[发明专利]一种社交媒体压力类别检测方法及装置

权利要求书

1.一种社交媒体压力类别检测方法，其特征在于，包括：

获取待分类对象和支持集；

将所述待分类对象和所述支持集输入至压力类别检测模型，获得所述压力类别检测模型输出的分类结果；

其中，所述压力类别检测模型是基于训练集和测试集进行元学习后得到的，所述训练集包括训练样本以及对应的分类标签，所述测试集包括测试样本以及对应的分类标签，所述支持集包括至少一个类别，每个类别包括至少一个支持样本以及每个所述支持样本对应的分类标签。

2.根据权利要求1所述的社交媒体压力类别检测方法，其特征在于，所述压力类别检测模型包括：编码模块、归纳模块和关系模块；

所述将所述待分类对象和所述支持集输入至压力类别检测模型，获得所述压力类别检测模型输出的分类结果，包括：

将所述待分类对象输入至所述编码模块，获得所述编码模块输出的待分类向量；

将所述支持集输入至所述归纳模块，获得所述归纳模块输出的类别向量集，所述类别向量集包括至少一个类别向量，每个所述类别向量与所述分类标签一一对应；

将所述待分类向量和所述类别向量集输入至所述关系模块，获得所述关系模块输出的分类结果。

3.根据权利要求2所述的社交媒体压力类别检测方法，其特征在于，所述归纳模块包括向量单元和赋权单元；

所述将所述支持集输入至所述归纳模块，获得所述归纳模块输出的类别向量集，包括：

将所述支持集输入至所述向量单元，获得所述向量单元输出的专家向量集，所述专家向量集中包括至少一个专家向量，每个所述专家向量与所述支持集中的支持样本一一对应；

将所述专家向量集输入至赋权单元，对所述专家向量集基于预设赋权公式进行赋权操作，获得所述赋权单元输出类别向量集。

4.根据权利要求3所述的社交媒体压力类别检测方法，其特征在于，所述预设赋权公式包括初始值公式、门值公式和类别表示函数；

所述初始值公式为：

η_i＝Relu(e_iW_g+b_g)；

所述门值公式为：

所述类别表示函数为：

其中，η_i表示第i个专家样本对应的初始门值，Relu表示ReLU激活函数，e_i表示第i个专家样本对应的专家向量，W_g表示训练参数，b_g表示训练参数，g_i表示第i个专家样本对应的最终门值，exp表示指数函数，K表示一个类别中包含K个样本，c_j表示第j个类别的类别向量，i为大于等于1的正整数，j为大于等于1的正整数，K为大于等于1的正整数。

5.根据权利要求4所述的社交媒体压力类别检测方法，其特征在于，所述将所述待分类向量和所述类别向量集输入至所述关系模块，获得所述关系模块输出的分类结果，包括：

将所述待分类向量和所述类别向量集输入至所述关系模块，基于余弦相似度确定与所述待分类向量最相似的类别向量，获得所述关系模块输出的分类结果。

6.根据权利要求1-5任一项所述的社交媒体压力类别检测方法，其特征在于，所述压力类别检测模型通过如下步骤训练获得：

基于所述训练集、损失函数和预设元训练迭代次数对所述压力类别检测模型进行元训练；

基于所述测试集和预设元测试迭代次数对所述压力类别检测模型进行元测试；

交替执行上述步骤，直至预设训练次数用尽或所述压力类别检测模型输出的元测试结果达到预设准确率。