[发明专利]一种基于孪生神经网络的旅游问题查询系统及其方法在审

专利信息
申请号: 202210556097.9 申请日: 2022-05-19
公开(公告)号: CN114911818A 公开(公告)日: 2022-08-16
发明(设计)人: 杨瀚林;曹竹芸;叶春杨;周辉 申请(专利权)人: 海南大学
主分类号: G06F16/242 分类号: G06F16/242;G06F16/2457;G06N3/04;G06N3/08;G06Q50/14
代理公司: 海南盛亿专利代理事务所(普通合伙) 46005 代理人: 陈景帅
地址: 570203 海南*** 国省代码: 海南;46
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 孪生 神经网络 旅游 问题 查询 系统 及其 方法
【权利要求书】:

1.一种基于孪生神经网络的旅游问题查询系统,其特征在于:包括人机交互单元、数据库单元以及旅游问题查询单元,所述的旅游问题查询单元分别与人机交互单元和数据库单元连接,且旅游问题查询单元设置有基于孪生神经网络建立的旅游问题查询模型,所述的人机交互单元与数据库单元连接;

人机交互单元,用于接收用户输入的旅游问题并发送至旅游问题查询单元,并显示旅游问题查询结果;

数据库单元,用于存储词向量、句向量以及旅游领域知识图谱;

旅游问题查询单元,用于获取旅游问题的句向量,并与模板问题的句向量进行匹配,根据匹配结果查询旅游领域知识图谱,得到输出对应的旅游问题查询结果。

2.根据权利要求1所述的基于孪生神经网络的旅游问题查询系统,其特征在于:所述的数据库单元设置有词向量数据库、句向量数据库以及旅游领域知识图谱数据库。

3.一种基于孪生神经网络的旅游问题查询方法,基于如权利要求2所述的旅游数据处理系统,其特征在于:包括如下步骤:

基于孪生神经网络建立旅游问题查询模型;

获取用户输入的旅游问题;

将旅游问题输入旅游问题查询模型进行查询,得到旅游问题查询结果。

4.根据权利要求3所述的基于孪生神经网络的旅游问题查询方法,其特征在于:所述的旅游问题查询模型包括相互连接的语义识别单元和知识图谱查询单元。

5.根据权利要求4所述的基于孪生神经网络的旅游问题查询方法,其特征在于:所述的语义识别单元包括依次连接的输入层、表示层、双向长短时记忆网络层以及孪生神经网络层。

6.根据权利要求5所述的基于孪生神经网络的旅游问题查询方法,其特征在于:基于孪生神经网络建立旅游问题查询模型,包括如下步骤:

获取历史的训练样本集;

基于孪生神经网络建立初始的旅游问题查询模型;

将历史的训练样本集输入初始的旅游问题查询模型进行优化训练,得到最优的旅游问题查询模型;

将若干模板问题输入最优的旅游问题查询模型进行语义识别,得到所有模板问题的句向量集并存储至句向量数据库。

7.根据权利要求6所述的基于孪生神经网络的旅游问题查询方法,其特征在于:将旅游问题输入旅游问题查询模型进行查询,包括如下步骤:

使用输入层标注旅游问题的实体,得到含有实体的旅游问题及其对应的实体识别结果;

根据词向量数据库,使用表示层将含有实体的旅游问题进行编码,得到编码后的旅游问题;

使用双向长短时记忆网络层对编码后的旅游问题进行特征提取,得到旅游问题的句向量;

将旅游问题的句向量和模板问题的句向量输入孪生神经网络层进行匹配,若相似度超过阈值,则将模板问题的问句类型作为旅游问题的问句类型,进入下一步骤,否则更换下一模板问题的句向量,重复本步骤;

根据旅游问题的问句类型和对应的实体识别结果使用知识图谱查询单元在旅游领域知识图谱中进行查询,得到并返回对应的旅游问题查询结果。

8.根据权利要求7所述的基于孪生神经网络的旅游问题查询方法,其特征在于:使用表示层将含有实体的旅游问题进行编码,包括如下步骤:

根据词向量数据库,使用将含有实体的旅游问题句子中每个单词转化为词向量;

根据实体得到每个词向量的位置向量;

将所有词向量和对应的位置向量组成旅游问题句子的向量序列,即编码后的旅游问题。

9.根据权利要求8所述的基于孪生神经网络的旅游问题查询方法,其特征在于:根据欧式距离获取旅游问题的句向量与模板问题的句向量的相似度。

10.根据权利要求9所述的基于孪生神经网络的旅游问题查询方法,其特征在于:根据用户的旅游问题的句向量更新句向量数据库。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于海南大学,未经海南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210556097.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top