CN112418276B - 一种分类器的处理方法及装置 - Google Patents
一种分类器的处理方法及装置 Download PDFInfo
- Publication number
- CN112418276B CN112418276B CN202011211104.9A CN202011211104A CN112418276B CN 112418276 B CN112418276 B CN 112418276B CN 202011211104 A CN202011211104 A CN 202011211104A CN 112418276 B CN112418276 B CN 112418276B
- Authority
- CN
- China
- Prior art keywords
- data
- classifier
- line
- preset type
- test
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 220
- 238000012549 training Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000002372 labelling Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims description 121
- 238000012937 correction Methods 0.000 claims description 64
- 238000012795 verification Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 208000015181 infectious disease Diseases 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请示出了一种分类器的处理方法及装置。通过本申请,可以支持在分类器上线之前的训练分类器的过程中,可以不在训练阶段直接训练出的泛化能力达到高水准的分类器,这样,就可以使得训练分类器时所使用的样本数据较少,从而使得对样本数据标注的工作量较少,从而可以降低人工成本。另外,在训练出的分类器上线之后,可以通过线上数据自学习不断搜集用于对分类器优化更新的线上数据,然后是搜集的线上数据优化分类器,以使分类器的泛化能力逐渐提高到高水准。可见,本申请可以在将训练出的分类器的泛化能力提高到高水准的情况下,降低人工成本。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种分类器的处理方法及装置。
背景技术
当前,在社交平台发布内容已经是广大用户在网络上的一种常见的交互方式,然而,为了净化网络环境,需要监督在社交平台发布的内容中是否存在非法内容,在存在非法内容情况下,可以在社交平台删除发布的内容。
在一种方式中,可以对社交平台的内容进行人工审核,然而,人工审核的人工较高。
因此,为了降低人工成本,可以训练分类器,然后基于分类器对在社交平台发布的内容进行自动审核。
然而,在训练分类器时,需要人工搜集训练数据以及对训练数据标注,为了提高分类器的泛化能力,则通常需要人工搜集大量的训练数据并对大量的训练数据标注。但是,人工搜集大量的训练数据并对大量的训练数据标注仍旧会提高人工成本。
发明内容
为了降低人工成本,本申请示出了一种分类器的处理方法及装置。
第一方面,本申请示出了一种分类器的处理方法,所述方法包括:
基于训练出的分类器处理线上数据,得到线上处理结果;
根据线上处理结果中的预设类型的线上处理结果获取第一标注数据;
至少根据预设类型的线上处理结果对应的线上数据和所述第一标注数据获取第一线上训练数据;
基于所述第一线上训练数据更新训练出的分类器。
在一个可选的实现方式中,所述方法还包括:
根据线上处理结果中的非预设类型的线上处理结果获取第二标注数据;
至少根据所述非预设类型的线上处理结果对应的线上数据和所述第二标注数据获取第二线上训练数据;
基于所述第二线上训练数据更新训练出的分类器。
在一个可选的实现方式中,所述根据线上处理结果中的预设类型的线上处理结果获取第一标注数据,包括:
在预设类型的线上处理结果未被纠错的情况下,将所述预设类型的线上处理结果确定为所述第一标注数据;
或者,
在预设类型的线上处理结果被纠错的情况下,获取对预设类型的线上处理结果纠错的线上纠错结果,将所述线上纠错结果确定为所述第一标注数据。
在一个可选的实现方式中,所述方法还包括:
基于第一线下训练数据训练分类器;
获取训练出的分类器的分类准确率;
在训练出的分类器的分类准确率大于或等于预设准确率的情况下,再执行所述基于训练出的分类器处理线上数据的步骤。
在一个可选的实现方式中,所述获取训练出的分类器的分类准确率,包括:
获取多个测试数据;
基于训练出的分类器对测试数据处理,得到测试处理结果;
获取人工对至少部分所述测试处理结果的人工校验结果;
基于所述人工校验结果获取所述分类准确率。
在一个可选的实现方式中,所述方法还包括:
在训练出的分类器的分类准确率小于预设准确率的情况下,获取人工对错误的测试处理结果纠错的测试纠错结果;
至少根据所述测试纠错结果、所述测试纠错结果对应的测试数据、未被纠错的测试处理结果以及所述未被纠错的测试处理结果对应的测试数据生成第二线下训练数据;
基于所述第二线下训练数据训练分类器,然后执行所述获取训练出的分类器的分类准确率的步骤。
第二方面,本申请示出了一种分类器的处理装置,所述装置包括:
处理模块,用于基于训练出的分类器处理线上数据,得到线上处理结果;
第一获取模块,用于根据线上处理结果中的预设类型的线上处理结果获取第一标注数据;
第二获取模块,用于至少根据预设类型的线上处理结果对应的线上数据和所述第一标注数据获取第一线上训练数据;
第一更新模块,用于基于所述第一线上训练数据更新训练出的分类器。
在一个可选的实现方式中,所述装置还包括:
第三获取模块,用于根据线上处理结果中的非预设类型的线上处理结果获取第二标注数据;
第四获取模块,用于至少根据所述非预设类型的线上处理结果对应的线上数据和所述第二标注数据获取第二线上训练数据;
第二更新模块,用于基于所述第二线上训练数据更新训练出的分类器。
在一个可选的实现方式中,所述第一获取模块包括:
第一确定单元,用于在预设类型的线上处理结果未被纠错的情况下,将所述预设类型的线上处理结果确定为所述第一标注数据;
或者,
第一获取单元,用于获取单元,用于在预设类型的线上处理结果被纠错的情况下,获取对预设类型的线上处理结果纠错的线上纠错结果,第二确定单元,用于将所述线上纠错结果确定为所述第一标注数据。
在一个可选的实现方式中,所述装置还包括:
训练模块,用于基于第一线下训练数据训练分类器;
第五获取模块,用于获取训练出的分类器的分类准确率;
所述处理模块还用于:在训练出的分类器的分类准确率大于或等于预设准确率的情况下,基于训练出的分类器处理线上数据。
在一个可选的实现方式中,所述第五获取模块包括:
第二获取单元,用于获取多个测试数据;
处理单元,用于基于训练出的分类器对测试数据处理,得到测试处理结果;
第三获取单元,用于获取人工对至少部分所述测试处理结果的人工校验结果;
第四获取单元,用于基于所述人工校验结果获取所述分类准确率。
在一个可选的实现方式中,所述装置还包括:
第六获取模块,用于在训练出的分类器的分类准确率小于预设准确率的情况下,获取人工对错误的测试处理结果纠错的测试纠错结果;
生成模块,用于至少根据所述测试纠错结果、所述测试纠错结果对应的测试数据、未被纠错的测试处理结果以及所述未被纠错的测试处理结果对应的测试数据生成第二线下训练数据;
所述第五获取模块还用于:基于所述第二线下训练数据训练分类器,获取训练出的分类器的分类准确率。
第三方面,本申请示出了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行如第一方面所述的分类器的处理方法。
第四方面,本申请示出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面所述的分类器的处理方法。
第五方面,本申请示出了一种计算机程序产品,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面所述的分类器的处理方法。
本申请提供的技术方案可以包括以下有益效果:
本申请的一个目的是为了尽可能地识别出为预设类型的线上数据,预设类型可以理解为:在线上数据中的多个子数据中,只要有至少一个子数据是预设类型的,则线上是预设类型的。因此,在本申请中,可以基于训练出的分类器处理线上数据,得到线上处理结果,根据线上处理结果中的预设类型的线上处理结果获取第一标注数据,至少根据预设类型的线上处理结果对应的线上数据和第一标注数据获取第一线上训练数据,基于第一线上训练数据更新训练出的分类器,以提高分类器的泛化能力,例如,以使分类器之后可以识别出更多的预设类型的线上数据,提高分类器的分类的准确率。
通过本申请,可以支持在分类器上线之前的训练分类器的过程中,可以不在训练阶段直接训练出的泛化能力达到高水准的分类器,这样,就可以使得训练分类器时所使用的样本数据较少,从而使得对样本数据标注的工作量较少,从而可以降低人工成本。另外,在训练出的分类器上线之后,可以通过线上数据自学习不断搜集用于对分类器优化更新的线上数据,然后是搜集的线上数据优化分类器,以使分类器的泛化能力逐渐提高到高水准。
可见,本申请可以在将训练出的分类器的泛化能力提高到高水准的情况下,降低人工成本。
附图说明
图1是本申请的一种分类器的处理方法的步骤流程图。
图2是本申请的一种分类器的训练方法的步骤流程图。
图3是本申请的一种分类器的训练方法的步骤流程图。
图4是本申请的一种分类器的处理装置的结构框图。
图5是本申请示出的一种电子设备的框图。
图6是本申请示出的一种电子设备的框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种分类器的处理方法的步骤流程图,该方法具体可以包括如下步骤:
在步骤S101中,基于训练出的分类器处理线上数据,得到线上处理结果。
在本申请中,训练出的分类器包括用于进行二分类的分类器,也即,训练出的分类器的输出结果可以包括两个,例如,分别为预设类型和非预设类型,例如,输出“异常”或者“正常”,输出“敏感”或者“非敏感”,等等。
在一个场景中,广大用户可以在电子设备维护的社交平台上传社交数据,以通过社交数据与其他用户进行交互。
然而,为了净化社交平台的环境,电子设备需要禁止广大用户在社交平台上上传违规的数据(预设类型的数据),例如,违反法律、道德或公序良俗的数据。
如此,电子设备可以基于分类器识别用户上传的社交数据为预设类型的数据或非预设类型的数据,在为非预设类型的数据的情况下,可以在社交平台上部署用户上传的社交数据,在为预设类型的数据的情况下,可以不在社交平台上部署用户上传的社交数据。
其中,分类器可以包括于统计的分类器。
或者,分类器可以包括:贝叶斯分类器、Fisher分类器、SVM(Support VectorMachine,支持向量机)、K-means(K均值聚类算法)、Boosting(提升方法)或Adboosting等。
其中,事先训练分类器的过程可以参见如图2所示的实施例,在此不作详述。
在步骤S102中,根据线上处理结果中的预设类型的线上处理结果获取第一标注数据。
在本申请中,线上数据可以包括多个子数据,在多个子数据中的至少一个子数据为预设类型的情况下,则可以确定线上数据是预设类型的,在多个子数据中的每一个子数据均为非预设类型的情况下,则可以确定线上数据是非预设类型的。
本申请的一个目的是为了尽可能地识别出为预设类型的线上数据,且预设类型可以理解为:在一个数据中的多个子数据中,只要有至少一个子数据是预设类型的,则该数据是预设类型的。因此,在本申请中,可以基于预设类型的线上处理结果以及预设类型的线上处理结果对应的线上数据继续优化分类器,以提高分类器的泛化能力,例如,以使分类器之后可以识别出更多的预设类型的数据,提高分类器的分类的准确率。
在一个例子中,例如,线上数据包括多个子数据,在多个子数据中的至少一个子数据是异常的情况下,则可以确定线上数据是异常的,在多个子数据中的每一个子数据均是正常的情况下,则可以确定线上数据是正常的。
其中,子数据的是异常至少可以理解为:子数据违反法律、道德或公序良俗的数据。
本申请的一个目的是为了尽可能地识别出为异常的线上数据,且异常的线上数据可以理解为:在一个数据中的多个子数据中,只要有至少一个子数据是异常的,则该数据是异常的。因此,在本申请中,可以基于异常的线上处理结果以及异常的线上处理结果对应的线上数据继续优化分类器,以提高分类器的泛化能力,例如,以使分类器之后可以识别出更多的异常的数据,提高分类器的分类的准确率。
在本申请中,可以将线上处理结果中包括的预设类型的线上处理结果作为第一标注数据。
在步骤S103中,至少根据预设类型的线上处理结果对应的线上数据和第一标注数据获取第一线上训练数据。
在本申请一个实施例中,可以将线上数据和第一标注数据组合为第一上线训练数据。
在步骤S104中,基于第一线上训练数据更新训练出的分类器。
在更新训练出的分类器的过程中,第一线上训练数据中第一标注数据可以作为线上数据的监督数据。
本申请的一个目的是为了尽可能地识别出为预设类型的线上数据,预设类型可以理解为:在线上数据中的多个子数据中,只要有至少一个子数据是预设类型的,则线上是预设类型的。因此,在本申请中,可以基于训练出的分类器处理线上数据,得到线上处理结果,根据线上处理结果中的预设类型的线上处理结果获取第一标注数据,至少根据预设类型的线上处理结果对应的线上数据和第一标注数据获取第一线上训练数据,基于第一线上训练数据更新训练出的分类器,以提高分类器的泛化能力,例如,以使分类器之后可以识别出更多的预设类型的线上数据,提高分类器的分类的准确率。
通过本申请,可以支持在分类器上线之前的训练分类器的过程中,可以不在训练阶段直接训练出的泛化能力达到高水准的分类器,这样,就可以使得训练分类器时所使用的样本数据较少,从而使得对样本数据标注的工作量较少,从而可以降低人工成本。另外,在训练出的分类器上线之后,可以通过线上数据自学习不断搜集用于对分类器优化更新的线上数据,然后是搜集的线上数据优化分类器,以使分类器的泛化能力逐渐提高到高水准。
可见,本申请可以在将训练出的分类器的泛化能力提高到高水准的情况下,降低人工成本。
由于本申请的分类器可以包括基于统计的分类器,因此,在实际的线上处理数据的过程中,如果出现多次出现子数据的过渡传染的现象,则会导致出现识别出错的情况。
这对用户而言,就会出现用户无法在社交平台上传本来是非预设类型的线上处理结果对应的线上数据的情况,导致用户体验较低。
因此,为了避免这种情况发生,在本申请另一实施例中,除了基于预设类型的线上处理结果以及预设类型的线上处理结果对应的线上数据优化分类器之外,还可以基于非预设类型的线上处理结果以及非预设类型的线上处理结果对应的线上数据优化分类器,这样可以避免过渡传染。
为了能够基于非预设类型的线上处理结果以及非预设类型的线上处理结果对应的线上数据优化分类器,该方法还包括:
可以根据线上处理结果中的非预设类型的线上处理结果获取第二标注数据,例如,可以将线上处理结果中包括的非预设类型的线上处理结果作为第二标注数据。
然后至少根据非预设类型的线上处理结果对应的线上数据和第二标注数据获取第二线上训练数据,例如,可以将非预设类型的线上处理结果对应的线上数据和第二标注数据组合为第二上线训练数据。
之后基于第二线上训练数据更新训练出的分类器。其中,在更新训练出的分类器的过程中,第二线上训练数据中第二标注数据可以作为非预设类型的线上处理结果对应的线上数据的监督数据。
在一个例子中,假设线上数据为“购买手机拨打88XXYYZZ”,其中,包括子数据“购买”、“手机”、“拨打”以及“88XXYYZZ”,这些子数据单独看实际上均为非预设类型(例如正常等)的子数据,且分类器对其处理之后,可以将其识别为非预设类型的数据。
如此,可以将线上识别结果“非预设类型”作为第一标注数据,并根据训练数据“购买手机拨打88XXYYZZ”和第一标注数据“非预设类型”获取第二线上训练数据,然后基于第二线上数据继续更新分类器,例如更新分类器的网络参数等。
其中,由于本申请中的分类器包括基于统计的分类器,因此,即使上一个例子中出现了上述将子数据“购买”和“拨打”分别学习为预设类型的子数据的过渡传染的现象,但是只要这种学习的次数还未达到足够的数量,则分类器在实际的线上处理数据的过程中,还不会将子数据“购买”和“拨打”识别为预设类型的子数据。
趁着这种学习的次数还未达到足够的数量的机会,在本例子的更新过程中,由于不存在预设类型(例如异常等)的子数据,因此,不存在预设类型的传染,分类器会将子数据“购买”、“手机”、“拨打”以及“88XXYYZZ”均强化学习为非预设类型的子数据,来对抗上一个例子中“分类器将子数据‘购买’和‘拨打’分别学习为预设类型的数据”的传染作用,从而降低将“购买”和“拨打”分别传染为预设类型的数据的传染程度。
在不断地基于非预设类型的上线数据更新训练出的分类器的过程中,如果包括“购买”和“拨打”的且为非预设类型的上线数据较多,则分类器就会更可能将子数据“购买”和“拨打”分别学习为非预设类型的数据,也即,可以提高分类器不将“购买”和“拨打”训练为预设类型的数据的可能性,从而可以降低识别结果出错的可能性,提高分类器的识别结果的准确率。
在本申请一个实施例中,在分类器处理线上数据之后得到的线上处理结果为非预设类型的情况下,电子设备往往会对线上数据执行之后的正常流程,例如,正常地在社交平台部署或发布线上数据等。
然而,在分类器处理线上数据之后得到的线上处理结果为预设类型的情况下,电子设备往往会拒绝对线上数据执行之后的正常流程,例如,拒绝在社交平台部署或发布线上数据等。
并且,电子设备还可以向用户反馈上线处理结果,例如,提示用户线上数据为预设类型,线上数据不符合要求,无法对线上数据执行之后的正常流程。
用户在接收电子设备反馈的上线处理结果之后,可以自行对上线处理结果进行评估,如果用户认为电子设备反馈的线上处理结果不准确,则用户可以向电子设备提出针对线上处理结果的异议,用于向电子设备指示用户认为电子设备反馈的上线处理结果不准确,例如,用户认为线上数据应当为非预设类型等电子设备接收用户提出的异议,然后可以根据用户提出的异议获取线上纠错结果,在这个情况中,线上纠错结果包括非预设类型等。
或者,电子设备可以将用户提出的异议提交给技术人员,技术人员对用户提出的异议进行校验,在用户提出的异议正确的情况下,技术人员可以指示电子设备用户提出的异议正确,然后电子设备再根据用户反馈的异议获取线上纠错结果,在这个情况中,线上纠错结果包括非预设类型等。
或者,技术人员也可以对分类器识别出的线上处理结果进行随机抽查,将错误的处理结果纠错,并提交给电子设备,电子设备获取技术人员的线上纠错结果。
这样,在预设类型的线上处理结果被纠错的情况下,获取对预设类型的线上处理结果纠错的线上纠错结果,例如,线上纠错结果包括非预设类型等,然后将线上纠错结果确定为第一标注数据。
在一个实施例中,在预设类型的线上处理结果未被纠错的情况下,可以可以将预设类型的线上处理结果确定为第一标注数据。
在本申请一个实施例中,参见图2,在步骤S101之前还可以训练分类器,训练分类器的过程包括:
在步骤S201中,基于第一线下训练数据训练分类器。
在本申请中,第一线下训练数据包括样本数据以及样本数据的标注结果。
样本数据可以是技术人员搜集并提交给电子设备的。或者,也可以是电子设备从网络上搜集的,如此,可以不需要人工搜集,从而可以降低人工工作量,进而节省人工成本。
标注结果包括样本数据为预设类型或者非预设类型。
标注结果可以是人工对第一线下训练数据标注得到的。
样本数据中可以包括预设类型的数据以及非预设类型的数据等。
其中,可以基于第一线下训练数据对初始化模型训练,直至初始化模型中的网络参数收敛,从而得到分类器。
在本步骤中,第一线下训练数据可以为少量的训练数据等。如此,可以使得对样本数据标注的工作量较少。
在步骤S202中,获取训练出的分类器的分类准确率。
在本申请一个实施例中,本步骤可以通过如下流程实现,包括:
2021、获取多个测试数据。
在本申请中,测试数据可以是电子设备在网络上搜集的,如此,可以不需要人工搜集,从而可以降低人工工作量,进而节省人工成本。
2022、基于训练出的分类器对测试数据处理,得到测试处理结果。
其中,对于多个测试数据中的任意一个测试数据,可以将该测试数据输入训练出的分类器中,得到训练出的分类器输出的该测试数据的测试处理结果,测试处理结果包括该测试数据为预设类型或非预设类型。
例如,预设类型包括异常,非预设类型包括正常,或者,预设类型包括敏感,非预设类型包括不敏感,等等。
2023、获取人工对至少部分测试处理结果的人工校验结果。
其中,技术人员可以对多个测试数据的测试处理结果进行抽样校验,例如,选取多个测试数据中的部分测试数据的测试处理结果进行校验。
例如,选取多个测试数据中的一半以下的数量的测试数据的测试处理结果进行校验等,一半以下的数量包括30%比例、25%比例或者20%等。
2024、基于人工校验结果获取训练出的分类器分类准确率。
在本申请中,技术人员对至少部分测试处理结果进行人工校验之后,可以在至少部分测试处理结果中,确定出分类器识别正确的测试处理结果的数量,然后计算分类器识别正确的测试处理结果的数量与至少部分测试处理结果的数量之间的比值,得到训练出的分类器的分类准确率。
在步骤S203中,判断训练出的分类器的分类准确率是否大于或等于预设准确率。
在训练出的分类器的分类准确率大于或等于预设准确率的情况下,执行步骤S101:基于训练出的分类器处理线上数据。
预设准确率可以是技术人员事先在电子设备中设置的,具体数值可以根据实际情况而定,本申请对此不加以限定。
在一个例子中,预设准确率可以包括0.2、0.25或0.3等较低的数值。
在训练出的分类器的分类准确率大于或等于预设准确率的情况下,通常可以说明分类器能够满足最基本的要求,分类器投入线上使用之后通常不会带来损失或不良影响,线上可以正常使用分类器,因此,在这种情况下,就可以将分类器部署在线上使用,例如,基于训练出的分类器处理线上数据等。
进一步地,在图2所示的实施例的基础之上,在本申请另一实施例中,参见图3,该方法还包括:
在训练出的分类器的分类准确率小于预设准确率的情况下,在步骤S204中,获取人工对错误的测试处理结果纠错的测试纠错结果。
在训练出的分类器的分类准确率小于预设准确率的情况下,通常可以说明分类器不能够满足最基本的要求,分类器投入线上使用之后通常会由于分类准确率较低而带来损失和不良影响,例如降低用户体验、污染网络环境或者降低网络环境的安全性等,如此,可以不在线上使用分类器,例如,可以不将分类器部署在线上使用,不基于训练出的分类器处理线上数据等。
因此,在这种情况下,可以继续训练分类器,直至训练出的分类器的分类准确率大于或等于预设准确率为止。
其中,在测试处理结果为预设类型时,测试纠错结果为非预设类型。
或者,在测试处理结果为非预设类型时,测试纠错结果为预设类型。
在步骤S205中,至少根据测试纠错结果、测试纠错结果对应的测试数据、未被纠错的测试处理结果以及未被纠错的测试处理结果对应的测试数据生成第二线下训练数据。
在本申请中,对于任意一个测试纠错结果,可以将该测试纠错结果与该测试纠错结果对应的测试数据组合为一个第二线下训练数据。对于其他每一个测试纠错结果,同样如此。
以及,对于任意一个未被纠错的测试处理结果,可以将该未被纠错的测试处理结果与该未被纠错的测试处理结果对应的测试数据组合为一个第二线下训练数据。对于其他每一个测试纠错结果,同样如此。
其中,未被纠错的测试处理结果包括:在步骤2022中得到的多个测试处理结果中,技术人员未抽样校验的测试处理结果,以及,技术人员抽样校验过且被技术人员判定为准确的测试处理结果等。
在步骤S206中,基于第二线下训练数据训练分类器。然后执行步骤S202:获取训练出的分类器的分类准确率。
在步骤S206之后,如果分类器的分类准确率大于或等于预设准确率,则可以将分类器部署在线上使用,例如,基于训练出的分类器处理线上数据等。
如果分类器的分类准确率小于预设准确率,则可以继续执行图3所示的实施例,直至训练出的分类器的分类准确率大于或等于预设准确率为止。就可以将分类器部署在线上使用,例如,基于训练出的分类器处理线上数据等。
在本申请一个实施例中,基于第二线下训练数据训练分类器可以为:基于第二线下训练数据对最近一次训练得到的分类型进行优化,得到最新的训练出的分类器,并将其作为“训练出的分类器”执行步骤S202。
或者,在本申请另一实施例中,可以不对最近一次训练得到的分类型进行优化,而是重新生成分类器。
如果是重新生成分类器,则第二线下训练数据除了根据测试纠错结果、测试纠错结果对应的测试数据、未被纠错的测试处理结果以及未被纠错的测试处理结果对应的测试数据生成,还可以至少再结合第一线下数据生成。
其中,对于:“根据测试纠错结果、测试纠错结果对应的测试数据、未被纠错的测试处理结果以及未被纠错的测试处理结果对应的测试数据生成第二线下训练数据”,可以参见步骤S205的描述。
对于第一线下训练数据,可以将每一个第一线下数据分别作为一个第二线下数据等。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作并不一定是本申请所必须的。
参照图4,示出了本申请的一种分类器的处理装置的结构框图,该装置具体可以包括如下模块:
处理模块11,用于基于训练出的分类器处理线上数据,得到线上处理结果;
第一获取模块12,用于根据线上处理结果中的预设类型的线上处理结果获取第一标注数据;
第二获取模块13,用于至少根据预设类型的线上处理结果对应的线上数据和所述第一标注数据获取第一线上训练数据;
第一更新模块14,用于基于所述第一线上训练数据更新训练出的分类器。
在一个可选的实现方式中,所述装置还包括:
第三获取模块,用于根据线上处理结果中的非预设类型的线上处理结果获取第二标注数据;
第四获取模块,用于至少根据所述非预设类型的线上处理结果对应的线上数据和所述第二标注数据获取第二线上训练数据;
第二更新模块,用于基于所述第二线上训练数据更新训练出的分类器。
在一个可选的实现方式中,所述第一获取模块包括:
第一确定单元,用于在预设类型的线上处理结果未被纠错的情况下,将所述预设类型的线上处理结果确定为所述第一标注数据;
或者,
第一获取单元,用于获取单元,用于在预设类型的线上处理结果被纠错的情况下,获取对预设类型的线上处理结果纠错的线上纠错结果,第二确定单元,用于将所述线上纠错结果确定为所述第一标注数据。
在一个可选的实现方式中,所述装置还包括:
训练模块,用于基于第一线下训练数据训练分类器;
第五获取模块,用于获取训练出的分类器的分类准确率;
所述处理模块还用于:在训练出的分类器的分类准确率大于或等于预设准确率的情况下,基于训练出的分类器处理线上数据。
在一个可选的实现方式中,所述第五获取模块包括:
第二获取单元,用于获取多个测试数据;
处理单元,用于基于训练出的分类器对测试数据处理,得到测试处理结果;
第三获取单元,用于获取人工对至少部分所述测试处理结果的人工校验结果;
第四获取单元,用于基于所述人工校验结果获取所述分类准确率。
在一个可选的实现方式中,所述装置还包括:
第六获取模块,用于在训练出的分类器的分类准确率小于预设准确率的情况下,获取人工对错误的测试处理结果纠错的测试纠错结果;
生成模块,用于至少根据所述测试纠错结果、所述测试纠错结果对应的测试数据、未被纠错的测试处理结果以及所述未被纠错的测试处理结果对应的测试数据生成第二线下训练数据;
所述第五获取模块还用于:基于所述第二线下训练数据训练分类器,获取训练出的分类器的分类准确率。
本申请的一个目的是为了尽可能地识别出为预设类型的线上数据,预设类型可以理解为:在线上数据中的多个子数据中,只要有至少一个子数据是预设类型的,则线上是预设类型的。因此,在本申请中,可以基于训练出的分类器处理线上数据,得到线上处理结果,根据线上处理结果中的预设类型的线上处理结果获取第一标注数据,至少根据预设类型的线上处理结果对应的线上数据和第一标注数据获取第一线上训练数据,基于第一线上训练数据更新训练出的分类器,以提高分类器的泛化能力,例如,以使分类器之后可以识别出更多的预设类型的线上数据,提高分类器的分类的准确率。
通过本申请,可以支持在分类器上线之前的训练分类器的过程中,可以不在训练阶段直接训练出的泛化能力达到高水准的分类器,这样,就可以使得训练分类器时所使用的样本数据较少,从而使得对样本数据标注的工作量较少,从而可以降低人工成本。另外,在训练出的分类器上线之后,可以通过线上数据自学习不断搜集用于对分类器优化更新的线上数据,然后是搜集的线上数据优化分类器,以使分类器的泛化能力逐渐提高到高水准。
可见,本申请可以在将训练出的分类器的泛化能力提高到高水准的情况下,降低人工成本。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图5是本申请示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图像,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播操作信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由电子设备800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图6是本申请示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。
参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种分类器的处理方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种分类器的处理方法,其特征在于,所述方法包括:
基于训练出的分类器处理线上数据,所述线上数据包括多个子数据,在所述多个子数据中的至少一个子数据为预设类型的情况下,确定所述线上数据为预设类型的数据,在所述多个子数据中的每一个子数据均为非预设类型的情况下,确定所述线上数据为非预设类型的数据,得到线上处理结果;
根据线上处理结果中的预设类型的线上处理结果获取第一标注数据;
至少根据所述预设类型的数据和所述第一标注数据获取第一线上训练数据;
基于所述第一线上训练数据更新训练出的分类器。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据线上处理结果中的非预设类型的线上处理结果获取第二标注数据;
至少根据所述非预设类型的线上处理结果对应的线上数据和所述第二标注数据获取第二线上训练数据;
基于所述第二线上训练数据更新训练出的分类器。
3.根据权利要求1所述的方法,其特征在于,所述根据线上处理结果中的预设类型的线上处理结果获取第一标注数据,包括:
在预设类型的线上处理结果未被纠错的情况下,将所述预设类型的线上处理结果确定为所述第一标注数据;
或者,
在预设类型的线上处理结果被纠错的情况下,获取对预设类型的线上处理结果纠错的线上纠错结果,将所述线上纠错结果确定为所述第一标注数据。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于第一线下训练数据训练分类器;
获取训练出的分类器的分类准确率;
在训练出的分类器的分类准确率大于或等于预设准确率的情况下,再执行所述基于训练出的分类器处理线上数据的步骤。
5.根据权利要求4所述的方法,其特征在于,所述获取训练出的分类器的分类准确率,包括:
获取多个测试数据;
基于训练出的分类器对测试数据处理,得到测试处理结果;
获取人工对至少部分所述测试处理结果的人工校验结果;
基于所述人工校验结果获取所述分类准确率。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在训练出的分类器的分类准确率小于预设准确率的情况下,获取人工对错误的测试处理结果纠错的测试纠错结果;
至少根据所述测试纠错结果、所述测试纠错结果对应的测试数据、未被纠错的测试处理结果以及所述未被纠错的测试处理结果对应的测试数据生成第二线下训练数据;
基于所述第二线下训练数据训练分类器,然后执行所述获取训练出的分类器的分类准确率的步骤。
7.一种分类器的处理装置,其特征在于,所述装置包括:
处理模块,用于基于训练出的分类器处理线上数据,所述线上数据包括多个子数据,在所述多个子数据中的至少一个子数据为预设类型的情况下,确定所述线上数据为预设类型的数据,在所述多个子数据中的每一个子数据均为非预设类型的情况下,确定所述线上数据为非预设类型的数据,得到线上处理结果;
第一获取模块,用于根据线上处理结果中的预设类型的线上处理结果获取第一标注数据;
第二获取模块,用于至少根据所述预设类型的数据和所述第一标注数据获取第一线上训练数据;
第一更新模块,用于基于所述第一线上训练数据更新训练出的分类器。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于根据线上处理结果中的非预设类型的线上处理结果获取第二标注数据;
第四获取模块,用于至少根据所述非预设类型的线上处理结果对应的线上数据和所述第二标注数据获取第二线上训练数据;
第二更新模块,用于基于所述第二线上训练数据更新训练出的分类器。
9.根据权利要求7所述的装置,其特征在于,所述第一获取模块包括:
第一确定单元,用于在预设类型的线上处理结果未被纠错的情况下,将所述预设类型的线上处理结果确定为所述第一标注数据;
或者,
第一获取单元,用于获取单元,用于在预设类型的线上处理结果被纠错的情况下,获取对预设类型的线上处理结果纠错的线上纠错结果,第二确定单元,用于将所述线上纠错结果确定为所述第一标注数据。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:
训练模块,用于基于第一线下训练数据训练分类器;
第五获取模块,用于获取训练出的分类器的分类准确率;
所述处理模块还用于:在训练出的分类器的分类准确率大于或等于预设准确率的情况下,基于训练出的分类器处理线上数据。
11.根据权利要求10所述的装置,其特征在于,所述第五获取模块包括:
第二获取单元,用于获取多个测试数据;
处理单元,用于基于训练出的分类器对测试数据处理,得到测试处理结果;
第三获取单元,用于获取人工对至少部分所述测试处理结果的人工校验结果;
第四获取单元,用于基于所述人工校验结果获取所述分类准确率。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
第六获取模块,用于在训练出的分类器的分类准确率小于预设准确率的情况下,获取人工对错误的测试处理结果纠错的测试纠错结果;
生成模块,用于至少根据所述测试纠错结果、所述测试纠错结果对应的测试数据、未被纠错的测试处理结果以及所述未被纠错的测试处理结果对应的测试数据生成第二线下训练数据;
所述第五获取模块还用于:基于所述第二线下训练数据训练分类器,获取训练出的分类器的分类准确率。
13.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行如权利要求1-6任一项所述的分类器的处理方法。
14.一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-6任一项所述的分类器的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211104.9A CN112418276B (zh) | 2020-11-03 | 2020-11-03 | 一种分类器的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211104.9A CN112418276B (zh) | 2020-11-03 | 2020-11-03 | 一种分类器的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418276A CN112418276A (zh) | 2021-02-26 |
CN112418276B true CN112418276B (zh) | 2024-06-21 |
Family
ID=74828289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211104.9A Active CN112418276B (zh) | 2020-11-03 | 2020-11-03 | 一种分类器的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418276B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016356A (zh) * | 2017-03-21 | 2017-08-04 | 乐蜜科技有限公司 | 特定内容识别方法、装置和电子设备 |
CN110813795A (zh) * | 2019-07-11 | 2020-02-21 | 杭州慧知连科技有限公司 | 一种化纤丝锭纸筒破损在线检测装置及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180197087A1 (en) * | 2017-01-06 | 2018-07-12 | Accenture Global Solutions Limited | Systems and methods for retraining a classification model |
CN108304936B (zh) * | 2017-07-12 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法和装置、表情图像分类方法和装置 |
CN109960800B (zh) * | 2019-03-13 | 2023-06-27 | 安徽省泰岳祥升软件有限公司 | 基于主动学习的弱监督文本分类方法及装置 |
CN110580290B (zh) * | 2019-09-12 | 2022-12-13 | 北京小米智能科技有限公司 | 用于文本分类的训练集的优化方法及装置 |
-
2020
- 2020-11-03 CN CN202011211104.9A patent/CN112418276B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016356A (zh) * | 2017-03-21 | 2017-08-04 | 乐蜜科技有限公司 | 特定内容识别方法、装置和电子设备 |
CN110813795A (zh) * | 2019-07-11 | 2020-02-21 | 杭州慧知连科技有限公司 | 一种化纤丝锭纸筒破损在线检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112418276A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107582028B (zh) | 睡眠监测方法及装置 | |
CN111461304B (zh) | 分类神经网络的训练方法、文本分类方法、装置及设备 | |
CN111539443A (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN109213419B (zh) | 触摸操作处理方法、装置及存储介质 | |
US20220277204A1 (en) | Model training method and apparatus for information recommendation, electronic device and medium | |
CN105095366A (zh) | 文字消息处理方法和装置 | |
CN107493366B (zh) | 通讯录信息更新方法、装置及存储介质 | |
CN116069612A (zh) | 一种异常定位方法、装置和电子设备 | |
CN111813932B (zh) | 文本数据的处理方法、分类方法、装置及可读存储介质 | |
CN111177521A (zh) | 一种查询词分类模型的确定方法和装置 | |
CN111125388B (zh) | 多媒体资源的检测方法、装置及设备和存储介质 | |
CN112418276B (zh) | 一种分类器的处理方法及装置 | |
CN107203279B (zh) | 关键词提示方法及设备 | |
CN111681118B (zh) | 一种数据处理方法及装置 | |
CN112883314B (zh) | 一种请求处理方法及装置 | |
CN111428806B (zh) | 图像标签确定方法、装置、电子设备及存储介质 | |
CN110929055B (zh) | 多媒体质量检测方法、装置、电子设备及存储介质 | |
CN111754251B (zh) | 广告投放方法、装置、服务器及存储介质 | |
CN111932500B (zh) | 一种图像处理方法及装置 | |
CN111401048B (zh) | 一种意图识别方法及装置 | |
CN112612516B (zh) | 一种代码处理方法及装置 | |
CN115225702B (zh) | 信息推送方法、装置、电子设备及存储介质 | |
CN112990240B (zh) | 一种确定车型的方法及相关装置 | |
CN111611470A (zh) | 一种数据处理方法、装置和电子设备 |
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 | ||
GR01 | Patent grant |