[发明专利]分类模型的训练方法及计算机可读存储介质

权利要求书

1.一种分类模型的训练方法，其特征在于，所述分类模型的训练方法包括：

根据第一数据集训练第一分类模型以得到预测分类模型，其中，所述第一数据集为有标签数据的集合；

将第二数据集输入所述预测分类模型进行计算以得到预测标签，其中，所述第二数据集为无标签数据的集合；

将所述第一数据集和带有预测标签的第二数据集两者之一输入第二分类模型中训练，并更新所述第二分类模型的参数以得到中间分类模型，将两者之另一输入所述中间分类模型中训练，并更新所述中间分类模型的参数；

判断所述中间分类模型是否满足预设条件；

当所述中间分类模型没有满足预设条件时，将所述第一数据集和带有预测标签的第二数据集两者之一输入所述中间分类模型中训练，并更新所述中间分类模型的参数，将两者之另一输入所述中间分类模型中训练，并更新所述中间分类模型的参数，直至所述中间分类模型满足预设条件；以及

当所述中间分类模型满足预设条件时，将满足预设条件的中间分类模型作为目标分类模型。

2.如权利要求1所述的分类模型的训练方法，其特征在于，将所述第一数据集和带有预测标签的第二数据集两者之一输入第二分类模型中训练，并更新所述第二分类模型的参数以得到中间分类模型，将两者之另一输入所述中间分类模型中训练，并更新所述中间分类模型的参数具体包括：

将所述第一数据集输入所述第二分类模型以得到第一标签，其中，所述第一数据集中的第一数据包括真实标签；

根据所述第一标签和所述真实标签构建第一损失值；

根据所述第一损失值更新所述第二分类模型的参数以得到所述中间分类模型；

将所述第二数据集输入所述中间分类模型以得到第二标签；

根据所述第二标签和所述预测标签构建第二损失值；以及

根据所述第二损失值更新所述中间分类模型的参数。

3.如权利要求2所述的分类模型的训练方法，其特征在于，根据所述第一标签和所述真实标签构建第一损失值具体包括：

从所述第一数据集的第一数据中多次选取预设数量的第一数据，其中，每次选取的第一数据均不重复；

计算每次选取的所有第一数据的第一标签的平均值；以及

根据每次选取的第一数据的真实标签和第一标签的平均值构建所述第一损失值。

4.如权利要求2所述的分类模型的训练方法，其特征在于，根据所述第二标签和所述预测标签构建第二损失值具体包括：

从所述第二数据集的第二数据中多次选取预设数量的第二数据，其中，每次选取的第二数据均不重复；

计算每次选取的所有第二数据的第二标签的平均值；以及

根据每次选取的第二数据的预测标签和第二标签的平均值构建所述第二损失值。

5.如权利要求2所述的分类模型的训练方法，其特征在于，判断所述中间分类模型是否满足预设条件具体包括：

根据所述第一损失值和所述第二损失值计算总损失值；

根据当前总损失值和上一总损失值判断当前总损失值是否不再减小；以及

当当前总损失值不再减小时，确认所述中间分类模型满足预设条件。

6.如权利要求1所述的分类模型的训练方法，其特征在于，将所述第一数据集和带有预测标签的第二数据集两者之一输入第二分类模型中训练，并更新所述第二分类模型的参数以得到中间分类模型，将两者之另一输入所述中间分类模型中训练，并更新所述中间分类模型的参数具体包括：

将所述第二数据集输入所述第二分类模型以得到第三标签；

根据所述第三标签和所述预测标签构建第三损失值；

根据所述第三损失值更新所述第二分类模型的参数以得到所述中间分类模型；

将所述第一数据集输入所述中间分类模型以得到第四标签，其中，所述第一数据集中的第一数据包括真实标签；

根据所述第四标签和所述真实标签构建第四损失值；以及

根据所述第四损失值更新所述中间分类模型的参数。