[发明专利]基于GRU网络的新生儿取名方法、电子设备及存储介质

权利要求书

1.一种基于GRU网络的新生儿取名方法，其特征在于，所述方法包括：

获取人名相关的数据资料库，并根据人名属性对所述数据资料库划分不同的训练集；

根据用户选择的人名属性，选择与所述人名属性对应的训练集；

将选择的所述训练集中的人名资料进行数字化处理；将经过数字化处理的所述训练集中的所述人名资料经过全向性神经网络进行特征提取得到所述人名资料的特征向量；

构建GRU网络；

确定新生儿的姓氏所对应的词向量，及将新生儿的姓氏所对应的词向量与所述人名资料的特征向量拼接得到输入向量，将所述输入向量输入到所述GRU网络中，并训练所述全向性神经网络及所述GRU网络；及

将新生儿的所述人名资料输入到已经训练好的所述全向性神经网络及所述GRU网络中输出输出向量，根据所述输出向量与存储的语料库中的所有词向量进行匹配确定所述输出向量对应的名字，其中，所述语料库中的每一个名字进行独热编码后生成一个词向量，所述语料库中的每一词向量对应一个名字。

2.如权利要求1所述的基于GRU网络的新生儿取名方法，其特征在于，

所述GRU网络包括三层，分别为输入层、隐藏层及输出层，所述输入层与所述隐藏层之间全向连接，所述隐藏层与所述输出层之间全向连接，所述隐藏层的激活函数为sigmoid函数，所述输出层的激活函数为softmax函数，所述GRU网络的前向传播公式为：

r_t＝σ(W_r*[h_t-1,x_t])；

Z_t＝σ(W_z*[h_t-1,x_t])；

y_t＝σ(W_o*h_t)；

其中，x_t表示输入，ht表示加入到当前状态的候选集，Z_t表示更新门，r_t表示重置门，y_t表示输出，W_r，W_z，W_o分别为预设的权重，[]表示两个向量的拼接，*表示卷积运算，σ()表示sigmoid函数或softmax函数。

3.如权利要求1所述的基于GRU网络的新生儿取名方法，其特征在于，所述训练所述全向性神经网络及所述GRU网络包括：

通过反向传播的方法对所述全向性神经网络及GRU网络进行训练。

4.如权利要求1所述的基于GRU网络的新生儿取名方法，其特征在于，所述训练所述全向性神经网络及所述GRU网络包括：

将所述训练集中的所有人名资料数字化处理后分为n个批次，每个批次大小为100；

分别初始化所述全向性神经网络的各层权重及所述GRU网络的各层权重；

从n个批次中选择一批次数据作为本次的训练集；

将本次的训练集中的数据输入到所述全向神经网络中得到所述人名资料的特征向量；

将新生儿的姓氏所对应的词向量与所述人名资料的特征向量拼接得到输入向量，并将所述输入向量输入到所述GRU网络中输出至少一输出向量；

计算所述输出向量与所述词向量之间的误差，并判断所述误差是否在一预设范围内；

当所述误差在所述预设范围内时完成对所述全向性神经网络及GRU网络的训练；及

当所述误差不再所述预设范围内时利用梯度下降算法中的自适应矩估计优化算法更新所述全向性神经网络及GRU网络的权值，并利用所述训练集中的下一批次数据对所述全向性神经网络及所述GRU网络进行训练。

5.如权利要求1所述的基于GRU网络的新生儿取名方法，其特征在于，所述根据所述输出向量与语料库中的所有词向量进行匹配确定所述输出向量对应的名字包括：

计算所述输出向量与所述语料库中的所有词向量之间的相关度；及

将与所述输出向量相关度最高的词向量所对应的名字作为所述输出向量对应的名字。