[发明专利]多标签信息的识别方法、装置、电子设备和可读存储介质

权利要求书

1.一种多标签信息的识别方法，其特征在于，包括：

通过训练标签对多标签识别模型进行训练，所述多标签识别模型的预测分支的输入端引入有循环网络，所述循环网络用于学习多个训练标签之间的关系；

根据所述预测分支的结果构建标签限制关系集，所述标签限制关系集中包括满足预设标签规则的标签组合；

获取待识别的多标签消息；

根据训练后的多标签识别模型和所述标签限制关系集，确定所述多标签信息的识别结果，包括：

将待识别的多标签消息输入至训练后的多标签识别模型，以获取所述多标签消息中的每个标签的预测置信度；

根据所述预测置信度和所述标签限制关系集，确定所述多标签信息的识别结果，包括：

确定不同粒度的所述标签的预测置信度之间的第一量级差；

确定所述第一量级 差大于第一预设量极差时，对所述标签的组合的预测置信度进行求积；

将求积结果最大的标签的组合确定为所述识别结果；

或，确定相同粒度的所述标签的预测置信度之间的第二量级差；

确定所述第二量级 差大于第二预设量极差时，对所述标签的组合的预测置信度进行求和；

将求和结果最大的标签的组合确定为所述识别结果。

2.根据权利要求1所述的多标签信息的识别方法，其特征在于，通过训练标签对多标签识别模型进行训练包括：

将所述训练标签中的第一训练标签输入至所述循环网络，以获得第一输出标签，将所述第一输出标签输入至所述多标签识别模型的第一全连接层，以得到第一预测结果；

将第n输出标签和第n+1训练标签输入至所述循环网络以获得第n+1输出标签，将所述第n+1输出标签输入至所述多标签识别模型的第n+1全连接层，以得到第n+1预测结果，所述n为大于或等于1的整数。

3.根据权利要求1所述的多标签信息的识别方法，其特征在于，通过训练标签对多标签识别模型进行训练还包括：

将所述多标签识别模型的全连接层的输出端引入损失函数；

根据损失函数的输出结果对所述多标签识别模型进行优化。

4.根据权利要求3所述的多标签信息的识别方法，其特征在于，

所述损失函数包括交叉熵函数和/或FocalLoss函数。

5.根据权利要求4所述的多标签信息的识别方法，其特征在于，根据所述预测置信度和所述标签限制关系集，确定所述多标签信息的识别结果包括：

根据所述标签限制关系集确定所述多标签消息中的第m层的第z个标签的预测置信度；

对所述标签的组合的预测置信度求最优解，以获得所述识别结果。

6.根据权利要求1-5中任一项所述的多标签信息的识别方法，其特征在于，

所述循环网络包括循环神经网络、双向循环神经网络、长短期记忆网络和门控单元网络中的一种。

7.根据权利要求1-5中任一项所述的多标签信息的识别方法，其特征在于，在通过训练标签对多标签识别模型进行训练前，还包括：

获取多层标签特征，第k层的所述标签特征的粒度与第k+1层的粒度不同，所述k为大于或等于1的整数；

对所述多层标签特征进行预处理，以获得所述训练标签。

8.根据权利要求7所述的多标签信息的识别方法，其特征在于，

所述预处理包括随机裁剪、旋转、翻转、色彩调整、加入噪声中的至少一种。