[发明专利]一种表示学习模型的评估方法、装置、设备及介质

说明书

本申请公开了一种表示学习模型的评估方法，包括：针对基于无监督方式进行训练的表示学习模型生成性能评价指标，其包括第一指标和第二指标中的至少一个，其中，第一指标是基于表示学习模型在训练过程中学习到的第一样本子集中各样本的表示向量，生成的用于衡量同类样本相近且不同类样本相疏远的量化指标，第二指标是基于表示学习模型在训练过程中学习到的第二样本子集中各样本的表示向量对应的相似向量，生成的用于衡量样本表示稳定性的量化指标，根据所述性能评价指标，确定所述表示学习模型的训练情况。通过上述量化指标，使得不再依赖于后续的机器学习任务，整个表示学习的训练迭代过程大大加快。本申请还公开了对应的装置、设备及介质。

技术领域

本申请涉及计算机技术领域，尤其涉及一种表示学习模型的评估方法、装置、设备及计算机存储介质。

背景技术

表示学习是指通过学习数据的表示，将原始数据转换成能够被机器学习来有效开发的形式，使得其后续构建分类器或者其他预测任务时更容易提取有用信息的任务。通俗来讲，就是将数据转换成向量表示，同时使得向量包含尽可能多的、对后续任务有用的数据信息。近年来，表示学习在语音、图像等领域广受关注。

无监督表示学习是指在无标签训练数据上训练表示学习模型。由于没有已知的标签，无法将无监督学习的结果与实际标签进行比较，所以很难评估无监督学习的模型。

通常，对基于无监督方式训练的表示学习模型的评估，是依赖于后续机器学习任务的评估结果，这就导致无监督表示学习模型的训练、优化迭代的周期延长，增加了模型训练的时间成本，拖慢模型的迭代速度，造成实际应用损失。

发明内容

本申请提供了一种表示学习模型的评估方法，其提出了两种评估训练质量的量化指标，以衡量无监督表示学习模型的训练状况，从而及时发现训练过程中的异常情况，避免训练周期延长、训练速度放缓以及训练时间成本增加，进而避免对实际应用造成损伤。本申请还提供了对应的装置、设备、介质及计算机程序产品。

本申请第一方面提供了一种表示学习模型的评估方法，所述方法包括：

针对基于无监督方式进行训练的表示学习模型，生成所述表示学习模型的性能评价指标，所述性能评价指标包括第一指标和第二指标中的至少一个；

其中，所述第一指标是基于所述表示学习模型在训练过程中学习到的第一样本子集中各样本的表示向量，生成的用于衡量同类样本相近且不同类样本相疏远的量化指标；所述第一样本子集是对所述表示学习模型的训练样本集中的第一子集进行标签标注生成的，所述第一子集包括不同类别的样本；

所述第二指标是基于所述表示学习模型在训练过程中学习到的第二样本子集中各样本的表示向量对应的相似向量，生成的用于衡量样本表示稳定性的量化指标；所述第二样本子集是所述训练样本集中的第二子集；

根据所述性能评价指标，确定所述表示学习模型的训练情况。

本申请第二方面提供一种表示学习模型的评估装置，所述装置包括：

指标生成模块，用于针对基于无监督方式进行训练的表示学习模型，生成所述表示学习模型的性能评价指标，所述性能评价指标包括第一指标和第二指标中的至少一个；

其中，所述第一指标是基于所述表示学习模型在训练过程中学习到的第一样本子集中各样本的表示向量，生成的用于衡量同类样本相近且不同类样本相疏远的量化指标；所述第一样本子集是对所述表示学习模型的训练样本集中的第一子集进行标签标注生成的，所述第一子集包括不同类别的样本；

所述第二指标是基于所述表示学习模型在训练过程中学习到的第二样本子集中各样本的表示向量对应的相似向量，生成的用于衡量样本表示稳定性的量化指标；所述第二样本子集是所述训练样本集中的第二子集；

评估模块，用于根据所述性能评价指标，确定所述表示学习模型的训练情况。