[发明专利]分类模型的增量训练方法、装置和计算机设备

说明书

本申请涉及一种分类模型的增量训练方法、装置和计算机设备。所述方法包括：获取经真实样本和虚构样本共同训练得到的目标分类模型；获取新增样本，新增样本所属的新增类别不同于任一真实类别；将新增样本输入至目标分类模型，并通过目标分类模型提取新增样本的特征向量；确定特征空间中与各个虚构类别分别对应的目标代表特征，并基于特征向量与各目标代表特征间的差异，确定与新增样本匹配的目标虚构类别；将目标虚构类别更新为新增类别，以使得目标分类模型支持对新增类别的预测。采用本方法能够在分类任务中快速支持对新增数据和新增类别的预测。

技术领域

本申请涉及机器学习技术领域，特别是涉及一种分类模型的增量训练方法、装置和计算机设备。

背景技术

分类任务指的是在特征维度上将不同的数据进行区分，例如对视频的品类进行区分，以识别视频属于综艺节目、游戏视频、或者体育直播等。或者，也可以对文学作品的类型进行区分，以识别文学作品属于写实类、科幻类、或者情感类等。

在实际的业务场景中，所需要进行识别的分类会随着业务数据变化而变化，时常会遇到需要新增加一些类别的情况。然而，相关技术中所使用的分类模型，在训练完成之后只能对已有的类别进行检测，对于新增的类别无法进行相应类别的预测输出。因此，需要将已有的数据和新增的数据作为输入，重新训练一个新的分类模型，以支持对新增的类别的预测。

而随着新的类别的不断增加，每次增加一个新的类别后，都需要重新再训练一个分类模型，效率十分低下。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高分类任务效率的分类模型的增量训练方法、装置、计算机设备、计算机可读存储介质、以及计算机程序产品。

一方面，本申请提供了一种分类模型的增量训练方法。所述方法包括：

获取经真实样本和虚构样本共同训练得到的目标分类模型，所述目标分类模型支持对虚构类别和真实类别的预测；

获取新增样本，所述新增样本所属的新增类别不同于任一所述真实类别；

将所述新增样本输入至所述目标分类模型，并通过所述目标分类模型提取所述新增样本的特征向量；

确定特征空间中与各个虚构类别分别对应的目标代表特征，并基于所述特征向量与各目标代表特征间的差异，确定与所述新增样本匹配的目标虚构类别；

将所述目标虚构类别更新为所述新增类别，以使得所述目标分类模型支持对所述新增类别的预测。

另一方面，本申请还提供了一种分类模型的增量训练装置。所述装置包括：

模型模块，用于获取经真实样本和虚构样本共同训练得到的目标分类模型，所述目标分类模型支持对虚构类别、以及所述真实样本所属真实类别的预测；

获取模块，用于获取新增样本，所述新增样本所属的新增类别不同于任一所述真实类别；

输入模块，用于将所述新增样本输入至所述目标分类模型，并通过所述目标分类模型提取所述新增样本的特征向量；

分类模块，用于确定特征空间中与各个虚构类别分别对应的代表特征，并基于所述特征向量与各代表特征间的差异，确定与所述新增样本匹配的目标虚构类别；

更新模块，用于将所述目标虚构类别更新为所述新增类别，以使得所述目标分类模型支持对所述新增类别的预测。

另一方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述分类模型的增量训练方法的步骤。

另一方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述分类模型的增量训练方法的步骤。

另一方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述分类模型的增量训练方法的步骤。