[发明专利]分类模型的训练方法、分类方法、装置、介质及设备

权利要求书

1.一种分类模型的训练方法，其特征在于，包括：

获取未设置分类标签的第一样本数据，将所述第一样本数据输入至预先训练的基础分类模型中，确定所述第一样本数据设置预设分类标签的概率，其中，所述基础分类模型基于设置预设分类标签的第二样本数据训练得到；

基于所述第一样本数据设置分类标签的概率确定所述第一样本数据的权重；

基于第二样本数据、所述第一样本数据以及所述第一样本数据的权重对待训练的分类模型进行训练，得到目标分类模型。

2.根据权利要求1所述的方法，其特征在于，所述预设分类标签为正样本标签或负样本标签；

所述基础分类模型的训练方法包括：

获取初始训练样本，其中，所述初始训练样本包括设置分类标签的第二样本数据和未设置分类标签的第一样本数据，所述第二样本数据和所述第一样本数据分别设置有对应的标签设置标识；

将所述初始训练样本输入至待训练的基础分类模型中，输出所述初始训练样本的标签设置概率；

基于所述标签设置概率和所述初始训练样本对应的标签设置标识确定损失函数，并基于所述损失函数反向调节所述待训练的基础分类模型的模型参数，以得到训练完成的基础分类模型。

3.根据权利要求1所述的方法，其特征在于，在确定所述第一样本数据设置预设分类标签的概率之后，所述方法还包括：

基于预先设置的置信阈值和第一样本数据对应的概率，确定拒绝样本；

从所述第一样本数据中剔除所述拒绝样本。

4.根据权利要求3所述的方法，其特征在于，所述置信阈值基于所述预设分类标签的样本期望确定；

所述基于预先设置的置信阈值和第一样本数据对应的概率，确定拒绝样本，包括：

基于所述第一样本数据对应的概率确定满足所述置信阈值对应的拒绝概率范围的第一样本数据，确定为拒绝样本。

5.根据权利要求1所述的方法，其特征在于，所述基于所述第一样本数据设置分类标签的概率确定所述第一样本数据的权重，包括：

基于所述第一样本数据设置分类标签的概率确定所述第一样本数据的虚拟标签；

根据所述虚拟标签的权重确定规则，以及所述第一样本数据设置分类标签的概率确定对应权重。

6.根据权利要求1所述的方法，其特征在于，所述基于第二样本数据、所述第一样本数据以及所述第一样本数据的权重对待训练的分类模型进行训练，得到目标分类模型，包括：

对于所述第二样本数据和所述第一样本数据中的各样本数据，对所述待训练的分类模型进行迭代训练，直到满足训练条件，得到目标分类模型：

将任一样本数据输入至所述待训练的分类模型中，得到预测分类结果和对应的预测概率；

基于所述预测分类结果、对应的预测概率以及所述任一样本数据的权重确定损失函数，基于所述损失函数调节所述待训练的分类模型的模型参数。

7.一种分类方法，其特征在于，包括：

获取待分类数据；

将所述待分类数据输入至所述目标分类模型中，基于所述目标分类模型的输出确定所述待分类数据的分类结果，其中，所述目标分类模型基于如权利要求1-6任一所述分类模型的训练方法训练得到。

8.一种分类模型的训练装置，其特征在于，包括：

样本概率确定模块，用于获取未设置分类标签的第一样本数据，将所述第一样本数据输入至预先训练的基础分类模型中，确定所述第一样本数据设置预设分类标签的概率，其中，所述基础分类模型基于设置预设分类标签的第二样本数据训练得到；

样本权重确定模块，用于基于所述第一样本数据设置分类标签的概率确定所述第一样本数据的权重；

模型训练模块，用于基于第二样本数据、所述第一样本数据以及所述第一样本数据的权重对待训练的分类模型进行训练，得到目标分类模型。