[發(fā)明專利]信息分類方法、裝置、設備及存儲介質

有效

• 申請?zhí)枺?/td>: 202011239261.0
• 申請日: 2020-11-09
• 公開（公告）號: CN112364912B
• 公開（公告）日: 2023-10-13
• 發(fā)明（設計）人: 鄭思曉;羅澤坤;王亞彪;汪鋮杰;李季檁
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/214
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 徐立

本申請公開了一種信息分類方法、裝置、設備及存儲介質，屬于人工智能技術領域。所述方法包括：獲取待識別信息；對待識別信息進行特征提取處理，得到待識別信息的特征向量；基于特征向量對待識別信息進行分類處理，得到待識別信息的第一分類結果；基于所特征向量轉換得到的語義向量對待識別信息進行分類處理，得到待識別信息的第二分類結果；從第一分類結果和第二分類結果中確定待識別信息的類別。本申請中，一方面，增量學習有效增加了可識別的類別數量，另一方面，針對增量分類不可識別的數據類別能夠通過零樣本分類方式進行分類，提高了針對各種類別的識別能力。

技術領域

本申請涉及人工智能技術領域，特別涉及一種信息分類方法、裝置、設備及存儲介質。

背景技術

目前，隨著人工智能的發(fā)展，對機器學習模型的功能要求越來越大。

在相關技術中，技術人員可以通過大量訓練樣本集對機器學習模型進行訓練，使得該模型能夠在后續(xù)的使用過程中對訓練樣本集對應的樣本類別進行識別。例如，在圖像識別模型的訓練過程中，技術人員在獲取大量圖像之后，為了使圖像識別模型具有針對小貓的識別能力，對圖像中是否存在小貓進行標注，得到訓練樣本集(如包括標注有存在小貓的正樣本和不存在小貓的負樣本)，并基于該訓練樣本集對圖像識別模型進行訓練。此時，完成訓練后的圖像識別模型能夠對圖像中是否存在小貓進行識別。

然而，在上述相關技術中，模型僅僅能夠識別訓練樣本集對應的樣本類別，無法對未見過的數據類別進行識別，例如上述訓練得到圖像識別模型僅僅能夠識別出圖像中的小貓，無法識別出圖像中的小狗，識別能力弱。

發(fā)明內容

本申請實施例提供了一種信息分類方法、裝置、設備及存儲介質，能夠在待識別信息為未見過的數據類別時依舊能夠對待識別信息進行分類，提高了針對各種信息的識別能力。所述技術方案如下：

根據本申請實施例的一個方面，提供了一種信息分類方法，所述方法包括：

獲取待識別信息；

對所述待識別信息進行特征提取處理，得到所述待識別信息的特征向量；

基于所述特征向量對所述待識別信息進行分類處理，得到所述待識別信息的第一分類結果，所述第一分類結果中包括所述待識別信息屬于各個可見類別的概率；

基于所述特征向量轉換得到的語義向量對所述待識別信息進行分類處理，得到所述待識別信息的第二分類結果，所述第二分類結果中包括所述待識別信息屬于各個不可見類別的概率；

從所述第一分類結果和所述第二分類結果中確定所述待識別信息的類別。

根據本申請實施例的一個方面，提供了一種信息分類模型的訓練方法，所述方法包括：

獲取原有的信息分類模型；其中，所述原有的信息分類模型是采用第一訓練樣本集訓練得到的模型，所述原有的信息分類模型中包括增量分類器和零樣本分類器，所述原有的信息分類模型中的所述增量分類器用于對所述第一訓練樣本集對應的可見類別進行識別，所述原有的信息分類模型中的所述零樣本分類器用于對所述第一訓練樣本集對應的不可見類別進行識別；

生成更新的信息分類模型，所述更新的信息分類模型與所述原有的信息分類模型相同；

采用第二訓練樣本集對所述更新的信息分類模型進行訓練，所述第二訓練樣本集對應的樣本類別和所述第一訓練樣本集對應的樣本類別不同；

其中，所述更新的信息分類模型中的所述增量分類器用于對所述第一訓練樣本集和所述第二訓練樣本集對應的可見類別進行識別，所述更新的信息分類模型中的所述零樣本分類器用于對所述第一訓練樣本集和所述第二訓練樣本集對應的不可見類別進行識別。

根據本申請實施例的一個方面，提供了一種信息分類裝置，所述裝置包括：