[发明专利]分类模型训练方法、分类方法、装置、设备以及介质

权利要求书

1.一种分类模型训练方法，其特征在于，包括：

在初始样本数据中确定当前次迭代的第一抽样样本数据和第二抽样样本数据；其中，所述第一抽样样本数据和所述第二抽样样本数据的样本数据量相同，且样本数据不重叠，所述第一抽样样本数据为首次迭代中预设数量的随机抽样数据或上一次迭代中第一抽样样本数据和第二抽样样本数据的合集，各次迭代中的第二抽样样本数据的分类结果基于对应的第一抽样样本数据的分类结果确定；

基于所述第一抽样样本数据和第二抽样样本数据，以及各样本数据的分类结果对当前分类模型进行训练，并得到当前次迭代更新后的分类模型，直到满足迭代停止条件，得到训练后的目标分类模型。

2.根据权利要求1所述的方法，其特征在于，若当前次迭代为首次迭代；

相应的，所述在初始样本数据中确定当前次迭代的第一抽样样本数据和第二抽样样本数据，包括：

将初始样本数据中抽取预设数量的样本数据作为第一抽样样本数据；

将所述初始样本数据中除所述第一抽样样本数据之外的样本数据中抽取预设数量的样本数据作为第二抽样样本数据。

3.根据权利要求2所述的方法，其特征在于，在初始样本数据中确定当前次迭代的第一抽样样本数据和第二抽样样本数据之后，还包括：

将所述第一抽样样本数据的人工标注数据作为所述第一抽样样本数据的分类结果；

基于所述第一抽样样本数据的分类结果确定所述初始样本数据的分类结果，并基于所述初始样本数据的分类结果确定所述第二抽样样本数据的分类结果。

4.根据权利要求1所述的方法，其特征在于，所述基于所述第一抽样样本数据和第二抽样样本数据，以及各样本数据的分类结果对当前分类模型进行训练，并得到当前次迭代更新后的分类模型，直到满足迭代停止条件，得到训练后的目标分类模型，包括：

获取当前次迭代的所述第一抽样样本数据和第二抽样样本数据，并将所述第一抽样样本数据和第二抽样样本数据输入至所述当前分类模型，得到所述当前分类模型的输出结果；

将所述当前次迭代的各样本数据的分类结果作为各样本数据的数据标签，基于所述当前次迭代的数据标签以及所述当前分类模型的输出结果生成损失函数，基于所述损失函数对对所述当前分类模型进行参数调节；

当所述当前分类模型的训练过程满足训练停止条件，得到训练完成的目标分类模型。

5.根据权利要求1所述的方法，其特征在于，所述分类模型的训练过程中的损失函数包括第一抽样样本数据对应的第一损失函数以及第二抽样样本数据对应的第二损失函数；所述第一损失函数基于所述第一抽样样本数据对应的第一权重所确定，所述第二损失函数基于所述第二抽样样本数据对应的第二权重所确定。

6.一种数据分类方法，其特征在于，包括：

获取待分类数据；

将所述待分类数据输入至预先训练的目标分类模型，得到所述目标分类模型输出的分类结果；其中，所述目标分类模型基于权利要求1-5中任一所述的分类模型训练方法预先训练得到。

7.一种分类模型训练装置，其特征在于，包括：

抽样样本数据获取模块，用于在初始样本数据中确定当前次迭代的第一抽样样本数据和第二抽样样本数据；其中，所述第一抽样样本数据和所述第二抽样样本数据的样本数据量相同，且样本数据不重叠，所述第一抽样样本数据为首次迭代中预设数量的随机抽样数据或上一次迭代中第一抽样样本数据和第二抽样样本数据的合集，各次迭代中的第二抽样样本数据的分类结果基于对应的第一抽样样本数据的分类结果确定；

分类模型训练模块，用于基于所述第一抽样样本数据和第二抽样样本数据，以及各样本数据的分类结果对当前分类模型进行训练，并得到当前次迭代更新后的分类模型，直到满足迭代停止条件，得到训练后的目标分类模型。