[发明专利]数据标注的方法以及数据标注的装置

权利要求书

1.一种数据标注的方法，其特征在于，包括：

获取待标注数据，其中，所述待标注数据包括第一数据与第二数据；

将所述第一数据与所述第二数据分别输入至第一子网络与第二子网络，以得到第一子标签与第二子标签，其中，所述第一子标签与所述第二子标签的类型不同；

将所述第一子标签与所述第二子标签输入至关系学习网络，以得到所述待标注数据的第一标签，其中，所述关系学习网络用于基于第一知识图谱指示所述第一子标签与所述第二子标签的关联关系，所述第一标签用于指示所述待标注数据的分类。

2.如权利要求1所述的方法，其特征在于，所述第一知识图谱的节点包括所述第一子标签、所述第二子标签以及所述第一标签。

3.如权利要求1或2所述的方法，其特征在于，所述关系学习网络基于第二知识图谱指示所述第一子标签与所述第二子标签的关联关系，其中，所述第二知识图谱为所述第一知识图谱的一部分，且所述第二知识图谱以所述第一子标签与所述第二子标签为起始节点并以所述第一标签为终止节点。

4.如权利要求3所述的方法，其特征在于，所述第二知识图谱的深度与所述关系学习网络的评估指标有关，所述评估指标包括准确率、错误率、误差平方和、平均准确度均值、起始分数以及起始距离中的至少一项。

5.如权利要求3所述的方法，其特征在于，所述第二知识图谱是基于所述第一知识图谱通过随机遮盖Mask得到的。

6.如权利要求1至5中任一项所述的方法，其特征在于，还包括：

在所述第一子标签与所述第二子标签中的至少一个置信度低于预设阈值时，获取人工标记的所述待标注数据的第三子标签和第二标签，其中，所述第三子标签用于替换所述第一子标签或所述第二子标签，所述第二标签用于替换所述第一标签；或者，

在所述第一标签的置信度低于预设阈值，且所述第一子标签与所述第二子标签的置信度大于或等于所述预设阈值时，获取人工标记的所述待标注数据的第二标签，所述第二标签用于替换所述第一标签。

7.如权利要求6所述的方法，其特征在于，在所述第一子标签与所述第二子标签中的至少一个置信度低于预设阈值时，还包括：

根据所述第三子标签与所述待标注数据对所述第一子网络和/或所述第二子网络进行增量学习。

8.如权利要求6所述的方法，其特征在于，在所述第一标签的置信度低于预设阈值，且所述第一子标签与所述第二子标签的置信度大于或等于所述预设阈值时，还包括：

根据所述第二标签与所述待标注数据对所述第一知识图谱进行更新。

9.如权利要求1至8中任一项所述的方法，其特征在于，所述第一子网络与所述第二子网络是通过增量学习损失函数训练得到的，其中，所述增量学习损失函数中包括用于指示第i个子标签与第j个子标签的共存关系的函数项，所述共存关系用于指示对于同一输入数据输出的子标签包括所述第i个子标签与所述第j个子标签，i为小于j的正整数。

10.如权利要求1至9中任一项所述的方法，其特征在于，还包括：

根据第一训练数据对神经网络进行训练，以得到所述关系学习网络，其中，所述第一训练数据包括样本数据、所述样本数据对应的第一样本子标签、所述样本数据对应的第二样本子标签、所述样本数据对应的样本标签以及所述第一知识图谱，所述第一知识图谱的节点包括所述第一样本子标签、所述第二样本子标签以及所述样本标签。

11.如权利要求1至10中任一项所述的方法，其特征在于，所述待标注数据为待标注视频，所述第一子网络为人脸识别网络，所述第二子网络为视频类型识别网络。

12.如权利要求11所述的方法，其特征在于，所述第一子网络与所述第二子网络是通过第二训练数据训练得到的，其中，所述第二训练数据中包括隐编码的数据。