[发明专利]一种模型训练方法及相关装置

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

基于负样本衡量机制，确定未标记样本集合中各未标记样本各自对应的负样本置信度；

根据所述未标记样本集合中各未标记样本各自对应的负样本置信度，从所述未标记样本集合中选出目标负样本；基于所述目标负样本和目标正样本，构建第一训练样本集；

根据参考未标记样本集合中各未标记样本各自对应的负样本置信度，从所述参考未标记样本集合中选出参考正样本和参考负样本，所述参考未标记样本集合包括所述未标记样本集合中除所述目标负样本以外的未标记样本；基于所述目标负样本和所述参考负样本、以及所述目标正样本和所述参考正样本，构建第二训练样本集；

基于所述第一训练样本集和所述第二训练样本集，训练目标分类模型。

2.根据权利要求1所述的方法，其特征在于，所述基于负样本衡量机制，确定未标记样本集合中各未标记样本各自对应的负样本置信度，包括：

基于多种负样本衡量机制，确定所述未标记样本集合中各未标记样本各自在每种所述负样本衡量机制下的负样本置信度；

所述基于所述目标负样本和目标正样本，构建第一训练样本集，包括：

针对每种所述负样本衡量机制，基于所述负样本衡量机制下的目标负样本和所述目标正样本，构建所述第一训练样本集；所述负样本衡量机制下的目标负样本，是根据所述未标记样本集合中各未标记样本各自在所述负样本衡量机制下的负样本置信度选出的；

所述基于所述目标负样本和所述参考负样本、以及所述目标正样本和所述参考正样本，构建第二训练样本集，包括：

针对每种所述负样本衡量机制，基于所述负样本衡量机制下的目标负样本、参考负样本和参考正样本、以及所述目标正样本，构建所述第二训练样本集；所述负样本衡量机制下的参考负样本和参考正样本，均是根据所述负样本衡量机制对应的参考未标记样本集合中各未标记样本各自在所述负样本衡量机制下的负样本置信度选出的；所述负样本衡量机制对应的参考未标记样本集合，包括所述未标记样本集合中除所述负样本衡量机制下的目标负样本以外的未标记样本。

3.根据权利要求2所述的方法，其特征在于，所述基于多种负样本衡量机制，确定所述未标记样本集合中各未标记样本各自在每种所述负样本衡量机制下的负样本置信度，包括以下至少两种：

基于所述未标记样本集合中的未标记样本以及所述目标正样本，训练半监督分类模型；通过所述半监督分类模型，确定所述未标记样本集合中各未标记样本各自在半监督机制下的负样本置信度；

根据所述未标记样本集合中各未标记样本以及各所述目标正样本在特征空间的分布情况，确定所述未标记样本集合中各未标记样本各自在无监督机制下的负样本置信度；

获取所述未标记样本集合中各未标记样本各自对应的参考特征；根据目标业务场景下的业务规则、以及所述未标记样本集合中各未标记样本各自对应的参考特征，确定所述未标记样本集合中各未标记样本各自在强规则机制下的负样本置信度；所述目标业务场景是产生所述未标记样本的业务场景。

4.根据权利要求3所述的方法，其特征在于，所述基于所述未标记样本集合中的未标记样本以及所述目标正样本，训练半监督分类模型；通过所述半监督分类模型，确定所述未标记样本集合中各未标记样本各自在半监督机制下的负样本置信度，包括以下至少一种：

将所述未标记样本集合划分为m个未标记样本子集合，所述m为大于1的整数；针对每个所述未标记样本子集合，将所述未标记样本子集合包括的未标记样本作为第一模拟负样本，基于所述目标正样本和所述第一模拟负样本，训练所述未标记样本子集合对应的第一半监督分类模型；通过m个所述第一半监督分类模型，确定所述未标记样本集合中各未标记样本各自在第一半监督机制下的负样本置信度；

从各所述目标正样本中选出部分所述目标正样本，将所选出的所述目标正样本、以及所述未标记样本集合中的各未标记样本作为第二模拟负样本；基于未选出的所述目标正样本和所述第二模拟负样本，训练第二半监督分类模型；通过所述第二半监督分类模型，确定所述未标记样本集合中各未标记样本各自在第二半监督机制下的负样本置信度。