[发明专利]一种基于DRAIL的表明深度学习关系的框架

权利要求书

1.一种基于DRAIL的表明深度学习关系的框架，其特征在于：包括下列步骤：

S1、数据采集：采集模型所需的数据，并对其类别进行标注，完成模型所需的数据集构建；

S2、数据预处理：对数据集进行的预处理，为后续的搜索做必要准备；

S3、建模语言：从定义模板语言对DRAIL框架进行搭建，并在给定数据的情况下实例化这些元素，所述模板语言由实体、关系和规则组成；

S4、数据导入DRAIL程序：DRAIL程序由一组规则组成，这些规则包括加权和未加权；每个加权规则模板定义了一个学习问题，用于给规则的分配分数；

S5、验证框架：将DRAIL与基线方案中所涵盖的每个类别的有代表性的模型进行比较，验证其有效性和可行性。

2.根据权利要求1所述的一种基于DRAIL的表明深度学习关系的框架，其特征在于：S2中，数据预处理采取特征标准化，所述特征标准化：使数据集中所有特征都具有零均值和单位方差。

3.根据权利要求2所述的一种基于DRAIL的表明深度学习关系的框架，其特征在于：S3中，所述实体被命名为符号或属性元素，所述实体包括：象征性实体、带有属性实体；所述象征性实体是政治意识形态，所述带有属性实体为是带有年龄、性别和其他概要信息的用户，或者与文本内容相关联的文档；

所述关系定义在实体及其属性或其他实体之间，关系使用唯一标识符、命名谓词和一组类型化参数定义，原子由一个谓词名和一组实体组成，与关系的参数列表的类型和性质一致；

所述规则是将字面量映射到其他字面量的函数，在DRAIL中的规则是使用格式化模板定义的即:t_LH＝t_RH，其中t_LH字面量的连词，t_RH是要预测的输出字面量，并且只能是开放关系的一个实例。

4.根据权利要求3所述的一种基于DRAIL的表明深度学习关系的框架，其特征在于：S4中，DRAIL程序：每个加权规则模板定义了一个学习问题，用于给规则的分配分数，由于主体可能包含开放原子，所以每个规则代表一个因子函数，表示主体和头部开放原子之间的依赖关系；未加权规则，或约束，塑造了开放原子的可行赋值空间，并表示为该领域的背景知识，给定连接原子集合O，规则可以通过用常数替换其变量来连接，从而使连接原子对应于O中的元素，这个过程产生一组连接规则，每个规则对应于一个势能函数或一个约束，它们一起定义了一个因子图，然后，DRAIL通过执行地图推理为开放原子找到最优得分的分配，为了形式化这个过程，将观察到规则基础写成线性不等式，直接对应于它们的析取形式，如下：

其中I⁺_r(I^-_r)对应于规则中出现的不被否定的开放原子集合，映射推理可以定义为一个线性程序，每个规则基础r，从模板t(r)生成，输入特征x_r和开放原子y_r定义为：

将c(x_c,y_c)≤0作为约束添加到线性规划中，映射问题就可以定义在所有势ψ和所有约束C为的集合上。

5.根据权利要求4所述的一种基于DRAIL的表明深度学习关系的框架，其特征在于：S5中，将DRAIL与基线方案中所涵盖的每个类别的有代表性的模型进行比较，其目的是研究不同类型的方法如何捕获依赖项，以及它们在处理语言交互时的局限性，基线方案包括端到端神经网络，关系嵌入法和概率逻辑法。