[发明专利]基于概率的引导器

权利要求书

1.一种在包括多个输入的数据集上有效地执行机器分类任务的计算机实现的方法，所述方法包括：

通过在所述输入上执行所述机器分类任务的第一非递归神经网络处理所述输入，其中所述第一非递归神经网络通过平均所述输入的矢量嵌入生成所述输入的均值矢量表示；以及

通过第二递归神经网络(RNN)进一步处理所选择的输入子集，以对所选择的输入子集中的输入执行机器分类任务，其中所选择的输入子集的选择取决于所述第一非递归神经网络在数据集中的所述输入上执行机器分类任务的置信度。

2.如权利要求1所述的计算机实现的方法，其中所述第一非递归神经网络包括词袋网络、连续词袋网络、skip-gram网络或卷积神经网络。

3.如权利要求1所述的计算机实现的方法，其中所述第二RNN包括长短期存储器网络、门控递归单元网络或准递归神经网络。

4.如权利要求1所述的计算机实现的方法，其中所述机器分类任务是将输入分类为第一类或第二类。

5.如权利要求1至4中任一项所述的计算机实现的方法，其中所述机器分类任务是以下中的至少一个：

词性(缩写POS)标记，

分块，

依赖解析，

语义相关性，

文本蕴涵，

语音识别，

机器翻译，

文本摘要，

问答，

图像字幕，或

文本-语音合成。

6.如权利要求1至5中任一项所述的计算机实现的方法，其中所述第二RNN比所述第一非递归神经网络至少更精确3％并且计算成本高4倍。

7.如权利要求1至6中任一项所述的计算机实现的方法，还包括：当所述第一非递归神经网络的置信度低于阈值时，选择所述第二RNN。

8.如权利要求7所述的计算机实现的方法，其中所述阈值是单个值。

9.如权利要求7所述的计算机实现的方法，其中所述阈值是两个值之间的范围。

10.如权利要求1至7中任一项所述的计算机实现的方法，其中所述第一非递归神经网络的置信度表示指派给第一类或第二类的概率分数。

11.如权利要求1至7中任一项所述的计算机实现的方法，其中所述多个输入是句子，并且所述机器分类任务是将所述句子分类为积极情绪类别、消极情绪类别，非常积极情绪类别、非常消极情绪类别、有些积极情绪类别、有些消极情绪类别或中性情绪类别中的至少一个。

12.如权利要求11所述的计算机实现的方法，其中由所述第一非递归神经网络针对语言复杂句子产生的概率分数比由所述第一非递归神经网络针对语言简单的句子产生的分类概率低至少百分之二十。

13.如权利要求12所述的计算机实现的方法，还包括使用所述第二RNN将所述语言复杂句子分类为积极情绪类别、消极情绪类别、非常积极情绪类别、非常消极情绪类别、有些积极情绪类别、有些消极情绪类别或中性情绪类别中的至少一个。