[發明專利]一種機器學習分類方法及裝置

有效

• 申請號: 201310384790.3
• 申請日: 2013-08-29
• 公開（公告）號: CN103426007A
• 公開（公告）日: 2013-12-04
• 發明（設計）人: 崔慶君;楊青
• 申請（專利權）人: 人民搜索網絡股份公司
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王寶筠

1.一種機器學習分類方法，其特征在于，所述方法包括：

利用訓練配置文件和訓練樣本進行訓練，得到至少一個分類器模型；所述訓練配置文件包含數據格式定義、至少一個分類任務、每個分類任務的任務參數，所述訓練樣本包含至少一個符合所述數據格式定義的預設屬性；

接收分類配置文件和待分類數據，所述分類配置文件包含分類拓撲結構、至少一個預先訓練的分類器模型、所述數據格式定義，所述待分類數據包含至少一個符合所述數據格式定義的屬性；

根據所述分類拓撲結構和所述至少一個分類器模型建立一個多級分類結構；

利用所述多級分類結構逐級判斷所述待分類數據的類別。

2.根據權利要求1所述的方法，其特征在于，所述利用訓練配置文件和訓練樣本進行訓練，得到至少一個分類器模型，包括：

分析所述訓練配置文件，為每個分類任務建立一個訓練進程；

依據每個分類任務的任務參數分別對所述訓練樣本包含的至少一個預設屬性進行訓練，獲得所述分類任務對應的分類器模型。

3.根據權利要求2所述的方法，其特征在于，所述訓練配置文件還包括屬性選擇指示，則

所述依據每個分類任務的任務參數分別對所述訓練樣本包含的至少一個預設屬性進行訓練，包括：

從所述訓練樣本包含的至少一個預設屬性中選擇出至少一個優選屬性，并對所述至少一個優選屬性進行訓練。

4.根據權利要求1所述的方法，其特征在于，所述根據所述分類拓撲結構和所述至少一個分類器模型建立一個多級分類結構，包括：

按照所述分類拓撲結構的指示，為各層級節點映射指定的至少一個分類器模型，形成所述多級分類結構。

5.根據權利要求4所述的方法，其特征在于，如果一個節點映射至少兩個分類器模型，所述方法還包括：

設置每個分類器模型的權重，并對所述至少兩個分類器模型的輸出結果進行加權處理，作為該節點的判斷結果。

6.根據權利要求1所述的方法，其特征在于，所述分類配置文件還包括至少一個規則分類器，則

所述根據所述分類拓撲結構和所述至少一個分類器模型建立一個多級分類結構，包括：

根據所述分類拓撲結構、至少一個分類器模型、和至少一個規則分類器建立所述多級分類結構。

7.一種機器學習分類裝置，其特征在于，所述裝置包括：

模型訓練單元，用于利用訓練配置文件和訓練樣本進行訓練，得到至少一個分類器模型；所述訓練配置文件包含數據格式定義、至少一個分類任務、每個分類任務的任務參數，所述訓練樣本包含至少一個符合所述數據格式定義的預設屬性；

接收單元，用于接收分類配置文件和待分類數據，所述分類配置文件包含分類拓撲結構、至少一個預先訓練的分類器模型、所述數據格式定義，所述待分類數據包含至少一個符合所述數據格式定義的屬性；

構建單元，用于根據所述分類拓撲結構和所述至少一個分類器模型建立一個多級分類結構；

判斷單元，用于利用所述多級分類結構逐級判斷所述待分類數據的類別。

8.根據權利要求7所述的裝置，其特征在于，所述模型訓練單元包括：

進程建立單元，用于分析所述訓練配置文件，為每個分類任務建立一個訓練進程；

模型訓練子單元，用于依據每個分類任務的任務參數分別對所述訓練樣本包含的至少一個預設屬性進行訓練，獲得所述分類任務對應的分類器模型。

9.根據權利要求8所述的裝置，其特征在于，所述訓練配置文件還包括屬性選擇指示，則

所述模型訓練子單元，具體用于從所述訓練樣本包含的至少一個預設屬性中選擇出至少一個優選屬性，并依據每個分類任務的任務參數分別對所述至少一個優選屬性進行訓練，獲得所述分類任務對應的分類器模型。

10.根據權利要求7所述的裝置，其特征在于，

所述構建單元，具體用于按照所述分類拓撲結構的指示，為各層級節點映射指定的至少一個分類器模型，形成所述多級分類結構。

11.根據權利要求10所述的裝置，其特征在于，如果一個節點映射至少兩個分類器模型，所述構建單元還包括：

權重設置單元，用于設置每個分類器模型的權重，并對所述至少兩個分類器模型的輸出結果進行加權處理，作為該節點的判斷結果。

12.根據權利要求7所述的裝置，其特征在于，所述分類配置文件還包括至少一個規則分類器，則

所述構建單元，具體用于根據所述分類拓撲結構、至少一個分類器模型、和至少一個規則分類器建立所述多級分類結構。