[发明专利]动态增减方法及装置

说明书

本申请公开了一种动态增减方法及装置，涉及数据处理领域，该方法包括根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点；将多个数据节点建立网状关联关系；对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型；监测所述数据节点的目标数据是否发生变化；如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型。本申请解决了相关技术中由于数据不能动态增减导致的识别率低下的问题。

技术领域

本申请涉及数据处理领域，具体而言，涉及一种动态增减方法及装置。

背景技术

相关技术中在进行训练数据时，由于没有很好的数据动态删减机制，用于训练的数据总量只增不减，或者在发生数据增加或减少时需要重新训练所有数据集，导致数据总量越来越多，模型更新效率低下，识别率也越来越低。

因此，急需一种动态增减方法及装置，以解决相关技术中由于数据不能动态增减导致的识别率低下的问题。

发明内容

本申请的主要目的在于提供一种动态增减方法及装置，以解决相关技术中由于数据不能动态增减导致的识别率低下的问题。

为了实现上述目的，根据本申请的第一方面，本申请实施例提供了一种动态增减方法，所述方法包括：根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点；将多个数据节点建立网状关联关系；对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型；监测所述数据节点的目标数据是否发生变化；如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点包括：根据所述目标数据的属性特征进行分类操作；将分类后的每一类所述目标数据定义为一个数据节点并按照预设加权规则设置初始权重数值。

结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述将多个数据节点建立网状关联关系包括：根据每个所述数据节点的所述初始权重数值，以图结构的形式构建多个所述数据节点之间的关联关系。

结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点包括：对所述数据节点在设定周期内的使用次数进行统计，得到使用频率信息；根据所述数据节点的使用频率信息，对所述数据节点执行加权操作，得到实际权重数值。

结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述将多个数据节点建立网状关联关系包括：根据所述数据节点的实际权重数值，更新所述图结构中的多个所述数据节点之间的关联关系。

结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，所述对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型包括：对所述数据节点中的目标数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；对所述误差值进行纠正操作；判断纠正后的当前所述误差值是否达到预设目标值；如果判定纠正后的当前所述误差值达到预设目标值，则结束训练，得到所述特征模型。

为了实现上述目的，根据本申请的第二方面，本申请实施例提供了一种动态增减装置，包括：数据分类单元，用于根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点；关系建立单元，用于将所述数据分类单元定义的多个数据节点建立网状关联关系；第一模型训练单元，用于对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型；监测单元，用于监测所述数据节点的目标数据是否发生变化；第二模型训练单元，用于如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型。