[发明专利]样本处理方法、设备及计算机可读存储介质

权利要求书

1.一种样本处理方法，包括：

确定未标注目标样本；

将所述未标注目标样本输入至分类预测模型，得到分类预测的概率分布数据；

根据所述概率分布数据，计算得到稳定性数据；

根据所述稳定性数据，得到预标注训练样本；

利用所述预标注训练样本和预设的训练集对所述分类预测模型进行训练，直至所述分类预测模型符合预设的停止训练条件。

2.根据权利要求1所述的方法，其特征在于，所述确定未标注目标样本，包括：

对预设的未标注样本进行数据扰动处理，得到扰动样本；

将所述扰动样本和所述未标注样本确定为未标注目标样本。

3.根据权利要求2所述的方法，其特征在于，所述将所述未标注目标样本输入至分类预测模型，得到分类预测的概率分布数据，包括：

将所述扰动样本和所述未标注样本输入至所述分类预测模型，得到扰动概率分布数据和未标注概率分布数据；

其中，所述扰动概率分布数据为对应于所述扰动样本的分类预测的概率分布数据，所述未标注概率分布数据为对应于所述未标注样本的分类预测的概率分布数据。

4.根据权利要求3所述的方法，其特征在于，所述根据所述概率分布数据，计算得到稳定性数据，包括：

根据第一稳定性算法、所述扰动概率分布数据和所述未标注概率分布数据，计算得到所述稳定性数据。

5.根据权利要求4所述的方法，其特征在于，所述第一稳定性算法的计算公式为：

其中，所述TDS为第一稳定性参数，所述第一稳定性参数用于表征所述稳定性数据，所述N为所述扰动样本的个数，所述m为所述分类预测模型输出的分类预测类别的个数，所述为所述扰动概率分布数据，所述为所述未标注概率分布数据，i＝1,2,...,N，j＝1,2,...,m。

6.根据权利要求1所述的方法，其特征在于，所述确定未标注目标样本，包括：

当对所述分类预测模型进行训练的当前训练轮次大于预设轮次阈值，将所述当前训练轮次对应的预设的未标注样本确定为所述当前训练轮次的未标注目标样本，将所述当前训练轮次之后的下一训练轮次对应的预设的未标注样本确定为所述下一训练轮次的未标注目标样本。

7.根据权利要求6所述的方法，其特征在于，所述将所述未标注目标样本输入至分类预测模型，得到分类预测的概率分布数据，包括：

对于当前训练轮次，将对应的所述未标注目标样本输入至所述分类预测模型，得到当前训练轮次的当前轮次概率分布数据；

对于下一训练轮次，将对应的所述未标注目标样本输入至所述分类预测模型，得到下一训练轮次的下一轮次概率分布数据；

以此类推，对所述分类预测模型进行多轮次的训练处理，得到多个当前轮次概率分布数据和多个下一轮次概率分布数据。

8.根据权利要求7所述的方法，其特征在于，所述根据所述概率分布数据，计算得到稳定性数据，包括：

根据第二稳定性算法、所述当前轮次概率分布数据和所述下一轮次概率分布数据，计算得到所述稳定性数据。

9.根据权利要求8所述的方法，其特征在于，所述第二稳定性算法的计算公式为：

其中，所述LKS为第二稳定性参数，所述第二稳定性参数用于表征所述稳定性数据，所述r为所述分类预测模型进行训练的总训练轮次，所述x为所述当前训练轮次，所述k为所述预设轮次阈值，所述m为所述分类预测模型输出的分类预测类别的个数，所述为所述当前轮次概率分布数据，所述为所述下一轮次概率分布数据，x＝r-k+1，r-k+2,...,r。