[发明专利]数据分类方法、装置、电子设备和存储介质

说明书

本公开提供了一种数据分类方法、装置、电子设备和存储介质，涉及人工智能领域，具体涉及深度学习和大数据技术领域。数据分类方法的具体实现方式包括：将待处理数据输入数据分类模型，得到待处理数据针对预定类别的初始概率数据；根据目标损失函数和初始概率数据，确定待处理数据针对预定类别的调整后概率数据；其中，目标损失函数以待处理数据针对预定类别的调整后概率数据为自变量；以及基于调整后概率数据，确定待处理数据的类别。其中，目标损失函数包括以下约束条件：调整后概率数据的数据分布满足预定分布。

技术领域

本公开涉及人工智能领域，具体涉及深度学习和大数据技术领域，更具体地涉及一种数据分类方法、装置、电子设备和存储介质。

背景技术

在分类问题中，存在的基本问题包括长尾(Long-Tail)效应问题。即在数据全集中，少数类别的数据的出现频率明显高于除少数类别外其他类别的数据的出现频率。该问题给分类模型的建模带来了较大的挑战。相关技术中通常采用重加权和重采样的方式来使得模型对出现频率低的数据得到充分学习，以期通过该方式提高模型的泛化能力。

发明内容

提供了一种降低计算资源的消耗和提升分类精度的数据分类方法、装置、电子设备和存储介质。

本公开的一个方面提供了一种数据分类方法，包括：将待处理数据输入数据分类模型，得到待处理数据针对预定类别的初始概率数据；根据目标损失函数和初始概率数据，确定待处理数据针对预定类别的调整后概率数据；其中，目标损失函数以待处理数据针对预定类别的调整后概率数据为自变量；以及基于调整后概率数据，确定待处理数据的类别，其中，目标损失函数包括以下约束条件：调整后概率数据的数据分布满足预定分布。

本公开的另一个方面提供了一种数据分类装置，包括：初始概率获得模块，用于将待处理数据输入数据分类模型，得到待处理数据针对预定类别的初始概率数据；调整后概率确定模块，用于根据目标损失函数和初始概率数据，确定待处理数据针对预定类别的调整后概率数据；其中，目标损失函数以待处理数据针对预定类别的调整后概率数据为自变量；以及类别确定模块，用于基于调整后概率数据，确定待处理数据的类别，其中，目标损失函数包括以下约束条件：调整后概率数据的数据分布满足预定分布。

本公开的另一个方面提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的数据分类方法。

根据本公开的另一个方面提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的数据分类方法。

根据本公开的另一个方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的数据分类方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的数据分类方法和装置的应用场景示意图；

图2是根据本公开实施例的数据分类方法的流程示意图；

图3是根据本公开实施例的数据分类方法的原理示意图；

图4是根据本公开另一实施例的数据分类方法的原理示意图；

图5是根据本公开实施例的数据分类装置的结构框图；以及

图6是用来实施本公开实施例的数据分类方法的电子设备的结构框图。

具体实施方式