[发明专利]跨领域的文本分类模型的训练方法、分类方法以及装置

权利要求书

1.一种跨领域的文本分类模型的训练方法，其特征在于，所述方法包括：

获取训练数据，所述训练数据包括第一训练集和第二训练集，其中，所述第一训练集中的各第一文本样本标注有样本标签，所述样本标签表征了所述第一文本样本的样本类别，所述第一训练集和所述第二训练集为不同领域的训练集；

确定所述第二训练集中的各第二文本样本对应的初始类别标签；

将所述训练数据输入至初始文本分类模型中，得到各文本样本的预测类别，根据各所述第一文本样本的样本类别和预测类别，确定分类损失值；

根据同一领域同类别的文本样本、以及不同领域同类别的文本样本，确定类内差异损失值，根据同一领域不同类别的文本样本、以及不同领域不同类别的文本样本，确定类间差异损失值；其中，所述类内差异损失值用于表示同一领域同类别的文本样本之间的差异以及不同领域的同类别的文本样本之间的差异；所述类间差异损失值用于表示同一领域不同类别的文本样本之间的差异以及不同领域的不同类别的文本样本之间的差异；根据所述分类损失值、所述类内差异损失值以及所述类间差异损失值，确定总损失值；

根据所述总损失值对模型进行迭代训练，直至所述总损失值符合训练结束条件时，将训练结束时的模型确定为跨领域的文本分类模型；

其中，对于每次训练，若所述总损失值不满足所述训练结束条件，则根据各所述第二文本样本及其对应的类别标签，确定每个类别所对应的第二样本特征中心；对于任一第二文本样本，确定所述任一第二文本样本与各所述第二样本特征中心的距离；根据与所述任一第二文本样本最近的第二样本中心对应的样本类别，更新所述任一第二文本样本对应的类别标签，以用于下一次训练。

2.根据权利要求1所述的方法，其特征在于，所述确定所述第二训练集中的各第二文本样本对应的初始类别标签，包括：

根据各所述第一文本样本及其对应的样本标签，确定每个类别所对应的第一样本特征中心；

对于任一第二文本样本，确定所述任一第二文本样本与各所述第一样本特征中心的距离；

根据与所述任一第二文本样本最近的第一样本特征中心对应的样本类别，确定所述任一第二文本样本的初始类别标签。

3.根据权利要求1所述的方法，其特征在于，所述根据同一领域同类别的各文本样本、以及不同领域同类别的各文本样本，确定类内差异损失值，包括：

根据各所述第一文本样本及其对应的样本标签，确定每个类别的各第一文本样本之间的第一类内差异值；

根据各所述第二文本样本及其对应的类别标签，确定每个类别的各第二文本样本之间的第二类内差异值；

根据各所述第一文本样本及其对应的样本标签、以及所述各第二文本样本及其对应的类别标签，确定每个类别的各第一文本样本与各第二文本样本之间的第三类内差异值；

根据所述第一类内差异值、所述第二类内差异值以及所述第三类内差异值，确定类内差异损失值。

4.根据权利要求1所述的方法，其特征在于，所述根据同一领域不同类别的各文本样本、以及不同领域不同类别的文本样本，确定类间差异损失值，包括：

根据各所述第一文本样本及其对应的样本标签，确定不同类别的各第一文本样本之间的第一类间差异值；

根据各所述第二文本样本及其对应的类别标签，确定不同类别的各第二文本样本之间的第二类间差异值；

根据各所述第一文本样本及其对应的样本标签，以及各所述第二文本样本及其对应的类别标签，确定不同类别的各第一文本样本与各第二文本样本之间的第三类间差异值；

根据所述第一类间差异值、所述第二类间差异值以及所述第三类间差异值，确定类间差异损失值。

5.根据权利要求1所述的方法，其特征在于，在每次更新各所述第二文本样本对应的类别标签得到新的类别标签之后，所述方法还包括：

确定各所述第二文本样本对应的类别标签的更新次数；

若所述更新次数等于预设次数，则将当次更新后的类别标签作为各所述第二文本样本最终的类别标签。