CN115098688B - 多标签分类模型训练方法、装置、电子设备及存储介质 - Google Patents
多标签分类模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115098688B CN115098688B CN202210855615.7A CN202210855615A CN115098688B CN 115098688 B CN115098688 B CN 115098688B CN 202210855615 A CN202210855615 A CN 202210855615A CN 115098688 B CN115098688 B CN 115098688B
- Authority
- CN
- China
- Prior art keywords
- label
- value
- tag
- classification
- analysis value
- 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
- 238000012549 training Methods 0.000 title claims abstract description 157
- 238000013145 classification model Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 142
- 230000006870 function Effects 0.000 claims description 38
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术,揭露一种多标签分类模型训练方法,包括:利用多标签分类模型对选取的训练文本进行文本特征提取,得到特征数据;利用softmax函数对特征数据进行计算,得到每个分类标签对应的标签分析值及参数标签对应的参数标签分析值;确认每个分类标签对应的标签真实值;根据参数标签分析值判断标签分析值是正样本标签分析值还是负样本标签分析值,并根据判断结果计算目标损失值;根据目标损失值对多标签分类模型进行迭代训练以得到训练完成的多标签分类模型。本发明还涉及一种区块链技术,所述目标损失值可以存储在区块链节点中。本发明还提出一种多标签分类模型训练装置、设备以及介质。本发明可以提高多标签分类模型的鲁棒性。
Description
技术领域
本发明涉及人工智能技术,尤其涉及一种多标签分类模型训练方法、装置、电子设备及存储介质。
背景技术
在NLP领域,对文本进行多标签分类是经常应用的场景,因此,多标签分类模型的训练也逐渐受到人们的关注,
由于训练样本的存在样本分布不均衡以及样本难易程度不均衡的问题,因此,需要区分不同分类标签的学习的难易程度,以便有针对性的训练,现有的技术通过设定的固定阈值对分类标签的分类难易程度进行分类,但是同一固定阈值不可能适用于所有的分类标签,许多难分类标签在经过模型多轮学习之后,其概率值仍然无法超过固定阈值,导致这些标签无法被正确地区分,导致训练的多标签分类模型的鲁棒性较差。
发明内容
本发明提供一种多标签分类模型训练方法、装置、电子设备及存储介质,其主要目的在于提高多标签分类模型的鲁棒性。
获取预构建多标签分类模型、训练文本集及分类标签集,其中,所述训练文本集中每个训练文本标记有一个或多个分类标签及参数标签,所述分类标签包含在所述分类标签集中,所述参数标签为预设的标签参数初始值;
利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据;
利用所述多标签分类模型中的softmax函数对所述特征数据进行计算,得到该特征数据对应的所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值;
根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值;
根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值;
分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值;
当所述目标损失值大于或等于预设损失阈值,更新所述多标签分类模型的参数,返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤;
当所述目标损失值小于所述损失阈值,输出训练完成的多标签分类模型。
可选地,所述将所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据,包括:
选取所述训练文本集中任意一张训练文本,得到目标训练文本,并将所述训练文本集中的目标训练文本删除,以得到更新后的训练文本集;
利用所述多标签分类模型对所述目标训练文本进行预设次数的卷积池化,得到对应的特征数据。
可选地,所述分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值,包括:
基于所述正样本标签分析值与所述标签真实值,利用预设的第一损失函数进行计算,得到第一标签损失值;
基于所述负样本标签分析值与所述标签真实值,利用预设的第二损失函数进行计算,得到第二标签损失值;
利用所述第一标签损失值及所述第二标签损失值进行计算,得到所述目标损失值。
可选地,所述利用所述第一标签损失值及所述第二标签损失值进行计算,得到目标损失值,包括:
将所述第一损失值进行归一化计算,得到第一标准损失值;
将所述第二损失值进行归一化计算,得到第二标准损失值;
计算所述第一标准损失值与所述第二标准损失值之和,得到所述目标损失值。
可选地,所述根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值,包括:
判断所述分类标签集中每个分类标签是否为所述训练文本标记的分类标签;
当所述分类标签为所述训练文本标记的分类标签,则该分类标签对应的标签真实值为1;
当所述分类标签不为所述训练文本标记的分类标签,则该分类标签对应的标签真实值为0。
可选地,所述根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值,包括:
当所述标签分析值大于或等于所述参数标签分析值,则将该标签分析值确定为正样本标签分析值;
当所述标签分析值小于所述参数标签分析值,则将该标签分析值确定为负样本标签分析值。
为了解决上述问题,本发明还提供一种多标签分类模型训练装置,所述装置包括:
标签值分类模块,用于获取预构建多标签分类模型、训练文本集及分类标签集,其中,所述训练文本集中每个训练文本标记有一个或多个分类标签及参数标签,所述分类标签包含在所述分类标签集中,所述参数标签为预设的标签参数初始值;利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据;利用所述多标签分类模型中的softmax函数对所述特征数据进行计算,得到该特征数据对应的所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值;
损失值计算模块,用于分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值;
模型训练模块,用于当所述目标损失值大于或等于预设损失阈值,更新所述多标签分类模型的参数,返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤;当所述目标损失值小于所述损失阈值,输出训练完成的多标签分类模型。
可选地,所述分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值,包括:
基于所述正样本标签分析值与所述标签真实值,利用预设的第一损失函数进行计算,得到第一标签损失值;
基于所述负样本标签分析值与所述标签真实值,利用预设的第二损失函数进行计算,得到第二标签损失值;
利用所述第一标签损失值及所述第二标签损失值进行计算,得到所述目标损失值。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的多标签分类模型训练方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的多标签分类模型训练方法。
本发明实施例根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值;利用动态的参数标签分析值区分分类标签的分类难易程度,与利用固定阈值区分分类标签的分类难易程度相比,区分的效率更高,进而根据不同分类标签分类的难易程度对模型进行针对性的学习训练,使得训练得到的多标签分类模型对难分类的标签分类的准确率提高,模型的应用更广,鲁棒性更强,因此本发明实施例提出的多标签分类模型训练方法、装置、电子设备及可读存储介质提高了多标签分类模型的鲁棒性。
附图说明
图1为本发明一实施例提供的多标签分类模型训练方法的流程示意图;
图2为本发明一实施例提供的多标签分类模型训练装置的模块示意图;
图3为本发明一实施例提供的实现多标签分类模型训练方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种多标签分类模型训练方法。所述多标签分类模型训练方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述多标签分类模型训练方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的多标签分类模型训练方法的流程示意图,在本发明实施例中,所述多标签分类模型训练方法包括:
S1、获取预构建多标签分类模型、训练文本集及分类标签集,其中,所述训练文本集中每个训练文本标记有一个或多个分类标签及参数标签,所述分类标签包含在所述分类标签集中,所述参数标签为预设的标签参数初始值;
本发明实施例中本发明实施例中多标签分类模型为训练后可以对文本进行多标签分类的深度学习模型。所述训练文本集为训练所述多标签分类模型的训练数据,所述分类标签集为训练完成的所述多标签分类模型可以识别分类的所有类别的集合,每一种分类标签即为一种类别。所述参数标签为预设的标签参数初始值作为的标签,具体地,本发明实施例中所述标签参数初始值为0。
进一步地,本发明实施例中每个训练文本标记有一个或多个分类标签及参数标签,且所述训练文本集中至少一个训练文本标记有多个分类标签。
S2、利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据;
本发明实施例中多标签分类模型为训练后可以对文本进行多标签分类的深度学习模型。
进一步地,本发明实施例中利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据,包括:
选取所述训练文本集中任意一张训练文本,得到目标训练文本,并将所述训练文本集中的目标训练文本删除,以得到更新后的训练文本集;
利用所述多标签分类模型对所述目标训练文本进行预设次数的卷积池化,得到对应的特征数据。
进一步地,本发明实施例中所述卷积池化包含卷积操作及池化操作,所述卷积操作为利用预设的卷积核对待处理数据进行卷积,所述池化操作为对待处理的数据进行最大池化或平均池化。
进一步地,本发明实施例中对所述目标训练文本进行预设次数的卷积池化,得到对应的特征数据,包括:
将所述目标训练文本数据输入所述多标签分类模型中的卷积池化模块,得到所述特征数据,其中,所述卷积池化模块由预设卷积层与预设池化层按照预设的连接顺序串联得到的,所述卷积层与所述池化层的层数之和为预设次数。
S3、利用所述多标签分类模型中的softmax函数对所述特征数据进行计算,得到该特征数据对应的所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值;
本发明实施例中将所述特征数据作为函数参数导入利用所述多标签分类模型中的softmax函数以对所述softmax函数进行计算,得到所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值。
S4、根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值;
本发明实施例中为了衡量模型预测的标签分析值与对应分类标签的标签真实值的差异,根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值。
详细地,本发明实施例中根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值,包括:
判断所述分类标签集中每个分类标签是否为所述训练文本标记的分类标签;
当所述分类标签为所述训练文本标记的分类标签,则该分类标签对应的标签真实值为1;
当所述分类标签不为所述训练文本标记的分类标签,则该分类标签对应的标签真实值为0。
S5、根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值;
详细地,本发明实施例中根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值,包括:
当所述标签分析值大于或等于所述参数标签分析值,则将该标签分析值确定为正样本标签分析值;
当所述标签分析值小于所述参数标签分析值,则将该标签分析值确定为负样本标签分析值。
S6、分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值;
本发明实施例中为了衡量所述多标签分类模型的模型训练精度是否达到要求,通过计算目标损失值来对模型的训练进度进行衡量。
详细地,本发明实施例中分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值,包括:
基于所述正样本标签分析值与所述标签真实值,利用预设的第一损失函数进行计算,得到第一标签损失值;
具体地,本发明实施例中所述第一损失函数如下所示:
其中,L1为第一损失函数,σ为sigmoid函数,k为预设超参数,logitTH为参数标签分析值,logitr为正样本标签分析值,logitγ′为所述正样本标签分析值logitr对应的分类标签的标签真实值。
基于所述负样本标签分析值与所述标签真实值,利用预设的第二损失函数进行计算,得到第二标签损失值;
具体地,本发明实施例中所述第二损失函数如下所示:
其中,L2为第二损失函数,logits为负样本标签分析值,logits′为所述负样本标签分析值logits对应的分类标签的标签真实值。
利用所述第一标签损失值及所述第二标签损失值进行计算,得到目标损失值;
详细地,本发明实施例中将所述第一标签损失值及所述第二标签损失值进行求和,得到所述目标损失值。
进一步地,本发明实施例中利用所述第一标签损失值及所述第二标签损失值进行计算,得到目标损失值,包括:
将所述第一损失值进行归一化计算,得到第一标准损失值;
具体地,本发明实施例计算所述第一损失值与预设的归一化标准值的比值以对所述第一损失值进行归一化,得到所述第一标准损失值。
将所述第二损失值进行归一化计算,得到第二标准损失值;
同理地,本发明实施例计算所述第二损失值与预设的归一化标准值的比值以对所述第二损失值进行归一化,得到所述第二标准损失值。
计算所述第一标准损失值与所述第二标准损失值之和,得到所述目标损失值。
进一步地,本发明实施例中利用所述第一标签损失值及所述第二标签损失值进行计算,得到目标损失值,包括:
计算所述第一损失值与所述第二损失值之和,得到初始损失值。
将所述初始损失值进行归一化,得到所述目标损失值。
具体地,本发明实施例中计算所述初始损失值与预设的归一化标准值的比值以对所述初始损失值进行归一化,得到所述目标损失值。
本发明另一实施例中,所述目标损失值可以存储在区块链节点中,利用区块链节点高吞吐的特性,提高数据的取用效率。
S7、判断所述目标损失值是否小于预设损失阈值;
详细地,本发明实施例中为了衡量模型的训练精度是否达到预设的要求,因此,判断所述目标损失值是否小于所述损失阈值。
S8、当所述目标损失值大于或等于预设损失阈值,更新所述多标签分类模型的参数返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤;
本发明实施例中当所述目标损失值大于或等于预设损失阈值,则说明所述多标签分类模型的模型精度未达到要求,因此,需要对所述多标签分类模型的参数更改后继续训练。具体地,本发明实施例利用梯度下降算法更新所述多标签分类模型的模型参数,得到更新后的多标签分类模型,并返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤。
S9、当所述目标损失值小于所述损失阈值,输出训练完成的多标签分类模型。
本发明实施例中当所述目标损失值小于所述损失阈值,将此时的所述多标签分类模型输出,得到训练完成的多标签分类模型。
如图2所示,是本发明多标签分类模型训练装置的功能模块图。
本发明所述多标签分类模型训练装置100可以安装于电子设备中。根据实现的功能,所述多标签分类模型训练装置可以包括标签值分类模块101、损失值计算模块102、模型训练模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述标签值分类模块101用于获取预构建多标签分类模型、训练文本集及分类标签集,其中,所述训练文本集中每个训练文本标记有一个或多个分类标签及参数标签,所述分类标签包含在所述分类标签集中,所述参数标签为预设的标签参数初始值;利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据;利用所述多标签分类模型中的softmax函数对所述特征数据进行计算,得到该特征数据对应的所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值;;
所述损失值计算模块102用于分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值;
所述模型训练模块103用于当所述目标损失值大于或等于预设损失阈值,更新所述多标签分类模型的参数,返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤;当所述目标损失值小于所述损失阈值,输出训练完成的多标签分类模型。
详细地,本发明实施例中所述多标签分类模型训练装置100中所述的各模块在使用时采用与上述图1中所述的多标签分类模型训练方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现多标签分类模型训练方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如多标签分类模型训练程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如多标签分类模型训练程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如多标签分类模型训练程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的多标签分类模型训练程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取预构建多标签分类模型、训练文本集及分类标签集,其中,所述训练文本集中每个训练文本标记有一个或多个分类标签及参数标签,所述分类标签包含在所述分类标签集中,所述参数标签为预设的标签参数初始值;
利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据;
利用所述多标签分类模型中的softmax函数对所述特征数据进行计算,得到该特征数据对应的所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值;
根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值;
根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值;
分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值;
当所述目标损失值大于或等于预设损失阈值,更新所述多标签分类模型的参数,返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤;
当所述目标损失值小于所述损失阈值,输出训练完成的多标签分类模型。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预构建多标签分类模型、训练文本集及分类标签集,其中,所述训练文本集中每个训练文本标记有一个或多个分类标签及参数标签,所述分类标签包含在所述分类标签集中,所述参数标签为预设的标签参数初始值;
利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据;
利用所述多标签分类模型中的softmax函数对所述特征数据进行计算,得到该特征数据对应的所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值;
根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值;
根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值;
分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值;
当所述目标损失值大于或等于预设损失阈值,更新所述多标签分类模型的参数,返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤;
当所述目标损失值小于所述损失阈值,输出训练完成的多标签分类模型。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种多标签分类模型训练方法,其特征在于,所述方法包括:
获取预构建多标签分类模型、训练文本集及分类标签集,其中,所述训练文本集中每个训练文本标记有一个或多个分类标签及参数标签,所述分类标签包含在所述分类标签集中,所述参数标签为预设的标签参数初始值;
利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据;
利用所述多标签分类模型中的softmax函数对所述特征数据进行计算,得到该特征数据对应的所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值;
根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值;
根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值;
分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值;
当所述目标损失值大于或等于预设损失阈值,更新所述多标签分类模型的参数,返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤;
当所述目标损失值小于所述损失阈值,输出训练完成的多标签分类模型;
其中,所述分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值,包括:基于所述正样本标签分析值与所述标签真实值,利用预设的第一损失函数进行计算,得到第一标签损失值;基于所述负样本标签分析值与所述标签真实值,利用预设的第二损失函数进行计算,得到第二标签损失值;利用所述第一标签损失值及所述第二标签损失值进行计算,得到所述目标损失值;
所述利用所述第一标签损失值及所述第二标签损失值进行计算,得到所述目标损失值,包括:将所述第一标签损失值进行归一化计算,得到第一标准损失值;将所述第二标签损失值进行归一化计算,得到第二标准损失值;计算所述第一标准损失值与所述第二标准损失值之和,得到所述目标损失值;
所述根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值,包括:判断所述分类标签集中每个分类标签是否为所述训练文本标记的分类标签;当所述分类标签为所述训练文本标记的分类标签,则该分类标签对应的标签真实值为1;当所述分类标签不为所述训练文本标记的分类标签,则该分类标签对应的标签真实值为0;
所述根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值,包括:当所述标签分析值大于或等于所述参数标签分析值,则将该标签分析值确定为正样本标签分析值;当所述标签分析值小于所述参数标签分析值,则将该标签分析值确定为负样本标签分析值;
所述第一损失函数如下所示:
其中,L1为第一损失函数,σ为sigmoid函数,k为预设超参数,logitTH为参数标签分析值,logitr为正样本标签分析值,logitγ′为所述正样本标签分析值logitr对应的分类标签的标签真实值;
所述第二损失函数如下所示:
其中,L2为第二损失函数,logits为负样本标签分析值,logits′为所述负样本标签分析值logits对应的分类标签的标签真实值。
2.如权利要求1所述的多标签分类模型训练方法,其特征在于,所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据,包括:
选取所述训练文本集中任意一张训练文本,得到目标训练文本,并将所述训练文本集中的目标训练文本删除,以得到更新后的训练文本集;
利用所述多标签分类模型对所述目标训练文本进行预设次数的卷积池化,得到对应的特征数据。
3.一种多标签分类模型训练装置,用于实现如权利要求1至2中任一项所述的多标签分类模型训练方法,其特征在于,包括:
标签值分类模块,用于获取预构建多标签分类模型、训练文本集及分类标签集,其中,所述训练文本集中每个训练文本标记有一个或多个分类标签及参数标签,所述分类标签包含在所述分类标签集中,所述参数标签为预设的标签参数初始值;利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取,得到特征数据;利用所述多标签分类模型中的softmax函数对所述特征数据进行计算,得到该特征数据对应的所述分类标签集中每个分类标签对应的标签分析值及所述参数标签对应的参数标签分析值;
根据所述特征数据对应的训练文本标记的分类标签,确认该特征数据对应的所述分类标签集中每个分类标签对应的标签真实值;根据所述参数标签分析值将所述特征数据对应的标签分析值进行分类判断以判断所述标签分析值是正样本标签分析值还是负样本标签分析值;
损失值计算模块,用于分别计算所述正样本标签分析值与所述标签真实值之间的损失值及所述负样本标签分析值与所述标签真实值之间的损失值,并根据计算的损失值进行计算,得到目标损失值;
模型训练模块,用于当所述目标损失值大于或等于预设损失阈值,更新所述多标签分类模型的参数,返回所述利用所述多标签分类模型选取所述训练文本集中的训练文本进行文本特征提取步骤;当所述目标损失值小于所述损失阈值,输出训练完成的多标签分类模型。
4.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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如权利要求1至2中任一项所述的多标签分类模型训练方法。
5.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的多标签分类模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210855615.7A CN115098688B (zh) | 2022-07-20 | 2022-07-20 | 多标签分类模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210855615.7A CN115098688B (zh) | 2022-07-20 | 2022-07-20 | 多标签分类模型训练方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115098688A CN115098688A (zh) | 2022-09-23 |
CN115098688B true CN115098688B (zh) | 2024-05-31 |
Family
ID=83298555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210855615.7A Active CN115098688B (zh) | 2022-07-20 | 2022-07-20 | 多标签分类模型训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115098688B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157927A (zh) * | 2021-05-27 | 2021-07-23 | 中国平安人寿保险股份有限公司 | 文本分类方法、装置、电子设备及可读存储介质 |
CN113435308A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 文本多标签分类方法、装置、设备及存储介质 |
CN114297385A (zh) * | 2021-12-30 | 2022-04-08 | 携程旅游信息技术(上海)有限公司 | 模型训练方法、文本分类方法、系统、设备及介质 |
CN114491047A (zh) * | 2022-02-16 | 2022-05-13 | 中国平安人寿保险股份有限公司 | 多标签文本分类方法、装置、电子设备及存储介质 |
-
2022
- 2022-07-20 CN CN202210855615.7A patent/CN115098688B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157927A (zh) * | 2021-05-27 | 2021-07-23 | 中国平安人寿保险股份有限公司 | 文本分类方法、装置、电子设备及可读存储介质 |
CN113435308A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 文本多标签分类方法、装置、设备及存储介质 |
CN114297385A (zh) * | 2021-12-30 | 2022-04-08 | 携程旅游信息技术(上海)有限公司 | 模型训练方法、文本分类方法、系统、设备及介质 |
CN114491047A (zh) * | 2022-02-16 | 2022-05-13 | 中国平安人寿保险股份有限公司 | 多标签文本分类方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115098688A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113313211B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
CN115098688B (zh) | 多标签分类模型训练方法、装置、电子设备及存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN115204158B (zh) | 数据隔离应用方法、装置、电子设备及存储介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
CN114781833B (zh) | 基于业务人员的能力测评方法、装置、设备及存储介质 | |
CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
CN116521867A (zh) | 文本聚类方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant |