[发明专利]一种识别模型训练方法及装置

权利要求书

1.一种识别模型训练方法，其特征在于，所述方法包括：

获取序列样本；

将所述序列样本输入识别模型，得到预设前向目标序列的第一概率及预设后向目标序列的第二概率；

根据所述预设前向目标序列及所述预设后向目标序列，按照同一位置所述预设后向目标序列中的目标在前、所述预设前向目标序列中的目标在后的顺序，排列得到前后向目标序列，并计算所述前后向目标序列的第三概率；

根据所述第一概率、所述第二概率及所述第三概率，计算目标函数；

根据所述目标函数，利用预设训练算法，训练所述识别模型。

2.根据权利要求1所述的方法，其特征在于，所述识别模型包括循环神经网络及联结主义时序分类算法；

所述将所述序列样本输入识别模型，得到预设前向目标序列的第一概率及预设后向目标序列的第二概率，包括：

将所述序列样本输入所述循环神经网络，通过所述循环神经网络的前向计算，得到所述序列样本中各特征的输出概率组成的第一概率序列，并根据所述第一概率序列，利用所述联结主义时序分类算法，计算预设前向目标序列的第一概率；

通过所述循环神经网络的后向计算，得到所述序列样本中各特征的输出概率组成的第二概率序列，并根据所述第二概率序列，利用所述联结主义时序分类算法，计算预设后向目标序列的第二概率。

3.根据权利要求2所述的方法，其特征在于，所述计算所述前后向目标序列的第三概率，包括：

根据所述第一概率序列及所述第二概率序列，计算所述第一概率序列中的各输出概率与所述第二概率序列中相同时刻的输出概率的均值，得到第三概率序列；

根据所述第三概率序列，利用所述联结主义时序分类算法，计算所述前后向目标序列的第三概率。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一概率、所述第二概率及所述第三概率，计算目标函数，包括：

根据所述第一概率、所述第二概率及所述第三概率，利用目标函数计算公式，计算目标函数，其中，所述目标函数计算公式，为：

g＝-log(P_f)-log(P_b)-log(P_fb)

所述g为所述目标函数，所述P_f为所述第一概率，所述P_b为所述第二概率，所述P_fb为所述第三概率。

5.根据权利要求1所述的方法，其特征在于，所述预设训练算法，包括：反向传播算法；

所述根据所述目标函数，利用预设训练算法，训练所述识别模型，包括：

根据所述目标函数，确定将所述序列样本输入所述识别模型后，得到的预测序列与预设目标序列之间的误差，所述预设目标序列为所述预设前向目标序列或者所述预设后向目标序列；

根据所述误差，利用所述反向传播算法，通过调整所述识别模型的各参数训练所述识别模型。

6.一种识别模型训练装置，其特征在于，所述装置包括：

获取模块，用于获取序列样本；

识别模块，用于将所述序列样本输入识别模型，得到预设前向目标序列的第一概率及预设后向目标序列的第二概率；

排列模块，用于根据所述预设前向目标序列及所述预设后向目标序列，按照同一位置所述预设后向目标序列中的目标在前、所述预设前向目标序列中的目标在后的顺序，排列得到前后向目标序列；

计算模块，用于计算所述前后向目标序列的第三概率；根据所述第一概率、所述第二概率及所述第三概率，计算目标函数；

训练模块，用于根据所述目标函数，利用预设训练算法，训练所述识别模型。