[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

说明书

本发明公开了一种基于循环神经网络的场景自适配方法及装置，涉及深度学习技术领域，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。基于循环神经网络模型，达到了提高代码复用率，节约了开发人员时间，降低研发成本的技术效果。

技术领域

本申请涉及深度学习技术领域，尤其涉及一种基于循环神经网络的场景自适配方法及装置。

背景技术

信息化公司在满足客户需求的过程中，会遇到很多的业务场景，针对每个场景都会有一组相关的功能模块和算法实现。近年来，随着深度学习技术的进步，尤其是分词、词向量化、特征向量提取的进步，使得实现精确的场景自适配方法成为可能。

但本申请发明人在实现本申请实施例中技术方案的过程中，发现上述现有技术至少存在如下技术问题：

现有技术中当出现新场景时，不能自动地去历史记录中寻找相似场景，出现功能模块重复开发、算法重复设计实现，从而造成资源浪费、耗费精力，增加研发成本的技术问题。

申请内容

本申请实施例通过提供一种基于循环神经网络的场景自适配方法及装置，用以解决现有技术中当出现新场景时，不能自动地去历史记录中寻找相似场景，出现功能模块重复开发、算法重复设计实现，从而造成资源浪费、耗费精力，增加研发成本的技术问题。基于循环神经网络模型，能够自动从历史记录中寻找与新场景相似的场景，以便复用已开发的功能模块和算法实现，达到了提高代码复用率，节约了开发人员时间，降低研发成本的技术效果。

为了解决上述问题，第一方面，本申请实施例提供了一种基于循环神经网络的场景自适配方法，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。

优选的，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；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。

优选的，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。