[发明专利]一种参数输入的方法及装置

说明书

本申请公开了一种参数输入的方法及装置，该方法中服务器在接收到终端发送的关键词后，可根据预先保存的各样本字通过字体矩阵而生成的向量，确定出该关键词所对应的关键词向量，相应的，服务器根据该关键词，确定出与该关键词相匹配的各信息后，可根据预先保存的各样本字通过字体矩阵而生成的向量，确定出各信息所对应的各信息向量，并将各信息向量以及关键词向量作为神经网络模型的输入参数输入到神经网络模型中。相对于基于词典而生成的向量来说，基于字体矩阵而生成的向量可准确的表示出各关键词以及与各关键词相匹配的各信息，进而可有效的提高神经网络模型进行数据处理时的准确性。

技术领域

本申请涉及计算机技术领域，尤其涉及一种参数输入的方法及装置。

背景技术

随着计算机技术的快速发展，人工智能技术也逐步发展并完善起来，现在，人们可通过人工智能技术，完成诸多的数据处理工作，人工智能的发展不仅提高了人们的数据处理的能力，而且还使得人们得到的数据处理结果更加的合理、准确。

当前，随着神经网络模型的不断发展，神经网络模型所涉及的领域也愈加的广泛，其中，对于搜索、广告点击量预测、图像识别等领域来说，神经网络模型的作用尤为显著。比如，对于搜索领域来说，人们为了能够得到更好的搜索结果，通常可采用神经网络模型来完成信息的搜索。具体的，用户在终端中输入用于搜索的关键词后，终端可将该关键词发送给服务器，而服务器在接收到该关键词，可根据该关键词，查找出与该关键词相匹配的各文档，而后，服务器可将该关键词以及各文档转换成向量，并将得到的各向量作为输入参数输入到神经网络模型中，其中，服务器在将该关键词和文档转换成向量时，可根据预设的词典，确定出该关键词和文档在该词典中出现的位置，进而根据该关键词和文档中的各单字在该词典中出现的位置，分别得出用于表示该关键词以及各文档的各向量。

例如，假设用户输入的用于搜索的关键词为“C”，而服务器的预设词典中一共有“A、B、C、D、E、F、G”7个词，这样，服务器可根据该预设词典中包含的词汇数量，确定出一个向量维数为7的向量“0000000”，而后，服务器在确定出该关键词“C”出现在该预设词典中的第3个位置上后，可将确定出的向量“0000000”的相应位置(即第3个位置)上的0置成1，进而得到一个用于表示该关键词“C”的7维向量“0010000”。与此同时，服务器可根据关键词“C”，搜索出与该关键词“C”相匹配的各文档，其中，对于某一文档来说，该文档的内容为“CAD”，该“CAD”分别由“C”、“A”、“D”这三个词组成，这三个词全部出现在了服务器的预设词典中，因此，与生成用于表示关键词“C”的向量方式相同，服务器可根据这三个词在预设词典中出现的位置，确定出表示该文档的向量为“1011000”，相应的，服务器可根据这种方式，依次确定出各文档关于该预设词典的向量。而后，服务器在分别确定出关键词“C”的向量以及各文档关于该预设词典的向量后，可将该关键词“C”的向量以及各信息关于该预设词典的向量依次输入到神经网络模型中，而神经网络模型将根据获取到的各个向量，分别计算出关键词“C”与各信息的相关度(该相关度可以是一个权重值)，这样一来，神经网络模型可按照相关度由大到小的顺序，将各相关度对应的信息进行排序，从而得到与关键词“C”相匹配的信息的排序结果。

从上述示例中可以看出，词典中包含的词汇往往就决定了服务器所生成的用于表示关键词或文档的向量。然而，在现有技术中，词典中存储的词汇通常都是一些常用的高频词汇，而对于一些不常用的低频词汇来说，这些低频词汇通常都是不会存储在该词典中的，而在实际应用中，这些低频词汇可能恰恰是用户所关心的，这样一来，由于该词典中未存储这些低频词汇，因此，服务器根据当前的词典而得出的能够表示关键词或各文档的向量也将是不准确的，进而导致服务器将该向量输入到神经网络模型后，神经网络模型根据该向量而给出的数据处理结果虽然看似是合理的，但是由于词典中缺少一些与该关键词相关的低频词汇，因此，这一数据处理实际上也将是不准确的。