[发明专利]一种数据分类方法、装置、设备及存储介质

说明书

本发明实施例涉及人工智能领域，公开了一种数据分类方法、装置、设备及存储介质，该方法包括：提取第一训练样本数据集中每个模态的第一任务数据的第一任务特征；提取第二训练样本数据集中每个第二任务数据的第二任务特征，确定每个第二任务数据的模态；根据与每个第二任务数据的模态对应的第一修改分支的第一权重调整分类特征提取器的第二权重，并确定目标分类特征提取器；将待查询任务数据输入目标分类特征提取器确定待查询任务数据的模态类别，实现了使用一个神经网络模型对多个模态的任务数据进行分类，提高了对各个模态的任务数据进行分类的性能和准确性。本发明涉及区块链技术，如可将任务数据写入区块链中，以用于数据取证等场景。

技术领域

本发明涉及数据处理领域，尤其涉及一种数据分类方法、装置、设备及存储介质。

背景技术

在解决少样本分类任务时，神经网络学习是目前比较流行的方法，基于神经网络学习的方法，使模型可以从少量训练样本里面学会分类。目前的分类研究中，假设模型遇到的新任务都是单模态的，比如训练任务的类别都是来自于鸟这个大类，需要分的是鸟的子类，比如区分哪些是麻雀、哪些是燕子、哪些是鹦鹉等，举个例子，在模型训练阶段，有大量的训练任务，教会模型如何根据少量的样本就可以区分麻雀和鹦鹉、鸽子和老鹰，在遇到新的任务的时候，模型只要少量的样本就可以学会分别新任务的鸟类，这里的所有类别都是属于鸟类的，所以新任务是单模态的。

然而现实中，任务可能不是要区分单一模态的类别，可能是要区分多个模态的类别，例如，可能是要根据少量样本区分麻雀和鹦鹉，也有可能要区分金毛和拉布拉多，也有可能要区分牡丹花和玫瑰花等等。如果直接将区分狗类的分类任务和区分鸟类的分类任务不加区分地共同训练一个神经网络模型，神经网络模型的分类效果并不理想，如果要区分的模态的数目变多，效果会更差。因此，如何使用一个神经网络模型对多个模态的任务进行分类，同时要保证对各个模态任务的分类性能是非常重要的。

发明内容

本发明实施例提供了一种数据分类方法、装置、设备及存储介质，可以实现使用一个神经网络模型对多个模态的任务数据进行分类，并提高了对各个模态的任务数据进行分类的性能和准确性。

第一方面，本发明实施例提供了一种数据分类方法，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。

进一步地，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：