[发明专利]一种基于涕液特征信息语义认知系统及其使用方法

权利要求书

1.一种基于涕液特征信息语义认知系统，其特征在于：包括输入单元、语义识别单元、标签集合单元和分类输出单元，输入单元的输出端与语义识别单元的输入端信号连接，语义识别单元的输出端分别与标签集合单元的输入端和分类输出单元的输入端信号连接；标签集合单元的输出端与分类输出单元的输入端信号连接；

输入单元，可输入描述涕液特征的内容，根据描述涕液特征的语言，将其转换成文本；用文本形式来描述该涕液特征；

语义识别单元，根据输入单元输入的描述涕液特征的文本，识别并构建统一格式的待测数据的涕液特征矩阵；按照涕液颜色、涕液频次、产生时段、涕液形态和伴随症状作为涕液特征的顺序进行TF-IDF识别，将上述涕液特征矩阵的行向量为对应涕液特征，涕液特征矩阵的列向量为行对应涕液特征相应的值，构建涕液特征矩阵；

标签集合单元，包括若干标签集合，其储存并定期更新内部的标签集合的内容；每个标签集合包括若干个标签；

分类输出单元，结合语义识别单元输入的涕液特征矩阵，并从标签集合单元选取标签集合，求取涕液特征矩阵的K邻域，并将各K邻域对应的标签集合中的标签分别进行输出，根据各K邻域输出的标签结果判断涕液特征的文本对应的标签；

所述结合语义识别单元输入的涕液特征矩阵，并从标签集合单元选取标签集合，求取涕液特征矩阵的K邻域，是将得到涕液特征矩阵作为一个输入数据，从标签集合单元中选取有限的标签组成的标签集合，将上述选取的输入数据和标签集合构建一个训练集；求取其K邻域，K邻域包括若干实例，各实例与标签相对应，重新用各实例与标签的对应关系来表示涕液特征矩阵的输入数据；

该系统的使用方法，具体包括如下步骤：

S1：向输入单元输入涕液描述的文本信息；

S2：将涕液特征矩阵作为待检测数据x_i，按照TF-IDF识别提取涕液描述的文本并构建待测数据的涕液特征矩阵，涕液特征矩阵首行定义为涕液特征；其余行定义为涕液特征的值，涕液特征的值取值为取整的0或者1；

S3：求取待检测数据x_i的K邻域，令χ＝R表示输入空间，Y表示由标签集合单元内选取有限个标签构成的标签集合，实例x₁,…,x_n∈χ，标签y₁,…,y_n∈Y，构建多标签训练集S＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，对输入空间χ的每一个待检测数据x_i，x_i＝{x₁,…,x_n}，采用KNN算法得到其邻域邻域中每个实例相应的标签对应的原型向量定义为P，

在得到邻域的每个实例对应的原型向量P后，重新由邻域的多个实例X_i表示待检测数据，每个新的实例X_i都是待检测数据x_i与原型向量P的差值：X_i＝x_i-P；x_i＝{x₁,…,x_n}；

并得到新的多标签训练集：

S^*＝{(X₁,y₁),(X₂,y₂),…,(X_n,y_n)}；X_i＝{X₁,…,X_n}；

S4：新的多标签训练集S^*训练是通过两层分类结构输入具有m个实例的X_i，两层分类结构的输出是有Q个有效输出的标签向量y∈{y₁,…,y_Q}；第一层结构将输入的m个实例进一步分解为没有交集的M个分组，各分组之间的距离用欧氏距离表示，通过分别测量分组所有实例的欧氏距离，确定各分组的中心，各分组内部具有标签关联，形成一个聚类，每一个实例X_i都表示为M维欧氏距离的特征向量；第二层结构表示权重矩阵W，权重矩阵W与第一层结构的每一个分组的中心和每一个输出y相对应；其中y(X_i)为实例X_i在对应标签的实际输出，W为权重矩阵；φ_M(X_i)为M维到各分组中心的欧氏距离的特征向量表示的该实例X_i；实际输出y(X_i)的值取整为0或者1；

S5：根据邻域内各实例X_i的实际输出y(X_i)作为元素得到评价待检测数据x_i的Q个有效输出标签向量y；

S6：重复上述步骤S3—S5，选取有效输出最多的标签向量y作为最终结果。