一种可解释的深度学习方法、可解释深度学习装置、计算机和介质制造方法及图纸

本专利涉及一种可解释的深度学习方法,包括如下步骤：步骤1，获得自然语言语料；步骤2，将所述自然语言语料进行词嵌入，使得标记指定单个词语的语义信息并且每个所述指定单个词语的上下文作为外界环境来反映所述指定单个词语的语义信息，同时用量子概率反映每个词嵌入的语义置信度；步骤3，形成编码层；步骤4，根据输入利用所述编码层解码出包含有解释信息的输出信息。还涉及可解释深度学习装置、计算机和介质。机和介质。机和介质。

【技术实现步骤摘要】
一种可解释的深度学习方法、可解释深度学习装置、计算机和介质


[0001]本专利涉及深度学习，特别涉及一种可解释的深度学习方法，还涉及可解释深度学习装置、计算机和介质。

技术介绍

[0002]词向量(又叫词嵌入)是一种表示自然语言中单词的方法，把每个词都表示为一个N维空间内的点，即一个高维空间内的向量。通过这种做法，把自然语言计算转换为向量计算，词向量已经成为自然语言处理领域各种任务的必备一步，而且随着BERT，ELMO，GPT等预训练模型的发展，词向量演变为知识表示方法，但其本质思想不变。深度学习模型在医学场景下扮演着越来越重要的角色，模型的「可解释性」成为了决定用户是否能够「信任」这些模型的关键因素。尤其是当我们需要模型为关系到人类生命健康等重要任务给出预测和决策结果时。本项专利技术将从可解释的角度出发，提供一套应用于医学场景的可解释的词向量技术。
[0003]word2vec是经典的词向量技术。word2vec来源于2013年的论文“Efficient Estimation of Word Representation in Vec本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可解释的深度学习方法,其特征在于，包括如下步骤：步骤1，获得自然语言语料；步骤2，将所述自然语言语料进行词嵌入，使得标记指定单个词语的语义信息并且每个所述指定单个词语的上下文作为外界环境来反映所述指定单个词语的语义信息，同时用量子概率反映每个词嵌入的语义置信度；步骤3，形成编码层；步骤4，根据输入利用所述编码层解码出包含有解释信息的输出信息。2.根据权利要求1所述的可解释的深度学习方法，其特征在于，所述步骤2中包括步骤21，为所述指定单个词语建立纯态密度矩阵21，为所述指定单个词语建立纯态密度矩阵和为每个所述指定单个词语的上下文建立混合态密度矩阵从而形成联合矩阵3.根据权利要求2所述的可解释的深度学习方法，其特征在于，在所述步骤4中还包括步骤41，添加解释和调参。4.根据权利要求3所述的可解释的深度学习方法，其特征在于，所述自然语料包括医用成功案例。5.一种可解释深度学习装置，其特征在于，包括：获得自然语言语料的模块，用于...

【专利技术属性】
技术研发人员：常德杰，刘邦长，庄博然，李栋栋，李伟，刘利平，
申请(专利权)人：北京妙医佳健康科技集团有限公司，
类型：发明
国别省市：