[发明专利]模型的训练方法、文本分类方法和装置、设备、介质

说明书

本申请提供了一种模型的训练方法、文本分类方法和装置、设备、存储介质，属于人工智能技术领域。该训练方法包括：获取原始训练数据，原始训练数据包括第一原始数据和第二原始数据；对第二原始数据进行上采样处理，得到初始训练数据；根据预设的增强参数对初始训练数据进行增强处理，得到增强训练数据；对增强训练数据进行编码处理，得到目标词嵌入向量；对目标词嵌入向量进行扰动处理，得到目标训练数据；根据第一原始数据和目标训练数据对预设的神经网络模型进行训练，得到目标分类模型，其中，目标分类模型为文本分类模型，用于对目标文本数据进行分类。本申请能够提高模型对样本文本数据的识别准确性和模型的训练效果。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种模型的训练方法、文本分类方法和装置、设备、介质。

背景技术

目前，在对文本进行分类时，常常采用将相关的文本数据集输入至训练好的监督学习模型，通过监督学习模型对相关的文本数据集进行分类处理；但常用的监督学习模型往往无法准确识别少数类文本数据，影响模型的训练效果。因此，如何提高模型对样本文本数据的识别准确性，以提高模型的训练效果成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种模型的训练方法、文本分类方法和装置、设备、介质，旨在提高模型对样本文本数据的识别准确性，以提高模型的训练效果。

为实现上述目的，本申请实施例的第一方面提出了一种模型的训练方法，所述方法用于训练目标分类模型，所述方法包括：

获取原始训练数据，其中，所述原始训练数据包括第一原始数据和第二原始数据；

对所述第二原始数据进行上采样处理，得到初始训练数据；

根据预设的增强参数对所述初始训练数据进行增强处理，得到增强训练数据；

对所述增强训练数据进行编码处理，得到目标词嵌入向量；

对所述目标词嵌入向量进行扰动处理，得到目标训练数据；

根据所述第一原始数据和所述目标训练数据对预设的神经网络模型进行训练，得到目标分类模型，其中，所述目标分类模型为文本分类模型，用于对目标文本数据进行分类。

在一些实施例，所述增强参数包括第一扰动比率，所述根据预设的增强参数对所述初始训练数据进行增强处理，得到增强训练数据的步骤，包括：

获取所述初始训练数据的第一句子长度；

根据所述第一句子长度和所述第一扰动比率，计算第一扰动量；

根据所述第一扰动量对所述初始训练数据进行删减处理，得到所述增强训练数据。

在一些实施例，所述增强参数包括第二扰动比率，所述根据预设的增强参数对所述初始训练数据进行增强处理，得到增强训练数据的步骤，包括：

获取所述初始训练数据的第二句子长度；

根据所述第二句子长度和所述第二扰动比率，计算第二扰动量；

根据所述第二扰动量和预设的标点符号对所述初始训练数据进行扩充处理，得到所述增强训练数据。

在一些实施例，所述根据所述第一原始数据和所述目标训练数据对预设的神经网络模型进行训练，得到目标分类模型的步骤，包括：

通过预设函数对所述第一原始数据和所述目标训练数据进行扰动计算，得到文本扰动值；

根据所述文本扰动值对所述神经网络模型的损失函数进行计算，得到损失值；

将所述损失值作为反向传播量，调整所述神经网络模型的模型参数，以训练所述神经网络模型，得到所述文本分类模型。