[发明专利]分类模型训练方法、系统、设备及存储介质

权利要求书

1.一种分类模型训练方法，其特征在于，包括如下步骤：

获取训练集，所述训练集包括第一文本样本和第二文本样本，所述第一文本样本具有分类标签，所述第二文本样本不具有分类标签；

采用所述训练集，基于半监督学习训练所述分类模型，其中，采用所述第一文本样本对所述分类模型进行有监督学习，采用所述第二文本样本对所述分类模型进行无监督学习。

2.根据权利要求1所述的分类模型训练方法，其特征在于，所述基于半监督学习训练所述分类模型，包括基于有监督学习的损失函数和无监督学习的损失函数构建所述分类模型的损失函数。

3.根据权利要求1所述的分类模型训练方法，其特征在于，采用所述第一文本样本对所述分类模型进行有监督学习，包括基于所述第一文本样本的预测类别和标签类别，采用交叉熵损失函数构建所述分类模型的有监督学习的损失函数。

4.根据权利要求1所述的分类模型训练方法，其特征在于，还包括如下步骤：

基于所述第二文本样本进行数据增强，得到增强文本样本。

5.根据权利要求4所述的分类模型训练方法，其特征在于，所述基于所述第二文本样本进行数据增强，包括采用如下至少一种方式对所述第二文本样本进行数据增强：

对所述第二文本样本进行回译处理，得到第一增强文本样本，作为增强文本样本；

对所述第二文本样本进行随机单词的相似词替换，得到第二增强文本样本，作为增强文本样本；

对所述第二文本样本进行基于单词重要性的相似词替换，得到第三增强文本样本，作为增强文本样本。

6.根据权利要求5所述的分类模型训练方法，其特征在于，所述基于所述第二文本样本进行数据增强，包括如下步骤：

按照预定的样本数量分配比例将所述第二文本样本分为三份；

对所述第一份第二文本样本进行回译处理，得到第一份第二文本样本的第一增强文本样本；

对所述第二份第二文本样本进行随机单词的相似词替换，得到第二份第二文本样本的第二增强文本样本；

对所述第三份第二文本样本进行基于单词重要性的相似词替换，得到第三份第二文本样本的第三增强文本样本；

将所述第一增强文本样本、所述第二增强文本样本和所述第三增强文本样本作为增强文本样本。

7.根据权利要求4所述的分类模型训练方法，其特征在于，采用所述第二文本样本对所述分类模型进行无监督学习，包括基于所述第二文本样本的预测类别分布和所述增强文本样本的预测类别分布构建无监督学习的损失函数。

8.根据权利要求7所述的分类模型训练方法，其特征在于，所述构建无监督学习的损失函数，包括基于所述第二文本样本的预测类别分布和所述增强文本样本的预测类别分布，采用KL散度构建无监督学习的损失函数。

9.根据权利要求7或8所述的分类模型训练方法，其特征在于，所述进行基于单词重要性的相似词替换，包括如下步骤：

对所述第二文本样本的各个单词采用TF-IDF评定重要性；

将重要性低于预设重要性阈值的单词采用相似词替换。

10.一种分类模型训练系统，用于实现权利要求1至8中任一项所述的分类模型训练方法，其特征在于，所述系统包括：

样本获取模块，用于获取训练集，所述训练集包括第一文本样本和第二文本样本，所述第一文本样本具有分类标签；

模型训练模块，用于采用所述训练集，基于半监督学习训练所述分类模型，其中，采用所述第一文本样本对所述分类模型进行有监督学习，采用所述第二文本样本对所述分类模型进行无监督学习。