[发明专利]分类模型的训练方法、分类方法、装置、介质及设备

说明书

本发明公开了分类模型的训练方法、分类方法、装置、介质及设备。其中分类模型的训练方法包括：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。实现对未设置标签的样本数据的标签处理，替代了人工对样本设置标签，降低了样本数据预处理过程的时间和人工成本，进一步实现了对分类模型的弱监督训练。

技术领域

本发明实施例涉及深度学习技术领域，尤其涉及分类模型的训练方法、分类方法、装置、介质及设备。

背景技术

基于监督方式的机器学习模型的训练方式是机器学习模型的常用训练方法，其中，该训练方法需足够数量的标记样本。

在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：在很多实际的应用场景中，获取样本的标记需要耗费大量的人力和物力，代价昂贵，导致实际应用中存在的往往是少量的有分类标签样本与大量的无分类标签样本，无法实现上述监督训练过程。

发明内容

本发明实施例提供分类模型的训练方法、分类方法、装置、介质及设备，以实现对机器学习模型的弱监督训练。

第一方面，本发明实施例提供了一种分类模型的训练方法，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。

第二方面，本发明实施例还提供了一种分类方法，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本发明实施例提供的分类模型的训练方法训练得到。

第三方面，本发明实施例还提供了一种分类模型的训练装置，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。

第四方面，本发明实施例还提供了一种分类装置，包括：

数据获取模块，用于获取待分类数据；

分类模块，用于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本发明实施例提供的分类模型的训练方法训练得到。

第五方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例提供的分类模型的训练方法和/或分类方法。