[发明专利]通过二维符号进行机器学习

说明书

公开了通过2‑D符号促进机器学习的方法。在第一计算系统中接收对象的特征，所述第一计算系统上安装有2‑D符号创建应用模块。根据一组符号创建规则由所述特征形成多层2‑D符号。所述2‑D符号是被划分为多个子矩阵的N×N像素矩阵，每个子矩阵包含一个特征，其中N是正整数。通过使用图像处理技术在第二计算系统中学习2‑D符号中的组合特征的含义，以对从第一计算系统传输的2‑D符号进行分类。符号创建规则确定2‑D符号中的子矩阵的重要性顺序、大小和位置。

技术领域

本专利文件大体上涉及机器学习领域。更具体地，本文件涉及通过二维(2-D)符号进行机器学习。

背景技术

机器学习是人工智能的应用。在机器学习中，计算机或计算设备被编程为像人类一样思考，以便可以教导计算机自己学习。神经网络的发展已成为教导计算机以人类的方式思考和理解世界的关键。

从1950年代开始，在机器学习中已经实现了许多里程碑式的发现和成就。显著的发现和成就包括但不限于：逻辑回归(Logistic Regression)、支持向量机(SupportVector Machine，SVM)、梯度提升机(Gradient Boosting Machine，GBM)等。然后深度学习在2010年代变得更加可行。一种特定实现被称为基于细胞神经网络或基于细胞非线性网络(Cellular Nonlinear Networks，CNN)的计算系统。基于CNN的计算系统已经用于许多不同的领域和问题，包括但不限于图像处理。

发明内容

本部分的目的是总结本发明的一些方面并简要介绍一些优选实施方式。可以在本部分以及本文的摘要和标题中进行简化或省略，以避免使本部分的目的模糊。这种简化或省略并不是对本发明的范围的限制。

公开了通过2-D符号促进机器学习的方法。根据本公开的一方面，在第一计算系统中接收对象的若干特征，所述第一计算系统上安装有2-D符号创建应用模块。根据一组符号创建规则由该特征形成多层2-D符号。所述2-D符号是划分为若干子矩阵的N×N像素矩阵，每个子矩阵包含一个特征，其中N是正整数。通过使用图像处理技术，在第二计算系统中学习2-D符号中的组合特征的含义，以对从第一计算系统传输的2-D符号进行分类。

根据本公开的另一方面，该组符号创建规则包含以下动作：基于机器学习技术中的一种确定多个特征的重要性顺序；根据重要性顺序将对应特征与所述每个子矩阵相关联；基于对应特征确定所述每个子矩阵的大小；以及根据大小和重要性顺序将所述每个子矩阵放置在2-D符号中的特定位置。

根据本公开的又一方面，在第一计算系统中接收自然语言文本串和与该文本相关联的若干特征，所述第一计算系统上安装有2-D符号创建应用模块。根据一组符号创建规则由该文本以及该特征形成多层2-D符号。2-D符号是被分成第一部分和第二部分的N×N像素矩阵。第一部分被配置用于包含该文本，而第二部分被划分为若干子矩阵，每个子矩阵包含所述若干特征中的一个，其中N是正整数。通过使用图像处理技术，在第二计算系统中学习包含在2-D符号中的自然语言文本串以及相关联特征的含义，以对从第一计算系统传输的2-D符号进行分类。符号创建规则确定2-D符号中的子矩阵的重要性顺序、大小和位置。

结合所附附图通过查阅下面对本发明的实施方式的详细描述，本发明的目的、特征和优点将变得显而易见。

附图说明

参考以下描述、所附权利要求和随附附图，将更好地理解本发明的这些和其他特征、方面和优点，附图如下：

图1是示出根据本发明实施方式的示例二维(2-D)符号的图，所述二维符号包括用于促进对所包含的组合特征的含义进行机器学习的N×N像素数据矩阵；

图2A-2B是示出根据本发明实施方式的两个示例方案的图，其包括图1的示例2-D符号中的对象的特征；

图2C是示出根据本发明的一个实施方式的包含对象的特征的示例2-D符号的图；