一种基于卷积神经网络的信息归类方法技术

本公开提供了一种基于卷积神经网络的信息归类方法，涉及信息归类技术领域，该方法包括：读取初始信息库；将初始信息库传输至联邦中台；针对各个数据模态，搭建

【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
。
[0006]根据本公开的第二方面，提供了一种基于卷积神经网络的信息归类系统，包括：初始信息库获得模块，所述初始信息库获得模块用于基于接口端，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；信息传输模块，所述信息传输模块用于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；神经网络卷积通道获得模块，所述神经网络卷积通道获得模块用于针对各个数据模态，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；预处理信息库获得模块，所述预处理信息库获得模块用于基于所述
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；多模态数据关系网络建立模块，所述多模
态数据关系网络建立模块用于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；融合学习模块，所述融合学习模块用于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；信息管理模块，所述信息管理模块用于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
。
[0007]本公开中提供的一个或多个技术方案，至少具有如下技术效果或优点：根据本公开采用的通过基于接口端，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，解决了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，实现提高多语种的翻译效率和精确度的目标，达到提高翻译质量和多语种数据分析程度的技术效果
。
[0008]应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围
。
本公开的其他特征将通过以下的说明书而变得容易理解
。
附图说明
[0009]为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图
。
[0010]图1为本公开实施例提供的一种基于卷积神经网络的信息归类方法的流程示意图
。
[0011]图2为本公开实施例一种基于卷积神经网络的信息归类方法中神经网络卷积通道的生成逻辑示意图
。
[0012]图3为本公开实施例提供的一种基于卷积神经网络的信息归类系统的结构示意图
。
[0013]附图标记说明：初始信息库获得模块
11
，信息传输模块
12
，神经网络卷积通道获得模块
13
，预处理信息库获得模块
14
，多模态数据关系网络建立模块
15
，融合学习模块
16
，信息管理模块
17。
具体实施方式
[0014]以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的
。
因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神
。
同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述
。
[0015]实施例一本公开实施例提供的一种基于卷积神经网络的信息归类方法，本文档来自技高网...

【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：