欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025101260396
申请人: 成都理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于神经网络的多语言会计术语自动识别方法,其特征在于,包括以下步骤:S1、读入待分析的多语言会计文本,以每个词为中心构建三个词组集合,其中,三个词组集合具体包括:左邻域的词组集合、右邻域的词组集合和全邻域的词组集合;

S2、对各种词性分配权重系数;

S3、对每个词组集合编码处理,得到词组向量,基于词性的权重系数,构建词重要性向量;

S4、采用语义提取单元对词组向量提取语义特征,并采用对应的词重要性向量对语义特征进行施加权重系数,分别得到左邻域特征向量、右邻域特征向量和全邻域特征向量;

S5、将左邻域特征向量、右邻域特征向量和全邻域特征向量进行两两匹配,采用多路径评分单元对匹配后的向量进行预测,得到以该词为中心时,该词的会计术语评分;

S6、根据每个词的会计术语评分,输出会计术语。

2.根据权利要求1所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述S1具体为:S11、读入待分析的多语言会计文本,以每个词为中心;

S12、将中心处词以及左侧邻域词,构成左邻域的词组集合;

S13、将中心处词以及右侧邻域词,构成右邻域的词组集合;

S14、将中心处词以及左右侧邻域词,构成全邻域的词组集合,其中,左邻域的词组集合、右邻域的词组集合和全邻域的词组集合中包含的词数量相同。

3.根据权利要求1所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述S3包括以下分步骤:S31、对每个词组集合编码处理,得到词组向量,其中,词组向量由多个词的词编码子向量构成;

S32、对每个词编码子向量构建一个与该词编码子向量长度相同的词性子向量,其中,词性子向量中每个元素填充为该词的词性的权重系数;

S33、将一个词组向量对应的词性子向量拼接为词重要性向量。

4.根据权利要求1所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述S4中语义提取单元包括:左邻域词组语义提取单元、右邻域词组语义提取单元和全邻域词组语义提取单元;采用左邻域词组语义提取单元对左邻域的词组向量提取语义特征,并采用左邻域的词重要性向量对语义特征进行施加权重系数,得到左邻域特征向量;采用右邻域词组语义提取单元对右邻域的词组向量提取语义特征,并采用右邻域的词重要性向量对语义特征进行施加权重系数,得到右邻域特征向量;采用全邻域词组语义提取单元对全邻域的词组向量提取语义特征,并采用全邻域的词重要性向量对语义特征进行施加权重系数,得到全邻域特征向量。

5.根据权利要求4所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述左邻域词组语义提取单元、右邻域词组语义提取单元和全邻域词组语义提取单元均包括:多个LSTM层、Concat层、权重施加层和BiLSTM层;

每个所述LSTM层中每个Cell单元处理一个词编码子向量中一个编码值,每个所述LSTM层的输入端用于输入一个词编码子向量,多个LSTM层输入的词编码子向量构成一个词组向量;所述Concat层的输入端分别与多个LSTM层的输出端连接,其输出端与权重施加层的输入端连接;所述BiLSTM层的输入端与权重施加层的输出端连接,其输出端作为左邻域词组语义提取单元、右邻域词组语义提取单元或全邻域词组语义提取单元的输出端。

6.根据权利要求5所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述权重施加层的表达式为:,其中,Rw为权重施加层的输出序列,R为Concat层的输出序列,W为词重要性向量,为按元素相乘。

7.根据权利要求1所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述S5中将左邻域特征向量、右邻域特征向量和全邻域特征向量进行两两匹配具体为:将左邻域特征向量与全邻域特征向量进行匹配,得到第一匹配向量;将左邻域特征向量与右邻域特征向量进行匹配,得到第二匹配向量,将全邻域特征向量与右邻域特征向量进行匹配,得到第三匹配向量;

所述S5中多路径评分单元包括:第一Sigmoid层、第二Sigmoid层、第三Sigmoid层和输出层;

所述第一Sigmoid层的输入端用于输入处理第一匹配向量;所述第二Sigmoid层的输入端用于输入处理第二匹配向量;所述第三Sigmoid层的输入端用于输入处理第三匹配向量;所述输出层的输入端分别与第一Sigmoid层的输出端、第二Sigmoid层的输出端和第三Sigmoid层的输出端连接,其输出端作为多路径评分单元的输出端。

8.根据权利要求7所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述第一Sigmoid层的表达式为:,所述第二Sigmoid层的表达式为:,所述第三Sigmoid层的表达式为:,其中,h1为第一Sigmoid层的输出,x1,n为第一匹配向量中第n个元素,ω1,n为x1,n的权重,b1,n为x1,n的偏置,h2为第二Sigmoid层的输出,x2,n为第二匹配向量中第n个元素,ω2,n为x2,n的权重,b2,n为x2,n的偏置,h3为第三Sigmoid层的输出,x3,n为第三匹配向量中第n个元素,ω3,n为x3,n的权重,b3,n为x3,n的偏置,e为自然常数,N为匹配向量的长度,n为元素的编号;

所述输出层的表达式为:,其中,y为输出层输出的中心处词的会计术语评分。

9.根据权利要求1所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述S6包括以下分步骤:S61、对待分析的多语言会计文本中每个词进行遍历,标注出会计术语评分高于阈值的词,得到候选词;

S62、对当前候选词的左侧邻域进行搜索,得到左侧潜在词集合;

S63、对当前候选词的右侧邻域进行搜索,得到右侧潜在词集合;

S64、将左侧潜在词集合、当前候选词、右侧潜在词集合进行拼接,得到拼接集合,在拼接集合中词的数量大于等于2时,该拼接集合为有效集合;

S65、从有效集合提取词性相同的连续词序列,得到一个会计术语。

10.根据权利要求9所述的基于神经网络的多语言会计术语自动识别方法,其特征在于,所述S62包括以下分步骤:S621、设置迭代参数m,m为正整数,m的初始值为1;

S622、判断当前候选词左侧邻域第m个位置处是否存在候选词,若是,进入步骤S623,若否,则左侧邻域遍历结束,进入步骤S624;

S623、将第m个位置处候选词标记为左侧潜在词,m的值增加1,并跳转至步骤S622;

S624、将所有左侧潜在词构成左侧潜在词集合,其中,在无左侧潜在词时,左侧潜在词集合为空集;

所述S63包括以下分步骤:

S631、设置迭代参数k,k为正整数,k的初始值为1;

S632、判断当前候选词右侧邻域第k个位置处是否存在候选词,若是,进入步骤S633,若否,则右侧邻域遍历结束,进入步骤S634;

S633、将第k个位置处候选词标记为右侧潜在词,k的值增加1,并跳转至步骤S632;

S634、将所有右侧潜在词构成右侧潜在词集合,其中,在无右侧潜在词时,右侧潜在词集合为空集。