CN114417029A - 模型训练方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种模型训练方法、装置、电子设备及存储介质，计算机技术人工智能技术领域，具体涉及自然语言处理、图像处理、深度学习和大数据等人工智能技术领域。具体实现方案为：获取样本数据；根据样本分级策略对样本数据进行分级，以生成样本数据对应的标签值；对样本数据进行特征提取，以生成样本数据特征；获取待训练的数据分级模型；以及根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型。由此，能够通过建立并应用数据分级模型，提高数据分级的效果。

Description

模型训练方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术技术领域，具体涉及自然语言处理、图像处理、深度学习和大数据等人工智能技术领域，尤其涉及模型训练方法、装置、电子设备及存储介质。

背景技术

数据分类分级是数据使用管理和安全防护的基础，为数据尤其是重要的数据制定分类分级制度并依规管理，是实现数据安全目标的重要工作。

传统数据体系采集的数据来源单一，并且数据量较小，分类分级简单可控，然而大数据体系采集的数据量较大，并且数据类型多样化，包括结构化、半结构化、非结构化等数据。目前，在大数据体系中，主要关注的是数据的来源和数据的类型，而较少关注数据的分级。

发明内容

本公开提供了一种模型训练方法、装置、设备及存储介质。

根据本公开的一方面，提供了一种模型训练方法，包括：

获取样本数据；

根据样本分级策略对所述样本数据进行分级，以生成所述样本数据对应的标签值；

对所述样本数据进行特征提取，以生成样本数据特征；

获取待训练的数据分级模型；以及

根据所述样本数据特征和所述标签值对所述数据分级模型进行训练，以生成训练之后的所述数据分级模型。

根据本公开的另一方面，提供了一种模型训练装置，包括：

第一获取模块，用于获取样本数据；

第一生成模块，用于根据样本分级策略对所述样本数据进行分级，以生成所述样本数据对应的标签值；

第二生成模块，用于对所述样本数据进行特征提取，以生成样本数据特征；

第二获取模块，用于获取待训练的数据分级模型；

训练模块，用于根据所述样本数据特征和所述标签值对所述数据分级模型进行训练，以生成训练之后的所述数据分级模型。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行模型训练方法。

根据本公开的另一方面，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行模型训练方法。

根据本公开的另一方面，一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现模型训练方法的步骤。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一个实施例的模型训练方法的流程图；

图2是根据本公开另一个实施例的模型训练方法的流程图；

图3是根据本公开另一个实施例的模型训练方法的流程图；

图4是根据本公开另一个实施例的模型训练方法的流程图；

图5是根据本公开一个具体实施例的模型训练方法的流程图；

图6是根据本公开一个实施例的模型训练装置的结构示意图；以及

图7是用来实现本公开实施例的模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

下面参考附图描述本公开实施例的模型训练方法、装置、电子设备及存储介质。

人工智能是研究使用计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术领域也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术包括计算机视觉技术、语音识别技术、自然语言处理技术以及深度学习、大数据处理技术、知识图谱技术等几大方向。

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。

图像处理(image processing)，是用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。

深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

大数据(big data)，IT(Internet Technology，互联网技术)行业术语，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。其中，在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法(抽样调查)这样捷径，而采用所有数据进行分析处理。大数据的5V特点(IBM提出)：Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性)。

本公开实施例提供的模型训练方法，可以由电子设备来执行，该电子设备可为PC(Personal Computer，个人计算机)电脑、平板电脑、掌上电脑或服务器等，此处不做任何限定。

在本公开实施例中，电子设备中可以设置有处理组件、存储组件和驱动组件。可选的，该驱动组件和处理组件可以集成设置，该存储组件可以存储操作系统、应用程序或其他程序模块，该处理组件通过执行存储组件中存储的应用程序来实现本公开实施例提供的模型训练方法。

图1为本公开实施例提供的一种模型训练方法的流程示意图。

本公开实施例的模型训练方法，还可由本公开实施例提供的模型训练装置执行，该装置可配置于电子设备中，以实现获取样本数据，并根据样本分级策略对样本数据进行分级，以生成样本数据对应的标签值，以及对样本数据进行特征提取，以生成样本数据特征，而后获取待训练的数据分级模型，并根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型，从而能够通过建立并应用数据分级模型，提高数据分级的效果。

作为一种可能的情况，本公开实施例的模型训练方法还可以在服务器端执行，该服务器可以为云服务器，可以在云端执行该模型训练方法。

如图1所示，该模型训练方法，可包括：

步骤101，获取样本数据。其中，样本数据可为多个，且该样本数据可包括文本、图片和视频等非结构化数据，也可包括数据库和数据表等结构化数据。

在本公开实施例中，获取样本数据的途径可有多条，其中，可将获取到的样本数据存储于电子设备的存储空间中，以便于后续的调取使用。其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，该存储空间还可以是连接电子设备的网络硬盘的存储空间(云存储空间)。

步骤102，根据样本分级策略对样本数据进行分级，以生成样本数据对应的标签值。其中，样本分级策略可根据实际情况和需求进行标定。

在本公开实施例中，相关人员可根据分级规则对样本数据进行人工标注，以得到该样本数据对应的标签值，其中，分级规则可根据实际情况进行标定。

具体地，在电子设备获取到样本数据之后，相关人员可根据分级规则通过操作电子设备对样本数据进行人工标注，以得到该样本数据对应的标签值，即将样本数据标注上相应的等级，并将该等级作为样本数据的标签值。

举例而言，若根据分级规则将样本数据的等级分为了四个等级：等级1、等级2、等级3和等级4，则标签值可为1、2、3和4，可根据分级规则将样本数据标注上相应的标签值；若根据分级规则将样本数据的等级分为了两个等级：重要(敏感)和非重要(非敏感)，分别用数值1和0表示，则标签值可为1和0，可根据分级规则将样本数据标注上相应的标签值。

作为一种可能的情况，可根据基于存量规则(例如，分级规则)训练得到的经验分级模型对样本数据进行处理，以生成该样本数据对应的标签值。其中，应说明的是，该实施例中所描述的经验分级模型，可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取使用。

其中，该经验分级模型的训练与生成均可由相关的训练服务器执行，该训练服务器可以是云端服务器，也可以是一台电脑的主机，该训练服务器与可执行本公开实施例提供的模型训练方法的电子设备之间，建立有通信连接，该通信连接可以是无线网络连接和有线网络连接的至少一种。该训练服务器可将训练完成的经验分级模型发送给该电子设备，以便该电子设备在需要时调用，从而大大减少该电子设备的计算压力。

具体地，电子设备可从自身的存储空间中调出上述的样本数据和经验分级模型，并将该样本数据输入该经验分级模型，从而通过该经验分级模型对该样本数据进行处理，以得到该经验分级模型输出的样本数据对应的标签值。

由此，通过对样本数据进行人工标注，和/或基于存量规则(例如，分级规则)训练得到的经验分级模型对样本数据进行处理，得到的样本数据对应的标签值，能够为模型的训练提供较为广泛的支持，使后续完成训练的数据分级模型的分级更加的准确。

步骤103，对样本数据进行特征提取，以生成样本数据特征。

其中，样本数据特征可包括样本数据内容特征、样本数据统计特征和样本元数据特征。

在本公开实施例中，可基于预设的特征提取策略对样本数据进行特征提取，以生成样本数据特征。其中，预设的特征提取策略可根据实际情况和需求进行标定。

具体地，电子设备在获取到上述样本数据后，可基于预设的特征提取策略对该样本数据进行特征提取，以生成样本数据特征。

作为一种可能的情况，可根据特征提取模型对样本数据进行特征提取，以生成样本数据特征。应说明的是，该实施例中所描述的特征提取模型，可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取使用。

具体地，电子设备在获取到上述样本数据后，可从自身的存储空间中调出(获取)特征提取模型，并将该样本数据输入该特征提取模型，从而通过该特征提取模型对该样本数据进行特征提取，以得到该特征提取模型输出的样本数据特征。

作为另一种可能的情况，电子设备还可使用特征提取工具(例如，插件)，对样本数据进行特征提取，以得到样本数据特征。

步骤104，获取待训练的数据分级模型。

需要说明的是，该实施例中所描述的待训练的数据分级模型可预先存储于电子设备的存储空间中，以方便调取使用。其中，该待训练的数据分级模型可为树模型、神经网络、深度学习等模型，此处不作任何限定。

步骤105，根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型。

具体地，电子设备在获取到上述的样本数据特征和标签值之后，可从自身的存储空间中调出(获取)待训练的数据分级模型，并可根据该样本数据特征和标签值对该数据分级模型进行训练，以生成训练之后的数据分级模型。

进一步地，在得到训练之后的数据分级模型之后，电子设备可根据该数据分级模型对待分级数据进行分级检测，以生成该待分级数据的等级。由此，通过训练之后的数据分级模型，可以实现快速、自动的进行数据分级推理，并达到最接近能够表达数据安全对数据分级的深度理解，实现基于数据特征的自动分级识别。

在本公开实施例中，首先获取样本数据，并根据样本分级策略对样本数据进行分级，以生成样本数据对应的标签值，然后对样本数据进行特征提取，以生成样本数据特征，并获取待训练的数据分级模型，最后根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型。由此，能够通过建立并应用数据分级模型，提高数据分级的效果。

为了清楚说明上一实施例，在本公开的一个实施例中，如图2所示，上述的样本数据特征可包括样本数据内容特征和样本数据统计特征，对样本数据进行特征提取，以生成样本数据特征，可包括：

步骤201，对样本数据进行内容特征提取，以生成样本数据内容特征。

其中，样本数据内容特征可为样本数据自身的特征，例如，自然语言特征、图形特征、图片与视频特征以及图片中的文本识别衍生特征等中的一种或多种。

在本公开实施例中，若样本数据为文本、图片和视频等非结构化数据，则可对样本数据进行内容特征提取，以生成相应的内容特征。应说明的是，对于不同数据类型的样本数据，可采用不同的特征提取技术对样本数据进行内容特征提取，此处不做任何限定。

具体地，若样本数据为文本，则可采用文本特征提取技术(例如，TF-IDF(TermFrequency-Inverse Document Frequency，词频-逆文本词频)算法等)对该样本数据进行文本特征提取，包括对主题词、关键词和敏感词等文本特征进行提取，以生成该样本数据的内容特征，尤其需要对能够表明数据敏感等级的敏感词进行特征提取，以便于对该样本数据进行分级；若样本数据为图片或视频，则可先采用文本识别技术(例如，OCR(OpticalCharacter Recognition，光学字符识别)文字识别技术等)对待识别的图片或视频进行文本识别，以提取图片或视频中的文本内容，而后采用文本特征提取技术对该文本内容进行特征提取，以生成该样本数据的内容特征。

作为一种可能的情况，若样本数据为图片，则可采用图片理解技术对该图片进行特征提取，包括对图片中的敏感信息和图片内容向量等特征进行提取，以生成该样本数据的内容特征，尤其需要对图片中能够表明敏感等级的敏感信息进行特征提取，以便于对该样本数据进行分级。

作为另一种可能的情况，若样本数据为视频，则可采用视频理解技术对该视频进行特征提取，包括对视频中的敏感信息和视频内容向量等特征进行特征提取，以生成该样本数据的内容特征，尤其需要对视频中能够表明敏感等级的敏感信息进行特征提取，以便于对该样本数据进行分级。

需要说明的是，该实施例中所描述的文本特征提取技术、文本识别技术、图片理解技术和视频理解技术可根据实际情况和需求进行标定，此处不做任何限定。

步骤202，获取样本数据的相关信息。其中，相关信息可包括样本数据的覆盖信息和样本数据的分布信息等。

步骤203，对相关信息和样本数据进行统计特征提取，以生成样本数据统计特征。

在本公开实施例中，可基于预设的统计特征提取策略对相关信息和样本数据进行统计特征提取，以生成样本数据统计特征。其中，预设的统计特征提取策略可根据实际情况和需求进行标定。

具体地，电子设备获取到上述相关信息和样本数据后，可基于预设的统计特征提取策略对相关信息和样本数据进行统计特征提取，以生成样本数据统计特征。其中，该样本数据统计特征可包括样本数据的覆盖情况、样本数据的分布情况以及样本数据的数据长度等。

由此，能够得到样本数据的内容特征和样本数据的统计特征，为模型的训练提供支持。

进一步地，在本公开的一个实施例中，上述的样本数据特征还可包括样本元数据特征，对样本数据进行特征提取，以生成样本数据特征，还可包括响应于确定样本数据的类型为目标类型，对样本数据进行元数据特征提取，以生成样本元数据特征，其中，目标类型可包括数据库类型和数据表类型。

在本公开实施例中，若样本数据的类型为目标类型(即样本数据的数据类型为数据库类型或数据表类型)，则可基于预设的元数据特征提取策略对该样本数据进行元数据特征提取，以生成样本元数据特征。其中，预设的元数据特征提取策略可根据实际情况和需求进行标定。

具体地，电子设备获取到上述样本数据后，可先判断该样本数据是否为目标类型，若是，则可基于预设的元数据特征提取策略对该样本数据进行元数据特征提取，以生成样本元数据特征；若否，则不对该样本数据进行元数据特征提取。

由此，能够得到样本元数据特征，为模型的训练提供支持。

在本公开实施例中，通过对样本数据的深度解析(学习)得到的样本数据特征，对数据分级模型进行训练，能够进一步提高数据分级模型的准确度和应用范围，解决了相关技术中通过存量的分级规则也无法准确地对数据进行分级识别的问题。

在本公开的一个实施例中，如图3所示，根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型，可包括：

步骤301，对样本数据特征进行预处理，以生成目标数据特征。

在本公开实施例中，可基于预设的预处理策略对样本数据特征进行处理(预处理)，以生成目标数据特征。其中，预设的预处理策略可根据实际情况和需求进行标定。

具体地，电子设备在得到上述样本数据特征后，可基于预处理策略对该样本数据特征进行处理(预处理)，例如，对样本数据特征进行转换(例如，归一化)、组合(字符拼接、数值加减乘除等)等，形成新的转换与组合特征，即目标数据特征。

举例而言，若上述样本数据特征为数值，则可将该数值进行一定的加减乘除运算，而后将运算的结果进行归一化处理，以得到归一化处理后的结果，并将该处理结果作为目标数据特征。

步骤302，根据目标数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型。

具体地，电子设备在得到上述的目标数据特征和标签值后，可根据该目标数据特征和标签值对上述的数据分级模型进行训练，以生成训练之后的数据分级模型。

由此，能够实现对样本数据特征的预处理，并通过预处理后的样本数据特征对数据分级模型进行训练，从而生成更加优质的数据分级模型，进而实现对数据的自动化分级，并提高数据的分级效果。

为了清楚说明上一实施例，在本公开的一个实施例中，如图4所示，根据目标数据特征和标签值对数据分级模型进行训练，可包括：

步骤401，将目标数据特征输入数据分级模型，以生成预测的标签值。

步骤402，根据预测的标签值和样本数据对应的标签值，生成损失值。

步骤403，根据损失值对数据分级模型进行训练。

具体地，电子设备得到上述目标数据特征和样本数据对应的标签值后，可从自身的存储空间中调出上述数据分级模型，并将该目标数据特征输入该数据分级模型，从而通过该数据分级模型对该目标数据特征进行处理，以生成预测的标签值，而后根据该预测的标签值和上述样本数据对应的标签值，生成损失值，并根据该损失值对该数据分级模型进行训练，直到训练结束，生成优质的数据分级模型。

由此，能够对待训练的数据分级模型进行训练得到更加优质的数据分级模型，从而提高数据分级的效果。

为了使本领域技术人员更清晰地理解本公开，图5为数据分级的流程示意图。参见图5，首先获取样本数据，并对该样本数据进行分级，以生成该样本数据对应的标签值，然后提取样本数据特征，并根据该样本数据特征和标签值对待训练的数据分级模型进行训练，以生成优质的数据分级模型，最后通过训练后的数据分级模型对数据进行预测，即对数据进行分级，并生成预测的分级结果。由此，建立并应用数据分级模型，能够实现快速自动的进行数据分级推理，并达到最接近能够表达数据安全对数据分级的深度理解，实现基于数据特点的自动分级识别，解决了相关技术中通过存量的分级规则也无法准确地对数据进行分级识别的问题，使上述建立的数据分级模型能够应用在更多的场景。

图6为本公开实施例提供的一种模型训练装置的结构示意图。

本公开实施例的模型训练装置，可配置于电子设备中，以实现获取样本数据，并根据样本分级策略对样本数据进行分级，以生成样本数据对应的标签值，以及对样本数据进行特征提取，以生成样本数据特征，而后获取待训练的数据分级模型，并根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型，从而能够通过建立并应用数据分级模型，提高数据分级的效果。

如图6所示，该模型训练装置600，可包括：第一获取模块610、第一生成模块620、第二生成模块630、第二获取模块640和训练模块650。

其中，第一获取模块610，用于获取样本数据。其中，样本数据可为多个，且该样本数据可包括文本、图片和视频等非结构化数据，也可包括数据库和数据表等结构化数据。

在本公开实施例中，获取样本数据的途径可有多条，其中，可将获取到的样本数据存储于电子设备的存储空间中，以便于后续的调取使用。其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，该存储空间还可以是连接电子设备的网络硬盘的存储空间(云存储空间)。

第一生成模块620，用于根据样本分级策略对样本数据进行分级，以生成样本数据对应的标签值。其中，样本分级策略可根据实际情况和需求进行标定。

在本公开实施例中，相关人员可根据分级规则对样本数据进行人工标注，以得到该样本数据对应的标签值，其中，分级规则可根据实际情况进行标定。

具体地，在第一获取模块610获取到样本数据之后，相关人员可根据分级规则通过操作第一生成模块620对样本数据进行人工标注，以得到该样本数据对应的标签值，即将样本数据标注上相应的等级，并将该等级作为样本数据的标签值。举例而言，若根据分级规则将样本数据的等级分为了四个等级：等级1、等级2、等级3和等级4，则标签值可为1、2、3和4，可根据分级规则将样本数据标注上相应的标签值；若根据分级规则将样本数据的等级分为了两个等级：重要(敏感)和非重要(非敏感)，分别用数值1和0表示，则标签值可为1和0，可根据分级规则将样本数据标注上相应的标签值。

作为一种可能的情况，第一生成模块620可根据基于存量规则(分级规则)训练得到的经验分级模型对样本数据进行处理，以生成该样本数据对应的标签值。其中，应说明的是，该实施例中所描述的经验分级模型，可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取应用。其中，该经验分级模型的训练与生成均可由相关的训练服务器执行，该训练服务器可以是云端服务器，也可以是一台电脑的主机，该训练服务器与可执行本公开实施例提供的模型训练方法的电子设备之间，建立有通信连接，该通信连接可以是无线网络连接和有线网络连接的至少一种。该训练服务器可将训练完成的经验分级模型发送给该电子设备，以便该电子设备在需要时调用，从而大大减少该电子设备的计算压力。

具体地，第一生成模块620可从电子设备的存储空间中调出上述的经验分级模型，并将样本数据输入该经验分级模型，从而通过该经验分级模型对该样本数据进行处理，以得到该经验分级模型输出的样本数据对应的标签值。

第二生成模块630，用于对样本数据进行特征提取，以生成样本数据特征。

其中，样本数据特征可包括样本数据内容特征、样本数据统计特征和样本元数据特征。

在本公开实施例中，第二生成模块630可基于预设的特征提取策略对样本数据进行特征提取，以生成样本数据特征。其中，预设的特征提取策略可根据实际情况和需求进行标定。

具体地，第一获取模块610在获取到上述样本数据后，可通过第二生成模块630基于预设的特征提取策略对该样本数据特征进行特征提取，以生成该样本数据的样本数据特征。

作为一种可能的情况，第二生成模块630可根据特征提取模型对样本数据进行特征提取，以生成样本数据特征。应说明的是，该实施例中所描述的特征提取模型，可以是提前训练好的，并将其预存在电子设备的存储空间中，以方便调取使用。

具体地，在第一获取模块610获取到上述样本数据后，可通过第二生成模块630从电子设备的存储空间中调出(获取)特征提取模型，并将该样本数据输入该特征提取模型，从而通过该特征提取模型对该样本数据进行特征提取，以得到该特征提取模型输出的样本数据特征。

作为另一种可能的情况，第二生成模块630还可使用特征提取工具(例如，插件)，对样本数据进行特征提取，以得到样本数据特征。

第二获取模块640，用于获取待训练的数据分级模型。

需要说明的是，该实施例中所描述的待训练的数据分级模型可预先存储于电子设备的存储空间中，以方便调取使用。其中，该待训练的数据分级模型可为树模型、神经网络、深度学习等模型，此处不作任何限定。

训练模块650，用于根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型。

具体地，在第一生成模块620得到上述标签值，以及第一获取模块610获取二生成模型630得到上述样本数据特征之后，第二获取模块640可从电子设备的存储空间中调出(获取)待训练的数据分级模型，而后，训练模型650可根据该样本数据特征和标签值对该数据分级模型进行训练，以生成训练之后的数据分级模型。

在本公开实施例中，通过第一获取模块获取样本数据，并通过第一生成模块根据样本分级策略对样本数据进行分级，以生成样本数据对应的标签值，以及通过第二生成模块对样本数据进行特征提取，以生成样本数据特征，而后通过第二获取模块获取待训练的数据分级模型，并通过训练模块根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型，从而能够通过建立并应用数据分级模型，提高数据分级的效果。

在本公开的一个实施例中，样本数据特征包括样本数据内容特征和样本数据统计特征，第二生成模块630，具体用于对样本数据进行内容特征提取，以生成样本数据内容特征；获取样本数据的相关信息；对相关信息和样本数据进行统计特征提取，以生成样本数据统计特征。

在本公开的一个实施例中，样本数据特征还包括样本元数据特征，第二生成模块630，还用于响应于确定样本数据的类型为目标类型，对样本数据进行元数据特征提取，以生成样本元数据特征，其中，目标类型包括数据库类型和数据表类型。

在本公开的一个实施例中，训练模块650，可包括：预处理单元651和训练单元652。

其中，预处理单元651，用于对样本数据特征进行预处理，以生成目标数据特征。

训练单元652，用于根据目标数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型。

在本公开的一个实施例中，训练单元652，具体用于：将目标数据特征输入数据分级模型，以生成预测的标签值；根据预测的标签值和样本数据对应的标签值，生成损失值；根据损失值对数据分级模型进行训练。

需要说明的是，前述对模型训练方法实施例的解释说明也适用于该实施例的模型训练装置，此处不再赘述。

本公开实施例的装置，通过第一获取模块获取样本数据，并通过第一生成模块根据样本分级策略对样本数据进行分级，以生成样本数据对应的标签值，然后通过第二生成模块对样本数据进行特征提取，以生成样本数据特征，并通过第二获取模块获取待训练的数据分级模型，最后通过训练模块根据样本数据特征和标签值对数据分级模型进行训练，以生成训练之后的数据分级模型。由此，能够通过建立并应用数据分级模型，提高数据分级的效果。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元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。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如模型训练方法。例如，在一些实施例中，模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (13)

1.一种模型训练方法，包括：

获取样本数据；

根据样本分级策略对所述样本数据进行分级，以生成所述样本数据对应的标签值；

对所述样本数据进行特征提取，以生成样本数据特征；

获取待训练的数据分级模型；以及

根据所述样本数据特征和所述标签值对所述数据分级模型进行训练，以生成训练之后的所述数据分级模型。

2.根据权利要求1所述的方法，其中，所述样本数据特征包括样本数据内容特征和样本数据统计特征，所述对所述样本数据进行特征提取，以生成样本数据特征，包括：

对所述样本数据进行内容特征提取，以生成所述样本数据内容特征；

获取所述样本数据的相关信息；

对所述相关信息和所述样本数据进行统计特征提取，以生成所述样本数据统计特征。

3.根据权利要求2所述的方法，其中，所述样本数据特征还包括样本元数据特征，所述对所述样本数据进行特征提取，以生成样本数据特征，还包括：

响应于确定所述样本数据的类型为目标类型，对所述样本数据进行元数据特征提取，以生成所述样本元数据特征，其中，所述目标类型包括数据库类型和数据表类型。

4.根据权利要求1所述的方法，其中，所述根据所述样本数据特征和所述标签值对所述数据分级模型进行训练，以生成训练之后的所述数据分级模型，包括：

对所述样本数据特征进行预处理，以生成目标数据特征；

根据所述目标数据特征和所述标签值对所述数据分级模型进行训练，以生成训练之后的所述数据分级模型。

5.根据权利要求4所述的方法，其中，所述根据所述目标数据特征和所述标签值对所述数据分级模型进行训练，包括：

将所述目标数据特征输入所述数据分级模型，以生成预测的标签值；

根据所述预测的标签值和所述样本数据对应的标签值，生成损失值；

根据所述损失值对所述数据分级模型进行训练。

6.一种模型训练装置，包括；

第一获取模块，用于获取样本数据；

第一生成模块，用于根据样本分级策略对所述样本数据进行分级，以生成所述样本数据对应的标签值；

第二生成模块，用于对所述样本数据进行特征提取，以生成样本数据特征；

第二获取模块，用于获取待训练的数据分级模型；

训练模块，用于根据所述样本数据特征和所述标签值对所述数据分级模型进行训练，以生成训练之后的所述数据分级模型。

7.根据权利要求6所述的方法，其中，所述样本数据特征包括样本数据内容特征和样本数据统计特征，所述第二生成模块，具体用于：

对所述样本数据进行内容特征提取，以生成所述样本数据内容特征；

获取所述样本数据的相关信息；

对所述相关信息和所述样本数据进行统计特征提取，以生成所述样本数据统计特征。

8.根据权利要求7所述的方法，其中，所述样本数据特征还包括样本元数据特征，所述第二生成模块，还用于：

响应于确定所述样本数据的类型为目标类型，对所述样本数据进行元数据特征提取，以生成所述样本元数据特征，其中，所述目标类型包括数据库类型和数据表类型。

9.根据权利要求6所述的方法，其中，所述训练模块，包括：

预处理单元，用于对所述样本数据特征进行预处理，以生成目标数据特征；

训练单元，用于根据所述目标数据特征和所述标签值对所述数据分级模型进行训练，以生成训练之后的所述数据分级模型。

10.根据权利要求6所述的方法，其中，所述训练单元，具体用于：

将所述目标数据特征输入所述数据分级模型，以生成预测的标签值；

根据所述预测的标签值和所述样本数据对应的标签值，生成损失值；

根据所述损失值对所述数据分级模型进行训练。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的模型训练方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的模型训练方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的模型训练方法的步骤。

Images