[发明专利]与基于度量学习的数据分类相关的设备及其方法

权利要求书

1.一种电子设备，包括：

存储器，被配置成存储至少一个指令；以及

处理器，被配置成执行存储的指令，

其中，所述处理器还被配置成：

从第一类的训练数据中提取特征数据，

通过将提取的特征数据映射到嵌入空间来获得特征点，以及

在减小获得的特征点和锚点之间的距离的方向上训练人工神经网络，以及

其中，所述锚点是从映射到所述嵌入空间的所述第一类的代表数据中提取的特征数据。

2.根据权利要求1所述的电子设备，其中，训练所述人工神经网络包括通过使用损失函数来训练所述人工神经网络，所述损失函数定义所述第一类的训练数据的特征点越靠近所述锚点，损失就越小，并且不同于所述第一类的第二类的训练数据的特征点越靠近所述锚点，损失就越大。

3.根据权利要求1所述的电子设备，其中，训练所述人工神经网络包括对用于提取所述第一类的训练数据的特征数据的卷积神经网络(CNN)层和用于获得通过接收从所述CNN层输出的数据而获得的特征点和所述锚点之间的距离的度量学习层进行共同训练。

4.根据权利要求1所述的电子设备，其中，训练所述人工神经网络包括从所述CNN层仅分离所述度量学习层，所述度量学习层用于获得通过接收从用于提取所述第一类的训练数据的特征数据的所述CNN层输出的数据而获得的特征点和所述锚点之间的距离，并且训练分离的度量学习层。

5.根据权利要求1所述的电子设备，其中，所述人工神经网络包括度量学习层，所述度量学习层输出在所述嵌入空间上形成的聚类特征数据，并且

其中，训练所述人工神经网络包括训练由单层组成的对象分类层，所述单层接收从所述度量学习层输出的数据，并按每个类输出置信水平。

6.根据权利要求1所述的电子设备，其中，训练所述人工神经网络包括在所述第一类的训练数据的特征点更靠近所述第一类的锚点、并且同时所述第二类的训练数据的特征点更靠近所述嵌入空间上的所述第二类的锚点的方向上训练所述人工神经网络，并且

其中，通过反映所述第一类和所述第二类之间的语义关系信息来确定所述第一类的锚点的位置和所述第二类的锚点的位置。

7.根据权利要求6所述的电子设备，其中，所述语义关系信息包括语义树中所述第一类的关键词和所述第二类的关键词之间的距离，并且

其中，所述语义树反映每个关键词之间的语义层次关系，并且所述语义树中所述第一类的关键词和所述第二类的关键词之间的距离被设置为对应于所述第一类的关键词的第一节点和对应于所述第二类的关键词的第二节点之间的节点数量越多，所述距离就越远。

8.根据权利要求6所述的电子设备，其中，训练所述人工神经网络包括反映所述第一类和所述第二类之间的所述语义关系信息，并更新第一类聚类和第二类聚类中的至少一个在所述嵌入空间上的位置，

其中，所述第一类聚类由所述第一类的特征点和所述第一类的锚点组成，并且

其中，所述第二类聚类由所述第二类的特征点和所述第二类的锚点组成。

9.根据权利要求1所述的电子设备，其中，训练所述人工神经网络包括通过反映所述第一类的特征点来更新所述嵌入空间上的所述锚点的位置，并且在减小所述第一类的特征点和更新后的锚点之间的距离的方向上训练所述人工神经网络。

10.根据权利要求9所述的电子设备，其中，更新所述嵌入空间上的所述锚点的位置包括在由从所述训练起点开始的第一次数的迭代组成的初始训练中不执行所述锚点的位置更新，而是在所述初始训练之后的迭代中执行所述锚点的位置更新。

11.根据权利要求10所述的电子设备，其中，在所述初始训练之后的迭代中执行所述锚点的位置更新包括每两次或更多次的第二次数的迭代执行一次所述锚点的位置更新。