[发明专利]一种数据分类方法

权利要求书

1.一种数据分类方法，其特征在于，包括：

获取待分类的原始媒体数据，对所述原始媒体数据进行预处理得到与所述原始媒体数据对应的各时刻的节点特征矩阵；

根据各所述节点特征矩阵，计算与所述原始媒体数据对应的各时刻的第一目标权重值；所述第一目标权重值用于表示所述原始媒体数据中包括设定类型的语音数据或设定类型的文本数据的权重；

根据各所述节点特征矩阵以及第一目标权重值，计算与所述原始媒体数据对应的各时刻的媒体特征向量，所述媒体特征向量中包括第二目标权重值，所述第二目标权重值用于表示所述原始媒体数据中包括设定类型的图像数据的权重；

根据所述各时刻的媒体特征向量，对所述原始媒体数据进行分类。

2.根据权利要求1所述的方法，其特征在于，根据各所述节点特征矩阵，计算与所述原始媒体数据对应的各时刻的第一目标权重值，包括：

将各所述节点特征矩阵，输入至预先训练的双向长短期记忆网络中的注意力机制模型Attention-LSTM中，得到与所述原始媒体数据对应的各时刻的第一目标权重值；

其中，所述Attention-LSTM模型使用各预设类型的数据对应的节点特征矩阵作为训练样本训练得到。

3.根据权利要求1所述的方法，其特征在于，根据各所述节点特征矩阵以及第一目标权重值，计算与所述原始媒体数据对应的各时刻的媒体特征向量，包括：

将各所述节点特征矩阵以及第一目标权重值，输入至预先训练的图卷积神经网络模型GCN中，得到与所述原始媒体数据对应的各时刻的媒体特征向量；

其中，所述GCN模型使用各标准的图像数据作为训练样本训练得到。

4.根据权利要求1所述的方法，其特征在于，根据所述各时刻的媒体特征向量，对所述原始媒体数据进行分类，包括：

将各所述媒体特征向量输入至预先训练的全连接网络中，得到与所述原始媒体数据对应的目标标签值；

根据预存的标签值与数据类型的映射关系，确定与所述目标标签值对应的目标数据类型。

5.根据权利要求2所述的方法，其特征在于，所述双向Attention-LSTM模型包括输入层、前向Attention-LSTM层、后向Attention-LSTM层以及输出层；

所述输入层用于将所述节点特征矩阵输入至所述前向Attention-LSTM层；

所述前向Attention-LSTM层与后向Attention-LSTM层，用于计算当前节点特征矩阵与前一节点特征矩阵，以及后一节点特征矩阵的依赖关系，根据所述依赖关系，以及所述节点特征矩阵，计算第一目标权重值，并将所述第一目标权重值传输至所述输出层。

6.根据权利要求2所述的方法，其特征在于，在获取待分类的原始媒体数据之前，还包括：

获取多个标准数据集合，所述标准数据集合中包括多个语音数据以及文本数据；

将所述多个标准数据集合划分为训练数据集和测试数据集；

使用所述训练数据集和测试数据集对所述Attention-LSTM模型进行迭代训练。

7.根据权利要求3所述的方法，其特征在于，在获取待分类的原始媒体数据之前，还包括：

获取多个标准的图像数据，将所述多个标准的图像数据划分为训练数据集和测试数据集；

使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述GCN模型。