[发明专利]用于识别信息的方法和装置

权利要求书

1.一种用于识别信息的方法，其特征在于，所述方法包括：

获取待识别信息；

将所述待识别信息导入神经网络模型，生成所述待识别信息分别属于至少三种预设类型中的各种类型的概率，并且根据生成的概率识别所述待识别信息所属的类型，其中，所述神经网络模型根据更新后的初始神经网络模型得到，初始神经网络模型基于以下步骤更新：

将第一训练样本导入初始神经网络模型，生成所述第一训练样本属于所述各种类型的概率，其中，所述初始神经网络模型用于表征信息与信息属于所述各种类型的概率之间的对应关系；

获取至少一个区分难度权重，其中，区分难度权重用于表征区分类型对中两种类型的信息的难度，区分难度权重包括两种类型的信息之间的相似度，类型对由上述至少三种预设类型中的两种类型组成；

基于所述至少一个区分难度权重和所述第一训练样本属于所述各种类型的概率，确定初始神经网络模型的模型误差；

根据所述模型误差更新初始神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个区分难度权重和所述第一训练样本属于所述各种类型的概率，确定初始神经网络模型的模型误差，包括：

根据所述第一训练样本属于所述各种类型的概率，确定用于表征所述第一训练样本属于所述各种类型的概率的概率误差；

对于至少一个类型对中的每个类型对，根据该类型对中的两种类型的区分难度权重和对应的概率误差的和，确定该类型对的权重概率误差；

根据所确定的权重概率误差，确定上述模型误差。

3.根据权利要求1或2所述的方法，其特征在于，所述获取至少一个区分难度权重，包括：

对于至少一个类型对中的每个类型对，训练针对该类型对的二分类模型，其中，该二分类模型用于表征信息与指示信息之间的对应关系，指示信息用于指示信息属于该类型对中的两种类型中的一种；

利用预先标注有类型的测试样本，确定各个二分类模型的模型误差；

对于所训练的每个二分类模型，根据该二分类模型的模型误差，确定该二分类模型所针对的类型对的区分难度权重。

4.根据权利要求3所述的方法，其特征在于，所述对于至少一个类型对中的每个类型对，训练针对该类型对的二分类模型，包括：

对于所述至少一个类型对中的每个类型对中的每个类型，获取预先标注有该类型和属于该类型的概率的第二训练样本的集合；响应于属于该类型的概率小于预设概率阈值的第二训练样本在该集合中的比例小于预设比例阈值，基于属于该类型的概率小于预设概率阈值的第二训练样本，扩增得到扩增样本；将扩增样本与该集合中的第二训练样本进行合并，得到合并样本集合；

对于所述至少一个类型对中的每个类型对，利用该类型对中的两种类型分别对应的合并样本集合，训练针对该类型对的二分类模型。

5.根据权利要求4所述的方法，其特征在于，所述对于所述至少一个类型对中的每个类型对中的每个类型，获取预先标注有该类型和属于该类型的概率的第二训练样本的集合，包括：

对于所述至少一个类型对中的每个类型对中的每个类型，获取预先标注有该类型的第二训练样本；将预先标注该类型的第二训练样本导入预先建立的概率生成模型，确定预先标注该类型的第二训练样本属于该类型的概率，其中，所述概率生成模型用于表征第二训练样本与第二训练样本分别属于所述各种类型的概率之间的对应关系。