分类模型训练方法、装置、计算机设备和存储介质.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CN113849648A(43)申请公布日2021.12.28(21)申请号202111146314.9(22)申请日2021.09.28(71)申请人平安科技（深圳）有限公司地址518000广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼(72)发明人于凤英王健宗(74)专利代理机构深圳市明日今典知识产权代理事务所(普通合伙)44343代理人王杰辉(51)Int.Cl.G06F16/35(2019.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书9页附图3页(54)发明名称分类模型训练方法、装置、计算机设备和存储介质(57)摘要本申请涉及人工智能领域，提供了一种分类模型训练方法、装置、计算机设备和存储介质，获取训练集中的第一待训练文本；将第一待训练文本输入预设的待训练模型计算第一待训练文本的预测结果；将预测结果输入预设第一损失函数计算第一损失值；在训练集中选取第二待训练文本；将第一待训练文本和第二待训练文本输入预设第二损失函数计算第二损失值；将第一损失值与第二损失值之和作为待训练模型的目标损失值；根据目标损失值对待训练模型进行训练。通过本申请提供的分类模型训练方法、装置、计算机设备和存储介质，能够使得训练完成后的分类模型更加准确。CN113849648ACN113849648A权利要求书1/2页1.一种分类模型训练方法，其特征在于，包括以下步骤：获取训练集中的第一待训练文本；所述第一待训练文本具有预先设置的分类标签；将所述第一待训练文本输入预设的待训练模型计算所述第一待训练文本的预测结果；其中，所述预设的待训练模型先对所述第一待训练文本进行向量化处理得到对应的第一表征向量，然后根据所述第一表征向量，通过预设分类函数计算得到所述第一待训练文本的预测结果；将所述预测结果输入预设第一损失函数计算第一损失值；在所述训练集中选取第二待训练文本；其中，所述第二待训练文本与所述第一待训练文本的分类标签不同；将所述第一待训练文本和所述第二待训练文本输入预设第二损失函数计算第二损失值；将所述第一损失值与所述第二损失值之和作为所述待训练模型的目标损失值；根据所述目标损失值对所述待训练模型进行迭代训练，得到训练完成的分类模型。2.根据权利要求1所述的分类模型训练方法，其特征在于，所述将所述预测结果输入预设第一损失函数计算第一损失值的步骤，包括：将所述预测结果输入交叉熵函数计算所述第一损失值。3.根据权利要求1所述的分类模型训练方法，其特征在于，所述将所述第一待训练文本和所述第二待训练文本输入预设第二损失函数计算第二损失值的步骤，包括：计算所述第一待训练文本与所述第二待训练文本的余弦相似度；将所述余弦相似度输入预设第二损失函数计算所述第二损失值。4.根据权利要求3所述的分类模型训练方法，其特征在于，所述将所述余弦相似度输入预设第二损失函数计算所述第二损失值的步骤，包括：根据公式计算所述第二损失值；其中，所述cossim(vm,vn)指所述第一待训练文本和所述第二待训练文本的余弦相似度，所述vm为第一待训练文本，所述vn为第二待训练文本。5.根据权利要求1所述的分类模型训练方法，其特征在于，所述第二待训练文本包括多个，各个所述第二待训练文本的分类标签均不相同；所述将所述第一待训练文本和所述第二待训练文本输入预设第二损失函数计算第二损失值的步骤，包括：计算所述第一待训练文本和各个所述第二待训练文本的余弦相似度；将各个余弦相似度输入预设第二损失函数计算所述第二损失值。6.根据权利要求1所述的分类模型训练方法，其特征在于，所述通过预设分类函数计算得到所述第一待训练文本的预测结果的步骤，包括：检测所述待训练模型是用于单标签分类还是多标签分类；若所述待训练模型用于单标签分类，通过所述待训练模型中的softmax函数计算所述第一待训练文本的预测结果；若所述待训练模型用于多标签分类，通过所述待训练模型中的sigmoid函数计算所述第一待训练文本的预测结果。7.根据权利要求3所述的分类模型训练方法，其特征在于，所述计算所述第一待训练文2CN113849648A权利要求书2/2页本与所述第二待训练文本的余弦相似度的步骤，包括：将所述第二待训练文本输入所述待训练模型得到对应的第二表征向量；根据所述第一表征向量和所述第二表征向量计算所述余弦相似度。8.一种分类模型训练装置，其特征在于，包括：获取单元，用于获取训练集中的第一待训练文本；所述第一待训练文本具有预先设置的分类标签；第一计算单元，用于将所述第一待训练文本输入预设的待训练模型计算所述第一待训练文本的预测结果；其中，所述预设的待训练模型先对所述第