[发明专利]一种模型训练方法、数据识别方法、装置及设备

权利要求书

1.一种模型训练方法，所述方法包括：

获取多个训练样本，其中，所述训练样本中包括由多个字符构成的字符序列；

将所述多个训练样本输入至第一模型中，对所述训练样本对应的字符序列中的每个字符位的字符进行预测，确定所述训练样本对应的字符序列中的每个字符位的字符为预设字符的第一预测概率；并将所述多个训练样本输入至第二模型中，对所述训练样本对应的字符序列中的每个字符位的字符进行预测，确定所述训练样本对应的字符序列中的每个字符位的字符为预设字符的第二预测概率，所述第一模型和所述第二模型是由同一个基准模型确定；

基于所述第一预测概率和所述训练样本的标签信息，从所述多个训练样本中选取第一数量的训练样本；并基于所述第二预测概率和所述训练样本的标签信息，从所述多个训练样本中选取第二数量的训练样本；

基于所述第一数量的训练样本对所述第二模型进行训练，并基于所述第二数量的训练样本对所述第一模型进行训练；如果训练后的所述第一模型和/或训练后的所述第二模型不满足相应的收敛条件，则重新执行获取多个训练样本，以及对所述第一模型和所述第二模型进行训练的步骤，直到训练后的所述第一模型和/或训练后的所述第二模型满足相应的收敛条件。

2.根据权利要求1所述的方法，所述基于所述第一预测概率和所述训练样本的标签信息，从所述多个训练样本中选取第一数量的训练样本，包括：

基于所述训练样本的标签信息，确定所述训练样本对应的字符序列中的每个字符位的字符为第一字符；

基于所述训练样本对应的字符序列中的每个字符位的字符为第一字符，以及所述第一预测概率，确定所述训练样本对应的字符序列的置信度，所述置信度用于表征所述训练样本的标签信息的准确程度；

基于所述训练样本对应的字符序列的置信度，从所述多个训练样本中选取第一数量的训练样本。

3.根据权利要求2所述的方法，所述基于所述训练样本对应的字符序列的置信度，从所述多个训练样本中选取第一数量的训练样本，包括：

从所述多个训练样本中确定所述置信度大于预设置信度阈值的训练样本，并从所述置信度大于预设置信度阈值的训练样本中选取第一数量的训练样本。

4.根据权利要求2-3任一项所述的方法，所述基于所述训练样本对应的字符序列中的每个字符位的字符为第一字符，以及所述第一预测概率，确定所述训练样本对应的字符序列的置信度，包括：

针对所述训练样本对应的字符序列中的目标字符位，从所述第一预测概率中获取所述目标字符位为所述第一字符的字符预测概率，所述目标字符位为所述训练样本对应的字符序列中的任一字符位；

将所述训练样本对应的字符序列中的多个字符位的字符预测概率的乘积作为所述训练样本对应的字符序列的置信度。

5.根据权利要求1所述的方法，所述字符序列中包含的字符包括中文字符、字母、数字、符号和图形中的一种或多种。

6.根据权利要求1所述的方法，所述基准模型为基于一种或多种不同的预设神经网络算法构建的模型。

7.根据权利要求1所述的方法，所述训练样本中还包括与所述字符序列不相关的噪声数据，所述噪声数据包括中文字符、字母、数字、符号、图形、线条中的一种或多种。

8.一种模型训练方法，所述方法包括：

获取多个训练样本，其中，所述训练样本中包括由多个字符构成的字符序列；

将所述多个训练样本输入至第一模型中，对所述训练样本对应的字符序列中的每个字符位的字符进行预测，确定所述训练样本对应的字符序列中的每个字符位的字符为预设字符的第一预测概率；

基于所述第一预测概率和所述训练样本的标签信息，从所述多个训练样本中选取第一数量的训练样本；

基于所述第一数量的训练样本对所述第一模型进行训练，如果训练后的所述第一模型不满足相应的收敛条件，则重新执行获取多个训练样本，以及对所述第一模型进行训练的步骤，直到训练后的所述第一模型满足相应的收敛条件。