一种基于突触标签理论的人工智能记忆时间窗口强化方法及系统与流程
本公开属于人工智能,更具体的,涉及一种基于突触标签理论的人工智能记忆时间窗口强化方法及系统。
背景技术:
1、在月末报表汇总场景中,现有的财务催报、领导修改和部门退回会连续触发标签,使得多个窗口反复强化同一批工作记录。这就导致重复通知和临时说明逐渐取得高重要性,记忆强度最终反映办公事件密度,而非文件价值。
2、因此,现有技术中标签触发次数直接参与记忆强化,多个窗口又对同一记忆反复施加强化,较难阻断事件密度向记忆强度的无界传递,进而难以维持文件内容价值与记忆强度之间的稳定关系。
技术实现思路
1、为解决现有技术中存在的不足,本发明的目的在于解决上述缺陷,进而提出一种基于突触标签理论的人工智能记忆时间窗口强化方法及系统。
2、本发明采用如下的技术方案。
3、本发明第一方面公开了一种基于突触标签理论的人工智能记忆时间窗口强化方法,所述方法包括:
4、获取时间连续的人工智能记忆流,并将所述人工智能记忆流中的多次内容状态变化封装为记忆单元,以构建时序记忆时间序列;
5、将所述时序记忆时间序列输入多元非线性霍克斯过程,并通过所述多元非线性霍克斯过程划分事件簇,以生成事件强度分解结果;
6、根据所述事件强度分解结果分离每个标签事件的外生触发成分与内生激发成分,以提取各标签事件对应的独立触发贡献,并将事件簇内各标签事件的分散窗口合并为簇级时间窗口;
7、基于所述独立触发贡献和簇级时间窗口,按照来源对所述记忆单元中的内容变化进行分配,以输出每个记忆单元对应的单次强化配额;
8、通过所述单次强化配额和事件簇标识对所述记忆单元的记忆强度进行更新,并同步生成强化履历,以将所述强化履历转化输出为记忆强度分布。
9、进一步的,所述获取时间连续的人工智能记忆流,并将所述人工智能记忆流中的多次内容状态变化封装为记忆单元,以构建时序记忆时间序列,包括:
10、对所述人工智能记忆流中的单次内容写入以及单次内容修改进行识别,并以所述单次内容写入或单次内容修改作为边界,将所述人工智能记忆流封装为多个记忆单元;
11、通过sentence-bert模型生成每个记忆单元对应的内容向量,并根据所述内容向量从所述记忆单元中识别标签事件,以按照时间顺序将所述标签事件排列为时序记忆时间序列。
12、进一步的,所述将所述时序记忆时间序列输入多元非线性霍克斯过程,并通过所述多元非线性霍克斯过程划分事件簇,以生成事件强度分解结果,包括:
13、通过所述多元非线性霍克斯过程表征所述时序记忆时间序列中标签事件之间的自激发和互激发,以确定同一标签事件在单位时间内的事件发生数量以及共享一次强化预算的连续标签事件集;
14、基于所述同一标签事件在单位时间内的事件发生数量以及共享一次强化预算的连续标签事件集,确定标签事件之间的激发关系,并根据所述激发关系划分事件簇,以生成所述事件强度分解结果。
15、进一步的,所述根据所述事件强度分解结果分离每个标签事件的外生触发成分与内生激发成分,以提取各标签事件对应的独立触发贡献,并将事件簇内各标签事件的分散窗口合并为簇级时间窗口,包括:
16、根据所述事件强度分解结果分离每个标签事件的外生触发成分与内生激发成分,并通过所述外生触发成分与内生激发成分确定各标签事件对应的独立触发贡献;
17、通过所述多元非线性霍克斯过程执行反事实分解,以确定标签事件的事件发生强度、历史激发项置零后的背景强度以及加入所述历史激发项后的条件发生强度。
18、进一步的,所述根据所述事件强度分解结果分离每个标签事件的外生触发成分与内生激发成分,以提取各标签事件对应的独立触发贡献,并将事件簇内各标签事件的分散窗口合并为簇级时间窗口,还包括:
19、按照事件簇对所述独立触发贡献、事件发生强度、背景强度以及条件发生强度进行汇集,以生成簇级有效触发量,并提取事件簇边界和所述多元非线性霍克斯过程的激发衰减状态;
20、根据所述事件簇边界和激发衰减状态确定每个事件簇对应的回溯区间和前瞻区间,并通过所述回溯区间和前瞻区间将所述分散窗口合并为簇级时间窗口。
21、进一步的,所述基于所述独立触发贡献和簇级时间窗口,按照来源对所述记忆单元中的内容变化进行分配,以输出每个记忆单元对应的单次强化配额,包括:
22、对所述簇级时间窗口内的事件簇设置事件簇标识和时间响应系数,并根据所述簇级有效触发量确定受限强化资源和内容贡献度;
23、对所述受限强化资源中来源相同的记忆单元对应的内容变化进行资源份额约束,按照所述时间响应系数和内容贡献度对所述记忆单元分配强化配额,以输出每个记忆单元对应的单次强化配额。
24、进一步的,所述通过所述单次强化配额和事件簇标识对所述记忆单元的记忆强度进行更新,并同步生成强化履历,以将所述强化履历转化输出为记忆强度分布,包括:
25、根据所述单次强化配额和事件簇标识对所述记忆单元的记忆强度进行更新,并同步记录事件簇标识、同源组标识、已执行配额和更新后记忆强度;
26、通过所述强化履历确定已执行强化配额总量,并将所述已执行强化配额总量反馈至多元非线性霍克斯过程,以输出所述记忆强度分布;
27、其中,所述强化履历包括所述事件簇标识、同源组标识、已执行配额和更新后记忆强度。
28、本发明第二方面公开了一种基于突触标签理论的人工智能记忆时间窗口强化系统,用于实现第一方面任一项所述的基于突触标签理论的人工智能记忆时间窗口强化方法,所述系统包括:
29、记忆序列构建模块,用于获取时间连续的人工智能记忆流,并将所述人工智能记忆流中的多次内容状态变化封装为记忆单元,以构建时序记忆时间序列;
30、事件簇划分模块,用于将所述时序记忆时间序列输入多元非线性霍克斯过程,并通过所述多元非线性霍克斯过程划分事件簇,以生成事件强度分解结果;
31、时间窗口合并模块,用于根据所述事件强度分解结果分离每个标签事件的外生触发成分与内生激发成分,以提取各标签事件对应的独立触发贡献,并将事件簇内各标签事件的分散窗口合并为簇级时间窗口;
32、内容变化分配模块,用于基于所述独立触发贡献和簇级时间窗口,按照来源对所述记忆单元中的内容变化进行分配,以输出每个记忆单元对应的单次强化配额;
33、记忆强度更新模块,用于通过所述单次强化配额和事件簇标识对所述记忆单元的记忆强度进行更新,并同步生成强化履历,以将所述强化履历转化输出为记忆强度分布。
34、本发明第三方面公开了一种终端,包括处理器及存储介质;
35、所述存储介质用于存储指令;
36、所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
37、本发明第四方面公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
38、本发明的有益效果在于,与现有技术相比,本发明具有以下优点:
39、(1)本发明主要应用于月末报表汇总任务中的人工智能记忆强化场景。处理对象包括等待报表记录、紧急汇总通知、报表退回记录及通知转发记录。多元非线性霍克斯过程刻画紧急汇总通知与报表退回记录之间的激发关系。独立触发贡献折减继发标签事件的强化份额。两个标签事件的分散窗口合并为簇级时间窗口。簇级有效触发量约束窗口内的强化配额总额。同源组内的顺序抑制项降低通知转发记录的强化份额,抑制同一通知转述引发的强化份额累积。簇内标签事件共用一份窗口边界及簇级有效触发量记录,减少报表汇总期间窗口参数的重复存储量。b+树时间索引支持簇级时间窗口内记忆单元的范围读取,减少窗口外记录的扫描与读取。事件簇标识与记忆单元标识共同约束强化履历的唯一性。同一事件簇对同一记忆单元的再次强化请求直接复用已登记结果,减少记忆强度的重复计算与数据重复写入。上述处理降低月末报表汇总过程中人工智能记忆强化的存储读写开销,提高窗口内记忆记录的定位效率和强化处理效率。
40、(2)本发明基于提取的独立触发贡献以及合并的簇级时间窗口,按照来源对记忆单元中的内容变化进行分配,以输出每个记忆单元对应的单次强化配额。最后,通过单次强化配额和事件簇标识对记忆单元的记忆强度进行更新,并同步生成强化履历,以将强化履历转化输出为记忆强度分布。针对高密度标签事件引发的重叠时间窗口累积增益失稳的技术问题,通过非线性霍克斯过程的饱和抑制、强化预算和单次执行约束,阻断了事件密度向记忆强度的无界传递,能够有效维持文件内容价值与记忆强度之间的稳定关系。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com