[发明专利]预测模型训练方法、装置、存储介质及计算机设备

权利要求书

1.一种预测模型训练方法，其特征在于，包括：

获取待训练的预测模型所需要的标注样本数据量、以及数据量之和等于所述标注样本数据量的标注样本数据和未标注样本数据；

将所述标注样本数据输入至预设神经网络模型进行训练，得到所述预测模型对应的初步模型；

将所述未标注样本数据输入至所述初步模型进行预测，得到所述未标注样本数据对应各个预测类别的置信度；

确定置信度不符合预设条件的预测类别，选取确定的预测类别下的未标注样本数据供标注，利用新标注的样本数据，更新所述标注样本数据；

将更新后的标注样本数据输入至所述初步模型进行迭代训练，得到所述预测模型。

2.根据权利要求1所述的方法，其特征在于，所述确定置信度不符合预设条件的预测类别，选取确定的预测类别下的未标注样本数据供标注，利用新标注的样本数据，更新所述标注样本数据，包括：

确定置信度小于预设阈值的预测类别，选取确定的预测类别下的未标注样本数据供标注，利用新标注的样本数据，更新所述标注样本数据。

3.根据权利要求1所述的方法，其特征在于，所述将所述未标注样本数据输入至所述初步模型进行预测，得到所述未标注样本数据对应各个预测类别的置信度，包括：

将所述未标注样本数据输入至所述初步模型进行预测，得到所述未标注样本数据归属于各自对应预测类别的概率值；

根据所述概率值确定所述未标注样本数据对应各个预测类别的置信度。

4.根据权利要求3所述的方法，其特征在于，所述根据所述概率值确定所述未标注样本数据对应各个预测类别的置信度，包括：

根据所述未标注样本数据归属于各自对应预测类别的概率值，确定所述各个预测类别下未标注样本数据的概率值；

根据所述各个预测类别下未标注样本数据的概率值和所述各个预测类别下未标注样本数据的数据量，计算所述各个预测类别下未标注样本数据的概率值的均值；

根据所述各个预测类别下未标注样本数据的概率值和所述均值，计算所述各个预测类别下未标注样本数据的概率值的方差；

根据所述方差，所述各个预测类别下未标注样本数据的数据量以及预设误差，确定所述未标注样本数据对应各个预测类别的置信度。

5.根据权利要求1所述的方法，其特征在于，所述预设神经网络模型包括预设双向长短期记忆模型和预设条件随机场模型，所述将所述标注样本数据输入至预设神经网络模型进行训练，得到所述预测模型对应的初步模型，包括：

将所述标注样本数据输入至预设双向长短期记忆模型进行打分，得到所述标注样本数据对应各个预测类别的分类得分；

将所述分类得分输入至预设条件随机场模型进行打分，得到所述标注样本数据对应各个预测类别的转移得分；

计算所述分类得分和所述转移得分之和，得到所述标注样本数据对应各个预测类别的打分值；

根据所述标注样本数据对应各个预测类别的打分值，利用极大似然算法计算所述标注样本数据归属于其对应预测类别的概率值，并迭代更新所述预设双向长短期记忆模型和所述预设条件随机场模型；

当所述标注样本数据归属于其对应预测类别的概率值收敛时，将收敛概率值对应迭代层级的双向长短期记忆模型和条件随机场模型确定为所述初步模型。

6.根据权利要求1所述的方法，其特征在于，所述将更新后的标注样本数据输入至所述初步模型进行迭代训练，得到所述预测模型，包括：

将更新后的标注样本数据输入至所述初步模型进行迭代训练，直至所述各个预测类别的置信度均符合所述预设条件，停止迭代训练，将最终迭代训练得到的模型确定为所述预测模型。

7.根据权利要求1所述的方法，其特征在于，所述标注样本数据对应的数据量小于所述未标注样本数据对应的数据量。