[发明专利]目标分类的方法和装置

权利要求书

1.一种目标分类的方法，其特征在于，包括：

利用标记样本集进行模型训练，得到老师模型；所述标记样本集包括多个标记样本及其分类标签；

基于所述老师模型确定未标记样本集中每个未标记样本的分类标签和不确定度，得到伪标记样本集；

利用所述标记样本集和所述伪标记样本集，采用所述老师模型的网络结构进行模型训练，得到多分类模型；

基于所述多分类模型确定待分类目标的分类标签。

2.如权利要求1所述的方法，其特征在于，利用标记样本集进行模型训练，包括：利用所述标记样本集，基于贝叶斯算法进行模型训练。

3.如权利要求1所述的方法，其特征在于，基于所述老师模型确定未标记样本集中每个未标记样本的分类标签和不确定度，包括：基于所述老师模型，采用随机失活方法确定所述未标记样本集中每个未标记样本的分类标签和不确定度。

4.如权利要求1所述的方法，其特征在于，利用所述标记样本集和所述伪标记样本集进行模型训练，得到多分类模型，包括：

A、利用所述标记样本集和所述伪标记样本集进行模型训练，得到学生模型；

B、将所述标记样本集和所述未标记样本集分别输入所述学生模型，得到所述标记样本集的标注结果和所述未标记样本集的标注结果；根据所述标记样本集的标注结果和所述未标记样本集的标注结果确定所述学生模型的损失函数是否收敛；若是，则以所述学生模型作为所述多分类模型；否则跳转至步骤C；

C、调整所述学生模型的模型参数，然后迭代执行步骤B，直至所述学生模型的损失函数收敛，得到多分类模型。

5.一种目标分类的装置，其特征在于，包括：

老师模型训练单元，利用标记样本集进行模型训练，得到老师模型；所述标记样本集包括多个标记样本及其分类标签；

预测单元，基于所述老师模型确定未标记样本集中每个未标记样本的分类标签和不确定度，得到伪标记样本集；

学生模型训练单元，利用所述标记样本集和所述伪标记样本集，采用所述老师模型的网络结构进行模型训练，得到多分类模型；

分类单元，基于所述多分类模型确定待分类目标的分类标签。

6.如权利要求5所述的装置，其特征在于，所述老师模型训练单元利用标记样本集进行模型训练，包括：利用所述标记样本集，基于贝叶斯算法进行模型训练。

7.如权利要求5所述的装置，其特征在于，所述预测单元基于所述老师模型确定未标记样本集中每个未标记样本的分类标签和不确定度，包括：基于所述老师模型，采用随机失活方法确定所述未标记样本集中每个未标记样本的分类标签和不确定度。

8.如权利要求5所述的装置，其特征在于，所述学生模型训练单元利用所述标记样本集和所述伪标记样本集进行模型训练，得到多分类模型，包括：

A、利用所述标记样本集和所述伪标记样本集进行模型训练，得到学生模型；

B、将所述标记样本集和所述未标记样本集分别输入所述学生模型，得到所述标记样本集的标注结果和所述未标记样本集的标注结果；根据所述标记样本集的标注结果和所述未标记样本集的标注结果确定所述学生模型的损失函数是否收敛；若是，则以所述学生模型作为所述多分类模型；否则跳转至步骤C；

C、调整所述学生模型的模型参数，然后迭代执行步骤B，直至所述学生模型的损失函数收敛，得到多分类模型。

9.一种目标分类的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。