[发明专利]一种数据分类方法、装置、设备及存储介质

权利要求书

1.一种数据分类方法，其特征在于，包括：

获取待分类数据；

将所述待分类数据输入预先建立的第一分类模型，得到分类结果，其中，所述第一分类模型采用训练集中的训练数据训练得到，所述第一分类模型的训练目标为，使其针对所述训练数据预测的分类结果趋于预先建立的多个第二分类模型分别针对所述训练数据预测的分类结果的融合结果；

根据所述第一分类模型针对所述待分类数据预测的分类结果，确定所述待分类数据所属的类别。

2.根据权利要求1所述的数据分类方法，其特征在于，所述第一分类模型为学生分类模型，所述第二分类模型为教师分类模型；

所述学生分类模型的训练过程包括：

从构建的训练集中获取多条训练数据组成训练子集；

将所述训练子集中的每条训练数据分别输入多个教师分类模型，得到所述多个教师分类模型分别针对所述训练子集中每条训练数据预测的分类结果；

将所述多个教师分类模型分别针对所述训练子集中每条训练数据预测的分类结果融合，得到所述训练子集中每条训练数据对应的融合后分类结果；

利用所述训练子集以及所述训练子集中每条训练数据对应的融合后分类结果，训练学生分类模型。

3.根据权利要求2所述的数据分类方法，其特征在于，所述利用所述训练子集以及所述训练子集中每条训练数据对应的融合后分类结果，训练学生分类模型，包括：

将所述训练子集中的每条训练数据输入学生分类模型，得到学生分类模型针对所述训练子集中每条训练数据预测的分类结果；

根据所述训练子集中每条训练数据对应的融合后分类结果和所述学生分类模型针对所述训练子集中每条训练数据预测的分类结果，更新学生分类模型的参数。

4.根据权利要求3所述的数据分类方法，其特征在于，所述根据所述训练子集中每条训练数据对应的融合后分类结果和所述学生分类模型针对所述训练子集中每条训练数据预测的分类结果，更新学生分类模型的参数，包括：

根据所述训练子集中每条训练数据对应的融合后分类结果和所述学生分类模型针对所述训练子集中每条训练数据预测的分类结果，确定学生分类模型的预测损失；

根据所述学生分类模型的预测损失，更新学生分类模型的参数。

5.根据权利要求2所述的数据分类方法，其特征在于，构建所述训练集的过程包括：

获取第一数据集和第二数据集，其中，所述第一数据集中的每条数据为标注有类别的数据，所述第二数据集中的每条数据为无标注数据；

基于所述多个教师分类模型，从所述第二数据集中确定目标数据，其中，所述目标数据的质量优于所述第二数据集中非目标数据的质量；

将确定出的目标数据与所述第一数据集中的数据混合，由混合后数据组成训练集。

6.根据权利要求5所述的数据分类方法，其特征在于，所述基于所述多个教师分类模型，从所述第二数据集中确定目标数据，包括：

针对所述第二数据集中的每条候选数据：

将所述候选数据分别输入所述多个教师分类模型，得到所述多个教师分类模型分别针对所述候选数据预测的分类结果；

对所述多个教师分类模型分别针对所述候选数据预测的分类结果进行归一化，获得多个归一化分类结果；

计算所述多个归一化分类结果之间的平均散度，作为所述候选数据对应的平均散度；

根据所述候选数据对应的平均散度，确定所述候选数据是否为目标数据。

7.根据权利要求6所述的数据分类方法，其特征在于，所述基于所述多个教师分类模型，从所述第二数据集中确定目标数据，还包括：

计算所述多个归一化分类结果的平均熵，作为所述候选数据对应的平均熵；

所述根据所述候选数据对应的平均散度，确定所述候选数据是否为目标数据，包括：

根据所述候选数据对应的平均散度和平均熵，确定所述候选数据是否为目标数据。