CN111832589A - 一种多级分类对象的分类方法和装置 - Google Patents
一种多级分类对象的分类方法和装置 Download PDFInfo
- Publication number
- CN111832589A CN111832589A CN201910323668.2A CN201910323668A CN111832589A CN 111832589 A CN111832589 A CN 111832589A CN 201910323668 A CN201910323668 A CN 201910323668A CN 111832589 A CN111832589 A CN 111832589A
- Authority
- CN
- China
- Prior art keywords
- level
- classification
- sub
- classifier
- cascade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多级分类对象的分类方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:利用多级分类对象的样本特征数据,通过联合训练方式逐级构建级联分类模型,构建过程:根据第1级子分类器构建1级级联分类模型;2≤K≤N时,将多级分类对象的样本特征数据和K‑1级级联分类模型输出的多级分类对象的K‑1级分类信息共同输入第K级子分类器,以对K‑1级级联分类模型和第K级子分类器联合训练,得到K级级联分类模型;利用最终的N级级联分类模型对多级分类对象的待分类数据分类,得到N级分类信息。该实施方式考虑类间的亲疏性,分类效果好,可避免误差传递,提高分类准确率,整体模型复杂度低,降低模型开发的难度和工作量。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种多级分类对象的分类方法和装置。
背景技术
多级分类是指类别本身存在层级的一种多分类问题。多级分类的最大特点是类别间存在明显的亲疏关系,例如,生物分为动物和植物,动物分为脊索动物和无脊索动物,植物又分为苔藓植物、蕨类植物等,其中脊索动物与无脊索动物更加亲近,而与苔藓植物则比较疏远。现有的多级分类方案:方案一是采用常规机器学习模型,例如支持向量机、神经网络、朴素贝叶斯、决策树等,其认为类别间毫无关联,不考虑类别间的亲疏关系;方案二是采用级联模型,先建立各级分类的子分类器,再通过一些技巧将多个子分类器进行融合,例如,先建立1个一级子分类器用来判别动物或植物,再建立两个二级子分类器,分别用来判别是脊索动物或无脊索动物,以及苔藓植物或蕨类植物。
常规机器学习模型采用一刀切的处理方式,假设类别间毫无关联,不考虑类别之间的亲疏性,由于不能充分挖掘类间的隐藏信息,分类效果差强人意;传统级联模型一般采用判别式模型构建子分类器,先要确定一级分类,再用相应分类器确定二级分类,以此类推,其最主要缺点是当各级别分类拥有较多子类且分类层级较深时,往往需要构建数量庞大的子分类器,对模型开发的影响是灾难性的;此外,各级子分类器的误差向下传递,使得模型的累积误差随着分类层级的增加而迅速增长,较深层级的分类准确率较难保证。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
现有技术中,方案一未考虑类间的亲疏性,分类效果差;方案二存在累积误差,分类准确性差,且建模工作量大,模型复杂度高。
发明内容
有鉴于此,本发明实施例提供一种多级分类对象的分类方法和装置,能够考虑类间的亲疏性,分类效果好,并可避免误差传递,提高分类准确率,整体模型复杂度低,降低了模型开发的难度和工作量。
为实现上述目的,根据本发明实施例的一个方面,提供了一种多级分类对象的分类方法。
一种多级分类对象的分类方法,包括:利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数),所述构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将所述多级分类对象的样本特征数据和K-1级级联分类模型输出的所述多级分类对象的K-1级分类信息共同输入第K级子分类器,以对所述K-1级级联分类模型和所述第K级子分类器联合训练,得到K级级联分类模型;利用最终的所述N级级联分类模型对输入的所述多级分类对象的待分类数据进行分类,以得到所述多级分类对象的N级分类信息。
可选地,在构建每一级级联分类模型之前,利用所述多级分类对象的样本特征数据训练该级的子分类器,其中,在每级只构建一个子分类器。
可选地,训练各级子分类器的步骤,包括:在训练第1级子分类器时,以所述多级分类对象的样本特征数据作为所述第1级子分类器的输入,以所述多级分类对象的1级分类标注信息为训练目标;在训练第K级子分类器时,2≤K≤N,以所述多级分类对象的样本特征数据和第K-1级分类标注信息为所述第K级子分类器的输入,以所述多级分类对象的第K级分类标注信息为训练目标。
可选地,所述子分类器通过满足产生式、可追加训练和联合训练的模型构建。
根据本发明实施例的另一方面,提供了一种多级分类对象的分类装置。
一种多级分类对象的分类装置,包括:级联分类模型构建模块,用于利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数),所述构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将所述多级分类对象的样本特征数据和K-1级级联分类模型输出的所述多级分类对象的K-1级分类信息共同输入第K级子分类器,以对所述K-1级级联分类模型和所述第K级子分类器联合训练,得到K级级联分类模型;分类模块,用于利用最终的所述N级级联分类模型对输入的所述多级分类对象的待分类数据进行分类,以得到所述多级分类对象的N级分类信息。
可选地,还包括子分类器训练模块,用于:在构建每一级级联分类模型之前,利用所述多级分类对象的样本特征数据训练该级的子分类器,其中,在每级只构建一个子分类器。
可选地,所述子分类器训练模块还用于:在训练第1级子分类器时,以所述多级分类对象的样本特征数据作为所述第1级子分类器的输入,以所述多级分类对象的1级分类标注信息为训练目标;在训练第K级子分类器时,2≤K≤N,以所述多级分类对象的样本特征数据和第K-1级分类标注信息为所述第K级子分类器的输入,以所述多级分类对象的第K级分类标注信息为训练目标。
可选地,所述子分类器训练模块还用于:通过满足产生式、可追加训练和联合训练的模型构建所述子分类器。
根据本发明实施例的又一方面,提供了一种电子设备。
一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现本发明提供的多级分类对象的分类方法。
根据本发明实施例的又一方面,提供了一种计算机可读介质。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的多级分类对象的分类方法。
上述发明中的一个实施例具有如下优点或有益效果:利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数),构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将多级分类对象的样本特征数据和K-1级级联分类模型输出的多级分类对象的K-1级分类信息共同输入第K级子分类器,以对K-1级级联分类模型和第K级子分类器联合训练,得到K级级联分类模型;利用最终的N级级联分类模型对输入的多级分类对象的待分类数据进行分类,以得到多级分类对象的N级分类信息。级联模型的使用可以更好地体现多级分类之间的亲疏关系,充分挖掘类间的隐藏信息,分类效果好;通过联合训练的方式逐级构建级联分类模型,可以避免误差传递,提高模型的分类准确率;各级分类下只构建单一子分类器,减少了整体模型复杂度,使得模型开发更加容易,工作量小;此外,级联分类模型的构建是上一级级联分类模型与当前级子分类器的模型融合,通过再训练的方式,进一步对模型参数进行优化,可以提高模型的泛化能力。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的多级分类对象的分类方法的主要步骤示意图;
图2是根据本发明实施例的商城商品的多级分类示意图;
图3是根据本发明实施例的级联分类模型的构建流程示意图;
图4是根据本发明实施例的K级级联分类模型的结构示意图;
图5是根据本发明实施例的多级分类对象的分类装置的主要模块示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本领域技术技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
图1是根据本发明实施例的多级分类对象的分类方法的主要步骤示意图。
如图1所示,本发明实施例的多级分类对象的分类方法主要包括如下的步骤S101至步骤S102。
步骤S101:利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数)。
多级分类是指类别本身存在层级的一种多分类问题,多级分类对象即需要对其进行多级分类的对象,例如,电商商城中的商品通常存在多级分类问题,商品就是一种多级分类对象。
图2是某商城商品下设的多级分类的示意图,商城商品的数量和种类众多,图2所示仅是示例性说明商品多级分类,图中显示的分类级数和子类别数量并不是真实情况,商品多级分类的真实情况会更加复杂。多级分类对象的分类级数即指该多级分类对象分类的层级数。图2中食品和图书都分为一级分类、二级分类、三级分类,分类级数为3。
多级分类对象的样本特征数据可以是多级分类对象的标识,例如,对于商品,其样本特征数据可以是商品名称。
级联分类模型的构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将多级分类对象的样本特征数据和K-1级级联分类模型输出的多级分类对象的K-1级分类信息共同输入第K级子分类器,以对K-1级级联分类模型和第K级子分类器联合训练,得到K级级联分类模型。
在构建每一级级联分类模型之前,利用多级分类对象的样本特征数据训练该级的子分类器,其中,在每级只构建一个子分类器。
训练各级子分类器,具体地,在训练第1级子分类器时,以多级分类对象的样本特征数据作为第1级子分类器的输入,以多级分类对象的1级分类标注信息为训练目标;在训练第K级子分类器时,2≤K≤N,以多级分类对象的样本特征数据和第K-1级分类标注信息为第K级子分类器的输入,以多级分类对象的第K级分类标注信息为训练目标。
子分类器通过满足产生式、可追加训练和联合训练的模型构建。
在训练子分类器之前,需要先取得多级分类对象的样本数据,多级分类对象的样本数据包括多级分类对象的样本特征数据和多级分类对象的各级分类标注信息,多级分类对象的各级分类标注信息是多级分类对象的样本类别真值。图2中商品多级分类的样本数据示例可以如表1所示。表1中商品的各级分类标注信息即商品的一级分类标签、二级分类标签、三级分类标签。
表1
商品名称 | 一级分类标签 | 二级分类标签 | 三级分类标签 |
某牌啤酒 | 食品 | 食品-酒类 | 食品-酒类-啤酒 |
某52度酒 | 食品 | 食品-酒类 | 食品-酒类-白酒 |
帝王蟹 | 食品 | 食品-生鲜 | 食品-生鲜-壳类 |
武昌鱼 | 食品 | 食品-生鲜 | 食品-生鲜-鱼类 |
某儿童绘本 | 图书 | 图书-儿童 | 图书-儿童-绘本 |
某儿童漫画 | 图书 | 图书-儿童 | 图书-儿童-漫画 |
某文艺图书 | 图书 | 图书-成人 | 图书-成人-文艺 |
高等数学 | 图书 | 图书-成人 | 图书-成人-科教 |
步骤S102:利用最终的N级级联分类模型对输入的多级分类对象的待分类数据进行分类,以得到多级分类对象的N级分类信息。
以对图2的商品分类为例,在输入待分类商品的商品名称之后,利用已经构建好的三级级联分类模型即可确定该商品的三级分类信息。
本发明实施例的级联模型的使用可以更好地体现多级分类之间的亲疏关系,充分挖掘类间的隐藏信息,分类效果好;通过联合训练的方式逐级构建级联分类模型,可以避免误差传递,提高模型的分类准确率。
另外,本发明在各级分类下只构建单一子分类器,以图2所示的商品多级分类为例,本发明实施例只需要分别在一级、二级、三级分类分别各构建一个子分类器,总计只需构建3个子分类器,而现有技术的传统级联模型则需要构建7个子分类器(即一级、二级、三级分类分别相应构建1个、2个、4个子分类器,其中以二级为例,现有技术需要构建分别用于对食品和图书分类的两个子分类器),显然,本发明实施例可以减少整体模型复杂度,使得模型开发更加容易,工作量小,特别是在各级别分类拥有较多子类且分类层级较深时,本发明实施例的优势相比于现有技术更加突出。
最后,级联分类模型的构建是上一级级联分类模型与当前级子分类器的模型融合,通过再训练的方式,进一步对模型参数进行优化,可以提高模型的泛化能力。
图3是根据本发明实施例的级联分类模型的构建流程示意图。
本发明实施例在处理多级分类问题时,针对各级分类标签均建立子分类器,且每级只构建一个子分类器,并通过联合训练的方式逐级构建级联分类模型,级联分类模型的构建是对子分类器进行模型融合的过程。如图3所示,本发明实施例的级联分类模型的构建流程包括如下的步骤S301至步骤S308。
步骤S301:设置K=1。
K=1表明从1级级联分类模型开始构建。
步骤S302:使用商品的样本数据训练第K级子分类器,分类标注信息为K级分类标签。
本例中,商品的样本数据包括商品的样本特征数据和商品的各级分类标注信息。商品的样本特征数据为商品名称。
其中,训练第K级子分类器时,在K=1的情况下,使用商品的样本数据训练第1级子分类器,由于第1级子分类器无上一级分类标签,所以输入数据即为商品名称。在2≤K≤N的情况下,子分类器的输入为商品名称和K-1级分类标签。例如:使用商品的样本数据训练第2级子分类器时,输入数据为商品名称和一级分类标签,训练目标为二级分类标签;使用商品的样本数据训练第3级子分类器时,输入数据为商品名称和二级分类标签,训练目标为三级分类标签。同理,可以训练更高级别的子分类器。
本实施例的子分类器采用神经网络模型构建。需要说明的是,采用其他满足产生式、可追加训练和联合训练的模型也可以构建本发明实施例的子分类器。
步骤S303:判断K是否等于1,若是,则跳转到步骤S306,否则,进行步骤S304。
K=1时,根据第1级子分类器构建1级级联分类模型,由于第1级子分类器在步骤S302已经训练,并且第1级子分类器无上一级的级联分类模型,因此,1级级联分类模型即为第1级子分类器,无需校正,直接跳转到步骤S306。K≠1时,进行步骤S304。
步骤S304:得到训练后的第K级子分类器。
步骤S305:使用商品的样本数据,对K-1级级联分类模型和第K级子分类器联合训练。
从本流程图可以看出,当构建K级级联分类模型时,第K级子分类器和K-1级级联分类模型已构建完成。
其中,K级级联分类模型需要使用第K级子分类器和K-1级级联分类模型联合训练得到,K级级联分类模型的联合训练过程如下:
首先,拼接第K级子分类器和K-1级级联分类模型的神经网络结构,图4的K级级联分类模型的结构示意图清楚地示出了拼接方法。如图4所示,第K级子分类器和K-1级级联分类模型串行连接,图4中虚线框表示K级级联分类模型,K级级联分类模型的输入为商品名称,训练目标为K级分类标签;第K级子分类器的输入为商品名称和K-1级级联分类模型输出的K-1级分类信息(即K-1级分类结果);K-1级级联分类模型的输入为商品名称,输出为K-1级分类信息。
其次,使用第K级子分类器和K-1级级联分类模型的模型参数对新网络的对应子结构的模型参数进行初始化。
最后,使用商品的样本数据对新网络结构的模型参数进行再训练,得到K级级联分类模型。
下面以2级级联分类模型为例,说明K级级联分类模型的构建过程。假设1级级联分类模型和第2级子分类器已构建完成,1级级联分类模型即第1级子分类器,第2级子分类器的构建过程参考步骤S302。联合训练过程如下:首先将两个模型的网络结构进行拼接,新的网络结构包含两部分,分别对应于1级级联分类模型和第2级子分类器;分别利用1级级联分类模型和第2级子分类器的模型参数对新网络模型参数进行初始化;使用商品的样本数据对新网络结构进行再训练,1级级联分类模型的输入是商品名称,输出是一级分类标签的概率值,第2级子分类器的输入是(商品名称+1级级联分类模型的输出),输出是二级分类标签的概率值。因此,从整体上看,2级级联分类模型的输入是商品名称,训练目标是二级分类标签。采用同样的方式可以依次构建更高级的级联分类模型。
步骤S306:得到训练后的K级级联分类模型。
步骤S307:令K=K+1,以构建下一级级联分类模型。
步骤S308:判断K是否大于N。
K大于N为终止条件,如果不满足终止条件,则继续构建下一级级联模型,即转至步骤S302,否则结束流程。
其中,N代表多级分类问题的分类级数,当K=N时,K级级联分类模型即为最终的级联分类模型,用来对测试数据进行多级分类,分类结果为输出向量中最大元素所对应的多级分类标签,本例中N=3,即只需要构建3级级联分类模型即可。3级级联模型可以用于解决商品三级分类问题,当输入为新商品的名称时,输出为三级分类标签的概率值,取其中最大元素所对应的三级分类即为最终的分类结果(三级分类信息)。
图5是根据本发明实施例的多级分类对象的分类装置的主要模块示意图。
如图5所示,本发明实施例的多级分类对象的分类装置500主要包括:级联分类模型构建模块501、分类模块502。
级联分类模型构建模块501,用于利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数)。
多级分类是指类别本身存在层级的一种多分类问题,多级分类对象即需要对其进行多级分类的对象,例如,电商商城中的商品通常存在多级分类问题,该商品就是一种多级分类对象。
级联分类模型的构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将多级分类对象的样本特征数据和K-1级级联分类模型输出的多级分类对象的K-1级分类信息共同输入第K级子分类器,以对K-1级级联分类模型和第K级子分类器联合训练,得到K级级联分类模型。
分类模块502,用于利用最终的N级级联分类模型对输入的多级分类对象的待分类数据进行分类,以得到多级分类对象的N级分类信息。
多级分类对象的分类装置500还可以包括子分类器训练模块,用于在构建每一级级联分类模型之前,利用多级分类对象的样本特征数据训练该级的子分类器,其中,在每级只构建一个子分类器。
子分类器训练模块还可以用于:在训练第1级子分类器时,以多级分类对象的样本特征数据作为第1级子分类器的输入,以多级分类对象的1级分类标注信息为训练目标;在训练第K级子分类器时,2≤K≤N,以多级分类对象的样本特征数据和第K-1级分类标注信息为第K级子分类器的输入,以多级分类对象的第K级分类标注信息为训练目标。
在训练子分类器之前,需要先取得多级分类对象的样本数据,多级分类对象的样本数据包括多级分类对象的样本特征数据和多级分类对象的各级分类标注信息,多级分类对象的各级分类标注信息是多级分类对象的样本类别真值。子分类器训练模块可以通过满足产生式、可追加训练和联合训练的模型构建子分类器。
另外,在本发明实施例中多级分类对象的分类装置的具体实施内容,在上面所述多级分类对象的分类方法中已经详细说明了,故在此重复内容不再说明。
图6示出了可以应用本发明实施例的多级分类对象的分类方法或多级分类对象的分类装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的多级分类对象的分类方法一般由服务器605执行,相应地,多级分类对象的分类装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统700的结构示意图。图7示出的终端设备或服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元或模块、程序段、或代码的一部分,上述单元或模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括级联分类模型构建模块、分类模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,级联分类模型构建模块还可以被描述为“用于利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数),所述构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将所述多级分类对象的样本特征数据和K-1级级联分类模型输出的所述多级分类对象的K-1级分类信息共同输入第K级子分类器,以对所述K-1级级联分类模型和所述第K级子分类器联合训练,得到K级级联分类模型;利用最终的所述N级级联分类模型对输入的所述多级分类对象的待分类数据进行分类,以得到所述多级分类对象的N级分类信息。
根据本发明实施例的技术方案,利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数),构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将多级分类对象的样本特征数据和K-1级级联分类模型输出的多级分类对象的K-1级分类信息共同输入第K级子分类器,以对K-1级级联分类模型和第K级子分类器联合训练,得到K级级联分类模型;利用最终的N级级联分类模型对输入的多级分类对象的待分类数据进行分类,以得到多级分类对象的N级分类信息。级联模型的使用可以更好地体现多级分类之间的亲疏关系,充分挖掘类间的隐藏信息,分类效果好;通过联合训练的方式逐级构建级联分类模型,可以避免误差传递,提高模型的分类准确率;各级分类下只构建单一子分类器,减少了整体模型复杂度,使得模型开发更加容易,工作量小;此外,级联分类模型的构建是上一级级联分类模型与当前级子分类器的模型融合,通过再训练的方式,进一步对模型参数进行优化,可以提高模型的泛化能力。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种多级分类对象的分类方法,其特征在于,包括:
利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数),所述构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将所述多级分类对象的样本特征数据和K-1级级联分类模型输出的所述多级分类对象的K-1级分类信息共同输入第K级子分类器,以对所述K-1级级联分类模型和所述第K级子分类器联合训练,得到K级级联分类模型;
利用最终的所述N级级联分类模型对输入的所述多级分类对象的待分类数据进行分类,以得到所述多级分类对象的N级分类信息。
2.根据权利要求1所述的方法,其特征在于,在构建每一级级联分类模型之前,利用所述多级分类对象的样本特征数据训练该级的子分类器,其中,在每级只构建一个子分类器。
3.根据权利要求2所述的方法,其特征在于,训练各级子分类器的步骤,包括:
在训练第1级子分类器时,以所述多级分类对象的样本特征数据作为所述第1级子分类器的输入,以所述多级分类对象的1级分类标注信息为训练目标;
在训练第K级子分类器时,2≤K≤N,以所述多级分类对象的样本特征数据和第K-1级分类标注信息为所述第K级子分类器的输入,以所述多级分类对象的第K级分类标注信息为训练目标。
4.根据权利要求1所述的方法,其特征在于,所述子分类器通过满足产生式、可追加训练和联合训练的模型构建。
5.一种多级分类对象的分类装置,其特征在于,包括:
级联分类模型构建模块,用于利用多级分类对象的样本特征数据,通过联合训练的方式逐级构建级联分类模型,以得到最终的N级级联分类模型(N为多级分类对象的分类级数),所述构建过程包括:根据第1级子分类器构建1级级联分类模型;当2≤K≤N时,将所述多级分类对象的样本特征数据和K-1级级联分类模型输出的所述多级分类对象的K-1级分类信息共同输入第K级子分类器,以对所述K-1级级联分类模型和所述第K级子分类器联合训练,得到K级级联分类模型;
分类模块,用于利用最终的所述N级级联分类模型对输入的所述多级分类对象的待分类数据进行分类,以得到所述多级分类对象的N级分类信息。
6.根据权利要求5所述的装置,其特征在于,还包括子分类器训练模块,用于:
在构建每一级级联分类模型之前,利用所述多级分类对象的样本特征数据训练该级的子分类器,其中,在每级只构建一个子分类器。
7.根据权利要求6所述的装置,其特征在于,所述子分类器训练模块还用于:
在训练第1级子分类器时,以所述多级分类对象的样本特征数据作为所述第1级子分类器的输入,以所述多级分类对象的1级分类标注信息为训练目标;
在训练第K级子分类器时,2≤K≤N,以所述多级分类对象的样本特征数据和第K-1级分类标注信息为所述第K级子分类器的输入,以所述多级分类对象的第K级分类标注信息为训练目标。
8.根据权利要求5所述的装置,其特征在于,所述子分类器训练模块还用于:
通过满足产生式、可追加训练和联合训练的模型构建所述子分类器。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323668.2A CN111832589A (zh) | 2019-04-22 | 2019-04-22 | 一种多级分类对象的分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323668.2A CN111832589A (zh) | 2019-04-22 | 2019-04-22 | 一种多级分类对象的分类方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832589A true CN111832589A (zh) | 2020-10-27 |
Family
ID=72912368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910323668.2A Pending CN111832589A (zh) | 2019-04-22 | 2019-04-22 | 一种多级分类对象的分类方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832589A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101044A (zh) * | 2020-11-02 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 一种意图识别方法、装置及电子设备 |
CN112801233A (zh) * | 2021-04-07 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种物联网设备蜜罐系统攻击分类方法、装置及设备 |
-
2019
- 2019-04-22 CN CN201910323668.2A patent/CN111832589A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101044A (zh) * | 2020-11-02 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 一种意图识别方法、装置及电子设备 |
CN112101044B (zh) * | 2020-11-02 | 2021-11-12 | 北京淇瑀信息科技有限公司 | 一种意图识别方法、装置及电子设备 |
CN112801233A (zh) * | 2021-04-07 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种物联网设备蜜罐系统攻击分类方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062089B2 (en) | Method and apparatus for generating information | |
CN110457581B (zh) | 一种资讯推荐方法、装置、电子设备及存储介质 | |
US11281860B2 (en) | Method, apparatus and device for recognizing text type | |
CN112164391B (zh) | 语句处理方法、装置、电子设备及存储介质 | |
WO2020114022A1 (zh) | 一种知识库对齐方法、装置、计算机设备及存储介质 | |
CN112860866B (zh) | 语义检索方法、装置、设备以及存储介质 | |
CN108108743B (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
CN114329201B (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN112395487B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN112749300B (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
US20160085857A1 (en) | Grouping data using dynamic thresholds | |
CN111126442A (zh) | 一种物品关键属性生成方法、物品分类方法和装置 | |
CN111832589A (zh) | 一种多级分类对象的分类方法和装置 | |
WO2022001887A1 (zh) | 用于训练物品编码模型的方法和装置 | |
CN113139558B (zh) | 确定物品的多级分类标签的方法和装置 | |
CN114036397B (zh) | 数据推荐方法、装置、电子设备和介质 | |
CN116204624A (zh) | 应答方法、装置、电子设备及存储介质 | |
CN116048463A (zh) | 基于标签管理的需求项内容智能推荐方法及装置 | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
CN112100507B (zh) | 对象推荐的方法、计算设备和计算机可读存储介质 | |
CN111274383B (zh) | 一种应用于报价的分类对象方法和装置 | |
CN113761228A (zh) | 基于多任务的标签生成方法、装置、电子设备和介质 | |
CN113761183A (zh) | 意图识别方法和意图识别装置 | |
CN111858917A (zh) | 文本分类方法和装置 | |
CN111783808A (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |