【技术实现步骤摘要】
一种基于卷积神经网络的信息归类方法
[0001]本公开涉及信息归类
,具体涉及一种基于卷积神经网络的信息归类方法
。
技术介绍
[0002]随着互联网技术的发展,数据体量与数据形式也越来越繁多
。
目前,在翻译领域,由于语种数据繁多
、
数据规模过大
、
句子标注质量不高等因素,使得机器翻译过程中词对齐
、
短语抽取
、
翻译映射以及词序调整等问题难以被有效解决
。
同时目前很多机器翻译任务并不具备丰富的平行资源,容易在训练阶段导致过拟合问题,从而影响泛化性
。
再者,多模态信息抽取难以跨模态建模,使得信息获取完善程度较低
。
[0003]综上所述,现有技术中存在由于多语种的翻译效率和精确度较低,导致翻译质量和多语种数据分析程度较低的技术问题
。
技术实现思路
[0004]本公开提供了一种基于卷积神经网络的信息归类方法,用以解决现有技术中存在由于多语种的翻译效率和精确度较低,导致翻译质量和多语种数据分析程度较低的技术问题
。
[0005]根据本公开的第一方面,提供了一种基于卷积神经网络的信息归类方法,包括:基于接口端,读取接入云处理器中的初始信息库,所述初始信息库包括多域的本地源数据;将所述初始信息库传输至联邦中台,其中,信息传输存在基于差异化传输条件的多元并行信道;针对各个数据模态,搭建
N
个神经网络卷积通道,其中,各 ...
【技术保护点】
【技术特征摘要】
1.
一种基于卷积神经网络的信息归类方法,其特征在于,所述方法包括:基于接口端,读取接入云处理器中的初始信息库,所述初始信息库包括多域的本地源数据;将所述初始信息库传输至联邦中台,其中,信息传输存在基于差异化传输条件的多元并行信道;针对各个数据模态,搭建
N
个神经网络卷积通道,其中,各神经网络卷积通道内嵌有差异化数据处理算法;基于所述
N
个神经网络卷积通道,执行所述初始信息库的预处理,确定预处理信息库;结合多模态语言处理模型,对所述预处理信息库执行语种转换与模态特征分析,建立多模态数据关系网络,其中,所述多模态语言处理模型包括机器翻译区块
、
特征提取区块与模态关联区块;执行所述多模态数据关系网络与所述
N
个神经网络卷积通道的融合学习,生成一体化信息归类模块,所述一体化信息归类模块内嵌有具备时效更新性的目标信息体系;配置信息归类更新策略与信息推理预测策略,结合所述一体化信息归类模块,执行基于所述目标信息体系的信息管理
。2.
如权利要求1所述的方法,其特征在于,针对各个数据模态,搭建
N
个神经网络卷积通道,该方法包括:读取第一数据模态,挖掘第一模态算法集;训练基于所述第一模态算法集的多数据处理层,其中,所述多数据处理层与所述第一模态算法集一一对应;层间关联所述多数据处理层,生成第一神经网络卷积通道;完成第
N
数据模态的算法挖掘与通道训练,获取所述
N
个神经网络卷积通道
。3.
如权利要求2所述的方法,其特征在于,执行所述初始信息库的预处理,该方法包括:识别所述初始信息库,确定映射归属的目标数据模态;遍历所述
N
个神经网络卷积通道,激活所述目标数据模态对应的目标神经网络卷积通道;基于所述目标神经网络卷积通道,执行所述初始信息库的步进式层级处理,输出预处理信息库;其中,执行所述初始信息库的步进式层级处理,还包括:进行所述多数据处理层的预执行决策;若所述初始信息库满足第一数据处理层的缺陷阈值,生成层级预处理指令;若所述初始信息库不满足第一数据处理层的缺陷阈值,生成层级空轮指令
。4.
如权利要求1所述的方法,其特征在于,对所述预处理信息库执行语种转换,该方法包括:构建区域化语种差异库,建立所述区域化语种差异库与所述机器翻译区块的连接;确定映射对应的多个语种转换序列,训练所述机器翻译区块,其中,各语种转换序列包括第一语种与第二语种;遍历所述区域化语种差异库,对所述第一语种与所述第二语种进行区域特征匹配;结合所述区域特征,于所述机器翻译区块中进行语种转换与模态转换处理
。
5.
如权利要求4所述的方法,其特征在于,执行模态特征分析,该方法包括:结合所述特...
【专利技术属性】
技术研发人员:江心波,郑春光,朱世伟,徐彬,颜妍,葛玉梅,梅康,杨玉猛,
申请(专利权)人:山东智慧译百信息技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。