基于情景感知的机器学习方法及系统技术方案

本发明专利技术涉及机器学习领域，具体涉及一种基于情景感知的机器学习方法及系统，该机器学习方法包括如下步骤：S1、构建训练参数集，每一个训练参数均包含有情景信息；S2、基于BP神经网络模型实现训练参数集中内载情景特征信息及其他目标特征信息的提取；S3、基于情景特征信息及其对应的其他目标特征信息构建贝叶斯网络模型；S4、基于所述贝叶斯网络模型实现待检测文本的识别。本发明专利技术的整个过程依赖不同的模型/算法自动完成，在可以大大提高了机器学习的效率的同时，可以保证所构建的检测模型所覆盖的样本检测面。

【技术实现步骤摘要】
基于情景感知的机器学习方法及系统
本专利技术涉及机器学习领域，具体涉及一种基于情景感知的机器学习方法及系统。
技术介绍
随着计算机技术和网络技术的不断成熟，教育领域也在信息技术的推动下发生了巨大的革命，人工智能技术和计算机结合结合形成的智能教学系统应运而生。智能教学系统融合了教育学、认知科学、计算机科学和人工能等多门学科，实现了计算机导师根据每个学习者的特点制定教学计划、选择教学策略的功能。目前，智能教学系统在进行教学计划和教学策略的制定和选择过程中，大多忽略了目标数据中内载的情景信息，从而一定程度上使得所制定的教学计划和教学策略缺乏一定的针对性。同时，现有的智能教学系统采用的机器学习方法普遍需要人为进行训练集的构建，工作量大的同时，很容易产生由于训练集覆盖面不完善而导致目标数据识别失败的情况。
技术实现思路
为解决上述问题，本专利技术提供了一种基于情景感知的机器学习方法及系统。为实现上述目的，本专利技术采取的技术方案为：基于情景感知的机器学习方法，包括如下步骤：S1、构建训练参数集，每一个训练参数均包含有情景信息；S2、基于BP神经网络模型实现训练参数集中内载情景特征信息及其他目标特征信息的提取；S3、基于情景特征信息及其对应的其他目标特征信息构建贝叶斯网络模型；S4、基于所述贝叶斯网络模型实现待检测文本的识别。进一步地，所述步骤S1中，基于预设的情景转换模型实现训练样本的预处理，从而实现训练参数集的构建。进一步地，所述情景转换模型采用Transformer模型实现训练样本内隐含的情景信息的提取，然后将所提取的情景信息及其对应的训练样本填入预设的模板，即得训练参数。进一步地，所述步骤S2中，基于Hadoop同时运行两个BP神经网络模型分别进行训练参数集中内载情景特征信息及其他目标特征信息的提取。本专利技术还提供了一种基于情景感知的机器学习系统，包括：训练参数集构建模块，用于构建训练参数集，每一个训练参数均包含有情景信息；特征信息提取模块，用于基于BP神经网络模型实现训练参数集中内载情景特征信息及其他目标特征信息的提取；检测模型构建模块，用于基于情景特征信息及其对应的其他目标特征信息构建贝叶斯网络模型；目标识别模块，基于所述贝叶斯网络模型实现待检测文本的识别。进一步地，所述训练参数集构建模块基于预设的情景转换模型实现训练样本的预处理，从而实现训练参数集的构建，该情景转换模型采用Transformer模型实现训练样本内隐含的情景信息的提取，然后将所提取的情景信息及其对应的训练样本填入预设的模板，即得训练参数。进一步地，所述特征提取模块基于Hadoop同时运行两个BP神经网络模型分别进行训练参数集中内载情景特征信息及其他目标特征信息的提取。上述方案，整个过程依赖不同的模型/算法自动完成，在可以大大提高了机器学习的效率的同时，可以保证所构建的检测模型所覆盖的样本检测面。附图说明图1为本专利技术实施例1的流程图。图2为本专利技术实施例3的系统框图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术的保护范围。实施例1如图1所示，基于情景感知的机器学习方法，包括如下步骤：S1、构建训练参数集，每一个训练参数均包含有情景信息；S2、基于BP神经网络模型实现训练参数集中内载情景特征信息及其他目标特征信息的提取；S3、基于情景特征信息及其对应的其他目标特征信息构建贝叶斯网络模型；S4、基于所述贝叶斯网络模型实现待检测文本的识别。本实施例中，所述步骤S1中，首先基于预设的数据挖掘模型（优选InceptionV3深度神经网络模型）进行包含有情景信息的训练样本的主动采集，采集时，每一种情景信息均需对应有一定数量的训练样本，然后基于预设的情景转换模型实现训练样本的预处理，从而实现训练参数集的构建。所述情景转换模型采用Transformer模型实现训练样本内隐含的情景信息的提取，然后将所提取的情景信息及其对应的训练样本填入预设的模板，即得训练参数。本实施例中，所述步骤S2中，基于Hadoop同时运行两个BP神经网络模型分别进行训练参数集中内载情景特征信息及其他目标特征信息的提取。实施例2基于情景感知的机器学习方法，包括如下步骤：S1、构建训练参数集，每一个训练参数均包含有情景信息；S2、基于BP神经网络模型实现训练参数集中内载情景特征信息及其他目标特征信息的提取；S3、基于情景特征信息及其对应的其他目标特征信息构建贝叶斯网络模型；S4、基于所述贝叶斯网络模型实现待检测文本的识别。本实施例中，所述步骤S1中，首先基于预设的训练样本构建模型（包括训练样本模板和数据挖掘模块，数据挖掘模块按照既定的规则进行对应数据的挖掘，并将挖掘到的数据填充到训练样本模板对应的位置处）进行包含有情景信息的训练样本的主动构建，构建时，每一种情景信息均需对应有一定数量的训练样本，然后基于预设的情景转换模型实现训练样本的预处理，从而实现训练参数集的构建。所述情景转换模型采用Transformer模型实现训练样本内隐含的情景信息的提取，然后将所提取的情景信息及其对应的训练样本填入预设的模板，即得训练参数。本实施例中，所述步骤S2中，基于Hadoop同时运行两个BP神经网络模型分别进行训练参数集中内载情景特征信息及其他目标特征信息的提取。实施例3如图2所示，一种基于情景感知的机器学习系统，包括：训练参数集构建模块，用于构建训练参数集，每一个训练参数均包含有情景信息；特征信息提取模块，用于基于BP神经网络模型实现训练参数集中内载情景特征信息及其他目标特征信息的提取；检测模型构建模块，用于基于情景特征信息及其对应的其他目标特征信息构建贝叶斯网络模型；目标识别模块，基于所述贝叶斯网络模型实现待检测文本的识别。本实施例中，所述训练参数集构建模块首先基于预设的数据挖掘模型进行包含有情景信息的训练样本的主动采集，采集时，每一种情景信息均需对应有一定数量的训练样本，然后基于预设的情景转换模型实现训练样本的预处理，从而实现训练参数集的构建，该情景转换模型采用Transformer模型实现训练样本内隐含的情景信息的提取，然后将所提取的情景信息及其对应的训练样本填入预设的模板，即得训练参数。所述特征提取模块基于Hadoop同时运行两个BP神经网络模型分别进行训练参数集中内载情景特征信息及其他目标特征信息的提取。实施例4一种基于情景感知的机器学习系统，包括：训练参数集构建模块，用于构建训练参数集，每一个训本文档来自技高网...

【技术保护点】
1.基于情景感知的机器学习方法，其特征在于：包括如下步骤：/nS1、构建训练参数集，每一个训练参数均包含有情景信息；/nS2、基于BP神经网络模型实现训练参数集中内载情景特征信息及其他目标特征信息的提取；/nS3、基于情景特征信息及其对应的其他目标特征信息构建贝叶斯网络模型；/nS4、基于所述贝叶斯网络模型实现待检测文本的识别。/n

【技术特征摘要】
1.基于情景感知的机器学习方法，其特征在于：包括如下步骤：
S1、构建训练参数集，每一个训练参数均包含有情景信息；
S2、基于BP神经网络模型实现训练参数集中内载情景特征信息及其他目标特征信息的提取；
S3、基于情景特征信息及其对应的其他目标特征信息构建贝叶斯网络模型；
S4、基于所述贝叶斯网络模型实现待检测文本的识别。


2.如权利要求1所述的基于情景感知的机器学习方法，其特征在于：所述步骤S1中，基于预设的情景转换模型实现训练样本的预处理，从而实现训练参数集的构建。


3.如权利要求2所述的基于情景感知的机器学习方法，其特征在于：所述情景转换模型采用Transformer模型实现训练样本内隐含的情景信息的提取，然后将所提取的情景信息及其对应的训练样本填入预设的模板，即得训练参数。


4.如权利要求1所述的基于情景感知的机器学习方法，其特征在于：所述步骤S2中，基于Hadoop同时运行两个BP神经网络模型分别进行训练参数集中内载情景特征信息及其他目标特征信息的提...

【专利技术属性】
技术研发人员：霍雨佳，左欣，
申请(专利权)人：霍雨佳，
类型：发明
国别省市：贵州;52