[發(fā)明專利]一種標(biāo)識續(xù)命方法、裝置、電子設(shè)備及其存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010552453.0
• 申請日: 2020-06-17
• 公開（公告）號: CN111753897A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計）人: 邱德波;靳澤雯
• 申請（專利權(quán)）人: 貝殼技術(shù)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京德琦知識產(chǎn)權(quán)代理有限公司 11018
• 代理人: 鄭紅娟;宋志強

1.一種標(biāo)識續(xù)命方法，其特征在于，該方法包括：

獲取額定數(shù)量的成對訓(xùn)練樣本，其中，所述成對訓(xùn)練樣本為已經(jīng)確定相似度的兩個訓(xùn)練樣本，且所述訓(xùn)練樣本包括訓(xùn)練樣本標(biāo)識和所述訓(xùn)練樣本標(biāo)識對應(yīng)的訓(xùn)練樣本特征數(shù)據(jù)；

根據(jù)所述成對訓(xùn)練樣本通過深度學(xué)習(xí)訓(xùn)練得到相似度訓(xùn)練模型，其中，所述相似度訓(xùn)練模型為用于計算相似度的模型；

接收待續(xù)命樣本，其中，所述待續(xù)命樣本包括待續(xù)命標(biāo)識和續(xù)命特征數(shù)據(jù)；

根據(jù)所述待續(xù)命樣本獲取歷史數(shù)據(jù)中不同來源的多個歷史樣本，其中，所述歷史樣本包括歷史樣本標(biāo)識和歷史樣本特征數(shù)據(jù)，所述歷史樣本為所述歷史樣本特征數(shù)據(jù)與所述續(xù)命特征數(shù)據(jù)對應(yīng)的樣本；

根據(jù)所述待續(xù)命樣本和所述多個歷史樣本通過所述相似度訓(xùn)練模型計算得到目標(biāo)歷史樣本，其中，所述目標(biāo)歷史樣本為所述歷史樣本中與所述待續(xù)命標(biāo)識相似度最高的樣本；

將所述待續(xù)命標(biāo)識映射到所述歷史數(shù)據(jù)中的所述目標(biāo)歷史樣本中以實現(xiàn)標(biāo)識續(xù)命。

2.根據(jù)權(quán)利要求1所述的標(biāo)識續(xù)命方法，其特征在于，所述根據(jù)所述成對訓(xùn)練樣本通過深度學(xué)習(xí)訓(xùn)練得到相似度訓(xùn)練模型，其中，所述相似度訓(xùn)練模型為用于計算相似度的模型包括：

將所述成對訓(xùn)練樣本中兩個樣本的所述訓(xùn)練樣本特征數(shù)據(jù)分別編碼為第一固定維度向量；

將同一所述成對訓(xùn)練樣本的兩個所述第一固定維度向量根據(jù)確定的所述相似度通過深度學(xué)習(xí)進行拼接得到相似度神經(jīng)網(wǎng)絡(luò)；

將不同所述成對訓(xùn)練樣本的所述相似度神經(jīng)網(wǎng)絡(luò)進行全網(wǎng)絡(luò)拼接后得到所述相似度訓(xùn)練模型。

3.根據(jù)權(quán)利要求2所述的標(biāo)識續(xù)命方法，其特征在于，所述將不同所述成對訓(xùn)練樣本的所述相似度神經(jīng)網(wǎng)絡(luò)進行全網(wǎng)絡(luò)拼接后得到所述相似度訓(xùn)練模型包括：

將不同所述成對訓(xùn)練樣本的所述相似度神經(jīng)網(wǎng)絡(luò)進行全網(wǎng)絡(luò)拼接后得到待檢測相似度訓(xùn)練模型；

將所述成對訓(xùn)練樣本代入所述待檢測相似度訓(xùn)練模型計算得到檢測相似度；

根據(jù)所述成對訓(xùn)練樣本已經(jīng)確定的所述相似度和所述檢測相似度計算差值作為誤差值；

判斷所述誤差值是否小于預(yù)定誤差閾值，

如果所述誤差值小于所述預(yù)定誤差閾值，則將所述待檢測相似度訓(xùn)練模型作為所述相似度訓(xùn)練模型。

4.根據(jù)權(quán)利要求3所述的標(biāo)識續(xù)命方法，其特征在于，所述判斷所述誤差值是否小于預(yù)定誤差閾值，該方法還包括：

如果所述誤差值大于或等于所述預(yù)定誤差閾值，則調(diào)整所述待檢測相似度訓(xùn)練模型中的參數(shù)以使所述誤差值小于所述預(yù)定誤差閾值后將所述待檢測相似度訓(xùn)練模型作為所述相似度訓(xùn)練模型。

5.根據(jù)權(quán)利要求1所述的標(biāo)識續(xù)命方法，其特征在于，所述根據(jù)所述待續(xù)命樣本和所述多個歷史樣本通過所述相似度訓(xùn)練模型計算得到目標(biāo)歷史樣本，其中，所述目標(biāo)歷史樣本為所述歷史樣本中與所述待續(xù)命標(biāo)識相似度最高的樣本包括：

將所述續(xù)命特征數(shù)據(jù)和所述歷史樣本特征數(shù)據(jù)編碼為第二固定維度向量；

將所述第二固定維度向量通過所述相似度訓(xùn)練模型得到目標(biāo)歷史樣本，其中，所述目標(biāo)歷史樣本為所述歷史樣本中與所述待續(xù)命標(biāo)識相似度最高的樣本。

6.根據(jù)權(quán)利要求1所述的標(biāo)識續(xù)命方法，其特征在于，所述獲取額定數(shù)量的成對訓(xùn)練樣本，其中，所述成對訓(xùn)練樣本為已經(jīng)確定相似度的兩個訓(xùn)練樣本，且所述訓(xùn)練樣本包括訓(xùn)練樣本標(biāo)識和所述訓(xùn)練樣本標(biāo)識對應(yīng)的訓(xùn)練樣本特征數(shù)據(jù)步驟后，該方法還包括：

對所述成對訓(xùn)練樣本中的所述訓(xùn)練樣本特征數(shù)據(jù)進行清洗得到數(shù)據(jù)型和類別型的所述訓(xùn)練樣本特征數(shù)據(jù)。

7.根據(jù)權(quán)利要求1所述的標(biāo)識續(xù)命方法，其特征在于，所述根據(jù)所述待續(xù)命樣本獲取歷史數(shù)據(jù)中不同來源的多個歷史樣本，其中，所述歷史樣本包括歷史樣本標(biāo)識和歷史樣本特征數(shù)據(jù)，所述歷史樣本為所述歷史樣本特征數(shù)據(jù)與所述續(xù)命特征數(shù)據(jù)對應(yīng)的樣本步驟前，該方法包括：

判斷數(shù)據(jù)源中的歷史樣本的歷史樣本特征數(shù)據(jù)是否與所述續(xù)命特征數(shù)據(jù)對應(yīng)，

如果所述歷史樣本特征數(shù)據(jù)與所述續(xù)命特征數(shù)據(jù)對應(yīng)，則執(zhí)行后續(xù)步驟。