(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 202211021921.7 (22)申请日 2022.08.24 (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 杜乐　吴敏　周正　姜疆　 (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 赵征友 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/126(2020.01) G06F 40/216(2020.01)G06F 40/284(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 一种基于目标任务可解释性认知预测与判 别方法及其系统 (57)摘要 本发明提出了一种基于目标任务可解释性 认知预测与判别方法及其系统， 包括以下步骤： S1， 采集目标任务产生的多源数据， 提取上述数 据的特征信息， 通过归一化处理， 得到目标任务 的事实描述文本； S2， 通过使用自然语言处理方 法， 提取上述事实描述文本中隐含的语义信息， 形成语义信息的集合； S3， 基于GBDT算法构建分 类模型， 将上述语义信息融入分类模型， 并进行 预训练； S4， 基于rationales增强机制的RNN模 型， 将目标任务的事实描述文本作为输入模型， 输出预测结果和判决依据。 通过使用自然语言处 理方法以及基于rationales增强机制的RNN模 型， 有效解决了机器判别方法缺少基本原理、 解 释和依据的问题。 权利要求书2页 说明书8页 附图2页 CN 115392254 A 2022.11.25 CN 115392254 A 1.一种基于目标任务可解释性认知预测与判别方法， 其特 征在于： 包括以下步骤， S1， 采集目标任务产生的多源数据， 提取上述数据的特征信息， 通过归一化处理， 得到 目标任务的事实描述文本； S2， 通过使用自然语言处理方法， 提取上述事实描述文本中隐含的语义信息， 形成语义 信息的集 合； S3， 基于GBDT算法构建 分类模型， 将上述语义信息融入分类模型， 并进行 预训练； S4， 基于rationales增强机制的RNN模型， 将目标任务的事实描述文本作为输入模型， 输出预测结果和判决依据。 2.如权利要求1所述的一种基于目标任务可解释性认知预测与判别方法， 其特征在于： 所述步骤S1具体包括以下步骤： 对于图像数据， 将图像内容转换成可直观理解的类文本语言表达， 从图像内容中抽取 出“像素‑区域‑目标‑场景”的层次关系， 然后采用词汇和构词方式进行词汇编码和标注。 3.如权利要求2所述的一种基于目标任务可解释性认知预测与判别方法， 其特征在于： 所述步骤S2具体包括以下步骤： S210， 对事实描述文本做预处 理， 获取关键分词， 建立关键分词集 合； S220， 将所有 文本中不重复的关键分词构建为 一个词条列表； S230， 对每个文本， 构建一个向量， 向量维度与词条列表维度相同， 向量的值与词条列 表中每个词条在文本里 出现的次数相同； S240， 利用TF ‑IDF算法进行权值 转换。 4.如权利要求3所述的一种基于目标任务可解释性认知预测与判别方法， 其特征在于： 所述步骤S2还 包括： 收集汽车的故障描述文本和质量投诉文本， 进行文本预处理， 获取汽车故障描述文本 和质量投诉文本的关键 分词， 建立汽车质量投诉关键分词集合以及 汽车故障描述关键 分词 集合。 5.如权利要求3所述的一种基于目标任务可解释性认知预测与判别方法， 其特征在于： 所述步骤S3具体包括以下步骤： S310， 构建初始化弱学习器； S320， 对每个样本做GBDT算法迭代， 计算残差， 结合得到 的残差和数据， 得到GBDT算法 的一颗新的回归树， 计算 最佳拟合 值； S330， 根据S310和S320更新弱学习器； S340， 得到弱学习器迭代后的强学习器。 6.如权利要求5所述的一种基于目标任务可解释性认知预测与判别方法， 其特征在于： 所述步骤S4具体包括以下步骤： 将输入的事实描述文本定义为单词序列， 结合基于rationales增强机制的RNN模型预 测最终结果同时输出判决依据。 7.如权利要求6所述的一种基于目标任务可解释性认知预测与判别方法， 其特征在于： 所述步骤S4还 包括： 基于rationales增强机制的RNN模型： 提取事实描述文本中的rationales信息， rationales信息包括基本原理、 解释和依据， 然后将rati onales信息融入到RN N模型中。权　利　要　求　书 1/2 页 2 CN 115392254 A 28.一种基于目标任务可解释性认知预测与判别系统， 其特 征在于： 所述系统包括： 数据提取模块： 用于采集目标任务产生的多源数据， 提取上述数据的特征信息， 通过归 一化处理， 得到目标任务的事实描述文本； 可解释模块： 用于通过使用自然语言处理方法， 提取上述事实描述文本中隐含的语义 信息， 形成语义信息的集 合； 分类模块： 用于基于GBDT算法构建分类模型， 将上述语义信息融入分类模型， 并进行预 训练； 认知预测与智能判别模块： 用于基于rationales增强机制的RNN模型， 将目标任务的事 实描述文本作为输入 模型， 输出 预测结果和判决依据。 9.如权利要求8所述的一种基于目标任务可解释性认知预测与判别系统， 其特征在于： 所述可解释模块具体用于： S210， 对事实描述文本做预处 理， 获取关键分词， 建立关键分词集 合； S220， 将所有 文本中不重复的关键分词构建为 一个词条列表； S230， 对每个文本， 构建一个向量， 向量维度与词条列表维度相同， 向量的值与词条列 表中每个词条在文本里 出现的次数相同； S240， 利用TF ‑IDF算法进行权值 转换。 10.如权利要求9所述的一种基于目标任务可解释性认知预测与判别系统， 其特征在 于： 所述分类模块具体用于： S310， 构建初始化弱学习器； S320， 对每个样本做GBDT算法迭代， 计算残差， 结合得到 的残差和数据， 得到GBDT算法 的一颗新的回归树， 计算 最佳拟合 值； S330， 根据步骤S310和步骤S320更新弱学习器； S340， 得到弱学习器迭代后的强学习器。权　利　要　求　书 2/2 页 3 CN 115392254 A 3