分类模型训练方法、装置、情绪数据分类方法及相关设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113962280A(43)申请公布日2022.01.21(21)申请号202110923439.1(22)申请日2021.08.12(71)申请人京东科技控股股份有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号C座2层221室(72)发明人王逸凡(74)专利代理机构北京律智知识产权代理有限公司11438代理人孙宝海袁礼君(51)Int.Cl.G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书11页附图8页(54)发明名称分类模型训练方法、装置、情绪数据分类方法及相关设备(57)摘要本公开实施例提供一种分类模型训练方法、装置、情绪数据分类方法、电子设备及计算机可读介质，分类模型训练方法包括：获取当前批次训练样本和当前批次训练样本的标签；通过待训练模型对当前批次训练样本进行处理，获得当前批次训练样本的预测向量；根据当前批次训练样本的预测向量和当前批次训练样本的标签生成第一损失函数；根据当前批次训练样本中具有相同的标签的训练样本的预测向量生成第二损失函数；根据第一损失函数和第二损失函数调整待训练模型的参数，将训练完成的待训练模型确定为目标分类模型。本公开实施例提供的技术方案，能够在不改变模型结构的前提下提高分类模型的分类效果。CN113962280ACN113962280A权利要求书1/2页1.一种分类模型训练方法，其特征在于，包括：获取当前批次训练样本和所述当前批次训练样本的标签；通过待训练模型对所述当前批次训练样本进行处理，获得当前批次训练样本的预测向量；根据所述当前批次训练样本的预测向量和所述当前批次训练样本的标签生成第一损失函数；根据所述当前批次训练样本中具有相同的标签的训练样本的预测向量生成第二损失函数；根据所述第一损失函数和所述第二损失函数调整所述待训练模型的参数，将训练完成的所述待训练模型确定为目标分类模型。2.如权利要求1所述的方法，其特征在于，根据所述当前批次训练样本中具有相同的标签的训练样本的预测向量生成第二损失函数包括：确定所述当前批次训练样本中的第i个训练样本，i为大于0且小于N的整数，N为当前批次训练样本的数量，N为大于0的整数；在所述当前批次训练样本中确定与所述第i个训练样本具有相同标签的ai个训练样本，ai为大于0的整数；根据所述ai个训练样本的预测向量、所述第i个训练样本的预测向量以及所述当前批次训练样本的预测向量确定第i个训练样本的对比分数；根据I个训练样本的对比分数的平均值确定所述第二损失函数。3.如权利要求2所述的方法，其特征在于，根据所述ai个训练样本的预测向量、所述第i个训练样本的预测向量以及所述当前批次训练样本的预测向量确定第i个训练样本的对比分数包括：确定所述ai个训练样本中的第j个训练样本，j为大于0且小于或等于ai的整数；根据所述ai个训练样本中第j个训练样本的预测向量和所述第i个训练样本的预测向量确定所述第i个训练样本的第j个同类别样本相似分数；根据所述当前批次训练样本中N个训练样本的预测向量和所述第i个训练样本的预测向量确定所述第i个训练样本的整体相似分数；根据所述第i个训练样本的第j个同类别样本相似分数和所述第i个训练样本的整体样本相似分数的比值的对数运算结果确定所述第i个训练样本的第j个对比分数；根据所述第i个训练样本的ai个对比分数的平均值确定所述第i个训练样本的对比分数。4.如权利要求3所述的方法，其特征在于，根据所述ai个训练样本中第j个训练样本的预测向量和所述第i个训练样本的预测向量确定所述第i个训练样本的第j个同类别样本相似分数包括：计算所述第i个训练样本的预测向量和所述ai个训练样本中第j个训练样本的预测向量的内积，获得所述第i个训练样本的第j个第一内积；根据所述i个训练样本的第j个第一内积的指数运算结果确定所述第i个训练样本的第j个同类别样本相似分数。5.如权利要求3所述的方法，其特征在于，根据所述当前批次训练样本中N个训练样本2CN113962280A权利要求书2/2页的预测向量和所述第i个训练样本的预测向量确定所述第i个训练样本的整体相似分数包括：计算所述第i个训练样本的预测向量和所述N个训练样本中每个训练样本的预测向量的内积，获得所述第i个训练样本的N个第二内积；将所述第i个训练样本的N个第二内积的指数运算结果的和值确定为所述第i个训练样本的整体相似分数。6.如权利要求1所述的方法，其特征在于，根据所述第一损失函数和所述第二损失函数调整所述待训练模型的参数，将训练完成的所述待训练模型确定为目标分类模型包括：根据所述第一损失函数和所述第二损失函数的加权和值确定目标损失函数；根据所述目标损