[发明专利]一种应用迁移学习可行性度量方法及装置

权利要求书

1.一种应用迁移学习可行性度量方法，其特征在于，包括：

获得目标域对应的辅助域，所述目标域与所述辅助域中分别包括至少一个样本数据；

基于所述目标域与所述辅助域中的样本数据，确定领域分类模型及分类特征；

利用所述领域分类模型对所述分类特征进行分类，得到分类精度结果；

基于预设的精度阈值范围与迁移学习可行性的对应关系，确定与所述分类精度结果相对应的迁移学习可行性结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标域与所述辅助域中的样本数据，确定领域分类模型及分类特征，包括：

对所述目标域和所述辅助域中的样本数据利用预设的深度学习框架模型进行训练，得到特征提取模型；

将所述目标域和所述辅助域中具有所属领域的领域标签的样本数据输入所述特征提取模型，得到分类特征；

基于所述分类特征，获得领域分类模型。

3.根据权利要求1所述的方法，其特征在于，所述基于所述分类特征，获得领域分类模型，包括：

对所述分类特征进行训练，得到领域分类模型。

4.根据权利要求1、2或3所述的方法，其特征在于，所述利用所述领域分类模型对所述分类特征进行分类，得到分类精度结果，包括：

将所述分类特征输入所述领域分类模型，得到分类精度结果。

5.根据权利要求1、2或3所述的方法，其特征在于，所述基于预设的精度阈值范围与迁移学习可行性的对应关系，确定与所述分类精度结果相对应的迁移学习可行性结果，包括：

将所述分类精度结果在所述精度阈值范围中进行匹配，确定所述分类精度结果对应的目标阈值范围；

如果所述目标阈值范围为第一阈值范围，确定所述目标域与所述辅助域在所述分类特征下不适合进行迁移学习；

如果所述目标阈值范围为第二阈值范围，确定所述目标域与所述辅助域在所述分类特征下适合进行迁移学习。

6.一种应用迁移学习可行性度量装置，其特征在于，包括：

辅助域获得单元，用于获得目标域对应的辅助域，所述目标域与所述辅助域中分别包括至少一个样本数据；

分类模型确定单元，用于基于所述目标域与所述辅助域中的样本数据，确定领域分类模型及分类特征；

样本分类单元，用于利用所述领域分类模型对所述分类特征进行分类，得到分类精度结果；

结果确定单元，用于基于预设的精度阈值范围与迁移学习可行性的对应关系，确定与所述分类精度结果相对应的迁移学习可行性结果。

7.根据权利要求6所述的装置，其特征在于，所述分类模型确定单元包括：

深度学习子单元，用于对所述目标域和所述辅助域中的样本数据利用预设的深度学习框架模型进行训练，得到特征提取模型；

特征获得子单元，用于将所述目标域和所述辅助域中具有所属领域的领域标签的样本数据输入所述特征提取模型，得到分类特征；

模型获得子单元，用于基于所述分类特征，获得领域分类模型。

8.根据权利要求6所述的装置，其特征在于，所述模型获得子单元包括：

特征训练模块，用于对所述分类特征进行训练，得到领域分类模型。

9.根据权利要求6、7或8所述的装置，其特征在于，所述样本分类单元具体用于：将所述分类特征输入所述领域分类模型，得到分类精度结果。

10.根据权利要求6、7或8所述的装置，其特征在于，所述结果确定单元包括：

范围匹配子单元，用于将所述分类精度结果在所述精度阈值范围中进行匹配，确定所述分类精度结果对应的目标阈值范围；

结果确定子单元，用于如果所述目标阈值范围为第一阈值范围，确定所述目标域与所述辅助域在所述分类特征下不适合进行迁移学习；如果所述目标阈值范围为第二阈值范围，确定所述目标域与所述辅助域在所述分类特征下适合进行迁移学习。