[发明专利]基于深度学习的数据分析方法及终端设备在审
申请号: | 201910204235.5 | 申请日: | 2019-03-18 |
公开(公告)号: | CN110069558A | 公开(公告)日: | 2019-07-30 |
发明(设计)人: | 冷晓宁;刘金飞;任晓德;苏振中 | 申请(专利权)人: | 中科恒运股份有限公司 |
主分类号: | G06F16/25 | 分类号: | G06F16/25;G06F17/27;G06F16/35;G06F16/215;G06N3/04 |
代理公司: | 石家庄国为知识产权事务所 13120 | 代理人: | 高欣 |
地址: | 050090 河北省石家庄市新石*** | 国省代码: | 河北;13 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 卷积神经网络 目标数据 数据分析 终端设备 学习 预处理 大规模数据 表示数据 数据筛选 特征提取 训练数据 文本 采集 图像 | ||
1.一种基于深度学习的数据分析方法,其特征在于,该方法包括:
将采集的数据进行数据筛选和预处理,得到目标数据;
通过深度卷积神经网络对所述目标数据进行特征提取,得到输入数据;
将所述输入数据输入训练完成的深度学习模型,获取对所述目标数据的分析结果。
2.根据权利要求1所述的基于深度学习的数据分析方法,其特征在于,所述目标数据为图像数据,所述深度学习模型为深度神经网络模型,在将所述输入数据输入训练完成的深度学习模型之前,该方法还包括:
通过预设训练集对所述深度神经网络模型进行训练,其中,所述预设训练集包含多张图片,所述预设训练集中的每张图片携带有对应的预标注的类别信息;
所述获取对所述目标数据的分析结果包括:获取所述图像数据所对应的类别信息。
3.根据权利要求1所述的基于深度学习的数据分析方法,其特征在于,所述目标数据为选定词语,所述获取对所述目标数据的分析结果包括:
获取所述选定词语所对应的词向量;
根据所述选定词语所对应的词向量,获取至少一个相关词语,针对任一相关词语,所述相关词语所对应的词向量与所述选定词语所对应的词向量的欧式距离小于等于预设值。
4.根据权利要求1所述的基于深度学习的数据分析方法,其特征在于,所述目标数据为文档,所述深度学习模型为条件随机场CRF模型,所述获取对所述目标数据的分析结果包括:
通过训练完成的所述CRF模型,对所述文档进行分词,获得分词结果;
针对所述分词结果中的选定词语,根据所述选定词语的词性,统计所述选定词语出现的次数,计算所述选定词语在所述文档中的词频;
或针对所述分词结果,对所述文档进行实体识别,得到多个预设类型的实体中每个实体所包含的词语。
5.根据权利要求1所述的基于深度学习的数据分析方法,其特征在于,所述目标数据为文档,所述深度学习模型为词频-逆文本频率tf-idf模型,所述获取对所述目标数据的分析结果包括:
通过所述tf-dif模型对所述文档进行关键词提取,获得所述文档中的一个或多个关键词。
6.根据权利要求1所述的基于深度学习的数据分析方法,其特征在于,所述目标数据为文本,所述获取对所述目标数据的分析结果包括:
通过所述深度学习模型对所述文本进行分类,得到所述文本所对应的类别的标号,其中,所述类别为预设的多个类别中的一种。
7.根据权利要求1所述的基于深度学习的数据分析方法,其特征在于,所述目标数据为多个文本,所述获取对所述目标数据的分析结果包括:
通过所述深度学习模型对所述多个文本进行分类,对属于同一类别的一个或多个文本进行聚类,并对所述属于同一类别的一个或多个文本标注所述类别所对应的标号。
8.根据权利要求1所述的基于深度学习的数据分析方法,其特征在于,所述目标数据为文本,所述获取对所述目标数据的分析结果包括:
通过所述深度学习模型对所述文本进行分词,得到分词结果;
统计所述分词结果中每个词语出现的次数;
根据预设的情感词典,获取所述分词结果中每个词语所对应的预设情感值;
根据所述每个词语出现的次数,和所述每个词语所对应的预设情感值,获取所述文本在每个预设情感倾向的概率值。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
10.一种终端设备,其特征在于,所述终端设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
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中科恒运股份有限公司,未经中科恒运股份有限公司许可,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/201910204235.5/1.html,转载请声明来源钻瓜专利网。