[发明专利]一种数据分类方法、装置、设备及存储介质

说明书

本发明公开了一种数据分类方法、装置、设备及存储介质，包括：将获取到的待处理数据集输入到第一目标分类模型中；其中，待处理数据集包括待处理支撑集和待处理查询集；通过第一目标分类模型中的第一目标特征嵌入模型，提取待处理支撑集和待处理查询集分别对应的待处理支撑特征和待处理查询特征，并将待处理支撑特征和待处理查询特征进行输出；通过第一目标分类模型中的第一目标图结构模型，基于预设目标函数和待处理支撑数据，对基于待处理查询特征确定的初始图结构进行优化更新，得到更新结果，并基于更新结果，确定待处理查询集中各待处理查询数据分别对应的分类标签。本发明解决了图结构的构建方法固定的问题，提高了分类模型的识别性能。

技术领域

本发明涉及人工智能技术领域，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

随着互联网技术和移动智能终端的飞速发展，依赖于大规模标记数据训练的深度学习方法在各个领域中都取得了巨大的成功。然而，在实际的生活应用中，许多问题只能提供极其有限的标记数据，其无法满足深度学习在大规模标记数据上训练的需求。

小样本学习方法被提出来去解决上述问题，作为小样本学习方法中的一种典型方法，基于转导理论的小样本方法充分利用小样本学习任务中的少量有标记数据和大量无标记数据之间的图结构信息来预测无标记数据的类别信息，该方法高度依赖于在特征空间上构建的图结构，即采用传统的距离度量方法，构建训练样本在特征空间上静态的图结构。

在实现本发明的过程中，发现现有技术中至少存在以下技术问题：

现有的图结构的构建方法简单且固定，导致小样本模型的识别性能较差。

发明内容

本发明提供了一种数据分类方法、装置、设备及存储介质，以解决现有的图结构的构建方法简单且固定的问题，提高分类模型在小样本数据任务中的识别性能。

根据本发明的一方面，提供了一种数据分类方法，该方法包括：

将获取到的待处理数据集输入到第一目标分类模型中；其中，所述待处理数据集包括待处理支撑集和待处理查询集，所述待处理支撑集包含多个有标签数据，所述待处理查询集包含多个无标签数据，所述第一目标分类模型包括训练完成的第一目标特征嵌入模型和第一目标图结构模型；

通过所述第一目标特征嵌入模型，提取所述待处理支撑集和待处理查询集分别对应的待处理支撑特征和待处理查询特征，并将所述待处理支撑特征和所述待处理查询特征输出给所述第一目标图结构模型；

通过所述第一目标图结构模型，基于预设目标函数和所述待处理支撑特征，对基于所述待处理查询特征确定的初始图结构进行优化更新，得到更新结果，并基于所述更新结果，确定所述待处理查询集中各待处理查询数据分别对应的分类标签。

根据本发明的另一方面，提供了一种数据分类装置，该装置包括：

待处理数据集输入模块，用于将获取到的待处理数据集输入到第一目标分类模型中；其中，所述待处理数据集包括待处理支撑集和待处理查询集，所述待处理支撑集包含多个有标签数据，所述待处理查询集包含多个无标签数据，所述第一目标分类模型包括训练完成的第一目标特征嵌入模型和第一目标图结构模型；

特征提取模块，用于通过所述第一目标特征嵌入模型，提取所述待处理支撑集和待处理查询集分别对应的待处理支撑特征和待处理查询特征，并将所述待处理支撑特征和所述待处理查询特征输出给所述第一目标图结构模型；

分类标签确定模块，用于通过所述第一目标图结构模型，基于预设目标函数和所述待处理支撑特征，对基于所述待处理查询特征确定的初始图结构进行优化更新，得到更新结果，并基于所述更新结果，确定所述待处理查询集中各待处理查询数据分别对应的分类标签。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及