[發明專利]樣本識別模型的生成方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010213547.5
• 申請日: 2020-03-24
• 公開（公告）號: CN111444951A
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 李超;孫藝芙;藍利君;郭清宇;趙雪堯;盧笑;王翔
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 李文淵

1.一種樣本識別模型的生成方法，所述方法包括：

獲取至少兩個源域訓練樣本集和一個目標域訓練樣本集，所述源域訓練樣本集和所述目標域訓練樣本集中均包含有多個樣本以及與所述樣本對應的實際分類概率；

分別根據各個所述源域訓練樣本集、所述目標域訓練樣本集和各個所述樣本對應的實際分類概率，對各個待訓練的元分類網絡模型進行一一預訓練，得到各個預訓練后的元分類網絡模型；

分別根據所述目標域訓練樣本集，對所述各個預訓練后的元分類網絡模型進行再次訓練，得到各個再次訓練后的元分類網絡模型，對應作為各個訓練完成的目標域分類網絡模型；

根據所述源域訓練樣本集和所述目標域訓練樣本集，確定所述各個訓練完成的目標域分類網絡模型對應的分類權重；

根據所述各個訓練完成的目標域分類網絡模型以及所述各個訓練完成的目標域分類網絡模型對應的分類權重，生成訓練完成的樣本識別模型。

2.根據權利要求1所述的方法，其特征在于，所述分別根據各個所述源域樣本集、所述目標域樣本集和各個所述樣本對應的實際分類概率，對各個待訓練的元分類網絡模型進行一一預訓練，得到各個預訓練后的元分類網絡模型，包括：

根據各個所述源域訓練樣本集、所述目標域訓練樣本集和各個所述樣本對應的實際分類概率，構建所述源域訓練樣本集的第一樣本集和第二樣本集以及所述目標域訓練樣本集的第一樣本集和第二樣本集；

根據所述源域訓練樣本集的第一樣本集和所述目標域訓練樣本集的第一樣本集，對所述待訓練的元分類網絡模型進行微調訓練，得到微調訓練后的元分類網絡模型；

獲取所述微調訓練后的元分類網絡模型在所述源域訓練樣本集的第二樣本集和所述目標域訓練樣本集的第二樣本集上的預測損失值，根據所述預測損失值對所述待訓練的元分類網絡模型進行訓練，得到訓練后的元分類網絡模型；

若所述訓練后的元分類網絡模型不滿足第一收斂條件，則將所述訓練后的元分類網絡模型作為待訓練的元分類網絡模型，并跳轉至根據所述源域訓練樣本集的第一樣本集和所述目標域訓練樣本集的第一樣本集，對所述待訓練的元分類網絡模型進行微調訓練，得到微調訓練后的元分類網絡模型的步驟；

若所述訓練后的元分類網絡模型滿足所述第一收斂條件，將當前的各個元分類網絡模型，作為所述各個預訓練后的元分類網絡模型。

3.根據權利要求2所述的方法，其特征在于，所述根據所述源域訓練樣本集的第一樣本集和所述目標域訓練樣本集的第一樣本集，對所述待訓練的元分類網絡模型進行微調訓練，得到微調訓練后的元分類網絡模型，包括：

根據所述源域訓練樣本集的第一樣本集對所述待訓練的元分類網絡模型進行微調訓練，得到所述待訓練的元分類網絡模型在所述源域訓練樣本集的第一樣本集上的第一預測損失值；

根據所述目標域訓練樣本集的第一樣本集對所述待訓練的元分類網絡模型進行微調訓練，得到所述待訓練的元分類網絡模型在所述目標域訓練樣本集的第一樣本集上的第二預測損失值；

根據所述第一預測損失值，對所述待訓練的元分類網絡模型的網絡參數進行更新，得到所述源域對應的元分類網絡模型；

根據所述第二預測損失值，對所述待訓練的元分類網絡模型的網絡參數進行更新，得到所述目標域對應的元分類網絡模型。

4.根據權利要求3所述的方法，其特征在于，所述獲取所述微調訓練后的元分類網絡模型在所述源域訓練樣本集的第二樣本集和所述目標域訓練樣本集的第二樣本集上的預測損失值，根據所述預測損失值對所述待訓練的元分類網絡模型進行訓練，得到訓練后的元分類網絡模，包括：

根據所述源域訓練樣本集的第二樣本集對所述源域對應的元分類網絡模型進行訓練，得到所述源域對應的元分類網絡模型在所述源域訓練樣本集的第二樣本集上的第三預測損失值；

根據所述目標域訓練樣本集的第二樣本集對所述目標域對應的元分類網絡模型進行訓練，得到所述目標域對應的元分類網絡模型在所述目標域訓練樣本集的第二樣本集上的第四預測損失值；

根據所述第三預測損失值和所述第四預測損失值，對所述待訓練的元分類網絡模型的網絡參數進行更新，得到更新后的元分類網絡模型，作為所述訓練后的元分類網絡模型。