[发明专利]模型更新方法、装置、存储介质及电子设备

权利要求书

1.一种模型更新方法，其特征在于，所述方法包括：

确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；

确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；

若确定更新所述数据识别模型，则训练所述数据识别模型，以得到更新数据识别模型；

将当前运行的数据识别模型切换为所述更新数据识别模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，包括：

根据所述模型识别结果和所述人工识别结果间的差异数据，确定所述数据识别模型的性能指标，所述性能指标包括准确率和召回率；

若所述数据识别模型的性能指标不满足对应的预设性能指标，则确定更新所述数据识别模型。

3.根据权利要求1所述的方法，其特征在于，所述训练所述数据识别模型，包括：

根据所述模型识别结果和所述人工识别结果间的差异数据，确定所述数据识别模型对应的误杀数据集和漏放数据集，所述误杀数据集用于表征所述数据识别模型识别为非预设类型数据的预设类型数据集合，所述漏放数据集用于表征所述数据识别模型识别为预设类型数据的非预设类型数据集合；

将所述误杀数据集作为负例样本，将所述漏放数据集作为正例样本，并根据所述正例样本和所述负例样本训练所述数据识别模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述正例样本和所述负例样本训练所述数据识别模型，包括：

确定所述正例样本和所述负例样本是否满足对应的预设样本阈值；

若所述正例样本和所述负例样本满足对应的预设样本阈值，则根据所述正例样本和所述负例样本训练所述数据识别模型。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述训练所述数据识别模型，以得到更新数据识别模型，包括：

根据所述模型识别结果和所述人工识别结果迭代训练所述数据识别模型，其中在每次迭代训练后，对比当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果不符合预设指标阈值，则继续迭代训练，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果符合预设指标阈值，则停止迭代训练；

根据迭代训练得到的数据识别模型确定更新数据识别模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述模型识别结果和所述人工识别结果迭代训练所述数据识别模型，包括：

确定所述数据识别模型的多种候选超参数组合，并将所述数据识别模型的超参数依次设定为所述多种候选超参数组合，根据所述模型识别结果和所述人工识别结果迭代训练设定所述超参数后的所述数据识别模型，得到多个候选数据识别模型；

所述根据迭代训练得到的数据识别模型确定更新数据识别模型，包括：

在所述多个候选数据识别模型中确定性能指标最优的模型为更新数据识别模型。

7.根据权利要求1-4任一项所述的方法，其特征在于，所述将当前运行的数据识别模型切换为所述更新数据识别模型，包括：

确定当前运行的数据识别模型对样本数据的第一识别结果，并确定所述更新数据识别模型对所述样本数据的第二识别结果，其中所述样本数据标注有样本识别结果，且所述样本数据为在所述目标数据的提交日期之后提交的待识别数据；

根据所述第一识别结果和所述样本识别结果，确定当前运行的数据识别模型的性能指标，并根据所述第二识别结果和所述样本识别结果，确定所述更新数据识别模型的性能指标；

若所述更新数据识别模型的性能指标高于当前运行的数据识别模型的性能指标，则将当前运行的数据识别模型切换为所述更新数据识别模型。