映射关系匹配方法和装置以及计算机可读介质

技术领域

本发明涉及映射关系匹配方法，尤其涉及一种基于人工智能的映射关系匹配方法。另外，还涉及应用该匹配方法的电子装置和计算机可读介质。

背景技术

在传统的程序开发技术中，会涉及到数据处理和管理。数据处理是对数据的采集、存储、检索、加工、变换和传输。数据是对事实、概念或指令的一种表达形式，可由人工或自动化装置进行处理。

数据的形式可以是数字、文字、图形或声音等。数据经过解释并赋予一定的意义之后，便成为信息。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。

数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度，极大地影响着人类社会发展的进程。

数据管理是利用计算机硬件和软件技术对数据进行有效的收集、存储、处理和应用的过程。其目的在于充分有效地发挥数据的作用。实现数据有效管理的关键是数据组织。随着计算机技术的发展，数据管理经历了人工管理、文件系统、数据库系统三个发展阶段。

当面对不同业务系统，不同组件模块，不同的程序前后台之间需要做大量信息交换转移，而字段需要通过人工方式筛选匹配，工作繁重，出错率高。不同系统中字段定义规则不统一，定义方式花样繁多，传统的映射关系匹配方式只能严格匹配名称或者固定转换方式(如：大小写转换)后匹配，没有太多实用价值，基本上采用人工方式。

传统的映射关系匹配是基于计算机程序对字符串的转换处理后判断是否一致来做的，程序都是直接运行，而且没有训练过程。最常见的映射关系匹配方法步骤例如是通过统一大小写来统一命名规范，例如，全部转换为小驼峰式。骆峰式命名法(Camel-Case)是电脑程式编写时的一套命名规则(惯例)。骆峰式命名法就是当变量名或函式名是由一个或多个单字连结在一起，而构成的唯一识别字时，第一个单词以小写字母开始；第二个单词的首字母大写或每一个单词的首字母都采用大写字母。

小驼峰法

变量一般用小驼峰法标识。驼峰法的意思是：除第一个单词之外，其他单词首字母大写。譬如int studentCount＝0。变量myStudentCount第一个单词是全部小写，后面的单词首字母大写。

大驼峰法

相比小驼峰法，大驼峰法把第一个单词的首字母也大写了。常用于类名，函数名，属性，命名空间。譬如public class StudentInfomation。

就映射关系匹配方法而言，例如：

数据库命名为MY_TABLE_ID

Java程序命名为MyTableId

Json格式为my-table-id

经过统一大小写来统一命名规范后，例如统一为小驼峰的方式，则，结果为：

myTableId；

此时，如果严格匹配一致，则认为以上不同格式的字符串之间的映射关系建立。

然而，在程序系统的使用上，存在设计原则、命名规范、或者开发人员风格都不同的各种情况。如果想将上述例子中的myTableId映射到id，则需要人工判断并建立映射关系才能进行映射，而无法通过程序自动完成以实现以下映射：

myTableid--对应--id。

在这种情况下，就会遇到系统间字段数目众多并且建立映射关系人工完成工作繁重且机械枯燥的问题。同时，还会导致人工匹配出错率高，并且匹配数量巨大时带来的定位成本陡增的负面效果。

发明内容

有鉴于此，需要一种新型的映射关系匹配方法。

为实现上述目的，根据本发明实施例的一个方面，提供了一种基于人工智能的映射关系匹配方法，其包括：经由输入装置，将源字段和目标字段输入神经网络；通过所述神经网络计算所述目标字段与源字段的匹配度，以获得包含所述匹配度的映射结果表；通过用户调整所述映射结果表中的映射关系，以得到包含调整后的映射关系的映射结果表；以及根据所述调整后的映射关系，对所述神经网路进行训练，以使得通过被训练的神经网络计算所述匹配度。

可选地，在对所述映射关系进行的调整中，通过将所述匹配度和预先设定的安全阈值进行比较，来确定需要调整的映射关系。

可选地，在对所述映射关系进行的调整中，存储调整后的映射关系。

可选地，所述训练是以迭代的方式被反复执行的。

可选地，根据源字段和目标字段的语义，进行所述匹配度的计算。

可选地，所述安全阈值是80％或更大。

可选地，经由作为所述输入装置的人机交互界面，输入所述源字段和所述目标字段。

可选地，所述训练是通过人工智能训练机执行的。

可选地，将需要调整的映射关系存储作为用于进行训练的样本，并且针对所述样本进行训练。

可选地，所述神经网路是通过CPU或GPU实施计算。

可选地，对所述神经网路的训练是通过人工智能训练计算机训练智能匹配模型，以及由与所述人工智能训练机分立的人工智能执行机接收新的训练后的匹配模型，并且利用所述训练后的匹配模型计算所述匹配度。

为实现上述目的，根据本发明实施例的又一方面，提供了一种利用人工智能神经网络技术来进行映射关系匹配的装置。所述装置包括：输入模块，人工智能匹配模块，存储模块，人工智能训练模块以及显示模块，其中，所述输入模块用于接收源字段和目标字段；所述人工智能匹配模块包括神经网络，其用于接收所述源字段和目标字段，计算所述目标字段与源字段的匹配度，以获得包含所述匹配度的映射结果表；所述存储模块用于存储通过用户调整所述映射结果表中的映射关系而得到的包含调整后的映射关系的映射结果表；所述显示模块用于显示所述调整后的映射关系的映射结果表；以及所述人工智能训练模块用于根据所述调整后的映射关系，对所述神经网络进行训练，以使得通过被训练的所述神经网络计算所述匹配度。

为实现上述目的，根据本发明实施例的又一方面，提供了一种利用人工智能神经网络技术来进行映射关系匹配的电子设备。所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序。当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据本发明的上述实施例的方法。

可选地，在所述映射关系匹配装置中，所述人工智能训练模块还被配置为用于：在对所述映射关系进行的调整中，通过将所述匹配度和预先设定的安全阈值进行比较，来确定需要调整的映射关系。

可选地，在所述映射关系匹配装置中，所述人工智能训练模块还被配置为以迭代的方式反复执行所述训练的过程。

可选地，在所述映射关系匹配装置中，所述神经网络是根据源字段和目标字段的语义进行所述匹配度的计算。

可选地，在所述映射关系匹配装置中，所述安全阈值是80％或更大。

可选地，在所述映射关系匹配装置中，所述存储模块还被配置为：将需要调整的映射关系存储作为用于进行训练的样本，并且针对所述样本进行训练。

为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的各个映射关系匹配的方法。

根据本发明，通过使用人工智能神经网络技术来进行映射关系匹配，能够使得通过训练神经网络实现两个字段的关联关系相关度的运算，从而实现了传统单纯单词拼写匹配无法完成的功能。并且，通过记录用户认为匹配不正确的映射关系，并且将此信息作为训练计算机的样本再次训练神经网络，能够进一步地实现专家系统沉淀经验的功能。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的一种映射匹配系统的示意图；

图2是根据本发明实施例的一种映射匹配方法的结构示意图；

图3是根据本发明实施例的一种本发明实施例的一种映射匹配装置的连接示意图；

图4是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。

数据映射是创建两个不同的数据模型并定义这些模型之间的链接的过程。数据模型可以包括元数据，即在语义上具有精确含义的数据原子单元，该系统使用原子单位系统来测量包含信息的电的属性。

数据映射的主要用途包括多种平台。数据转换是用于调解初始数据源与使用该数据的目标之间的关系。它在识别数据沿袭分析的部分时非常有用，数据从一个信息部门流向另一个部门的方式。在进行数据映射时放置到位。这允许用户创建信息或将信息转换为一种可以筛选出最佳结果的形式。通常，这采用某种图形映射工具的形式。用户可以从一个字段到另一个字段按字面“绘制”一条线，以确定正确的连接。这就是所谓的手动数据映射。数据元素本身需要标识和命名，需要确定数据的明确定义，并列举值的表示。在某些情况下，标识符以数据库的形式表示。标准结构是用基本信息单位构建的，如姓名、地址或年龄。

根据本发明，通过将用户输入的目标字段和源字段这两组字段对应起来，如Myname对应name，AccountId对应到id，Age对应到age，进而输出对应关系表到指定位置供后续使用。通过预先训练好的人工智能神经网络进行运算，以生成字段之间的映射关系，由此能够实现高效的映射匹配，以及以更低的成本实现低出错率的匹配结果。

图1示例了根据本发明实施例的一种映射匹配系统。在系统中，包含人机交互界面单元101，人工智能匹配单元103，映射结果存储单元108，人工智能训练计算单元109。此外，可选地，还可以包括映射结果记录显示单元，预定阈值输入设定单元，等等。

人机交互界面101例如是包含Web或Windows的显示和输入装置。人机交互界面101是示例性的输入和显示装置的整合体。可选地，也可以将输入装置和显示装置分开设置为是人机交互系统中的组件。人机交互系统可以是各种各样的机器，也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流，并进行操作。参见图1，通过所述人机交互界面101，用户经过Web或者Windows窗口界面输入源字段以及目标字段102。例如，

源字段：MyName，AccountId，Age,Base,ComSize

目标字段：name,id,age,location,companySize

人工智能匹配单元103可以由计算机装置构成。在该匹配单元103中，安装有主程序和/或预先训练好的神经网络。如图1所示，在人工智能计算单元103中，设置有用于执行人工智能匹配操作的单元(或组件)104。主程序负责接受用户输入，将由人机交互界面单元101输入的源字段和目标字段进一步输入被构造在该匹配单元中的神经网络。该神经网络可以计算目标字段与源字段的相识度(即，匹配度)。关于相识度(或相似度)，可以理解，比如在传统的图像识别中输入一个图片，人工智能(AI)算法判读图片中是否包含猫，即，计算图片与猫的相识度。当相识度达到一定值，算法即确定所述图片包含猫。

进一步地，主程序将相识度最高的结果记录到最终映射结果表105，并存储该结果到存储单元108。存储单元108可以为常规的存储装置，例如暂时性的或非暂时性的存储装置。可选地，在此可以通过人机交互界面101将映射结果105反馈给用户。在此，所述主程序使用CPU进行运算，而人工智能神经网络可以通过CPU，也可以通过GPU运算。

映射结果包含三部分，即源字段、目标字段和匹配度。匹配度由神经网络计算出来，最终匹配结果为关联最强的匹配。举例：

MyName字段匹配度列表：

表1

通过表1可以看出，MyName字段最终匹配结果98％。

Name相识度列表：

表2

通过表2可以看出，Age最终匹配结果：100％。

ComSize相识度列表：

表3

通过表3可以看出，ComSize最终匹配结果：10％。

进一步地，通过人机交互界面确定完成结果。用户检查匹配度。在此，通过人工或机器预先设定一安全阈值，该阈值可以为例如75％，80％，85％，90％，或95％及以上。在此，预先设置有匹配度安全阈值为80％。通过和安全阈值相比，来过滤出需要人工确定的字段。当匹配度高于安全阈值时，认为人工智能匹配符合要求，匹配通过，如果匹配度低于安全阈值，则认为人工智信心不足，进一步地需要人工辅助判断。如果判断出结果需要调整，则用户通过人机交互界面或其它输入装置调整映射关系，然后将映射结果107存储到存储装置中，同时将调的字段相关映射关系发送到人工智能训练计算机。可选地，在此，通过用户人工确定后存储辅助判断和调整前和/或调整后的映射结果107。

人工智能训练计算单元109可以由计算机构成，一般采用支持硬件加速的GPU完成。通过人工智能训练计算单元109来训练神经网络。

对于首次训练的结果，可以将其发送给作为执行机(执行单元)的人工智能匹配计算单元103。在后期，例如以迭代的方式，可以不断地将人工干预的映射样本进行反复矫正训练，扩大训练集合。然后，将训练好的新版本神经网络发送到执行机103进行映射关系匹配运算。

注意，根据本发明的一种实施例，通过人工智能匹配单元104实现的匹配结果大部分是可用的，但是可能会存在一部分需要人工干预。对于该部分数据和结果，通过人工干预后得到正确的匹配结果，并将其将作为训练的素材输入到人工智能训练单元109进行训练。由此，可以实现匹配度和匹配结果的优化。

可选地，在本发明实施例中，人工智能匹配单元103可以根据“语义”原则对源数据和目标数据进行匹配。根据本发明的实施例，解决了传统映射关系匹配无法实现语义相关性匹配的缺点。例如，在传统映射匹配技术中，如Base与location相关，但是传统方法无法建立匹配。在本发明的实施例中，通过在人工智能匹配环节由人工智能匹配单元103在考虑“语义”的情况想进行匹配，能够实现更有效且准确的匹配映射结果。

另外，在本发明实施例中，通过用户手动将预定的识别的规则强化到的训练规则中，可以实现“专家系统”的功能。例如，进行智能训练之前，通过用户手工确定规则：his与history相关，com与company相关。通过依照该规则进行智能训练，能够进一步提高期望的匹配度，从而在人工智能匹配环节进一步实现对缩写字段的合理和有效匹配。

如图2所示，根据本发明另一实施例是一种映射匹配的方法(或过程)，其例如主要包括以下步骤(或进程)：

步骤S101：用户通过Web或者Windows窗口界面输入源字段和目标字段；

步骤S102：接受用户输入，将源字段和目标字段输入人工智能神经网络，该神经网络计算目标与源字段的相识度。其中，神经网络的主程序将相识度最高的结果记录到最终映射结果表，主程序命令存储该结果到存储设备，并通过人机交互界面反馈给用户；

步骤S103：由神经网络计算出匹配度，根据匹配度确定关联性，将关联性最强的匹配结果定义为最终匹配结果；

步骤S104：通过人工经由人机交互界面确定最终结果，并由用户检查匹配度；

步骤S105：通过人工智能训练计算机对神经网络进行训练，将首次训练的结果发送给智能计算机，后期通过不断地接受人工干预的映射样本进行反复矫正训练，扩大训练集合。

根据本实施例的过程，可以使用人工智能神经网络技术来进行映射关系匹配，通过训练神经网络实现两个字段的关联关系相关度的运算，实现了传统单纯单词拼写匹配无法完成的功能。并且，如果记录用户认为匹配不正确的映射关系，并且将此信息作为训练计算机的样本再次训练神经网络，则能够进一步实现专家系统沉淀经验的功能。

具体而言，在步骤S101中，用户通过设置在系统的人机交互界面，例如，通过Web或者Windows窗口界面输入源字段和目标字段。例如，

源字段：MyName，AccountId，Age,Base,ComSize

目标字段：name,id,age,location,companySize

在步骤(进程)102，利用人工智能计算机作为执行机来实现相识度的计算和记录。

例如，在所述执行机上安装有主程序及预先训练好的神经网络。主程序负责接受用户输入，然后将源字段和目标字段输入神经网络。该神经网络可以计算目标与源字段的相识度，主程序将相识度最高的结果记录到最终映射结果表，主程序存储该结果到存储设备，并通过人机交互界面反馈给用户。

需要注意，这里的主程序可以使用CPU进行运算，而人工智能神经网络既可以通过CPU也可以通过GPU运算。

通过人工智能神经网络计算后，输出映射结果包含三部分的映射结果，即，源字段，目标字段和匹配度。具体而言，由神经网络计算出匹配度。通过人工或机器预先设定一安全阈值，该阈值可以为例如75％，80％，85％，90％，或95％及以上。通过将计算的匹配度和预设的安全阈值(例如80％)进行对比，得出最终匹配结果为关联最强的匹配。可以理解，所述阈值参数为后台程序参数，通常不需要用户自定义，以实现较低的变更频次。

然后，如步骤S104所述，通过人工经由人机交互界面操作确定完成最终结果。用户对匹配度做进一步检查。当预先设置匹配度安全阈值例如为80％时，过滤出需要人工确定的字段。

通过人工确定后存储映射结果。如果结果需要调整，则用户通过人机交互界面调整映射关系后再存储所述结果，同时将调的字段相关映射关系发送到人工智能训练计算机。

在步骤S105，由人工智能训练计算机负责训练神经网络。所述训练计算机和所述执行机是不同的分立的机器，其中，所述执行机是生产机器，所述训练机是训练机器。该两者工作是被分开部署，并且两者实现不同的功能。这里，将首次训练的结果发送给人工智能匹配执行机。在后期，可选地，通过不断地接受人工干预的映射样本进行反复矫正训练，由此扩大训练集合。然后，将训练好的新版本神经网络将发送到执行机，以进行映射关系匹配运算。可选地，训练的计算机一般采用支持硬件加速的GPU完成。

如图3所示，本发明实施例的一种映射匹配装置300包括但不限于：输入模块301，人工智能匹配模块302，存储模块303，人工智能训练模块304，显示模块305。

与本发明的前述实施例的操作流程类似地，输入模块301可以由人机交互界面来实现，其用于接收用户的输入。通过输入模块，实现源字段以及目标字段102的输入。可选地，所述人机交互界面可以显示用户的输入。

在人工智能匹配模块302可以由计算机处理器实现或被容纳在计算机处理器中。通过该匹配模块302中，设置有用于执行人工智能匹配操作的主程序模块或其它功能子模块。通过接收用户输入，将由输入模块301输入的源字段和目标字段进一步输入到该匹配模块302中。在匹配模块302中，通过人工智能计算目标与源字段的相识度，即，匹配度。

进一步地，相识度最高的结果可以被输出并记录到映射结果表，该结果可以被存储到存储模块303。通过显示模块305将映射结果表反馈给用户。

映射结果包含三部分，即源字段、目标字段和匹配度。匹配度由神经网络计算出来，最终匹配结果为关联最强的匹配。

通过预先设置的匹配度安全阈值如80％，来过滤出需要人工确定的字段。用户通过判断，将正确的映射结果存储到存储模块。如果结果需要调整，则用户通过输入模块调整映射关系，然后将被调整的映射结果存储到存储模块中。同时，用户将调整后的映射关系发送到人工智能训练模块304。

人工智能训练模块304是和人工智能匹配模块301相分开的不同的模块。人工智能训练计算304可以由计算机处理器实现或被容纳在计算机处理器中，一般采用支持硬件加速的GPU完成。

通过人工智能训练模块304来训练神经网络。对于首次训练的结果，可以将其发送给人工智能匹配模块302。在后期，例如以迭代的方式，可以不断地将人工干预的映射样本进行反复矫正训练，扩大训练集合。然后，将训练好的新版本神经网络发送到人工智能匹配模块302进行映射关系匹配运算。

通过人工干预后得到矫正后的匹配结果，并将其将作为训练的素材输入到人工智能训练模块302进行训练。由此，可以实现匹配的优化。

下面参考图4，其示出了适于用来实现本发明另一实施例的终端设备的计算机系统400的结构示意图。图4示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一个或多个处理器；存储装置，用于存储一个或多个程序。当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据本发明的上述实施例的方法或流程。注意，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备实现本发明实施例的所述映射关系匹配的方法或流程。

根据本发明，通过使用人工智能神经网络技术来进行映射关系匹配，能够使得通过训练神经网络实现两个字段的关联关系相关度的运算，从而实现了传统单纯单词拼写匹配无法完成的功能。并且，通过记录用户认为匹配不正确的映射关系，并且将此信息作为训练计算机的样本再次训练神经网络，能够进一步地实现专家系统沉淀经验的功能。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。