[發(fā)明專利]分類模型訓(xùn)練和分類方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110355164.6
• 申請日: 2021-04-01
• 公開（公告）號: CN113299346B
• 公開（公告）日: 2022-03-29
• 發(fā)明（設(shè)計(jì)）人: 楊子翊;葉兆豐;廖奔犇;張勝譽(yù)
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G16B40/00
• 分類號: G16B40/00;G16B50/00;G16B20/50;G06K9/62
• 代理公司: 華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 毛丹

1.一種分類模型訓(xùn)練方法，其特征在于，所述方法包括：

獲取樣本數(shù)據(jù)集，從所述樣本數(shù)據(jù)集中進(jìn)行有放回隨機(jī)抽樣，得到查詢集；

計(jì)算所述查詢集中各個(gè)查詢樣本特征向量分別與所述樣本數(shù)據(jù)集中各個(gè)樣本特征向量的相似程度；基于所述相似程度將所述樣本數(shù)據(jù)集中的各個(gè)樣本特征向量進(jìn)行排序，得到樣本特征向量序列；從所述樣本特征向量序列中依次選取預(yù)設(shè)數(shù)量的樣本特征向量，得到待抽取樣本數(shù)據(jù)集；從所述待抽取樣本數(shù)據(jù)集中進(jìn)行有放回隨機(jī)抽取，得到支持集，所述支持集包括各個(gè)支持樣本特征向量和對應(yīng)的耐藥性類別標(biāo)簽，所述查詢集包括各個(gè)查詢樣本特征向量和對應(yīng)的耐藥性類別標(biāo)簽；

將所述支持集和所述查詢集輸入初始耐藥性分類模型中，所述初始耐藥性分類模型基于所述各個(gè)支持樣本特征向量和所述各個(gè)查詢樣本特征向量進(jìn)行耐藥性相關(guān)特征篩選，得到各個(gè)目標(biāo)支持特征向量和各個(gè)目標(biāo)查詢特征向量，基于所述各個(gè)目標(biāo)支持特征向量計(jì)算耐藥性類別對應(yīng)的初始類別表征向量，并基于所述各個(gè)目標(biāo)查詢特征向量與所述初始類別表征向量之間的相似程度確定所述各個(gè)查詢樣本特征向量對應(yīng)的訓(xùn)練耐藥性類別信息；

基于所述訓(xùn)練耐藥性類別信息和對應(yīng)的所述耐藥性類別標(biāo)簽更新所述初始耐藥性分類模型，并返回將所述支持集和所述查詢集輸入初始耐藥性分類模型中的步驟執(zhí)行，當(dāng)訓(xùn)練完成時(shí)，得到目標(biāo)耐藥性分類模型，所述目標(biāo)耐藥性分類模型用于識別蛋白質(zhì)與化合物結(jié)合對應(yīng)的耐藥性類別。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，獲取支持集和查詢集，包括：

獲取樣本數(shù)據(jù)集，所述樣本數(shù)據(jù)集中包括各個(gè)訓(xùn)練樣本對應(yīng)的樣本特征向量和耐藥性類別標(biāo)簽，所述樣本特征向量是基于訓(xùn)練樣本進(jìn)行特征提取得到的，所述訓(xùn)練樣本包括野生型蛋白質(zhì)信息、突變型蛋白質(zhì)信息和化合物信息；

從所述樣本數(shù)據(jù)集中隨機(jī)抽取所述支持集和所述查詢集。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，在所述得到目標(biāo)耐藥性分類模型之后，還包括：

將所述目標(biāo)耐藥性分類模型作為初始耐藥性分類模型，并返回從所述樣本數(shù)據(jù)集中隨機(jī)抽取所述支持集和所述查詢集的步驟執(zhí)行，直到達(dá)到最終訓(xùn)練完成條件時(shí)，將達(dá)到最終訓(xùn)練完成條件時(shí)的初始耐藥性分類模型作為最終耐藥性分類模型。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，在獲取樣本數(shù)據(jù)集之前，還包括：

獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括野生型蛋白質(zhì)信息、突變型蛋白質(zhì)信息和化合物信息；

基于所述野生型蛋白質(zhì)信息和所述化合物信息進(jìn)行野生特征提取，得到野生特征向量；

基于所述突變型蛋白質(zhì)信息和所述化合物信息進(jìn)行突變特征提取，得到突變特征向量；

基于所述野生特征向量和所述突變特征向量得到所述訓(xùn)練樣本對應(yīng)的樣本特征向量。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述各個(gè)支持樣本特征向量和所述各個(gè)查詢樣本特征向量進(jìn)行耐藥性相關(guān)特征篩選，得到各個(gè)目標(biāo)支持特征向量和各個(gè)目標(biāo)查詢特征向量，包括：

獲取初始特征篩選參數(shù)；

基于所述初始特征篩選參數(shù)分別對所述各個(gè)支持樣本特征向量進(jìn)行耐藥性相關(guān)特征篩選，得到各個(gè)目標(biāo)支持特征向量；

基于所述初始特征篩選參數(shù)對所述各個(gè)查詢樣本特征向量進(jìn)行耐藥性相關(guān)特征篩選，得到各個(gè)目標(biāo)查詢特征向量。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述各個(gè)目標(biāo)支持特征向量計(jì)算耐藥性類別對應(yīng)的初始類別表征向量，包括：

將所述各個(gè)目標(biāo)支持特征向量進(jìn)行映射，得到各個(gè)映射特征向量；

獲取初始置信度計(jì)算參數(shù)，基于所述各個(gè)映射特征向量使用所述初始置信度計(jì)算參數(shù)計(jì)算得到所述各個(gè)映射特征向量對應(yīng)的置信度；

基于所述置信度對所述各個(gè)映射特征向量進(jìn)行加權(quán)，得到各個(gè)加權(quán)特征向量；

基于所述各個(gè)加權(quán)特征向量計(jì)算所述耐藥性類別對應(yīng)的初始類別表征向量。