[发明专利]一种将循环神经网络应用在关联选择问题上的方法

权利要求书

1.一种将循环神经网络应用在关联选择问题上的方法，其特征在于，包括以下步骤：

S1，预处理选项及值，将选项与其值之间组合成一个整体内容；

S2，创建预处理后的选项及值字典，根据预处理后的选项及值的内容，对于每一个独立的值进行抽取，并将其放入选项及值字典中；

S3，创建选项值的数值映射，根据选项及值的字典，创建每一个值的特征映射，并将特征映射的内容定义为一个N维向量；其中，N维向量的维度由选项字典中的大小决定；

S4，确定循环神经网络输入层及输出层的个数；

S5，确定样本中的初始及结束标示；

S6，确定循环神经网络循环的次数；

S7，对相关的样本进行训练；

S8，对相关内容进行预测；

在步骤S4中，依据创建的选项及值的数值映射，创建神经网络的输入层及输出层的神经元个数，此处采用的输入及输出的神经元个数与进行数值映射后的向量的维度相同，即输入、输出的神经元个数都是N个；

在步骤S5中，对每一组待训练的关联选择的样本都给出初始及结束标示；

在步骤S6中，确定循环次数，由所有待训练的关联选择的样本来确定，并且选取其中关联选择中选项最多的关联选择组中选项的个数来确定，即Max(N(1)Options， N(2)Options， N(3)Options，…， N(n)Options)，其他的样本中若长度不能达到最大的值，其余的内容补零进行填充；

在步骤S7中，对获取到的样本数据进行训练，获取目标关联选项组，将所有的关联选项组以行的形式组织成样本矩阵，该样本矩阵的行数为关联选项组的个数，列为选项字典的个数，代入到已经定义好的循环神经网络中，并选取合适的激活函数和损失函数，通过计算得到相应的权值矩阵，最终得到符合预期的网络；

在步骤S8中，利用训练后的循环神经网络进行预测，并根据概率由高到低给出用户所需的选项及值。