[发明专利]目标域分类器训练方法、样本识别方法、终端及存储介质

说明书

本发明公开了一种目标域分类器训练方法、样本识别方法、终端及存储介质，针对现有分类器创建方案代价高的问题，提供了目标域分类器训练方法，通过对训练数据进行至少两次迭代分类处理，同时根据每次迭代分类处理的分类结果对训练数据中各样例的数据分类权重向量进行调整。使得经历N次迭代分类处理后，各样例数据的分类权重向量能够达到契合目标域实际数据分布的效果。本发明还提供一种样本识别方法、终端及存储介质，利用目标域中源样例与待识别样例数据分布相同的特点，结合源域中大量已标记的辅助样例数据创建出属于目标域的分类器，并对目标域中未标记的样例进行分类，该方案对目标域中源样例的数量要求不高，易于实现且实现成本低廉。

技术领域

本发明涉及计算机领域，更具体地说，涉及一种目标域分类器训练方法、样本识别方法、终端及存储介质。

背景技术

语音识别领域当中，庞大、全面的语音数据库是准确识别的基础，若期望实现对某种语言的语音识别，则需要针对该语言均建立语音数据库。不过全球目前已查明的语言有5651种，若要针对每一种语言建立一个全面的数据库，则成本代价是首先需要考虑的问题。即便仅针对使用最为广泛的汉语建立数据库也是非常困难的，因为不同地区存在发音不同的问题：对于某些词语，可能仅仅是在不同大区之间存在不同发音，例如西南片区和东南沿海片区的发音不同；但有一些词或字，不同县级区域的发音不同；甚至在一些情况下，不同村镇对同样的词或字的发音都是不同的。在这种情况下，若针对每一个村落均建立语音数据路，基本是不可能实现的。

在传统的机器学习中，要求处理的数据属于同一分布，也就是训练数据和测试数据来自同一数据集。以语音识别为例，若A和B来自语言习惯类似的地区，则将A的语音信号进行特征提取得到的数据作为训练数据，对训练数据进行训练得到分类器后，可以对B的语音信号进行识别。但是，现实的学习任务中训练数据和测试数据通常都不属于同一数据集，也就是说训练数据和测试数据来自不同概率分布。因此使用传统的机器学习算法去处理这种混合域的问题便会出现不适应的问题。例如，采用A对应的训练数据得到分类器在对来自另一地区的C的语音信号进行识别时，可能会出现识别率极低，甚至是完全无法识别的问题。

因此，现在亟需提供一种新的解决方案来降低语音识别的代价。

发明内容

本发明要解决的技术问题在于：提供一种新的目标域分类器训练方案，解决现有技术中只能针对不同语音习惯的地区创建的目标域不同分类器来实现语音识别，造成语音识别代价高的问题，针对该技术问题，提供一种目标域分类器训练方法、样本识别方法、终端及存储介质。

为解决上述技术问题，本发明提供一种目标域分类器训练方法，所述目标域分类器训练方法包括：

对训练样例进行特征提取得到训练数据，所述训练数据包括来自源域的辅助样例数据和来自目标域的源样例数据；

对所述训练数据进行多次迭代分类训练得到适用于对所述目标域中测试样例进行分类的分类器；所述迭代分类训练包括：

获取所述训练数据中各样例数据的分类权重向量；

根据各样例的分类权重向量对所述训练数据中的样例数据进行分类处理；

根据分类结果对所述训练数据中各样例数据的分类权重向量进行调整。

可选的，所述根据分类结果对所述训练数据中各样例数据的分类权重向量进行调整包括：

若所述训练数据中的某一辅助样例数据分类错误，则降低所述辅助样例数据的分类权重向量；

若所述训练数据中的某一源样例数据分类错误，则提升所述源样例数据的分类权重向量。

可选的，所述降低所述辅助样例数据的分类权重向量之前，还包括：

基于辅助样例数据的数目计算用于对分类错误的辅助样例数据进行分类权重降低的降低调整率；