[发明专利]模型训练方法、系统、计算机设备以及存储介质

说明书

本公开提供了一种模型训练方法、系统、计算机设备及存储介质，其中，该方法包括：获取周期性更新的样本数据、以及特征配置文件，所述样本数据包含有数据标识信息与标签信息之间的映射关系；基于所述样本数据中包含的数据标识信息，以及所述特征配置文件指示的至少一种特征参数，从数据库中与所述数据标识信息对应的各个样本特征数据中，提取与所述至少一种特征参数匹配的样本特征数据；利用提取的所述样本特征数据以及匹配的所述标签信息，对待训练模型进行训练，得到用于识别数据标签的目标模型。

技术领域

本公开涉及深度学习技术领域，具体而言，涉及一种模型训练方法、系统、计算机设备以及存储介质。

背景技术

随着科技的发展，越来越多的场景中需要确定数据的标签信息，比如，在多媒体平台中确定待发布的多媒体数据的标签，以便进行多媒体数据的灵活展示。

一般的，可以通过人工标注的方式，确定数据的标签信息，但是人工标注的方式效率较低，故利用神经网络模型进行自动打标签的方式已成为重要手段。因此，亟需提出一种较高效的训练得到标签识别神经网络模型的方法。

发明内容

本公开实施例至少提供一种模型训练方法、系统、计算机设备以及存储介质。

第一方面，本公开实施例提供了一种模型训练方法，包括：

获取周期性更新的样本数据、以及特征配置文件，所述样本数据包含有数据标识信息与标签信息之间的映射关系；

基于所述样本数据中包含的数据标识信息，以及所述特征配置文件指示的至少一种特征参数，从数据库中与所述数据标识信息对应的各个样本特征数据中，提取与所述至少一种特征参数匹配的样本特征数据；

利用提取的所述样本特征数据以及匹配的所述标签信息，对待训练模型进行训练，得到用于识别数据标签的目标模型。

第二方面，本公开实施例还提供一种模型训练系统，包括：

数据加载模块、特征组装模块、模型训练模块，所述数据加载模块分别与所述特征组装模块和所述模型训练模块相连；

所述数据加载模块，用于获取周期性更新的样本数据，所述样本数据包含有数据标识信息与标签信息之间的映射关系；将所述标识信息发送给所述特征组装模块；以及接收所述特征组装模块发送的样本特征数据，将所述样本特征数据和匹配的所述标签信息发送给所述模型训练模块；

所述特征组装模块，用于获取特征配置文件，并基于所述样本数据中包含的数据标识信息，以及所述特征配置文件指示的至少一种特征参数，从数据库中与所述数据标识信息对应的各个样本特征数据中，提取与所述至少一种特征参数匹配的样本特征数据；将所述与所述至少一种特征参数匹配的样本特征数据发送给所述数据加载模块；

所述模型训练模块，用于利用所述样本特征数据以及匹配的所述标签信息，对待训练模型进行训练，得到用于识别数据标签的目标模型。

第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。

第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。