[发明专利]机器学习方法及相关装置

说明书

本申请实施例公开了一种机器学习方法及相关装置，其中，方法包括：获取训练集和测试集，训练集为无标注数据，测试集为标注数据；将训练集中的所有训练样本通过无监督学习算法映射到嵌入空间，并采用预设聚类算法对所有训练样本进行聚类，得到多个类别，每一类别对应一个伪标签；依据伪标签为训练样本配置多个目标任务；基于多个目标任务运行元学习算法，以对多个类别对应的训练样本进行训练，得到具备目标学习机制的目标神经网络模型；将测试集输入到目标神经网络模型进行训练，得到更新参数；依据更新参数优化目标神经网络模型的模型参数，得到优化后的目标神经网络模型。采用本申请实施例可以提升神经网络模型的性能。

技术领域

本申请涉及机器学习技术领域，具体涉及一种机器学习方法及相关装置。

背景技术

传统的监督学习往往以海量的有标签样本作为训练集，利用深度神经网络进行迭代训练，得到最终模型。随着数据收集和存储技术的飞速发展，收集大量未标记的样本已相当容易，而获取大量有标记的样本则相对较为困难，因为标记这些海量的样本需要耗费大量的人力物力。因此，在有标记样本较少时，如何利用大量的未标记样本来改善学习性能已成为当前机器学习研究中最受关注的问题之一。在此背景下，半监督学习被提出。

半监督学习可以让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，但是目前传统的半监督学习无法学到先前特征对后续任务的影响，在机器学习各领域的表现并不理想，即目前机器学习效果不佳，因此，如何提升神经网络模型的性能的问题亟待解决。

发明内容

本申请实施例提供了一种机器学习方法及相关装置，可以提升神经网络模型的性能。

第一方面，本申请实施例提供一种机器学习方法，所述方法包括：

获取训练集和测试集，所述训练集为无标注数据，所述测试集为标注数据；

将所述训练集中的所有训练样本通过无监督学习算法映射到嵌入空间；

基于所述嵌入空间，采用预设聚类算法对所述所有训练样本进行聚类，得到多个类别，每一类别包括至少一个所述训练样本，每一类别对应一个伪标签；

依据所述伪标签为所述训练样本配置多个目标任务，每一类所述伪标签对应至少一个所述目标任务；

基于所述多个目标任务运行元学习算法，以对所述多个类别对应的训练样本进行训练，得到具备目标学习机制的目标神经网络模型；

将所述测试集输入到所述目标神经网络模型进行训练，得到更新参数；

依据所述更新参数优化所述目标神经网络模型的模型参数，得到优化后的所述目标神经网络模型。

第二方面，本申请实施例提供了一种机器学习装置，所述装置包括：

第一获取单元，用于获取训练集和测试集，所述训练集为无标注数据，所述测试集为标注数据；

映射单元，用于将所述训练集中的所有训练样本通过无监督学习算法映射到嵌入空间；

聚类单元，用于基于所述嵌入空间，采用预设聚类算法对所述所有训练样本进行聚类，得到多个类别，每一类别包括至少一个所述训练样本，每一类别对应一个伪标签；

配置单元，用于依据所述伪标签为所述训练样本配置多个目标任务，每一类所述伪标签对应至少一个所述目标任务；

训练单元，用于基于所述多个目标任务运行元学习算法，以对所述多个类别对应的训练样本进行训练，得到具备目标学习机制的目标神经网络模型；以及将所述测试集输入到所述目标神经网络模型进行训练，得到更新参数；

优化单元，用于依据所述更新参数优化所述目标神经网络模型的模型参数，得到优化后的所述目标神经网络模型。