[发明专利]机器学习方法及相关装置

权利要求书

1.一种机器学习方法，其特征在于，所述方法包括：

获取训练集和测试集，所述训练集为无标注数据，所述测试集为标注数据；

将所述训练集中的所有训练样本通过无监督学习算法映射到嵌入空间；

基于所述嵌入空间，采用预设聚类算法对所述所有训练样本进行聚类，得到多个类别，每一类别包括至少一个所述训练样本，每一类别对应一个伪标签；

依据所述伪标签为所述训练样本配置多个目标任务，每一类所述伪标签对应至少一个所述目标任务；

基于所述多个目标任务运行元学习算法，以对所述多个类别对应的训练样本进行训练，得到具备目标学习机制的目标神经网络模型；

将所述测试集输入到所述目标神经网络模型进行训练，得到更新参数；

依据所述更新参数优化所述目标神经网络模型的模型参数，得到优化后的所述目标神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述测试集输入到所述目标神经网络模型进行训练，得到更新参数，包括：

将所述测试集输入到所述目标神经网络模型，得到预测结果；

将所述预测结果输入到预设损失函数，得到所述更新参数。

3.根据权利要求2所述的方法，其特征在于，所述多个目标任务包括两类任务，具体为：无监督学习任务和监督学习任务，所述更新参数包括第一更新参数和第二更新参数，所述第一更新参数为针对所述无监督学习任务的参数，所述第二更新参数为针对所述监督学习任务的参数，所述预设损失函数包括第一损失函数和第二损失函数，其中，所述第一损失函数用于调节所述无监督学习任务的运算结果，所述第二损失函数用于调节所述监督学习任务的运算结果。

4.根据权利要求3所述的方法，其特征在于，所述第一损失函数对应第一权值，所述第一权值用于调节所述无监督学习任务的运算结果，所述第二损失函数对应第二权值，所述第二权值用于调节所述监督学习任务的运算结果。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：

从所述多个类别中获取带有所述伪标签的部分训练样本；

将所述部分训练样本输入到优化后的所述目标神经网络模型中，得到标签更新后的部分训练样本。

6.一种机器学习装置，其特征在于，所述装置包括：

第一获取单元，用于获取训练集和测试集，所述训练集为无标注数据，所述测试集为标注数据；

映射单元，用于将所述训练集中的所有训练样本通过无监督学习算法映射到嵌入空间；

聚类单元，用于基于所述嵌入空间，采用预设聚类算法对所述所有训练样本进行聚类，得到多个类别，每一类别包括至少一个所述训练样本，每一类别对应一个伪标签；

配置单元，用于依据所述伪标签为所述训练样本配置多个目标任务，每一类所述伪标签对应至少一个所述目标任务；

训练单元，用于基于所述多个目标任务运行元学习算法，以对所述多个类别对应的训练样本进行训练，得到具备目标学习机制的目标神经网络模型；以及将所述测试集输入到所述目标神经网络模型进行训练，得到更新参数；

优化单元，用于依据所述更新参数优化所述目标神经网络模型的模型参数，得到优化后的所述目标神经网络模型。

7.根据权利要求6所述的装置，其特征在于，在所述将所述测试集输入到所述目标神经网络模型进行训练，得到更新参数方面，所述训练单元具体用于：

将所述测试集输入到所述目标神经网络模型，得到预测结果；

将所述预测结果输入到预设损失函数，得到所述更新参数。

8.根据权利要求7所述的装置，其特征在于，所述多个目标任务包括两类任务，具体为：无监督学习任务和监督学习任务，所述更新参数包括第一更新参数和第二更新参数，所述第一更新参数为针对所述无监督学习任务的参数，所述第二更新参数为针对所述监督学习任务的参数，所述预设损失函数包括第一损失函数和第二损失函数，其中，所述第一损失函数用于调节所述无监督学习任务的运算结果，所述第二损失函数用于调节所述监督学习任务的运算结果。