[发明专利]分类模型训练方法以及分类方法

说明书

本申请提供一种分类模型训练方法以及分类方法，训练方法包括捕捉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并输入第一分类器，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；捕捉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并输入第二分类器，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；基于源域数据的第一分类结果、目标域数据的第二分类结果、源域数据的第一分类结果与源域数据的第二分类结果，对神经网络、共有特征捕捉层、第一分类器进行本轮训练。该方法能够同时将源域数据和目标域数据的相同特征和差异特征利用起来，训练得到的分类模型能够对目标域数据进行更加准确的分类。

技术领域

本申请涉及深度学习技术领域，具体而言，涉及一种分类模型训练方法以及分类方法。

背景技术

迁移学习可以利用已知领域中有标签的训练样本(可称为源域数据) 训练分类模型来对目标领域的数据(可称为目标域数据)进行标定，而并不要求源域数据和目标域数据具有相同的数据分布。迁移学习实际上是通过找寻待标定数据和已知标签数据之间的联系，例如采用核函数的方式将源域和目标域数据映射到同一空间中，在该空间下源域数据和目标域数据拥有相同的分布，从而可以利用该空间表示的有标签的源域样本数据训练分类器来对目标领域进行标定。

已有的迁移学习方法中，通常使用源域数据和目标域数据训练同一神经网络，获得参数共享网络。该网络训练过程能够找出源域数据和目标域数据之间的共性，通常将源域数据和目标域数据映射在具有高可比性的高位空间，从而得到两个域的分布特征。这种训练方法虽然能够将源域数据和目标域数据之间的相同特征利用起来，却使源域和目标域之间的差异特征丢失严重，导致训练得到的分类模型在对目标域数据进行分类时存在一定的误差。

发明内容

有鉴于此，本申请实施例的目的在于提供一种分类模型训练方法以及分类方法，能够同时将源域数据和目标域数据的相同特征和差异特征利用起来，训练得到的分类模型能够对目标域数据进行更加准确的分类。

第一方面，提供一种分类模型训练方法，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。

第二方面，提供一种分类模型训练装置，该装置包括：

获取模块，用于获取带有标签的源域数据以及不带标签的目标域数据；

第一处理模块，用于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；