[發明專利]模型訓練方法、數據類型識別方法和計算機設備

在審

• 申請號: 201810071644.8
• 申請日: 2018-01-25
• 公開（公告）號: CN108304868A
• 公開（公告）日: 2018-07-20
• 發明（設計）人: 祝慧佳
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 李輝

本說明書實施例提供一種模型訓練方法、數據類型識別方法和計算機設備。所述模型訓練方法包括：使用經樣本數據集合訓練后的分類模型，識別測試數據集合中測試數據的類型，得到識別結果；其中，所述樣本數據集合包括第一類型樣本數據和第二類型樣本數據；所述第一類型樣本數據的類型與標的業務數據的類型相同；基于所述識別結果，從所述測試數據集合中獲取疑似誤識數據集合；從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據；基于添加了獲取的第二類型樣本數據的樣本數據集合，對所述分類模型再次進行訓練。

技術領域

本說明書實施例涉及計算機技術領域，特別涉及一種模型訓練方法、數據類型識別方法和計算機設備。

背景技術

在實際業務中，經常需要從大量的業務數據中識別出標的業務數據。例如，從大量的商品評論數據中識別出涉及黃賭毒等違法內容的商品評論數據。為此，可以訓練分類模型，進而可以使用訓練的分類模型從大量的業務數據中識別出標的業務數據。為了便于描述，以下將所述標的業務數據作為第一類型數據，將除去所述標的業務數據以外的其它業務數據作為第二類型數據。

在多數場景中，第一類型數據的數量和第二類型數據的數量是不平衡的，第一類型數據的數量是遠小于第二類型數據的數量的。例如，第一類型數據和第二類型數據之間數量的比值可能是萬分之一甚至更低。在相關技術中，通常可以基于已有的第一類型數據和已有的第二類型數據構建樣本數據集合，進而可以使用所述樣本數據集合來訓練分類模型。在構建所述樣本數據集合時，考慮上述不平衡情況，可以對已有的第二類型數據進行采樣，以提高所述樣本數據集合中第一類型樣本數據所占的比例，降低第二類型樣本數據所占的比例，從而提高訓練的分類模型對第一類型數據識別的準確率。

但是，基于上述相關技術訓練的分類模型，通常無法學習到足夠的第二類型數據的特征，導致訓練的分類模型對第一類型數據和第二類型數據的區分能力較低，使得訓練的分類模型容易將第二類型數據誤識為第一類型數據。

發明內容

本說明書實施例的目的是提供一種模型訓練方法、數據類型識別方法和計算機設備，以提高訓練的分類模型對第一類型數據和第二類型數據的區分能力，降低誤識率。

為實現上述目的，本說明書實施例提供一種模型訓練方法，包括：使用經樣本數據集合訓練后的分類模型，識別測試數據集合中測試數據的類型，得到識別結果；其中，所述樣本數據集合包括第一類型樣本數據和第二類型樣本數據；所述第一類型樣本數據的類型與標的業務數據的類型相同；基于所述識別結果，從所述測試數據集合中獲取疑似誤識數據集合；從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據；基于添加了獲取的第二類型樣本數據的樣本數據集合，對所述分類模型再次進行訓練。

為實現上述目的，本說明書實施例提供一種計算機設備，包括：識別單元，用于使用經樣本數據集合訓練后的分類模型，識別測試數據集合中測試數據的類型，得到識別結果；其中，所述樣本數據集合包括第一類型樣本數據和第二類型樣本數據；所述第一類型樣本數據的類型與標的業務數據的類型相同；第一獲取單元，用于基于所述識別結果，從所述測試數據集合中獲取疑似誤識數據集合；第二獲取單元，用于從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據；訓練單元，用于基于添加了獲取的第二類型樣本數據的樣本數據集合，對所述分類模型再次進行訓練。

為實現上述目的，本說明書實施例提供一種計算機設備，包括存儲器和處理器；所述存儲器，用于存儲計算機指令；所述處理器，用于執行所述計算機指令實現以下步驟：使用經樣本數據集合訓練后的分類模型，識別測試數據集合中測試數據的類型，得到識別結果；其中，所述樣本數據集合包括第一類型樣本數據和第二類型樣本數據；所述第一類型樣本數據的類型與標的業務數據的類型相同；基于所述識別結果，從所述測試數據集合中獲取疑似誤識數據集合；從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據；基于添加了獲取的第二類型樣本數據的樣本數據集合，對所述分類模型再次進行訓練。