[發明專利]數據類別確定方法及裝置、終端設備、存儲介質

有效

• 申請號: 202011043332.X
• 申請日: 2020-09-28
• 公開（公告）號: CN111882005B
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 姚海申
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強

本申請實施例公開了一種數據類別確定方法及裝置、終端設備、存儲介質，適用于數字醫療領域。該方法包括：獲取第一分類模型，該第一分類模型由第一數據來源的樣本數據訓練得到，用于確定第一數據來源的任一樣本數據的類別，該第一分類模型中至少包括特征提取網絡和歸一化網絡；在第一分類模型的特征提取網絡與歸一化網絡之間添加數據擬合網絡，并基于第二數據來源的訓練樣本數據構建第二分類模型，該第二分類模型用于對第二數據來源的數據進行分類，第二數據來源與第一數據來源不同；當接收到第二數據來源的目標數據時，將目標數據輸入第二分類模型，通過第二分類模型確定目標數據的類別。采用本申請實施例，可以提高分類模型分類的準確度。

技術領域

本申請涉及數據處理領域，尤其是一種數據類別確定方法及裝置、終端設備、存儲介質。

背景技術

在人工智能技術中，為了使分類模型訓練更有針對性，對分類模型進行訓練使用的都是同一數據來源的樣本數據。但是由于各個數據來源的樣本數據之間存在差異性，已訓練好的分類模型并不適用于不同數據來源的數據中。

現有技術是使用不同數據來源的樣本數據同時對分類模型進行訓練，使得該分類模型可以適用于不同數據來源，比如使用A區域的樣本數據和B區域的樣本數據同時對分類模型進行訓練，訓練好的分類模型可以同時適用于A區域和B區域。但是由于同時使用不同數據來源的樣本數據對分類模型進行訓練時，各數據來源的樣本數據數量不平衡，導致該分類模型的精確度不夠高，即該分類模型分類的準確度降低。

發明內容

本申請提供了一種數據類別確定方法及裝置、終端設備、存儲介質，可以提高分類模型分類的準確度，操作簡單，適用性高。

第一方面，本申請實施例提供了一種數據類別確定方法，該方法包括：

獲取第一分類模型，該第一分類模型由第一數據來源的樣本數據訓練得到，用于確定該第一數據來源的任一樣本數據的類別，該第一分類模型中至少包括特征提取網絡和歸一化網絡；

在該第一分類模型的特征提取網絡與歸一化網絡之間添加數據擬合網絡，并基于第二數據來源的訓練樣本數據構建第二分類模型，該第二分類模型用于對上述第二數據來源的數據進行分類，上述第二數據來源與上述第一數據來源不同；

當接收到上述第二數據來源的目標數據時，將該目標數據輸入上述第二分類模型，通過該第二分類模型確定上述目標數據的類別。

結合第一方面，在第一種可能的實現方式中，上述數據擬合網絡中包括加權單元、非線性單元和映射單元；

上述通過上述第二分類模型確定上述目標數據的類別具體實現為：

通過上述第二分類模型中的特征提取網絡提取上述目標數據的特征以得到該目標數據的特征向量表示，并通過上述加權單元按照預設權重矩陣對上述特征提取網絡輸出的特征向量表示進行加權以得到加權后的特征向量表示；

通過上述非線性單元對該加權后的特征向量表示進行非線性化處理以得到非線性特征向量表示，并通過上述映射單元將該非線性特征向量表示映射到類別空間表示以得到該目標數據對應各數據類別的概率，其中，概率最大的數據類別為該目標數據的類別。

換句話說，在本申請中，第二分類模型中的特征提取網絡用于提取上述第二數據來源中目標數據的特征，得到該目標數據的特征向量表示，該加權單元用于按照預設權重矩陣對上述特征提取網絡輸出的特征向量表示進行加權以得到加權后的特征向量表示；該非線性單元用于對上述加權后的特征向量表示進行非線性化處理以得到非線性特征向量表示，該映射單元用于將上述非線性特征向量表示映射到類別空間表示以得到上述目標數據的各類別概率。