[发明专利]分类模型训练方法以及分类方法

权利要求书

1.一种分类模型训练方法，其特征在于，该方法包括：

获取带有标签的源域数据以及不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同一神经网络，为所述源域数据提取源域特征向量，并为所述目标域数据提取目标域特征向量；

将所述源域特征向量和所述目标域特征向量输入共有特征捕捉层，并分别将捕捉的源域数据的源域共有特征向量和目标域数据的目标域共有特征向量输入第一分类器，得到源域数据的第一分类结果和目标域数据的第一分类结果；以及，

将所述源域特征向量和所述目标域特征向量输入差异特征捕捉层，并分别将捕捉的源域数据的源域差异特征向量和目标域数据的目标域差异特征向量输入第二分类器，得到源域数据的第二分类结果和目标域数据的第二分类结果；

基于所述目标域数据的第一分类结果与所述目标域数据的第二分类结果之间的比对结果，以及所述源域数据的第一分类结果与所述源域数据的第二分类结果之间的比对结果，对所述神经网络、所述共有特征捕捉层、以及所述第一分类器进行本轮训练；

经过对所述神经网络、所述共有特征捕捉层、以及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，基于所述目标域数据的第一分类结果与所述目标域数据的第二分类结果之间的比对结果，以及所述源域数据的第一分类结果与所述源域数据的第二分类结果之间的比对结果，对所述神经网络、所述共有特征捕捉层、以及所述第一分类器进行本轮训练，具体包括：

将所述目标域数据的第一分类结果以及所述目标域数据的第二分类结果之间的差值确定为第一概率损失；

将所述源域数据的第一分类结果以及所述源域数据的第二分类结果之间的差值确定为第二概率损失；并

根据所述第一概率损失以及所述第二概率损失，对所述神经网络、所述共有特征捕捉层以及所述第一分类器进行本轮训练。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一概率损失以及所述第二概率损失，对所述神经网络、所述共有特征捕捉层以及所述第一分类器进行本轮训练，具体包括：

执行如下第一比对操作，直至第一概率损失小于预设的第一概率损失阈值；

所述第一比对操作包括：

将所述第一概率损失与预设的第一概率损失阈值进行比对；

若所述第一概率损失不小于预设的第一概率损失阈值，则对所述神经网络、所述共有特征捕捉层、所述差异特征捕捉层、所述第一分类器和所述第二分类器的参数进行调整；

执行如下第二比对操作，直至第二概率损失大于预设的第二概率损失阈值；

所述第二比对操作包括：

将所述第二概率损失与预设的第二概率损失阈值进行比对；

若所述第二概率损失不大于预设的第二概率损失阈值，则对所述神经网络、所述共有特征捕捉层、所述差异特征捕捉层、所述第一分类器和所述第二分类器的参数进行调整。

4.根据权利要求1-3任一项所述的方法，其特征在于，将所述源域特征向量和所述目标域特征向量输入共有特征捕捉层，采用如下方式捕捉的源域数据的源域共有特征向量和目标域数据的目标域共有特征向量：

将所述源域特征向量以及所述目标域特征向量输入至所述共有特征捕捉层，使用所述共有特征捕捉层提取所述源域共有特征向量和所述目标域共有特征向量；

将所述源域共有特征向量和所述目标域共有特征向量进行梯度反向处理；

将进行梯度反向处理的所述源域共有特征向量和所述目标域共有特征向量输入至第一域分类器；

根据所述第一域分类器对所述源域共有特征向量和所述目标域共有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，对所述神经网络以及所述共有特征捕捉层的参数进行调整。