[发明专利]学习模型优化与选择方法、电子装置及计算机设备

权利要求书

1.一种学习模型优化与选择方法，应用于电子装置中，其特征在于，所述方法包括步骤：

在训练模型时，在生产数据中收集固定时间周期内的脱敏数据；

通过多个算法对所述脱敏数据进行计算以生成多个不同类型的质检模型；

利用所述多个质检模型进行预测，可得到所述多个质检模型的多个质检结果，并对所述多个质检结果复核；

将复核后的所述多个质检结果作为验证集，并将所述验证集加入训练中，每步完成后进行验证，以计算准确率与召回率；

设置所述准确率的阈值A与所述召回率的阈值B，并从学习率的初始值始训练；

当所述准确率达到所述阈值A与所述召回率达到所述阈值B时，则保存所述多个质检模型并将所述学习率减去固定值，使所述多个质检模型在特定参数范围内调整；

判断所述准确率是否小于所述阈值A和所述召回率是否小于所述阈值B；

当所述准确率大于所述阈值A时，或者当所述准确率不大于所述阈值A且所述召回率大于所述阈值B，则将所述学习率减去所述固定值；及

当所述准确率不大于所述阈值A且所述召回率不大于所述阈值B，则将所述学习率调回所述初始值。

2.如权利要求1所述之学习模型优化与选择方法，其特征在于，所述多个算法至少包括BILSTM RNN+Attention、BiLSTM RNN、LSTM RNN与Text CNN，且所述多个质检模型至少包括BI-LSTM、RNN模型与BI-LSTM Attention模型中的一种或几种。

3.如权利要求2所述之学习模型优化与选择方法，其特征在于，所述多个质检模型在训练过程中保存多个模型文件，所述多个模型文件为所述质检模型之文件内部保存的多个参数。

4.如权利要求1所述之学习模型优化与选择方法，其特征在于，所述多个参数保存在一个后缀为‘.pb’的文件中。

5.如权利要求1所述之学习模型优化与选择方法，其特征在于，所述准确率＝正确预测违规的消息数/(所述正确预测违规的消息数+错误预测违规的消息数)，及所述召回率＝所述正确预测违规的消息数/所述验证集中实际违规的消息数。

6.一种电子装置，其特征在于，包括：

数据收集模块，用于在训练模型时，在生产数据中收集固定时间周期内的脱敏数据；

模型生成模块，用于通过多个算法对所述脱敏数据进行计算以生成多个不同类型的质检模型；

预测模块，用于利用所述多个质检模型进行预测，可得到所述多个质检模型的多个质检结果，并对所述多个质检结果复核；

计算模块，用于将复核后的所述多个质检结果作为验证集，并将所述验证集加入训练中，每步完成后进行验证，以计算准确率与召回率；

设定模块，用于设置所述准确率的阈值A与所述召回率的阈值B，並从学习率的初始值始训练；及

判断与调整模块，用于当所述准确率达到所述阈值A与所述召回率达到所述阈值B时，则保存所述多个质检模型并将所述学习率减去固定值，使所述多个质检模型在特定参数范围内调整，判断所述准确率是否小于所述阈值A和所述召回率是否小于所述阈值B，当所述准确率大于所述阈值A时，或者当所述准确率不大于所述阈值且所述召回率大于所述阈值B，则将所述学习率减去所述固定值，及当所述准确率不大于所述阈值A且所述召回率不大于所述阈值B，则将所述学习率调回所述初始值。

7.如权利要求6所述之电子装置，其特征在于，所述多个算法至少包括BILSTM RNN+Attention算法、BiLSTM RNN算法、LSTM RNN算法及Text CNN算法中的一种或多种，且所述多个质检模型至少包括BI-LSTM、RNN模型与BI-LSTM Attention模型中的一种或多种。

8.如权利要求6所述之学习模型优化与选择方法，其特征在于，所述准确率＝正确预测违规的消息数/(所述正确预测违规的消息数+错误预测违规的消息数)，及所述召回率＝所述正确预测违规的消息数/所述验证集中实际违规的消息数。