[发明专利]一种基于DRAIL的表明深度学习关系的框架

说明书

本发明属于深度学习技术领域，具体涉及一种基于DRAIL的表明深度学习关系的框架，包括如下步骤：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；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；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；DRAIL程序：用于给规则的分配分数；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。本发明通过对不同关系和丰富表示的问题进行建模，展示了它的灵活性，并获得了易于解释和扩展的模型。基于DRAIL的表明深度学习关系的框架有效解决了深度学习关系表明不清的问题。

技术领域

本发明属于深度学习技术领域，具体涉及一种基于DRAIL的表明深度学习关系的框架。

背景技术

为真实的自然语言任务建立模型需要处理长文本，并考虑复杂的结构依赖性。神经符号表示作为一种将符号方法的推理能力与神经网络的表达能力相结合的方式出现了。然而，大多数现有的结合神经和符号表示的框架都是为经典的关系学习任务而设计的。

现有技术存在的问题或者缺陷：要理解现实环境中的自然语言交互，需要能够处理嘈杂的文本输入、推理不同文本元素之间的依赖关系以及利用文本内容与上下文之间的依赖关系的模型，但是一直以来都缺乏表明其关系的框架。

发明内容

本发明提出了能用于指定深度关系模型DRAIL框架，旨在支持各种NLP场景。本方案的框架支持与表达语言编码器的简单集成，并为研究表示、推理和学习之间的交互提供了接口。其主要实现步骤为建模语言和程序构造两部分组成。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于DRAIL的表明深度学习关系的框架，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。

进一步的，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。

进一步的，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。