[發(fā)明專利]一種訓(xùn)練方法、特征提取方法、裝置及電子設(shè)備

在審

• 申請?zhí)枺?/td>: 201911050651.0
• 申請日: 2019-10-31
• 公開（公告）號: CN110796240A
• 公開（公告）日: 2020-02-14
• 發(fā)明（設(shè)計）人: 李懷松;潘健民
• 申請（專利權(quán)）人: 支付寶(杭州)信息技術(shù)有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 11315 北京國昊天誠知識產(chǎn)權(quán)代理有限公司
• 代理人: 許振新

本說明書實施例提供一種訓(xùn)練方法、特征提取方法、裝置及電子設(shè)備。訓(xùn)練方法包括：將樣本對象對應(yīng)目標(biāo)分類下的第一短期特征集輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，得到第二短期特征集，其中，第一短期特征集中的各短期特征對應(yīng)有相同的第一時間粒度。將第二短期特征集按照時間順序組合成長期特征集，其中，長期特征集中的各長期特征對應(yīng)有相同的第二時間粒度，第二時間粒度大于第一時間粒度。將長期特征集輸入至卷積神經(jīng)網(wǎng)絡(luò)，得到目標(biāo)對象對應(yīng)所述目標(biāo)分類下的目標(biāo)特征集。將目標(biāo)特征集輸入至用于識別目標(biāo)分類的分類模型，以基于所述分類模型針對樣本對象的識別結(jié)果，對循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

技術(shù)領(lǐng)域

本文件涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種訓(xùn)練方法、特征提取方法、裝置及電子設(shè)備。

背景技術(shù)

隨著人工智能的發(fā)展，越來越多的場景會應(yīng)用到由神經(jīng)網(wǎng)絡(luò)所構(gòu)建的深度學(xué)習(xí)模型，以達(dá)到機(jī)械化處理信息的目的。在其中一些場景中，需要使用不同時間粒度所呈現(xiàn)的特征對模型進(jìn)行訓(xùn)練。現(xiàn)有技術(shù)的作為是分別針對每種時間粒度的特征，對模型進(jìn)行單獨訓(xùn)練。這種方式下，首先訓(xùn)練效率不高；其次，訓(xùn)練后的模型無法體現(xiàn)出短期特性與長期特性之間的隱性關(guān)聯(lián)，導(dǎo)致模型性能不佳。

有鑒于此，如何以較高的效率，訓(xùn)練出能夠關(guān)聯(lián)短期特性和長期特性的模型，是當(dāng)前亟需要解決的技術(shù)問題。

發(fā)明內(nèi)容

本說明書實施例目的是提供一種訓(xùn)練方法、特征提取方法及相關(guān)裝置，能夠以較高的效率，訓(xùn)練出能夠關(guān)聯(lián)短期特性和長期特性的模型。

為了實現(xiàn)上述目的，本說明書實施例是這樣實現(xiàn)的：

第一方面，提供一種訓(xùn)練方法，包括：

將樣本對象對應(yīng)目標(biāo)分類下的第一短期特征集輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征對應(yīng)有相同的第一時間粒度；

將所述第二短期特征集按照時間順序組合成長期特征集，其中，所述長期特征集中的各長期特征對應(yīng)有相同的第二時間粒度，所述第二時間粒度大于所述第一時間粒度；

將所述長期特征集輸入至卷積神經(jīng)網(wǎng)絡(luò)，得到所述目標(biāo)對象對應(yīng)所述目標(biāo)分類下的目標(biāo)特征集；

將所述目標(biāo)特征集輸入至用于識別所述目標(biāo)分類的分類模型，以基于所述分類模型針對所述樣本對象的識別結(jié)果，對所述循環(huán)神經(jīng)網(wǎng)絡(luò)和所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

第二方面，提供一種特征提取方法，包括：

將目標(biāo)對象屬于目標(biāo)分類下的第一短期特征集輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征對應(yīng)有相同的第一時間粒度；

將所述第二短期特征集按照時間順序組合成長期特征集，其中，所述長期特征集中的各長期特征對應(yīng)有相同的第二時間粒度，所述第二時間粒度大于所述第一時間粒度；

將所述長期特征集輸入至卷積神經(jīng)網(wǎng)絡(luò)，得到所述目標(biāo)對象對應(yīng)所述目標(biāo)分類下的目標(biāo)特征集；

其中，所述循環(huán)神經(jīng)網(wǎng)絡(luò)和所述卷積神經(jīng)網(wǎng)絡(luò)是將樣本對象的目標(biāo)特征集輸入至具有識別所述目標(biāo)分類的分類模型后，基于所述分類模型得到針對所述樣本對象的識別結(jié)果，對所述循環(huán)神經(jīng)網(wǎng)絡(luò)和所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練所得到的，所述樣本對象的目標(biāo)特征集是基于所述循環(huán)神經(jīng)網(wǎng)絡(luò)和所述卷積神經(jīng)網(wǎng)絡(luò)確定得到的。

第三方面，提供一種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練裝置，包括：

第一處理模塊，將樣本對象對應(yīng)目標(biāo)分類下的第一短期特征集輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征對應(yīng)有相同的第一時間粒度；

第一組合模塊，將所述第二短期特征集按照時間順序組合成長期特征集，其中，所述長期特征集中的各長期特征對應(yīng)有相同的第二時間粒度，所述第二時間粒度大于所述第一時間粒度；