[发明专利]聚类模型训练方法和装置、电子设备、计算机存储介质

权利要求书

1.一种聚类模型训练方法，其特征在于，包括：

基于主节点，获取全局聚类模型；

针对各从节点，分别基于所述全局聚类模型和分配给相应从节点的计算数据进行聚类估计，获得各所述从节点对应的局部聚类模型；其中，所述主节点为计算系统中的任意一个计算节点，所述从节点为所述计算系统中除所述主节点之外的计算节点，所述主节点与各所述从节点之间通信连接；

基于各所述从节点对应的局部聚类模型，对所述全局聚类模型进行训练。

2.根据权利要求1所述的方法，其特征在于，基于各所述从节点对应的局部聚类模型，对所述全局聚类模型进行训练，包括：

基于各所述从节点对应的局部聚类模型，对所述全局聚类模型进行更新，得到更新后的全局聚类模型；

将所述更新后的全局聚类模型作为主节点中的全局聚类模型；

迭代执行各所述从节点分别基于所述全局聚类模型和分配给相应从节点的计算数据进行聚类估计，获得各所述从节点对应的局部聚类模型；基于各所述从节点对应的局部聚类模型，对所述全局聚类模型进行训练，得到更新后的全局聚类模型；直到所述更新后的全局聚类模型满足预设收敛条件。

3.根据权利要求2所述的方法，其特征在于，基于各所述从节点对应的局部聚类模型，对所述全局聚类模型进行更新，包括：

在所述从节点基于所述全局聚类模型和分配给所述从节点的计算数据进行聚类估计的同时，所述主节点基于已获得的所述局部聚类模型对所述全局聚类模型进行更新；

或，在所述所有从节点分别基于所述全局聚类模型和分配给所述从节点的计算数据进行聚类估计之后，所述主节点基于各所述局部聚类模型对所述全局聚类模型进行更新。

4.根据权利要求3所述的方法，其特征在于，所述主节点基于各所述局部聚类模型对所述全局聚类模型进行更新，包括：

将各所述局部聚类模型中的局部聚类分别与所述全局聚类模型中的各全局聚类进行比较；

当所述局部聚类在所述全局聚类模型中不存在对应的全局聚类时，将所述局部聚类添加到所述全局聚类模型中；

当所述局部聚类在所述全局聚类模型中存在对应的全局聚类时，将所述局部聚类合并到所述全局聚类模型中；所述全局聚类模型中包括至少一个全局聚类。

5.根据权利要求4所述的方法，其特征在于，将所述局部聚类添加到所述全局聚类模型中，包括：

分别计算各所述局部聚类模型对应的局部聚类与所述全局聚类模型中的各全局聚类的一个以上合并分离比率，并分别按照所述合并分离比率对所述全局聚类模型中的各全局聚类进行采样，根据采样结果将所述局部聚类合并或增加到所述全局聚类模型的全局聚类中；所述合并分离比率大于或等于预设值时，执行合并；所述合并分离比率小于预设值时，不执行合并。

6.根据权利要求5所述的方法，其特征在于，根据采样结果将所述局部聚类合并或增加到所述全局聚类模型的聚类中，包括：

当采样结果对应的采样值大于所述全局聚类模型的全局聚类数量值时，将所述局部聚类增加到所述全局聚类模型中，所述全局聚类模型中的全局聚类数量值加一；

当采样结果对应的采样值小于或等于所述全局聚类模型的全局聚类数量值时，将所述局部聚类合并到所述全局聚类模型中的全局聚类中，所述全局聚类模型中的全局聚类数量值不变。

7.一种聚类模型训练装置，其特征在于，包括：

模型获取单元，用于基于主节点，获取全局聚类模型；

局部模型估计单元，用于针对各从节点，分别基于所述全局聚类模型和分配给相应从节点的计算数据进行聚类估计，获得各所述从节点对应的局部聚类模型；其中，所述主节点为计算系统中的任意一个计算节点，所述从节点为所述计算系统中除所述主节点之外的计算节点，所述主节点与各所述从节点之间通信连接；

全局模型训练单元，用于基于各所述从节点对应的局部聚类模型，对所述全局聚类模型进行训练。

8.一种电子设备，其特征在于，设置有如权利要求7所述的聚类模型训练装置。