[发明专利]一种机器学习分类方法及装置

说明书

技术领域

本发明涉及网络技术领域，具体涉及一种机器学习分类方法及装置。

背景技术

机器学习分类是一门多领域交叉学科，可应用在文本挖掘、机器翻译、人工智能和搜索引擎等领域，目前使用较为广泛的分类器有Libsvm、决策树C5.0、朴素贝叶斯等。

目前，各分类器都是独立使用的，不具备与其它分类器直接兼容组合使用的条件，例如，若利用C5.0和Libsvm构建两级分类器则需要额外实现拼接，如此，就使得现有的机器学习分类的形式较为单一，缺少将各分类器串联、对比和综合使用的复杂形式，致使分类效果受到制约。

另外，不同分类算法对数据的理解方式有所不同，开发者的设计倾向以及接口封装也有所不同，使得绝大多数的分类器具有不同的数据输入输出格式，兼容性很差。若要实现分类器的相互兼容，还要两两制作格式转换器，切换成本较高。

发明内容

本发明实施例的机器学习分类方法及装置，实现了简单方便的构建多级分类结构的目的。

为此，本发明实施例提供如下技术方案：

一种机器学习分类方法，所述方法包括：

利用训练配置文件和训练样本进行训练，得到至少一个分类器模型；所述训练配置文件包含数据格式定义、至少一个分类任务、每个分类任务的任务参数，所述训练样本包含至少一个符合所述数据格式定义的预设属性；

接收分类配置文件和待分类数据，所述分类配置文件包含分类拓扑结构、至少一个预先训练的分类器模型、所述数据格式定义，所述待分类数据包含至少一个符合所述数据格式定义的属性；

根据所述分类拓扑结构和所述至少一个分类器模型建立一个多级分类结构；

利用所述多级分类结构逐级判断所述待分类数据的类别。

优选的，所述利用训练配置文件和训练样本进行训练，得到至少一个分类器模型，包括：

分析所述训练配置文件，为每个分类任务建立一个训练进程；

依据每个分类任务的任务参数分别对所述训练样本包含的至少一个预设属性进行训练，获得所述分类任务对应的分类器模型。

优选的，所述训练配置文件还包括属性选择指示，则

所述依据每个分类任务的任务参数分别对所述训练样本包含的至少一个预设属性进行训练，包括：

从所述训练样本包含的至少一个预设属性中选择出至少一个优选属性，并对所述至少一个优选属性进行训练。

优选的，所述根据所述分类拓扑结构和所述至少一个分类器模型建立一个多级分类结构，包括：

按照所述分类拓扑结构的指示，为各层级节点映射指定的至少一个分类器模型，形成所述多级分类结构。

优选的，如果一个节点映射至少两个分类器模型，所述方法还包括：

设置每个分类器模型的权重，并对所述至少两个分类器模型的输出结果进行加权处理，作为该节点的判断结果。

优选的，所述分类配置文件还包括至少一个规则分类器，则

所述根据所述分类拓扑结构和所述至少一个分类器模型建立一个多级分类结构，包括：

根据所述分类拓扑结构、至少一个分类器模型、和至少一个规则分类器建立所述多级分类结构。

一种机器学习分类装置，所述装置包括：

模型训练单元，用于利用训练配置文件和训练样本进行训练，得到至少一个分类器模型；所述训练配置文件包含数据格式定义、至少一个分类任务、每个分类任务的任务参数，所述训练样本包含至少一个符合所述数据格式定义的预设属性；

接收单元，用于接收分类配置文件和待分类数据，所述分类配置文件包含分类拓扑结构、至少一个预先训练的分类器模型、所述数据格式定义，所述待分类数据包含至少一个符合所述数据格式定义的属性；

构建单元，用于根据所述分类拓扑结构和所述至少一个分类器模型建立一个多级分类结构；

判断单元，用于利用所述多级分类结构逐级判断所述待分类数据的类别。

优选的，所述模型训练单元包括：

进程建立单元，用于分析所述训练配置文件，为每个分类任务建立一个训练进程；

模型训练子单元，用于依据每个分类任务的任务参数分别对所述训练样本包含的至少一个预设属性进行训练，获得所述分类任务对应的分类器模型。

优选的，所述训练配置文件还包括属性选择指示，则

所述模型训练子单元，具体用于从所述训练样本包含的至少一个预设属性中选择出至少一个优选属性，并依据每个分类任务的任务参数分别对所述至少一个优选属性进行训练，获得所述分类任务对应的分类器模型。