智慧无人图书馆管理系统及其方法

本申请涉及智能管理领域，且更为具体地，涉及一种智慧无人图书馆管理系统及其方法。

背景技术：

1、智慧无人图书馆是一款图书阅读软件。该系统为广大用户提供了大量的图书资源，可以在线阅读书籍、借阅书籍等。同时，每本书籍可以查看并进行评论。用户也可依据图书分类的不同，选择自己所感兴趣的图书类别进行阅读和借阅。

2、但由于现有技术中，图书分类通常依赖于人工定义的分类体系和专业人员的主观判断。这导致分类结果可能存在主观偏见和个人喜好的影响，无法全面准确地反映图书的内容和特点。而且依赖专业人员进行分类和标注，需要耗费大量的人力和时间成本。这限制了app平台在大规模图书分类和更新上的效率和速度。

3、因此，期待一种优化的智慧无人图书馆管理方案。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智慧无人图书馆管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取图书的书名和简介，通过词嵌入层转化为词嵌入向量序列后通过时序关联特征提取器捕捉到词语之间的上下文时序关系，再通过双向注意力卷积网络更好地理解特征之间的关系和依赖性，以得到用于表示图书的类型标签的分类结果。这样可以实现快速、准确的图书分类，减少人工分类的工作量和时间成本。

2、根据本申请的一个方面，提供了一种智慧无人图书馆管理系统，其包括：

3、图书资料获取模块，用于获取图书的书名和简介；

4、词嵌入模块，用于将所述图书的书名和简介通过词嵌入层以得到图书简介语义理解词嵌入向量的序列；

5、图书上下文编码模块，用于将所述图书简介语义理解词嵌入向量的序列通过基于转换器的时序关联特征提取器以得到多个上下文图书简介语义理解特征向量；

6、向量排列模块，用于将所述多个上下文图书简介语义理解特征向量排列为图书简介语义理解特征矩阵；

7、双向注意力提取模块，用于将所述图书简介语义理解特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；

8、优化特征模块，用于对所述分类特征矩阵进行先验化匹配以得到优化分类特征矩阵；

9、图书分类模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示图书的类型标签。

10、在上述智慧无人图书馆管理系统中，所述词嵌入模块，包括：分词单元，用于对所述图书的书名和简介进行分词处理以将所述图书的书名和简介转化为由多个词组成的词序列；以及，嵌入单元，用于使用所述词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到图书简介语义理解词嵌入向量的序列。

11、在上述智慧无人图书馆管理系统中，所述图书上下文编码模块，包括：排列单元，用于将所述图书简介语义理解词嵌入向量的序列进行一维排列以得到全局特征向量；自注意单元，用于计算所述全局特征向量与所述词嵌入向量的序列中各个向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，加权单元，用于分别以所述多个概率值中各个概率值作为权重对所述图书简介语义理解词嵌入向量的序列中各个向量进行加权以得到所述多个上下文图书简介语义理解特征向量。

12、在上述智慧无人图书馆管理系统中，所述双向注意力提取模块，包括:池化单元，用于将所述图书简介语义理解特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入sigmoid激活函数以得到双向关联权重矩阵；以及，权重施加单元，用于计算所述双向关联权重矩阵和所述图书简介语义理解特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

13、在上述智慧无人图书馆管理系统中，所述图书分类模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

14、根据本申请的另一方面，提供了一种智慧无人图书馆管理方法，其包括：

15、获取图书的书名和简介；

16、将所述图书的书名和简介通过词嵌入层以得到图书简介语义理解词嵌入向量的序列；

17、将所述图书简介语义理解词嵌入向量的序列通过基于转换器的时序关联特征提取器以得到多个上下文图书简介语义理解特征向量；

18、将所述多个上下文图书简介语义理解特征向量排列为图书简介语义理解特征矩阵；

19、将所述图书简介语义理解特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；

20、对所述分类特征矩阵进行先验化匹配以得到优化分类特征矩阵；

21、将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示图书的类型标签。

22、与现有技术相比，本申请提供的一种智慧无人图书馆管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取图书的书名和简介，通过词嵌入层转化为词嵌入向量序列后通过时序关联特征提取器捕捉到词语之间的上下文时序关系，再通过双向注意力卷积网络更好地理解特征之间的关系和依赖性，以得到用于表示图书的类型标签的分类结果。这样可以实现快速、准确的图书分类，减少人工分类的工作量和时间成本。

技术特征：

1.一种智慧无人图书馆管理系统，其特征在于，包括：

2.根据权利要求1所述的智慧无人图书馆管理系统，其特征在于，所述词嵌入模块，包括：

3.根据权利要求2所述的智慧无人图书馆管理系统，其特征在于，所述图书上下文编码模块，包括：

4.根据权利要求3所述的智慧无人图书馆管理系统，其特征在于，所述双向注意力提取模块，包括:

5.根据权利要求4所述的智慧无人图书馆管理系统，其特征在于，所述优化特征模块，包括：

6.根据权利要求5所述的智慧无人图书馆管理系统，其特征在于，所述图书分类模块，包括：

7.一种智慧无人图书馆管理方法，其特征在于，包括：

8.根据权利要求7所述的智慧无人图书馆管理方法，其特征在于，将所述图书的书名和简介通过词嵌入层以得到图书简介语义理解词嵌入向量的序列，包括：

9.根据权利要求8所述的智慧无人图书馆管理方法，其特征在于，将所述图书简介语义理解词嵌入向量的序列通过基于转换器的时序关联特征提取器以得到多个上下文图书简介语义理解特征向量，包括：

10.根据权利要求9所述的智慧无人图书馆管理方法，其特征在于，将所述图书简介语义理解特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩，包括：

技术总结
本申请涉及智能管理领域，其具体地公开了一种智慧无人图书馆管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取图书的书名和简介，通过词嵌入层转化为词嵌入向量序列后通过时序关联特征提取器捕捉到词语之间的上下文时序关系，再通过双向注意力卷积网络更好地理解特征之间的关系和依赖性，以得到用于表示图书的类型标签的分类结果。这样可以实现快速、准确的图书分类，减少人工分类的工作量和时间成本。

技术研发人员：刘明福,李爱兰
受保护的技术使用者：莱芜职业技术学院
技术研发日：
技术公布日：2024/1/15