[发明专利]神经网络模型训练方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种神经网络模型训练方法，其特征在于，包括：

获取当前训练周期的第一样本集以及第二样本集，所述第一样本集为从样本池中选取的样本集，所述第二样本集根据上一训练周期数据集得到，所述上一训练周期数据集由所述当前训练周期的上一训练周期根据业务处理网络模型得到，所述第一样本集与所述第二样本集的样本个数均为目标样本个数；

将所述第一样本集以及所述第二样本集输入数据筛选网络模型，得到样本概率集合，所述样本概率集合中的概率值个数与所述目标样本个数相同；

根据所述样本概率集合、预设的概率阈值从所述第一样本集中确定第三样本集；

将所述第三样本集输入所述业务处理网络模型，确定所述业务处理网络模型的模型损失值；

根据所述模型损失值对所述数据筛选网络模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述将所述第一样本集以及所述第二样本集输入数据筛选网络模型，得到样本概率集合，包括：

对所述第一样本集及所述第二样本集中的特征进行融合处理，得到融合样本集，所述融合样本集的样本个数为所述目标样本个数；

将所述融合样本集输入所述数据筛选网络模型，得到所述样本概率集合。

3.根据权利要求1所述的方法，其特征在于，所述根据所述样本概率集合、预设的概率阈值从所述第一样本集中确定第三样本集，包括：

根据所述概率阈值对所述样本概率集合中的概率进行处理，得到处理后的样本概率集合；

将所述处理后的样本概率集合与所述第一样本集进行叉乘处理，得到所述第三样本集。

4.根据权利要求1所述的方法，其特征在于，所述根据所述概率阈值对所述样本概率集合中的概率进行处理，得到处理后的样本概率集合，包括：

将所述样本概率集合中概率值小于所述概率阈值的概率设为0；

将所述样本概率集合中概率值大于或等于所述概率阈值的概率设为1，得到所述处理后的概率集合。

5.根据权利要求1所述的方法，其特征在于，所述获取当前训练周期的第一样本集以及第二样本集之前，所述方法还包括：

获取所述上一训练周期数据集；

基于所述目标样本个数，对所述上一训练周期数据集进行样本位补齐处理，得到所述第二样本集。

6.根据权利要求1所述的方法，其特征在于，将所述第三样本集输入所述业务处理网络模型，确定所述业务处理网络模型的模型损失值，包括：

将所述第三样本集输入所述业务处理网络模型，确定所述模型损失值以及所述当前训练周期根据所述业务处理网络模型得到的当前训练周期数据集。

7.根据权利要求6所述的方法，其特征在于，所述根据所述模型损失值对所述数据筛选网络模型进行训练包括：

根据所述模型损失值更新所述数据筛选网络模型以及所述业务处理网络模型的模型参数；

确定所述数据筛选网络模型是否收敛；

若未收敛，则根据所述样本池更新第一样本集，并根据所述当前训练周期数据集更新所述第二样本集，返回执行所述获取当前训练周期的第一样本集以及第二样本集步骤；

若收敛，则确定所述数据筛选网络模型完成训练，得到训练后的数据筛选网络模型。

8.根据权利要求7所述的方法，其特征在于，所述确定所述数据筛选网络模型完成训练，得到训练后的数据筛选网络模型之后，所述方法还包括：

获取待筛选数据集；

基于所述训练后的数据筛选网络模型对所述待筛选数据集进行筛选，得到待标注数据集；

获取待标注数据集中数据的标注结果，得到标注样本集；

根据所述标注样本集对待训练的业务处理网络模型进行训练。