[发明专利]一种基于多任务学习的差异化特征挖掘的可信度评估方法

摘要

本发明公开的一种基于多任务学习的差异化特征挖掘的可信度评估方法，基于共享私有特征空间，利用强化学习指导对抗网络捕获更加纯净的公共特征，解决公共特征挖掘精确度不高与效能低下的问题；采纳两种有效策略——用于迫使私有特征与公共特征相互独立的正交约束策略以及用于强化私有特征与公共特征差异性的差分策略，改善了私有特征与公共特征混杂严重的现状，融合并权衡以上两个过程产生的损失用于参数训练。该方法不仅能够提高了可信度评估精确度，还减少了计算的时间复杂度。

主权项

1.一种基于多任务学习的差异化特征挖掘的可信度评估方法，其特征在于，包括以下步骤；步骤1、设定数量为N的双标签数据集并提取数据集中的文本和元数据特征作为输入特征；其中，x_i指一条待进行可信度检测的信息，表示真假二分类标签，表示多分类的可信度标签；步骤2、采用强化学习提供的激励计算动作期望值对抗网络中的生成器进行优化，优化后得到公共特征抽取器，公共特征抽取器抽取输入特征中的公共特征；步骤3、利用数据集中的真假二分类标签将步骤2抽取的公共特征输入二分类判别器得到判别损失L_adv；步骤4、判别当前判别损失L_adv与上一次判别损失L_adv的关系；如果当前判别损失L_adv大于之前所有判别损失L_adv的最大值时，则输出判别后的公共特征，执行步骤6；步骤5、采用私有特征抽取器，编译输入特征进行私有特征的抽取，得到私有特征；步骤6：对步骤4得到的判别后的公共特征和步骤5得到私有特征进行正交约束，得到独立化损失L_ind；步骤7、判断判别后的公共特征与私有特征是否相互独立；当独立化损失值L_ind的值为0，则判别后公共特征与私有特征相互独立，执行步骤10；当独立化损失值L_ind的值不为0，则判别后公共特征与私有特征中存在相关联的特征，执行步骤8；步骤8、采用负向的KL散度算法计算判别后的公共特征和私有特征之间的相似度，产生差异化损失L_diff；步骤9、采用Softmax作为分类器，根据步骤5得到的私有特征对数据集X进行多可信度类型分类，得到多分类损失L_task；步骤10、对判别损失L_adv、独立化损失L_ind、差异化损失L_diff和多分类损失L_task进行融合训练，使得多分类效果达到最优。