[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，所述方法包括：

获取第一训练样本数据集，所述第一训练样本数据集中包括多个模态的第一任务数据；

利用预训练得到的任务特征提取器从所述多个模态的第一任务数据中提取与每个模态的第一任务数据对应的第一任务特征，并基于预设的聚类算法对提取的第一任务特征进行聚类，以及根据聚类结果确定所述每个模态的聚类中心；

获取第二训练样本数据集，所述第二训练样本数据集中包括多个第二任务数据，并利用所述任务特征提取器提取每个第二任务数据对应的第二任务特征，以及根据所述每个第二任务特征和所述每个模态的聚类中心确定所述每个第二任务数据的模态；

根据预设的模态与分支的对应关系，确定与所述每个第二任务数据的模态对应的第一修改分支，并根据每个第一修改分支的第一权重调整预设的分类特征提取器的第二权重，以及基于调整后的第二权重对所述预设的分类特征提取器进行训练，得到目标分类特征提取器；

将所述第二训练样本数据集中每个模态中的各个第二任务数据分别输入所述目标分类特征提取器，得到所述每个模态对应的类别特征；

获取待查询数据集，所述待查询数据集中包括一个或多个待查询任务数据，并将每个待查询任务数据输入所述目标分类特征提取器，得到所述每个待查询任务数据的类别特征，以及根据所述每个待查询任务数据的类别特征与所述每个模态对应的类别特征确定所述每个待查询任务数据的模态类别。

2.根据权利要求1所述的方法，其特征在于，所述利用预训练得到的任务特征提取器从所述多个模态的第一任务数据中提取与每个模态的第一任务数据对应的第一任务特征之前，还包括：

采集第三训练样本数据集，所述第三训练样本数据集包括多个第三任务数据，并对每个第三任务数据添加任务特征标签；

将添加任务特征标签的每个第三任务数据输入指定的分类网络模型进行训练，得到预测类别结果；

根据预测类别结果与所述每个第三任务数据的任务特征标签计算第一损失函数，并根据所述第一损失函数调整所述指定的分类网络模型的第三权重，以及基于调整后的第三权重重新训练所述指定的分类网络模型；

当调整所述第三权重后重新训练得到的第一损失函数满足第一预设条件时，确定所述指定的分类网络模型为所述任务特征提取器。

3.根据权利要求1所述的方法，其特征在于，所述根据聚类结果确定所述每个模态的聚类中心，包括：

获取所述聚类结果中聚类得到的每个模态中包括的第一任务特征；

计算所述每个模态中各个第一任务特征的平均值，并确定所述每个模态的各个任务特征的平均值为所述每个模态的聚类中心。

4.根据权利要求3所述的方法，其特征在于，所述根据所述每个第二任务特征和所述每个模态的聚类中心确定所述每个第二任务数据的模态，包括：

根据所述每个第二任务特征和所述每个模态的聚类中心计算所述每个第二任务特征与所述每个模态的聚类中心的距离；

确定距离最短的模态所述每个第二任务数据的模态。

5.根据权利要求1所述的方法，其特征在于，所述基于调整后的第二权重对所述预设的分类特征提取器进行训练，得到目标分类特征提取器，包括：

将所述每个第二任务数据输入调整所述第二权重后的分类特征提取器进行训练，得到预测分类特征；

根据所述预测分类特征和所述第二任务数据中携带的分类特征标签确定第二损失函数；

当所述第二损失函数不满足第二预设条件时，根据所述第二损失函数通过梯度下降优化算法重新调整所述第二权重，并迭代训练所述分类特征提取器；

当所述第二损失函数满足第二预设条件时，确定训练得到目标分类特征器。