社保基金办理渠道的不理解、公众对社保基金办理方式的不熟悉、公众对社保收入支出信息的不知晓等等，导致公众在办理和查询社保基金信息时遇到了很大的阻碍。
[0003]因此，需要提供一种基于循环神经网络的信息查询方法及系统，用于便于用户获取社保信息。

技术实现思路

[0004]本说明书实施例之一提供一种基于循环神经网络的信息查询系统，包括：信息获取模块，用于获取社保相关数据，还用于建立社保数据库，所述社保数据库用于存储所述社保相关数据；信息查询模块，用于获取训练好的循环神经网络模型，还用于获取社保查询指令，所述循环神经网络模型用于基于所述社保查询指令从所述社保数据库中获取与所述社保查询指令对应的社保相关数据。
[0005]在一些实施例中，所述信息查询模块还包括指令数值化单元，所述指令数值化单元用于将所述社保查询指令中的文本数据转换为数值型数据，所述指令数值化单元输出所述数值型数据至所述循环神经网络模型。
[0006]在一些实施例中，所述指令数值化单元基于独热编码将所述社保查询指令中的所述文本数据转换为所述数值型数据。
[0007]在一些实施例中，所述循环神经网络模型的输入层包括Word2Vec模型，所述Word2Vec模型用于将所述数值型数据转换为指令词向量；所述Word2Vec模型包括连续词袋（CBOW，Continues Bag ofWords）子模型及Skip
‑
gram子模型；所述数值型数据分别输入所述连续词袋（CBOW，Continues Bag ofWords）子模型及所述Skip
‑
gram子模型，所述Word2Vec模型基于所述连续词袋（CBOW，Continues Bag ofWords）子模型输出的词向量及所述Skip
‑
gram子模型输出的词向量确定所述社保查询指令对应的所述指令词向量。
[0008]在一些实施例中，所述信息获取模块还用于获取训练好的养老金预测长短期记忆网络（LSTM，Long Short
‑
Term Memory）模型；所述信息获取模块还用于获取用户在多个过去时间点的养老保险相关数据；所述养老金预测长短期记忆网络（LSTM，Long Short
‑
Term Memory）模型用于基于所述用户在所述多个过去时间点的所述养老保险相关数据预测所述用户在至少一个未来时间点的养老金预测数据；所述社保相关数据包括所述用户在至少一个未来时间点的养老金预测数据。
[0009]本说明书实施例之一提供一种基于循环神经网络的信息查询方法，获取社保相关数据；建立社保数据库，所述社保数据库用于存储所述社保相关数据；获取训练好的循环神经网络模型；获取社保查询指令；通过所述循环神经网络模型基于所述社保查询指令从所述社保数据库中获取与所述社保查询指令对应的社保相关数据。
[0010]在一些实施例中，所述通过所述循环神经网络模型基于所述社保查询指令从所述社保数据库中获取与所述社保查询指令对应的社保相关数据，包括：将所述社保查询指令中的文本数据转换为数值型数据；将所述数值型数据输入至所述数值型数据至所述循环神经网络模型，从所述社保数据库中获取与所述社保查询指令对应的社保相关数据。
[0011]在一些实施例中，基于独热编码将所述社保查询指令中的所述文本数据转换为所述数值型数据。
[0012]在一些实施例中，所述循环神经网络模型的输入层包括Word2Vec模型，所述Word2Vec模型用于将所述数值型数据转换为指令词向量；所述Word2Vec模型包括连续词袋（CBOW，Continues Bag ofWords）子模型及Skip
‑
gram子模型；所述数值型数据分别输入所述连续词袋（CBOW，Continues Bag ofWords）子模型及所述Skip
‑
gram子模型，所述Word2Vec模型基于所述连续词袋（CBOW，Continues Bag ofWords）子模型输出的词向量及所述Skip
‑
gram子模型输出的词向量确定所述社保查询指令对应的所述指令词向量。
[0013]在一些实施例中，所述社保相关数据包括用户在至少一个未来时间点的养老金预测数据；所述获取社保相关数据，包括：获取训练好的养老金预测长短期记忆网络（LSTM，Long Short
‑
Term Memory）模型；获取用户在多个过去时间点的养老保险相关数据；通过所述养老金预测长短期记忆网络（LSTM，Long Short
‑
Term Memory）模型基于所述用户在所述多个过去时间点的所述养老保险相关数据预测所述用户在至少一个未来时间点的养老金预测数据。
附图说明
[0014]本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：图1是根据本申请一些实施例所示的一种基于循环神经网络的信息查询系统的应用场景示意图；图2是根据本申请的一些实施例所示的计算设备的示例性的框图；图3是根据本申请一些实施例所示的一种基于循环神经网络的信息查询系统的示例性框图；图4是根据本申请一些实施例所示的一种基于循环神经网络的信息查询方法的示例性流程图。
[0015]图中，100、基于循环神经网络的信息查询系统；110、处理设备；120、网络；130、用户终端；140、存储设备；200、计算设备；210、处理器；220、只读存储器；230、随机存储器；240、通信端口；250、输入/输出接口；260、硬盘。
具体实施方式
[0016]为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使
用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。应当理解，给出这些示例性的实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本专利技术，而并非以任何方式限制本专利技术的范围。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0017]应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0018]如本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的信息查询系统，其特征在于，包括：信息获取模块，用于获取社保相关数据，还用于建立社保数据库，所述社保数据库用于存储所述社保相关数据；信息查询模块，用于获取训练好的循环神经网络模型，还用于获取社保查询指令，所述循环神经网络模型用于基于所述社保查询指令从所述社保数据库中获取与所述社保查询指令对应的社保相关数据。2.根据权利要求1所述的一种基于循环神经网络的信息查询系统，其特征在于，所述信息查询模块还包括指令数值化单元，所述指令数值化单元用于将所述社保查询指令中的文本数据转换为数值型数据，所述指令数值化单元输出所述数值型数据至所述循环神经网络模型。3.根据权利要求2所述的一种基于循环神经网络的信息查询系统，其特征在于，所述指令数值化单元基于独热编码将所述社保查询指令中的所述文本数据转换为所述数值型数据。4.根据权利要求2或3所述的一种基于循环神经网络的信息查询系统，其特征在于，所述循环神经网络模型的输入层包括Word2Vec模型，所述Word2Vec模型用于将所述数值型数据转换为指令词向量；所述Word2Vec模型包括连续词袋（CBOW，Continues Bag ofWords）子模型及Skip
‑
gram子模型；所述数值型数据分别输入所述连续词袋（CBOW，Continues Bag ofWords）子模型及所述Skip
‑
gram子模型，所述Word2Vec模型基于所述连续词袋（CBOW，Continues Bag ofWords）子模型输出的词向量及所述Skip
‑
gram子模型输出的词向量确定所述社保查询指令对应的所述指令词向量。5.根据权利要求1
‑
3任意一项所述的一种基于循环神经网络的信息查询系统，其特征在于，所述信息获取模块还用于获取训练好的养老金预测长短期记忆网络（LSTM，Long Short
‑
Term Memory）模型；所述信息获取模块还用于获取用户在多个过去时间点的养老保险相关数据；所述养老金预测长短期记忆网络（LSTM，Long Short
‑
Term Memory）模型用于基于所述用户在所述多个过去时间点的所述养老保险相关数据预测所述用户在至少一个未来时间点的养老金预测数据；所述社保相关数据包括所述用户在至少一个未来时间点的养老金预测数据。6.一种基于循环神经网络的信...

【专利技术属性】
技术研发人员：刘涛，郑维，王勇飞，王义勇，
申请(专利权)人：国能大渡河大数据服务有限公司，
类型：发明
国别省市：