分类模型训练方法、装置及分类方法及装置.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CN108304876A(43)申请公布日2018.07.20(21)申请号201810098964.2(22)申请日2018.01.31(71)申请人国信优易数据有限公司地址100070北京市丰台区南四环西路188号总部广场31号楼(72)发明人孙源良樊雨茂刘萌(74)专利代理机构北京超凡志成知识产权代理事务所(普通合伙)11371代理人王术兰(51)Int.Cl.G06K9/62(2006.01)G06N3/02(2006.01)权利要求书3页说明书13页附图5页(54)发明名称分类模型训练方法、装置及分类方法及装置(57)摘要本发明提供了一种分类模型训练方法、装置以及分类方法及装置，其中，该分类模型训练方法包括：使用第一神经网络对源域数据和目标域数据进行共有特征捕捉，使第一目标域特征向量学习源域数据和目标域数据的共有特征；使用第二神经网络对源域数据和目标域数据进行差异性特征捕捉，使第二目标域特征向量学习源域数据和目标域数据的差异特征；分别对第一目标域特征向量以及第二目标域特征向量进行聚类；根据聚类的结果及第一分类结果，对第一神经网络以及第一分类器进行本轮训练。该方法既能够将源域和目标域之间的相同特征利用起来，也能够将源域和目标域之间的差异特征进行利用，训练所得的分类模型能够获得更加准确的分类结果。CN108304876ACN108304876A权利要求书1/3页1.一种分类模型训练方法，其特征在于，该方法包括：获取携带标签的源域数据以及未携带标签的目标域数据；将所述源域数据以及所述目标域数据输入第一神经网络，为所述源域数据提取第一源域特征向量，为所述目标域数据提取第一目标域特征向量；并对所述源域数据和所述目标域数据进行共有特征捕捉，使所述第一目标域特征向量学习所述源域数据和所述目标域数据的共有特征；并将所述第一源域特征向量输入第一分类器得到第一分类结果；将所述源域数据以及所述目标域数据输入第二神经网络，为所述目标域数据提取第二目标域特征向量；并对所述源域数据和所述目标域数据进行差异性特征捕捉，使所述第二目标域特征向量学习所述源域数据和所述目标域数据的差异特征；分别对所述第一目标域特征向量以及所述第二目标域特征向量进行聚类；根据聚类的结果，以及所述第一分类结果，对所述第一神经网络以及所述第一分类器进行本轮训练；经过对所述第一神经网络和所述第一分类器进行多轮训练，得到分类模型。2.根据权利要求1所述的方法，其特征在于，采用如下方式对所述源域数据和所述目标域数据进行共有特征捕捉：在为所述源域数据提取第一源域特征向量，并为所述目标域数据提取第一目标域特征向量之后，将所述第一源域特征向量和所述第一目标域特征向量进行梯度反向处理；将进行梯度反向处理的第一源域特征向量和第一目标域特征向量输入第一域分类器；根据所述第一域分类器对第一源域特征向量以及第一目标域特征向量分别表征的所述源域数据和所述目标域数据的域分类结果，对所述第一神经网络进行参数调整。3.根据权利要求1所述的方法，其特征在于，所述将所述源域数据以及所述目标域数据输入第二神经网络，对所述源域数据以及所述目标域数据进行特征学习后，还包括：为所述源域数据提取第二源域特征向量；采用如下方式对所述源域数据和所述目标域数据进行差异性特征捕捉：将所述第二源域特征向量和第二目标域特征向量输入第二域分类器；根据所述第二域分类器的对第二源域特征向量以及第二目标域特征向量分别表征的所述源域数据和所述目标域数据的域分类结果，对所述第二神经网络进行参数调整。4.根据权利要求3所述的方法，其特征在于，为所述源域数据提取第二源域特征向量之后，还包括：将所述第二源域特征向量输入第二分类器得到第二分类结果；根据所述第二分类器的对第二源域特征向量表征的源域数据的第二分类结果，对所述第二神经网络进行参数调整。5.根据权利要求1-4任意一项所述的方法，其特征在于，所述根据聚类的结果，以及所述的第一分类结果，对所述第一神经网络以及所述第一分类器进行本轮训练，具体包括：根据对所述第一目标域特征向量进行聚类的结果，生成第一邻接矩阵；根据对所述第二目标域特征向量进行聚类的结果，生成第二邻接矩阵；根据所述第一邻接矩阵以及第二邻接矩阵之间的相似度，以及所述的第一分类结果，2CN108304876A权利要求书2/3页对所述第一神经网络以及所述第一分类器进行本轮训练。6.根据权利要求5所述的方法，其特征在于，所述根据所述第一邻接矩阵以及第二邻接矩阵之间的相似度，以及所述的第一分类结果，对所述第一神经网络以及所述第一分类器进行本轮训练，具体包括：执行如下相似度计算操作以及分类操作，直至第一邻接矩阵和第二邻接矩阵之间的相似度小于预设的相似度阈值，以及得到的第一