[发明专利]一种基于自主进化学习器的信息预测方法及系统

权利要求书

1.一种基于自主进化学习器的信息预测方法，其特征是：包括以下步骤：

从数据源获取文本数据，并对文本数据进行向量表示与向量提取，确定热点词汇，对确定的热点词汇标注和关联，生成训练数据；

构建神经网络模型，利用训练数据对神经网络模型进行训练；

进入自主进化学习过程，删除预测不准确的词汇，增加目标领域词汇，并对于预测没有贡献的数据维度进行剪枝，更新训练数据；

利用更新后的训练数据对模型进行训练，如果训练结果未达到设定条件，则重新进入自主进化学习过程，对训练数据进行更新，直到满足设定条件；

基于相似领域聚类的群体交叉对遗传算法改进，利用改进的遗传算法生成新的神经网络模型，再次进入自主进化学习过程，直到满足设定条件；利用训练好的神经网络模型对获取的文本数据进行预测，有任一神经网络模型预测某一信息为热点词汇，则将其作为热点词汇，得到预测结果；

所述利用改进后的遗传算法生成新的神经网络模型的具体过程包括：

用W_j表示模型j的目标领域词汇集合，通过对各个模型的W_j聚类，获得k个聚类，每个聚类的模型编码，作为一组编码进行相互交叉；

设D_n，V_n，W_n为新的编码，D_n的计算方法为D_n＝∪D_j|j∈J_c，其中J_c为通过聚类形成的一组编码，V_n的计算方法为V_n＝V_j|s_j最优，j∈J_c，其意义为V_n与具有模型性能比指标s_j最优的模型结构相同，W_n的计算方法如下：W_n＝∪W_j|j∈J_c，产生的新编码加入模型库；

在模型中选取s_j前设定比例的模型执行突变，设D_j，V_j，W_j为模型j的编码，D_j突变的方法是给D_j随机加入若干个数据维度，V_j突变的方法是其行数随机加1或者减1，每一行节点个数随机增减若干；W_j不执行突变；其中，D_j是模型j训练时选用数据的维度，V_j则是其网络结构，W_j是其目标领域词汇集合。

2.如权利要求1所述的一种基于自主进化学习器的信息预测方法，其特征是：对确定的热点词汇标注和关联的具体过程包括：依据热点词汇出现的文本数据，标记该热点词汇所属技术领域，并随机配置多个数据维度的数据进行关联。

3.如权利要求1所述的一种基于自主进化学习器的信息预测方法，其特征是：构建神经网络模型的具体过程包括：构建多个深度神经网络结构，利用V_j＝V_r|r∈[0，R_j-1]表示一个深度神经网络结构，其中R_j表示模型j的层数，V_r表示第r层的节点数量，R_j与V_r在一定范围内随机生成，r为整数，对每个模型进行编码，利用D_j，V_j，W_j表示模型j的编码，其中D_j是模型j训练时选用数据的维度，V_j则是其网络结构，W_j是其目标领域词汇集合。