(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211067319.7 (22)申请日 2022.09.01 (71)申请人 武汉东湖大 数据交易中心 股份有限 公司 地址 430000 湖北省武汉市东湖新 技术开 发区高新大道999号龙山创新园一期 F3栋2101室 (72)发明人 孙想　柯舒拓　徐蓓蓓　 (74)专利代理 机构 武汉红观 专利代理事务所 (普通合伙) 42247 专利代理师 徐春燕 (51)Int.Cl. G06N 5/02(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06F 16/35(2019.01) G06F 40/216(2020.01) G06F 40/289(2020.01) G06F 40/30(2020.01) G10L 25/24(2013.01) (54)发明名称 一种先验知识约束实现数据认知计算方法 及其系统 (57)摘要 本发明提出了一种先验知识约束实现数据 认知计算方法及其系统， 包括以下步骤： S1： 获取 具体场景下目标任务产生的多源数据样本和先 验知识； S2： 根据具体场景下目标任务多源数据 的特征信息和先验知识的语义特征信息之间的 关系， 构建对应的具体场景 ‑目标任务 ‑先验知识 矩阵； S3： 基于snake主动轮廓识别模型， 将具体 场景下目标任务产生的多源数据与 目标任务单 元之间先验知识对模型的特征学习进行约束， 进 而提高模型的认知能力； S4： 将待认知的具体场 景下目标任务小样本数据输入上述识别模型， 得 到具体场景下目标任务小样本数据认知计算的 结果。 本发 明将多源数据和先验知识转化成了可 以比较的特征信息， 减小了样 本数量不足带来的 影响。 权利要求书2页 说明书9页 附图2页 CN 115438788 A 2022.12.06 CN 115438788 A 1.一种先验知识约束实现数据认知计算方法， 其特 征在于： 包括以下步骤， S1， 获取具体场景 下目标任务产生的多源数据样本和先验知识； S2， 根据具体场景下目标任务多源数据的特征信息和先验知识的语义特征信 息之间的 关系， 构建对应的具体场景 ‑目标任务 ‑先验知识 矩阵； S3， 基于snake主动 轮廓识别 模型， 将具体场景下目标任务产生的多源数据与目标任务 单元之间先验知识对 模型的特 征学习进行约束， 进 而提高模型的认知能力； S4， 将待认知的具体场景下目标任务小样本数据输入上述识别模型， 得到具体场景下 目标任务小样本数据认知计算的结果。 2.如权利要求1所述的一种先验知识约束实现数据认知计算方法， 其特征在于： 所述步 骤S1具体包括以下步骤： 对多源数据样本和先验知识做特征处理， 得到过滤后的多源数据的特征信 息和先验知 识的语义特 征信息， 然后做归一 化处理。 3.如权利要求2所述的一种先验知识约束实现数据认知计算方法， 其特征在于： 所述步 骤S2具体包括以下步骤： (1)建立第一LDA模型， 将目标任务作为第一LDA模型的语料库， 第一LDA模型提取目标 任务的隐藏的语义信息， 得到第一词分布矩阵， 进而计算出第一主题分布矩阵， 将第一词分 布矩阵和第一主题分布 矩阵的乘积作为目标任务分布 矩阵； Z'＝X'·Y'      (1) 其中， Z'表示目标任务分布 矩阵， X'表示第一词分布 矩阵， Y'表示第一主题分布 矩阵； (2)建立第二LDA模型， 将过滤后的数据作为第二LDA模型的语料库， 第二LDA模型提取 过滤后的数据中隐含的语义信息， 得到第二词分布矩阵， 进而计算出第二主题分布矩阵， 将 第二词分布 矩阵和第二主题分布 矩阵的乘积作为先验知识分布 矩阵； Z”＝X”·Y”   (2) 其中， Z”表示先验知识分布 矩阵， X”表示第二词分布 矩阵， Y”表示第二主题分布 矩阵； (3)将目标任务分布矩阵与先验知识分布矩阵相乘得到具体场景 ‑目标任务 ‑先验知识 矩阵， R＝Z'·Z”   (3) 其中， R表示具体场景 ‑目标任务 ‑先验知识矩阵， Z'表示目标任务分布矩阵， Z ”表示先 验知识分布 矩阵。 4.如权利要求3所述的一种先验知识约束实现数据认知计算方法， 其特征在于： 所述步 骤S3具体包括以下步骤： (1)确定初始轮廓； (2)计算能量 函数； (3)将能量 函数极小化， 从而优化初始轮廓得到最佳识别模型。 5.一种先验知识约束实现数据认知计算系统， 其特 征在于： 所述系统包括： 数据提取模块， 用于获取 具体场景 下目标任务产生的多源数据样本和先验知识； 关系矩阵模块， 用于根据具体场景下目标任务多源数据的特征信 息和先验知识的语义 特征信息之间的关系， 构建对应的具体场景 ‑目标任务 ‑先验知识 矩阵； 条件约束模块， 用于基于snake主动轮廓识别 模型， 将具体场景下目标任务产生的多源权　利　要　求　书 1/2 页 2 CN 115438788 A 2数据与目标任务单元之间先验知识对模型的特征学习进行约束， 进而提高模型的认知能 力； 认知计算模块， 用于将待认知的具体场景下目标任务小样本数据输入上述识别模型， 得到具体场景 下目标任务小样本数据认知计算的结果。 6.如权利要求5所述的一种先验知识约束实现数据认知计算系统， 其特征在于， 所述数 据提取模块具体用于： 对多源数据样本和先验知识做特征处理， 得到过滤后的多源数据的特征信 息和先验知 识的语义特 征信息， 然后做归一 化处理。 7.如权利要求6所述的一种先验知识约束实现数据认知计算系统， 其特征在于， 所述关 系矩阵模块具体用于： (1)建立第一LDA模型， 将目标任务作为第一LDA模型的语料库， 第一LDA模型提取目标 任务的隐藏的语义信息， 得到第一词分布矩阵， 进而计算出第一主题分布矩阵， 将第一词分 布矩阵和第一主题分布 矩阵的乘积作为目标任务分布 矩阵； Z'＝X'·Y'   (1) 其中， Z'表示目标任务分布 矩阵， X'表示第一词分布 矩阵， Y'表示第一主题分布 矩阵； (2)建立第二LDA模型， 将过滤后的数据作为第二LDA模型的语料库， 第二LDA模型提取 过滤后的数据中隐含的语义信息， 得到第二词分布矩阵， 进而计算出第二主题分布矩阵， 将 第二词分布 矩阵和第二主题分布 矩阵的乘积作为先验知识分布 矩阵； Z”＝X”·Y”    (2) 其中， Z”表示先验知识分布 矩阵， X”表示第二词分布 矩阵， Y”表示第二主题分布 矩阵； (3)将目标任务分布矩阵与先验知识分布矩阵相乘得到具体场景 ‑目标任务 ‑先验知识 矩阵， R＝Z'·Z”    (3) 其中， R表示具体场景 ‑目标任务 ‑先验知识矩阵， Z'表示目标任务分布矩阵， Z ”表示先 验知识分布 矩阵。 8.如权利要求7所述的一种先验知识约束实现数据认知计算系统， 其特征在于， 所述条 件约束模块具体用于： (1)确定初始轮廓； (2)计算能量 函数； (3)将能量 函数极小化， 从而优化初始轮廓得到最佳识别模型。权　利　要　求　书 2/2 页 3 CN 115438788 A 3