[发明专利]地图信息变化的识别方法和装置

权利要求书

1.一种地图信息变化的识别方法，其特征在于，包括：

获取待处理文本的词项特征矩阵和文档表示特征矩阵；

结合动态池化操作，获取所述待处理文本的神经网络特征矩阵；

拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵；

根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本。

2.根据权利要求1所述的方法，其特征在于，所述获取待处理文本的词项特征矩阵，包括：

根据所述待处理文本包含的各词项和预先训练的词向量转换word2vec模型，获取所述待处理文本包含的各词项的词向量；

根据关键词库中各关键词和所述词向量转换word2vec模型，获取所述关键词库中各关键词的词向量；

根据所述待处理文本包含的各词项的词向量和所述关键词库中各关键词的词向量，通过相似度公式计算关键词相似度；

将所述关键词相似度输入多层感知器MLP，得到所述词项特征矩阵。

3.根据权利要求1或2所述的方法，其特征在于，所述结合动态池化操作，获取所述待处理文本的神经网络特征矩阵，包括：

根据所述待处理文本，生成对应的静态词向量和动态词向量；

拼接所述静态词向量和所述动态词向量，得到拼接结果；

采用一维宽卷积对所述拼接结果进行卷积操作，得到卷积结果；

将所述卷积结果在相邻维度上的特征数值相加，得到折叠结果；

采用注意力机制对所述折叠结果进行加权，得到加权结果；

对所述加权结果执行动态池化操作，得到池化结果；

通过MLP对池化结果进行变换，确定所述神经网络特征矩阵。

4.根据权利要求1或2所述的方法，其特征在于，所述方法应用于第一模型结构，所述第一模型结构包括：嵌入层和神经网络模型结构，所述神经网络模型结构包括：卷积层、折叠层、自注意力机制层、池化层、激活层和批归一化层；

所述结合动态池化操作，获取所述待处理文本的神经网络特征矩阵，包括：

所述嵌入层根据所述待处理文本，生成对应的静态词向量和动态词向量，拼接所述静态词向量和所述动态词向量，得到拼接结果，并将所述拼接结果传输至所述卷积层；

所述卷积层采用一维宽卷积对所述拼接结果进行卷积操作，得到卷积结果，并将所述卷积结果传输至所述折叠层；

所述折叠层将所述卷积结果在相邻维度上的特征数值相加，得到折叠结果，并将所述折叠结果传输至所述自注意力机制层；

所述自注意力机制层采用注意力机制对所述折叠结果进行加权，得到加权结果，并将所述加权结果传输至所述池化层；

所述池化层对所述加权结果执行动态池化操作，得到池化结果，并将所述池化结果输至所述激活层；

所述激活层和所述批归一化层通过MLP对池化结果进行变换，确定所述神经网络特征矩阵。

5.一种地图信息变化的识别装置，其特征在于，包括：

获取模块，用于获取待处理文本的词项特征矩阵和文档表示特征矩阵；

所述获取模块，还用于结合动态池化操作，获取所述待处理文本的神经网络特征矩阵；

拼接模块，用于拼接所述词项特征矩阵、所述文档表示特征矩阵和所述神经网络特征矩阵，得到目标特征矩阵；

确定模块，用于根据所述目标特征矩阵，确定所述待处理文本是否为地图信息变化的文本。

6.根据权利要求5所述的装置，其特征在于，所述获取模块，具体用于：

根据所述待处理文本包含的各词项和预先训练的词向量转换word2vec模型，获取所述待处理文本包含的各词项的词向量；

根据关键词库中各关键词和所述词向量转换word2vec模型，获取所述关键词库中各关键词的词向量；

根据所述待处理文本包含的各词项的词向量和所述关键词库中各关键词的词向量，通过相似度公式计算关键词相似度；

将所述关键词相似度输入多层感知器MLP，得到所述词项特征矩阵。