[發明專利]模型訓練方法和裝置、電子設備、計算機可讀存儲介質

在審

• 申請號: 202011259760.6
• 申請日: 2020-11-11
• 公開（公告）號: CN114501515A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 何世明
• 申請（專利權）人: 中興通訊股份有限公司
• 主分類號: H04W24/06
• 分類號: H04W24/06;G06K9/62;G06N3/08
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 姜春咸;馮建基

1.一種模型訓練方法，包括：

獲取第一區域的第一標簽樣本和所述第一標簽樣本所屬的類別；

根據所述第一標簽樣本所屬的類別和所述第一標簽樣本對基礎分類模型進行模型的再次訓練得到最終分類模型；其中，所述基礎分類模型為適用于第二區域的分類模型，所述最終分類模型為適用于所述第一區域的分類模型。

2.根據權利要求1所述的模型訓練方法，其中，所述獲取第一區域的第一標簽樣本和第一標簽樣本所屬的類別包括：

獲取所述第一區域的第二標簽樣本；

根據所述第二區域的第三標簽樣本和所述第三標簽樣本所屬的類別選擇部分或全部所述第二標簽樣本作為所述第一標簽樣本，以及確定所述第一標簽樣本所屬的類別。

3.根據權利要求2所述的模型訓練方法，其中，所述根據第二區域的第三標簽樣本和第三標簽樣本所屬的類別選擇部分或全部第二標簽樣本作為第一標簽樣本，以及確定第一標簽樣本所屬的類別包括：

確定與所述第二標簽樣本相似度最高的K個所述第三標簽樣本；其中，K為大于或等于2的整數；

在K個所述第三標簽樣本中有N個所述第三標簽樣本所屬的類別相同，且N大于或等于rK的情況下，將所述第二標簽樣本作為所述第一標簽樣本，確定所述第一標簽樣本所屬的類別為N個所述第三標簽樣本所屬的類別；其中，r為大于或等于0，且小于或等于1的整數。

4.根據權利要求3所述的模型訓練方法，在K個所述第三標簽樣本中有N個所述第三標簽樣本所屬的類別相同，且N小于rK的情況下，該方法還包括：丟棄所述第二標簽樣本。

5.根據權利要求1-4任一項所述的模型訓練方法，其中，所述根據第一標簽樣本所屬的類別和第一標簽樣本對基礎分類模型進行模型的再次訓練得到最終分類模型之前，該方法還包括：

對所述第一標簽樣本進行標準化處理，得到第四標簽樣本；

對所述第四標簽樣本進行降維處理，得到第五標簽樣本；

所述根據第一標簽樣本所屬的類別和第一標簽樣本對基礎分類模型進行模型的再次訓練得到最終分類模型包括：根據所述第一標簽樣本所屬的類別和所述第五標簽樣本對所述基礎分類模型進行模型的再次訓練得到所述最終分類模型。

6.根據權利要求5所述的模型訓練方法，其中，所述根據第一標簽樣本所屬的類別和第五標簽樣本對基礎分類模型進行模型的再次訓練得到最終分類模型包括以下至少之一：

在所述基礎分類模型為串行生成的序列化模型的情況下，在所述基礎分類模型后面增加新的層，保持所述基礎分類模型的結構參數不變，根據所述第一標簽樣本所屬的類別和所述第五標簽樣本對所述新的層進行訓練得到所述最終分類模型；

在所述基礎分類模型為并行化模型的情況下，保持所述基礎分類模型中的分類器的結構參數不變，生成新的分類器，根據所述第一標簽樣本所屬的類別和所述第五標簽樣本對所述新的分類器進行訓練得到所述最終分類模型。

7.根據權利要求1-4任一項所述的模型訓練方法，所述獲取第一區域的第一標簽樣本和第一標簽樣本所屬的類別之前，該方法還包括：

根據所述二區域的第六標簽樣本所屬的類別和所述第六標簽樣本進行模型訓練得到所述基礎分類模型。

8.根據權利要求7所述的模型訓練方法，所述根據第二區域的第六標簽樣本所屬的類別和第六標簽樣本進行模型訓練得到基礎分類模型之前，該方法還包括：

對所述第六標簽樣本進行標準化處理，得到第七標簽樣本；

對所述第七標簽樣本進行降維處理，得到第八標簽樣本；

所述根據第二區域的第六標簽樣本所屬的類別和第六標簽樣本進行模型訓練得到基礎分類模型包括：根據所述第六標簽樣本所屬的類別和所述第八標簽樣本進行模型訓練得到所述基礎分類模型。

9.一種電子設備，包括：

至少一個處理器；

存儲器，所述存儲器上存儲有至少一個程序，當所述至少一個程序被所述至少一個處理器執行時，實現根據權利要求1-8任意一項所述的模型訓練方法。

10.一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現根據權利要求1-8任意一項所述的模型訓練方法。