本发明属于人工智能，具体为应用于人工智能的信息优化方法及服务器。
背景技术：
：：1、信息优化是指通过一系列策略和技术手段，对信息进行整理、分类、排序、过滤、去重等处理，以提高信息的可读性、可理解性和可用性，从而更好地满足用户的需求，信息优化的主要目的是提高用户体验和提升搜索引擎排名，通过信息优化，网站或应用程序可以提供清晰、简洁、易于理解的信息，使用户能够快速找到所需的信息并提高转化率，同时，信息优化也有助于提高搜索引擎排名，增加网站或应用程序的曝光率和流量，现如今在网页搜索页面进行信息的浏览与查询过程中，信息科技日益发达，由于网页信息的不及时更新，导致了在用户检索信息时，往往出现的信息还是旧的信息，导致用户无法第一时间了解到最新的信息情况，并且更新方式复杂不便，对此，我们提出了应用于人工智能的信息优化方法及服务器。技术实现思路1、针对现有技术的不足，本发明提供了应用于人工智能的信息优化方法及服务器，以解决以上技术问题。2、为实现上述目的，本发明提供如下技术方案：应用于人工智能的信息优化方法，优化步骤为：3、s1、建立出ai检索问答模块，用户通过ai检索问答模块进行信息的提取与ai智能对话；4、s2、智能对话的聊天记录会存储进云端服务器中，在云端服务器中建立出筛选模型，筛选模型采用朴素贝叶斯法进行筛选，将无用的聊天记录筛去，保留下有用的聊天记录；5、s3、将聊天记录信息进行关键词的提取，转存进云端服务器内；6、s4、建立特征匹配算法，将云端服务器内部的信息与聊天记录信息的关键词进行匹配，一致时，将聊天记录信息补充在信息内，对云端服务器内的信息进行不断实时优化更新；7、s5、信息匹配不一致时，将聊天记录信息筛去，不再进行保留；8、s6、在用户下次进行检索问答时，更新出最新优化信息。9、优先地，s1步骤中建立ai检索问答模块的步骤为：10、a1、对网络上的大数据信息进行收集整理，数据收集的渠道包括有网页渠道、媒体社交渠道与新闻渠道，存储在云端服务器中；11、a2、对收集到的信息进行去重处理，筛选掉重复的信息；12、a3、通过数据的特点，选择神经网络模型构建出框架，选择自然语言处理技术进行问题解析与答案生成；13、a4、对模型框架不断的训练优化，并对模型进行评估，保证模型的可靠性；14、a5、测试模型框架能否正常运行，进行数据的部署与调试；15、a2步骤中信息的去重处理步骤为将数据集拆分为小块，每个小块内包括有若干条的数据，对小块中的数据采用哈希函数进行计算，得到对应的哈希值，将哈希值存储在表格中，假设表格中已经存在有哈希值，则表明该数据存在，将重复数值筛去；16、哈希函数的公式为：17、h(m)＝h18、其中h(m)为数据m的哈希值，h为哈希函数输出值；19、a3步骤中神经网络模型构建：选择连接层、卷积层、池化层与激活函数对网络层数、每层神经元数量与激活函数确立；20、确立编译模型，对编译模型通过训练数据对模型进行训练，神经网络通过反向传播算法，自动调整权重与偏置，来最小化损失函数；21、对模型进行评估，计算模型的准确率与精度，通过增加层数，增加神经元数量来重新训练模型，将模型不断进行优化调整，来应用到具体环境中进行使用；22、自然语言处理技术包括通过将文本语言转换为机械处理格式，来进行交互处理，通过对语法的分析、句法的分析、语义的分析与文本的挖掘来提取，对问题通过调取数据库信息进行智能解答。23、优先地，s2步骤中朴素贝叶斯法公式为：24、p(ci，x)＝fr(ci)*p(ci)25、其中ci为类别，x为特征向量，fr(ci)为特征r下的下属类别ci的概率，26、p(ci)为特征向量ci出现的概率；27、筛选方法通过对数据进行预处理，将处理后的数据进行特征的提取，将数据内不同的特征提取出来，转换为小块类别，使用朴素贝叶斯法将小块类别内的数据进行计算，通过计算的结果进行筛选，将特征不明显或无用的特征除去，将特征明显的数据进行保存，其中特征提取的方法与s3步骤中关键词的提取步骤一致。28、优先地，数据的预处理包括对数据的清洗、数据去重与数据转换，其中数据的清洗步骤为数据分析通过对原始数据源数据进行分析，得出原始数据源中存在的数据问题，选择数据清洗算法，采用基于统计的方法进行数据的清洗，检测重复记录的算法，对两个数据集或者一个合并后的数据集进行检测，检查重复数据，将清洗后符合要求的数据回流到数据源；29、数据去重步骤将要进行去重的数据准备好，包括数据的来源、数据格式与数据质量情况，选择基于字典的字符串去重法，编写相应的去重程序，使用python编程语言编写程序，将编写好的去重程序运行，对数据进行去重处理，对去重后的数据进行验证，将去重后的数据输出。30、优先地，数据转换为通过将清洗与去重后的数据进行提取，确定数据转换的目标格式，通过转换代码，将数据转换为新的格式，并对转换后的数据进行测试，做出相对应的调整，并对转换过程进行记录；31、转换代码通过使用python的pandas库进行读取数据，将数据写入excel文件中；32、转换过程记录通过使用oracle形式来进行数据的记录；33、数据转换将数据的形式转换为文本词向量形式。34、优先地，s3步骤中关键词提取步骤通过将处理后的词向量进行计算，通过使用词频方式进行分析计算，得到词句文本中的重要性，根据词语的重要性来选取排名靠前的词语作为关键词，排名方式通过冒泡排序方式进行排名，并根据实际的应用场景，来对关键词进行优化，提升关键词的关联性；35、词频计算公式为：p＝s/a；36、其中p为词频，s为单词在文本中出现的频率，a为文本的总词数；37、公式用以计算单词出现的频率，在进行计算时，需要将文本分解成为单个的词条，使用上述公式进行计算；38、冒泡排序法通过将样本数据按照从大到小的顺序进行排序处理，编写所使用排序法代码，将数值代入代码中进行排序，得出排序结果；39、冒泡排序步骤为：比较相邻的元素，假设第一个比第二个大的话，则进行交换，对每个相邻元素做同样的工作，最后的元素为最大值。40、优先地，s4步骤中特征匹配算法建立步骤为通过对数据中的特征点空间分布，基本特征量，形状与结构特点进行提取，根据以上特征点，对数据的不同特征情况进行比较对比，来定位出特征之间的短暂匹配点，框定出有效的匹配点，去除不准确的匹配点，来最终得到实用的匹配结果，根据特征点设定一组数据的匹配特征符号为(1,2,1,1,1,2,2,1,2)，而另一组数据匹配特征符号为(1,2,2,1,1,2,1,2)，将特征符号进行对比，来判断此信息是否与云端服务器内的信息相匹配。41、优先地，s4步骤中对信息补充通过在旧信息的内容后面，补充进入筛选后的新信息，进行信息的优化更迭与存储，通过编写数据代码方式，在云端服务器内对信息进行自动扩充与补写。42、优先地，s5步骤中信息匹配不一致时，通过编写数据代码进行去除，使用select语句，使用select语句选择需要的数据，select*from table_name where condition进行去除。43、应用于人工智能的信息优化方法的服务器，服务器包括有：云端服务器与ai检索问答模块，云端服务器内部包括有筛选模型与特征匹配算法，筛选模型用以对无用聊天记录筛去，特征匹配算法用以对信息内的关键词进行匹配。44、与现有技术相比，本发明的有益效果如下：45、本发明通过ai问答的技术，将用户提出的问题通过从云端服务器调取出来，并能够通过与用户进行智能对答，来将对答的聊天记录进行存储，并提取到内部的关键词，与云端服务器内部的信息进行对比，并保留下最新的信息情况，作为云端服务器内信息的最新补充，能够通过与用户的智能对答，自动的摘要到信息的内部，作为补充部分，补充进入云端服务器内，信息优化快速，带来更好的使用前景。当前第1页12当前第1页12