[发明专利]一种分类模型训练方法及装置、存储介质

权利要求书

1.一种分类模型训练方法，其特征在于，包括：

利用已知离散标签的第一数据集进行分类模型的初始训练，得到第一分类模型；其中，所述离散标签，用于指示所述第一数据集内样本数据的类别；

将所述第一数据集内的样本数据输入到所述第一分类模型，得到连续标签，其中，所述连续标签，用于指示所述样本数据为对应类别的概率；

利用所述样本数据和所述连续标签构成的第二数据集，继续训练所述第一分类模型得到第二分类模型；

利用所述第二分类模型对所述第一数据集包含的样本数据进行分类，得到所述第二分类模型输出的连续标签；

将所述第二分类模型输出的连续标签满足存疑条件的所述样本数据输出，以获得对所述样本数据重新标注的离散标签，以更新所述第二数据集；

利用更新后的所述第二数据集继续训练所述第二分类模型，直到满足训练停止条件。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取未知标签的第三数据集；

所述利用所述第二分类模型对所述第一数据集包含的样本数据进行分类，得到所述第二分类模型输出的连续标签，包括：

利用所述第二分类模型对所述第一数据集与所述第三数据集包含的样本数据进行分类，得到所述第二分类模型输出的连续标签。

3.根据权利要求1或2所述的方法，其特征在于，所述将所述第二分类模型输出的连续标签满足存疑条件的所述样本数据输出，包括：

将所述第二分类模型输出的连续标签位于存疑标签值区域的所述样本数据输出。

4.根据权利要求1或2所述的方法，其特征在于，所述将所述第一数据集内的样本数据输入到经过初始训练的所述第一分类模型，得到连续标签，包括：

将所述第一数据集内的样本数据输入到经过初始训练的所述第一分类模型，得到所述第一分类模型输出的预测标签；

根据所述离散标签和所述预测标签，得到所述连续标签。

5.根据权利要求4所述的方法，其特征在于，所述根据所述离散标签和所述预测标签，得到所述连续标签，包括：

当所述离散标签为：y₁＝1且y₀＝0时，按照如下得到所述连续标签；

Y₀＝1-Y₁

当所述离散标签为y₀＝1且y₁＝0时，按照如下公式得到所述连续标签；

Y₁＝1-Y₀

其中，所述y₀为所述离散标签中标注对应样本数据为第一类别的标签值；所述y₁为所述离散标签中标注对应样本数据为第二类别的标签值；

所述Y₀为所述连续标签中标注对应样本数据为第一类别的标签值；所述Y₁为所述连续标签中标注对应样本数据为第二类别的标签值；

所述p₀为所述预测标签中标注对应样本数据为所述第一类别的预测值，所述p₁为所述预测标签中标注对应样本数据为所述第二类别的预测值；所述k₀为将离散标签中指示对应样本数据为第一类别的连续化为所述连续标签的学习率；所述k₁为将离散标签中指示对应样本数据为第二类别的连续化为所述连续标签的学习率；

所述λ为预设值。

6.根据权利要求1所述的方法，其特征在于，所述训练停止条件，包括以下至少之一：

所述第二分类模型输出的满足存疑条件的连续标签数目小于第一阈值；

所述第二分类模型输出的满足存疑条件的连续标签转换为所述离散标签之后的误标率，小于第二阈值。