[发明专利]一种基于循环神经网络的场景自适配方法及装置

权利要求书

1.一种基于循环神经网络的场景自适配方法，其特征在于，所述方法包括：

获得场景库；

获得第一场景；

根据所述第一场景，获得所述第一场景的特征向量；

判断所述第一场景的特征向量与所述场景库中的场景的特征向量是否相似；

如果所述第一场景的特征向量与所述场景库中的场景的特征向量相似，输出所述场景库中的场景的功能模块名称和算法实现信息；

如果所述第一场景的特征向量与所述场景库中的场景的特征向量不相似，将所述第一场景的特征向量加入所述场景库中，记录所述第一场景的功能模块和算法实现的信息；

其中，所述判断所述第一场景的特征向量与所述场景库中的场景的特征向量是否相似，包括：

通过f-NLTK对描述所述第一场景的文本进行分词，获得所述第一场景的分词结果；

通过TF-IDF，根据所述分词结果进行关键词提取；

获得标签库；

根据所述标签库，获得与所述第一场景相对应的标签，其中，所述标签为可重用的代码结构；

通过word2vec将所述关键词和所述标签转换为向量，将所述向量进行拼接；

根据拼接后的向量，通过卷积网络提取所述第一场景的特征向量；

将所述第一场景的特征向量与所述场景库中的场景的特征向量进行比较，判断所述第一场景的特征向量与所述场景库中的场景的特征向量是否相似；

其中，所述通过f-NLTK对描述所述第一场景的文本进行分词，获得所述第一场景的分词结果，包括：

获得第一输入层；

获得正向LSTM隐藏层和逆向LSTM隐藏层；

所述第一输入层同时接入所述正向LSTM隐藏层和逆向LSTM隐藏层；

获得正向LSTM隐藏层输出的第一分词结果；

获得逆向LSTM隐藏层输出的第二分词结果；

将所述第一分词结果和所述第二分词结果进行合并，获得所述第一场景的分词结果。

2.如权利要求1所述的方法，其特征在于，所述根据拼接后的向量，通过卷积网络提取所述第一场景的特征向量，包括：

将所述向量进行拼接，获得样本矩阵；

对所述样本矩阵进行中心化处理，获得中心化样本矩阵；

获得中心化后的样本矩阵的协方差矩阵；

根据所述协方差矩阵，获得协方差矩阵的特征值和特征向量；

根据所述特征值和所述特征向量，获得映射矩阵；

根据所述映射矩阵对所述中心化后的样本矩阵进行映射，获得输出结果；

将所述输出结果作为所述卷积神经网络的输入，输出所述第一场景的特征向量。

3.如权利要求1所述的方法，其特征在于，所述判断所述第一场景的特征向量与所述场景库中的场景的特征向量是否相似，包括：

获得所述第一场景的特征向量与所述场景库中场景的特征向量的距离集合；

根据所述距离集合，获得第一距离，所述第一距离为所述第一场景的特征向量与所述场景库中场景的特征向量的最小距离；

获得预定距离阈值；

判断所述第一距离是否小于所述预定距离阈值；

如果所述第一距离小于所述预定距离阈值，确定所述第一场景的特征向量与所述场景库中的场景的特征向量相似；

如果所述第一距离不小于所述预定距离阈值，确定所述第一场景的特征向量与所述场景库中的场景的特征向量不相似。

4.如权利要求3所述的方法，其特征在于，所述预定距离阈值为其中，e_i，e_j分别为场景库中任意两个场景的特征向量。

5.如权利要求1所述的方法，其特征在于，所述通过TF-IDF，根据所述分词结果进行关键词提取之后，包括：

判断提取出的关键词是否存在于所述标签库中；

如果所述关键词存在于所述标签库中，对所述关键词进行向量化；

如果所述关键词不存在于所述标签库中，将所述关键词添加到所述标签库中并对所述关键词进行向量化。