[发明专利]基于深度学习的多标签分类方法、装置以及存储介质

权利要求书

1.一种基于深度学习的多标签分类方法，包括：

获取与每个要素标签相对应的多个分类变量以及每个分类变量的分类确定标识；其中，所述分类变量为非整型数值，所述分类确定标识用于表征所述分类变量是否被选中；

将所述多个分类变量转换为多个分类整数值，根据所述多个分类整数值生成多个分类标识数值；其中，每个所述分类标识数值用于表征所述要素标签的一个被确定的分类变量；

利用深度学习网络模型对检测样本进行预测，获得所述检测样本的第一预测结果向量；

其中，所述第一预测结果向量的元素数量与所述要素标签的数量相同，所述第一预测结果向量的每个元素为与一个所述要素标签相对应的分类标识数值。

2.如权利要求1所述的方法，所述利用深度学习网络模型对检测样本进行预测包括：

构建初始的所述深度学习网络模型；

基于历史数据获取训练样本，并获得与所述训练样本相对应的所述第二预测结果向量；其中，所述第二预测结果向量与所述第一预测结果向量的元素数量相同，所述第二预测结果向量的每个元素为与一个所述要素标签相对应的分类标识数值；

基于所述训练样本和所述第二预测结果向量生成训练样本集，使用所述训练样本集对初始的所述深度学习网络模型进行训练；

利用训练好的所述深度学习网络模型对所述检测样本进行预测。

3.如权利要求1所述的方法，其中，

所述深度学习网络模型包括：输入层、隐藏层、全连接层和输出层；其中，通过所述全连接层进行回归预测，得到所述第一预测结果向量并通过所述输出层输出。

4.如权利要求1所述的方法，所述将所述多个分类变量转换为多个分类整数值包括：

获取与所述多个分类变量相对应的第一排序；

基于所述第一排序将所述多个分类变量转换为多个分类整数值；

其中，与所述多个分类整数值的相对应的第二排序与所述第一排序相同。

5.如权利要求4所述的方法，所述根据所述多个分类整数值生成多个分类标识数值包括：

对所述多个分类整数值分别进行归一化处理，生成所述多个分类标识数值；其中，每个所述分类标识数值为0-1之间的小数。

6.如权利要求5所述的方法，还包括：

将所述第一预测结果向量的每个元素进行反归一化处理，获得与每个元素相对应的所述分类整数值；

将所述分类整数值转换为所述被确定的分类变量。

7.一种基于深度学习的多标签分类装置，包括：

分类变量获取模块，用于获取与每个要素标签相对应的多个分类变量以及每个分类变量的分类确定标识；其中，所述分类变量为非整型数值，所述分类确定标识用于表征所述分类变量是否被选中；

标识数据设置模块，用于将所述多个分类变量转换为多个分类整数值，根据所述多个分类整数值生成多个分类标识数值；其中，每个所述分类标识数值用于表征所述要素标签的一个被确定的分类变量；

预测结果获取模块，用于利用深度学习网络模型对检测样本进行预测，获得所述检测样本的第一预测结果向量；

其中，所述第一预测结果向量的元素数量与所述要素标签的数量相同，所述第一预测结果向量的每个元素为与一个所述要素标签相对应的分类标识数值。

8.如权利要求7所述的装置，还包括：

预测模型训练模块，用于构建初始的所述深度学习网络模型；基于历史数据获取训练样本，并获得与所述训练样本相对应的所述第二预测结果向量；其中，所述第二预测结果向量与所述第一预测结果向量的元素数量相同，所述第二预测结果向量的每个元素为与一个所述要素标签相对应的分类标识数值；基于所述训练样本和所述第二预测结果向量生成训练样本集，使用所述训练样本集对初始的所述深度学习网络模型进行训练；

所述预测结果获取模块，用于利用训练好的所述深度学习网络模型对所述检测样本进行预测。