[发明专利]一种基于神经网络的自学习语义检测方法及系统

权利要求书

1.一种基于神经网络的自学习语义检测方法，所述方法包含：

步骤101）导入字典库对待识别的文件名分词，获得文件名中的关键词，基于贝叶斯算法计算每个关键词的概率项；且所述概率项基于对文件名良或不良的判断结果的分析获取；

步骤102）获取所有关键词对应的在良语义字符串名中出现的概率之积和良语义字符串名的先验概率，并将上述两个参量值相乘得到第一乘积；并

获取所有关键词对应的在不良语义字符串名中出现的概率之积和不良语义字符串名的先验概率，并将两个参量相乘得到第二与的乘积；

步骤103）比较第一乘积与第二乘积的大小，如果第一乘积项大于第二乘积项，则该字符串是良语义的，反之则是不良语义的，将判决结果存入到存储介质中。

2.根据权利要求1所述的基于神经网络的自学习语义检测方法，其特征在于，所述概率项为：良和不良两种类别分别所占百分比P(Vj)和从类别Vj中的一个文件名随机抽取的一个词为Wk的概率

其中，P(Vj)的计算公式为V中目标值为Vj的文件名子集/V中所有文件名数目,V为文件名集合;

的计算公式为：

(nk+1)(n+|V|)]]>

其中，n为在Textj中不同关键词的总数，Textj为将docsj中所有的成员连接起来的单个文档，docsj为V中目标值为Vj的文件名子集，其中Vj是良或者不良，nk为单词Wk出现在Textj中的次数，|V|表示V中文件名的个数。

3.根据权利要求2所述的基于神经网络的自学习语义检测方法，其特征在于，

步骤102）所述的所有关键词对应的在良语义字符串名中出现的概率之积该乘积公式的Wk是文件名中各关键词；

所述良语义字符串名的先验概率P=P(Vj)；

所述的所有关键词对应的在不良语义字符串名中出现的概率之积

所述不良语义字符串名的先验概率P=P(Vj)。

4.根据权利要求1所述的基于神经网络的自学习语义检测方法，其特征在于，所述步骤101）和步骤102）之间还包含：

采用反馈策略保证文件名中所有关键词分词的完整。

5.一种基于神经网络的自学习语义检测系统，所述系统包含：

概率项获取模块，用于导入字典库对待识别的文件名分词，获得文件名中的关键词，基于贝叶斯算法计算每个关键词的概率项；且所述概率项基于对良或不良的判断结果的分析获取；

处理模块，用于获取所有关键词对应的在良语义字符串名中出现的概率之积与良语义字符串名的先验概率，并将良语义字符串名中出现的概率之积与良语义字符串名的先验概率相乘；并获取所有关键词对应的在不良语义字符串名中出现的概率之积与不良语义字符串名的先验概率，并将不良语义字符串名中出现的概率之积与不良语义字符串名的先验概率相乘；

比较判决模块，用于依据处理模块的输出结果，进行如下判决：

如果良语义字符串名中出现的概率之积与良语义字符串名的先验概率相乘的结果大于良语义字符串名中出现的概率之积与不良语义字符串名的先验概率相乘的结果，则该字符串是良语义的，反之则是不良语义的，将判决结果存入到存储介质中。