一种人机事故原因自动分析方法、系统及电子设备与流程

1.本发明属于文本分类技术领域，特别涉及一种人机事故原因自动分析方法、系统及电子设备。


背景技术：

2.人机协作是人与机器人在共享空间内能够自然交互、自主适应复杂动态环境并协作作业的制造新模式。因其高敏捷、高柔性等优势，人机协作已成为各国争相抢占的智能制造战略高地。而我国是制造业大国，近年来机器伤人事故频发且后果严重，对数以亿计从业人员的人身安全构成巨大威胁。究其原因是复杂生产作业环境中多种混合不确定因素共同作用的结果，缺乏对人机协作事故原因的深入分析，难以实现人机协作风险控制决策，已成为制约人机高效共融进一步发展的瓶颈。因此，迫切需要采取合适的手段来实现对于人机协作事故原因的自动分析以预防后续类似事故的发生。
3.但现有方法多采用基于专家经验的人工方法来从非结构化的安全分析报告、法规标准等安全分析原始语料中抽取语义关系，构建规范化的安全知识库。存在受专家主观因素影响、效率低下且准确率有限的局限，难以应对人机协作大规模应用带来事故风险增加。


技术实现要素：

4.本发明解决的技术问题是：克服现有技术的不足，提供了一种人机事故原因自动分析方法、系统及电子设备，能快速对导致人机协作事故的原因进行自动分类，摆脱对于行业专家主观经验的依赖，为相关事故的预防和政策的出台提供决策依据。
5.本发明的技术解决方案是：
6.一种人机协作事故原因自动分析方法，包括以下步骤：
7.1)构建词嵌入模型和门控循环单元网络，所述词嵌入模型对输入的文本数据的词向量进行提取；所述门控循环单元网络根据输入的词向量对文本数据的文本特征进行提取和分类；
8.2)设置人机协作事故报告结构化模板；
9.3)获取历史发生的人机协作事故报告集合，并对各人机协作事故报告的事故原因进行标注；在此基础上根据人机协作事故报告结构化模板生成历史人机协作事故报告结构化文本数据集；
10.4)使用历史人机协作事故报告结构化文本数据集对词嵌入模型进行训练，得到人机协作词嵌入模型，所述人机协作词嵌入模型能够提取人机协作事故报告结构化文本数据的词向量；
11.5)使用所述人机协作词嵌入模型提取历史人机协作事故报告结构化文本数据集中各文本数据的词向量，对所述门控循环单元网络进行训练，得到人机协作事故原因分类模型，所述人机协作事故原因分类模型根据人机协作事故报告的词向量提取文本特征，再将提取的文本特征与标注的事故原因进行耦合，输出文本特征对应的事故原因；
12.6)获取待分析的人机协作事故报告，根据人机协作事故报告结构化模板生成其结构化文本数据，采用词嵌入模型提取词向量并输入人机协作事故原因分类模型中，获取待分析的人机协作事故报告对应的事故原因。
13.优选的，所述步骤5)中，对所述门控循环单元网络进行训练，具体包括以下步骤：
14.11)基于从历史人机协作事故报告结构化文本数据中提取的词向量，采用初始化的超参数开展门控循环单元网络参数的初始训练；
15.12)计算初始训练下门控循环单元网络的输出结果与标注的人机协作事故报告的事故原因之间的交叉熵作为差异损失，当差异损失小于阈值时，完成门控循环单元网络的训练；当差异损失大于阈值时，进入步骤13)；
16.13)采用共生生物搜索算法对初始化的超参数进行更新，重复步骤11)、12)，直至差异损失小于阈值，完成门控循环单元网络的训练。
17.优选的，所述超参数至少包括门控循环单元网络的学习率，随机失活比例，递归失活比例和批大小。
18.优选的，所述步骤1)中，词嵌入模型通过在大规模语料数据集上的预训练构建。
19.一种人机协作事故原因自动分析系统，包括：
20.训练模块：构建词嵌入模型和门控循环单元网络，所述词嵌入模型对输入的文本数据的词向量进行提取；所述门控循环单元网络根据输入的词向量对文本数据的文本特征进行提取和分类；
21.设置人机协作事故报告结构化模板；获取历史发生的人机协作事故报告集合，并对各人机协作事故报告的事故原因进行标注；在此基础上根据人机协作事故报告结构化模板生成历史人机协作事故报告结构化文本数据集；
22.使用历史人机协作事故报告结构化文本数据集对词嵌入模型进行训练，得到人机协作词嵌入模型，所述人机协作词嵌入模型能够提取人机协作事故报告结构化文本数据的词向量；
23.使用所述人机协作词嵌入模型提取历史人机协作事故报告结构化文本数据集中各文本数据的词向量，对所述门控循环单元网络进行训练，得到人机协作事故原因分类模型，所述人机协作事故原因分类模型根据人机协作事故报告的词向量提取文本特征，再将提取的文本特征与标注的事故原因进行耦合，输出文本特征对应的事故原因；
24.文本输入模块：输入待分析的人机协作事故报告，根据人机协作事故报告结构化模板生成其结构化文本数据，输入至词嵌入模块；
25.词嵌入模块：采用人机协作词嵌入模型对输入的结构化文本数据的词向量进行提取，输入至分类模块；
26.分类模块：采用人机协作事故原因分类模型对输入结构化文本数据的词向量进行分析，输出待分析的人机协作事故报告对应的事故原因
27.优选的，所述训练模块对所述门控循环单元网络进行训练，具体包括以下步骤：
28.21)基于历史人机协作事故报告结构化文本数据提取的词向量，采用初始化的超参数开展门控循环单元网络参数的初始训练；
29.22)计算初始训练下门控循环单元网络的输出结果与标注的人机协作事故报告的事故原因之间的交叉熵作为差异损失，当差异损失小于阈值时，完成门控循环单元网络的
训练；当差异损失大于阈值时，进入步骤23)；
30.23)采用共生生物搜索算法对初始化的超参数进行更新，重复步骤21)、22)，直至差异损失小于阈值，完成门控循环单元网络的训练。
31.优选的，所述超参数至少包括门控循环单元网络的学习率，随机失活比例，递归失活比例和批大小。
32.优选的，所述训练模块的词嵌入模型通过在大规模语料数据集上的预训练构建。
33.一种人机协作事故原因自动分析电子设备，包括存储器及处理器：
34.所述存储器用于存储一条或多条计算机指令；
35.所述处理器用于执行所述一条或多条计算机指令，以用于：
36.通过在大规模语料数据集上预训练构建词嵌入模型和门控循环单元网络，所述词嵌入模型对输入的文本数据的词向量进行提取；所述门控循环单元网络根据输入的词向量对文本数据的文本特征进行提取和分类；
37.设置人机协作事故报告结构化模板；获取历史发生的人机协作事故报告集合，并对各人机协作事故报告的事故原因进行标注；在此基础上根据人机协作事故报告结构化模板生成历史人机协作事故报告结构化文本数据集；
38.使用历史人机协作事故报告结构化文本数据集对词嵌入模型进行训练，得到人机协作词嵌入模型，所述人机协作词嵌入模型能够提取人机协作事故报告结构化文本数据的词向量；
39.使用所述人机协作词嵌入模型提取历史人机协作事故报告结构化文本数据集中各文本数据的词向量，对所述门控循环单元网络进行训练，得到人机协作事故原因分类模型，所述人机协作事故原因分类模型根据人机协作事故报告的词向量提取文本特征，再将提取的文本特征与标注的事故原因进行耦合，输出文本特征对应的事故原因；
40.输入待分析的人机协作事故报告，根据人机协作事故报告结构化模板生成其结构化文本数据，输入至词嵌入模块；
41.采用人机协作词嵌入模型对输入的结构化文本数据的词向量进行提取，输入至分类模块；
42.采用人机协作事故原因分类模型对输入的词向量进行分析，输出待分析的人机协作事故报告对应的事故原因。
43.优选的，所述处理器对所述门控循环单元网络进行训练，具体包括以下步骤：
44.31)基于历史人机协作事故报告结构化文本数据提取的词向量，采用初始化的超参数开展门控循环单元网络参数的初始训练；所述超参数至少包括门控循环单元网络的学习率，随机失活比例，递归失活比例和批大小；
45.32)计算初始训练下门控循环单元网络的输出结果与标注的人机协作事故报告的事故原因之间的交叉熵作为差异损失，当差异损失小于阈值时，完成门控循环单元网络的训练；当差异损失大于阈值时，进入步骤33)；
46.33)采用共生生物搜索算法对初始化的超参数进行更新，重复步骤31)、32)，直至差异损失小于阈值，完成门控循环单元网络的训练。
47.本发明与现有技术相比的优点在于：
48.(1)本发明人机协作事故原因自动分析方法及系统、装置与存储介质通过混合监
督学习的方式，可以通过在现有大规模数据集预训练进而迁移的词嵌入方法，避免了对于大量训练文本数据的需求，成本低廉，易于在实际生产场景中使用；
49.(2)本发明采用混合监督学习的方式构建门控循环单元网络，基于共生生物搜索的元学习算法确定最优网络超参数，实现有效挖掘文本数据的上下文关联信息，自动判别准确率高，摆脱了对于行业专家主观经验的依赖，可拓展性强。
附图说明
50.图1是本发明实施例提供的第一种人机协作事故原因自动分析方法的流程示意图；
51.图2是本发明门控循环单元结构示意图；
52.图3是本发明实施例提供的第二种人机协作事故原因自动分析方法的流程示意图；
53.图4是本发明实施例提供的第三种人机协作事故原因自动分析方法流程示意图；
54.图5是本发明实施例提供的第一种人机协作事故原因自动分析系统的结构框图；
55.图6是本发明实施例提供的第二种人机协作事故原因自动分析系统的结构框图；
56.图7是本发明实施例提供的一种人机协作事故原因自动分析电子设备的内部结构框图。
具体实施方式
57.下面通过对本发明进行详细说明,本发明的特点和优点将随着这些说明而变得更为清楚、明确。
58.如图1是本发明实施例提供的第一种人机协作事故原因自动分析方法的流程示意图，如图1所示，该基于混合监督学习的人机协作事故原因自动分析方法，包括步骤s110-步骤s130，具体如下：
59.步骤s110、获取拍摄人机协作事故的事故报告，具体地，收集已经公开发布的人机协作事故报告和报告中标明的导致该事故发生的调查结果。
60.步骤s120、基于词嵌入模型提取文本特征，具体包括如下步骤：
61.步骤s121、使用采集到的人机协作事故报告文本数据集对词嵌入模型进行训练，本实施例中选用在轻量化的skip-gram模型作为词嵌入模型；
62.步骤s122、将采集的人机协作事故报告文本数据输入到skip-gram模型中，得到文本的高维文本特征向量。
63.步骤s130、在混合监督学习框架下结合门控循环单元，实现事故致因分类。
64.所述步骤s130的方法，具体包括如下步骤：
65.步骤s131、基于步骤s110构建的人机协作事故报告文本数据集，采用初始化的超参数指导门控循环单元网络完成网络参数的初始训练；
66.具体地，将门控循环单元的学习率，随机失活比例，递归失活比例和批大小作为模型的超参数，上述超参数可以通过元启发学习的方式进行更新；
67.步骤s132、计算初始训练下门控循环单元网络与人工标注标签的差异损失，以交叉熵作为两者直接差异损失的评价指标；
68.步骤s133、判断是否启动元启发学习更新门控循环单元模型的超参数；
69.具体地，如果步骤s132中的差异损失值大于一定阈值，则启动元启发学习，若小于预设的阈值则认为门控循环单元网络可以满足需求。
70.步骤s134、若启动元启发学习，采用共生生物搜索的算法更新门控循环单元模型的超参数，重复步骤s131-s133，直到差异损失值小于预设的阈值。
71.具体讲，所述门控循环单元结构如图2所示，由更新门和重置门组成，在任意时间步t，我们首先需要使用以下公式计算更新门z
t
：
72.z
t
＝σ(w
(z)
x
t
+u
(z)ht-1
)
73.其中x
t
为第t个时间步的输入向量，即输入序列x的第t个分量，它会经过一个线性变换(与权重矩阵w
(z)
相乘)。h
t-1
保存的是前一个时间步t-1的信息，它同样也会经过一个线性变换。更新门将这两部分信息相加并投入到sigmoid激活函数中，因此将激活结果压缩到0到1之间。
74.而重置门主要决定了到底有多少过去的信息需要遗忘，可以使用以下表达式计算：
75.r
t
＝σ(w
(r)
x
t
+u
(r)ht-1
)
76.该表达式与更新门的表达式是一样的，只不过线性变换的参数和用处存在差异。在重置门的使用中，新的记忆内容将使用重置门储存过去相关的信息，它的计算表达式为：
77.h
′
t
＝tanh(wx
t
+r
t
⊙
uh
t-1
)
78.输入x
t
与上一时间步信息h
t-1
先经过一个线性变换，即分别右乘矩阵w和u。计算重置门r
t
与uh
t-1
的hadamard乘积，即r
t
与uh
t-1
的对应元素乘积。因为前面计算的重置门是一个由0到1组成的向量，它会衡量门控开启的大小。例如某个元素对应的门控值为0，那么它就代表这个元素的信息完全被遗忘掉。该hadamard乘积将确定所要保留与遗忘的以前信息。在最后一步，网络需要计算h
t
，该向量将保留当前单元的信息并传递到下一个单元中。在这个过程中，需要使用更新门，它决定了当前记忆内容h
′
t
和前一时间步h
t-1
中需要收集的信息是什么。这一过程可以表示为：
79.h
t
＝z
t
⊙ht-1
+(1-z
t
)
⊙h′
t
80.z
t
为更新门的激活结果，它同样以门控的形式控制了信息的流入。z
t
与h
t-1
的hadamard乘积表示前一时间步保留到最终记忆的信息，该信息加上当前记忆保留至最终记忆的信息就等于最终门控循环单元输出的内容。
81.进一步，所述共生生物搜索算法具有控制参数少、操作简单、容易实现、稳定性好且优化能力强的特点。其包含互利阶段、共栖阶段和寄生阶段。
82.个体xi被认为是生态系统的第i个成员。另一个体xj从生态系统中随机选择以用来和xi交互。在生态系统中，两个个体都保持着交互关系。xi和xj在交互后的更新公式分别由表示如下：
[0083][0084][0085]
其中互利向量r
mv
的表达式如下所示:
[0086]rmv
＝(xi+xj)/2
[0087]
式中，r
mv
代表了xi和xj的交互关系；rand(0，1)是[0，1]间的随机数；x
best
为最优个体；b
f1
和b
f2
为利益因子，代表着个体从相互关系中获得的利益水平。b
f1
和b
f2
的值可以随机选择为1或2，表示可能得到部分受益或完全受益。
[0088]
共栖阶段指从生态系统中随机选择一个单独的xi和xj交互，这种交互使得xi受益，而xj既不受益也不受到伤害。由这种相互作用产生的新个体则用下式所描述：
[0089][0090]
其中，x
best-xj表示xj对xi提供的好处，即xj帮助xi提高对生态系统的适应程度。最终，在寄生阶段，从生态系统中选取xi作为寄生向量，利用随机向量对自身进行复制和修改，生成变异载体r
pv
如果变异载体比宿主xi具有更好的适应值，它可能会破坏宿主并将其替代，若相反则说明宿主对变异载体具有免疫性从而被保留下来，变异载体被淘汰，具体如下所示：
[0091]rpv
＝xi[0092]rpv
(pick)＝rand(1，length(pick))*(ub(pick)-lb(pick))+lb(pick)
[0093]
本发明实施例提供的第二种基于混合监督学习的人机协作事故原因自动分析方法的流程示意图，如图3所示，所述步骤s130前，还包括：
[0094]
步骤s100、对词嵌入模型和门控循环单元进行预训练，以使词嵌入模型可以完成文本特征的高维映射，使门控循环单元具备文本序列的特征耦合能力。
[0095]
具体地，在其中一个实施例中，所述步骤s100、通过大规模语料数据集对词嵌入模型进行预训练，本实施例中选用在中文维基语料数据集上预训练的中文bert模型作为词嵌入模型。
[0096]
图4是本发明实施例提供的第三种基于混合监督学习的人机协作事故原因自动分析方法的具体流程示意图，为了更加清晰本发明的技术方案，下面再阐述优选实施例。
[0097]
步骤s105、对词嵌入模型和门控循环单元进行预训练；
[0098]
步骤s101、设置人机协作事故报告结构化模板；
[0099]
步骤s102、采集人机协作事故报告的结构化文本数据；
[0100]
步骤s103、由行业专家根据结构化的文本数据对导致事故发生的原因进行分类标注；
[0101]
步骤s104、将采集到的人机协作事故报告文本数据与对应的人工标注的类别标签耦合，获得构建词嵌入模型和门控循环单元的训练集；
[0102]
步骤s110、获取人机协作事故的事故报告；
[0103]
步骤s120、基于词嵌入模型提取文本特征；
[0104]
步骤s130、在混合监督学习框架下结合门控循环单元，实现事故致因分类。
[0105]
本实施例提供的基于混合监督学习的人机协作事故原因自动分析方法通过基于混合监督学习的人机协作事故原因自动分析方法及系统、装置与存储介质通过混合监督学习的方式，可以利用现有词嵌入方法，避免了对于大量训练文本数据的需求，成本低廉，易于在实际生产场景中使用；同时，采用混合监督学习的方式构建门控循环单元网络，可以有效挖掘文本数据的上下文关联信息，自动判别准确率高，摆脱了对于行业专家主观经验的依赖，可拓展性强。
[0106]
图5是本发明实施例提供的第一种基于混合监督学习的人机协作事故原因自动分
析系统的结构框图，如图5所示，对应于上述基于混合监督学习的人机协作事故原因自动分析方法，本发明还提供一种基于混合监督学习的人机协作事故原因自动分析系统，该基于混合监督学习的人机协作事故原因自动分析系统包括用于执行上述基于混合监督学习的人机协作事故原因自动分析方法的模块，该系统可以被配置于计算机设备等终端，应用本发明基于混合监督学习的人机协作事故原因自动分析系统，通过混合监督学习的方式，可以利用现有词嵌入方法，避免了对于大量训练文本数据的需求，成本低廉，易于在实际生产场景中使用；同时，采用混合监督学习的方式构建门控循环单元网络，可以有效挖掘文本数据的上下文关联信息，自动判别准确率高，摆脱了对于行业专家主观经验的依赖，可拓展性强。
[0107]
具体地，如图5所示，该基于混合监督学习的人机协作事故原因自动分析系统包括文本输入模块、词嵌入模块及门控循环单元模块。
[0108]
文本输入模块，用于获取人机协作事故的事故报告；
[0109]
词嵌入模块，用于将获取的文本映射到高维向量空间，获取文本数据的特征向量；
[0110]
门控循环单元模块，用于处理文本特征序列，实现对文本特征沿序列顺序的耦合，并最终输入对应类别的概率。
[0111]
在一个实施例中，所述词嵌入模块具体用于：
[0112]
步骤s121、使用采集到的人机协作事故报告文本数据集对词嵌入模型进行训练，本实施例中选用在轻量化的skip-gram模型作为词嵌入模型；
[0113]
步骤s122、将采集的人机协作事故报告文本数据输入到skip-gram模型中，得到文本的高维文本特征向量。
[0114]
在一个实施例中，所述门控循环单元模块具体用于：
[0115]
步骤s131、基于步骤s110构建的人机协作事故报告文本数据集，采用初始化的超参数指导门控循环单元网络完成网络参数的初始训练；
[0116]
具体地，将门控循环单元的学习率，随机失活比例，递归失活比例和批大小作为模型的超参数，上述超参数可以通过元启发学习的方式进行更新；
[0117]
步骤s132、计算初始训练下门控循环单元网络与人工标注标签的差异损失，以交叉熵作为两者直接差异损失的评价指标；
[0118]
步骤s133、判断是否启动元启发学习更新门控循环单元模型的超参数；
[0119]
具体地，如果步骤s132中的差异损失值大于一定阈值，则启动元启发学习，若小于预设的阈值则认为门控循环单元网络可以满足需求。
[0120]
步骤s134、若启动元启发学习，采用共生生物搜索的算法更新门控循环单元模型的超参数，重复步骤s131-s133，直到差异损失值小于预设的阈值。
[0121]
图6是本发明实施例提供的第二种基于混合监督学习的人机协作事故原因自动分析系统的结构框图。如图6所示，本实施例提供的基于混合监督学习的人机协作事故原因自动分析系统是在上述基于混合监督学习的人机协作事故原因自动分析系统的基础上增加了训练模块。
[0122]
训练模块，用于对词嵌入模型和门控循环单元进行训练，以使词嵌入模型可以完成文本特征的高维映射，使门控循环单元具备文本序列的特征耦合能力。
[0123]
本实施例提供的基于混合监督学习的人机协作事故原因自动分析系统通过基于
混合监督学习的人机协作事故原因自动分析方法及系统、装置与存储介质通过混合监督学习的方式，可以利用现有词嵌入方法，避免了对于大量训练文本数据的需求，成本低廉，易于在实际生产场景中使用；同时，采用混合监督学习的方式构建门控循环单元网络，可以有效挖掘文本数据的上下文关联信息，自动判别准确率高，摆脱了对于行业专家主观经验的依赖，可拓展性强。
[0124]
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于混合监督学习的人机协作事故原因自动分析系统和各模块的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
[0125]
图7是本发明实施例提供的一种基于混合监督学习的人机协作事故原因自动分析电子设备的内部结构框图，如图7所示，本发明提供的装置包括通过系统总线连接的通过系统总线连接的存储器及处理器；所述存储器上存储有计算机程序，所述处理器用于提供计算和控制能力，以支撑整个装置的运行，所述处理器执行所述计算机程序时实现上述的一种人机协作事故原因自动分析方法。
[0126]
存储器可以包括非易失性存储介质和内存储器，该非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于混合监督学习的人机协作事故原因自动分析方法。
[0127]
该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于混合监督学习的人机协作事故原因自动分析方法。本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其他的装置的限定，具体的装置可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0128]
在一个实施例中，本技术提供的基于混合监督学习的人机协作事故原因自动分析方法可实现为一种计算机程序的方式，计算机程序可以在如图7所示的电子设备上运行。装置的存储器中可存储组成该基于混合监督学习的人机协作事故原因自动分析系统的各个程序模块，比如，图5所示的文本输入模块、词嵌入模块及门控循环单元模块。各个程序模块构成的计算机程序使得处理器执行本说明中描述的本技术各个实施例的基于混合监督学习的人机协作事故原因自动分析系统的步骤。例如，图7所示的电子设备可以通过如图5所示的基于混合监督学习的人机协作事故原因自动分析系统中的文本输入模块获取人机协作事故的事故报告；词嵌入模块将获取的文本映射到高维向量空间，获取文本数据的特征向量；门控循环单元模块处理文本特征序列，实现对文本特征沿序列顺序的耦合，并最终输入对应类别的概率。
[0129]
在一个实施例中，提出了一种电子设备，包括存储器和处理器，所述存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
[0130]
步骤s110、获取人机协作事故的事故报告；
[0131]
步骤s120、基于词嵌入模型提取文本特征；
[0132]
步骤s130、在混合监督学习框架下结合门控循环单元，实现事故致因分类。
[0133]
在一个实施例中，所述处理器在执行所述步骤s120、基于词嵌入模型提取文本特征时，具体执行如下步骤：步骤s121、使用采集到的人机协作事故报告文本数据集对词嵌入
模型进行训练，本实施例中选用在轻量化的skip-gram模型作为词嵌入模型；步骤s122、将采集的人机协作事故报告文本数据输入到skip-gram模型中，得到文本的高维文本特征向量。
[0134]
在一个实施例中，所述处理器在执行所述步骤s100、通过大规模语料数据集对词嵌入模型进行预训练时，具体执行如下步骤：步骤s101、设置人机协作事故报告结构化模板；步骤s102、采集人机协作事故报告的结构化文本数据；步骤s103、由行业专家根据结构化的文本数据对导致事故发生的原因进行分类标注；步骤s104、将采集到的人机协作事故报告文本数据与对应的人工标注的类别标签耦合，获得构建词嵌入模型和门控循环单元的训练集；步骤s105、对词嵌入模型和门控循环单元进行预训练。
[0135]
具体讲，所述结构化模板包括事故简况、原因分析、事故致因分类、处理情况以及事故教训。
[0136]
应当理解，在本技术实施例中，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0137]
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
[0138]
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：步骤s110、获取人机协作事故的事故报告；步骤s120、基于词嵌入模型提取文本特征；步骤s130、在混合监督学习框架下结合门控循环单元，实现事故致因分类。
[0139]
在一个实施例中，所述处理器在执行程序指令而实现基于混合监督学习的人机协作事故原因自动分析方法还实现如下步骤：步骤s100、对词嵌入模型和门控循环单元进行预训练。
[0140]
所述存储介质可以是u盘、移动硬盘、只读存储器(read-only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
[0141]
综上所述，本发明一种人机协作事故原因自动分析方法及系统、装置及存储介质通过基于混合监督学习的人机协作事故原因自动分析方法及系统、装置与存储介质通过混合监督学习的方式，可以利用现有词嵌入方法，避免了对于大量训练文本数据的需求，成本低廉，易于在实际生产场景中使用；同时，采用混合监督学习的方式构建门控循环单元网络，可以有效挖掘文本数据的上下文关联信息，自动判别准确率高，摆脱了对于行业专家主观经验的依赖，可拓展性强。
[0142]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件
和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0143]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0144]
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台装置(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0145]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
[0146]
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。