[发明专利]样本识别模型的生成方法、装置、计算机设备和存储介质

说明书

本申请涉及一种样本识别模型的生成方法、装置、计算机设备和存储介质。所述方法包括：获取至少两个源域训练样本集和一个目标域训练样本集；根据样本集，对各个待训练的元分类网络模型进行一一预训练，得到各个预训练后的元分类网络模型；分别根据目标域训练样本集，对各个预训练后的元分类网络模型进行再次训练，得到各个训练完成的目标域分类网络模型；根据源域训练样本集和目标域训练样本集，确定各个训练完成的目标域分类网络模型对应的分类权重；根据各个训练完成的目标域分类网络模型以及各个训练完成的目标域分类网络模型对应的分类权重，生成训练完成的样本识别模型。采用本方法能够提高模型的样本识别准确率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种样本识别模型的生成方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，各种样本层出不穷；为了对样本进行分类，需要训练相应的样本识别模型，以通过样本识别模型对样本进行识别。

然而，目前的样本识别模型的训练方法，一般是通过携带有标签的历史样本对模型进行训练，并通过训练得到的模型，对新的样本进行识别，以得到样本的类别；但是，若携带有标签的历史样本较少，会导致训练得到的模型存在过拟合，从而使得模型的样本识别准确率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高模型的样本识别准确率的样本识别模型的生成方法、装置、计算机设备和存储介质。

一种样本识别模型的生成方法，所述方法包括：

获取至少两个源域训练样本集和一个目标域训练样本集，所述源域训练样本集和所述目标域训练样本集中均包含有多个样本以及与所述样本对应的实际分类概率；

分别根据各个所述源域训练样本集、所述目标域训练样本集和各个所述样本对应的实际分类概率，对各个待训练的元分类网络模型进行一一预训练，得到各个预训练后的元分类网络模型；

分别根据所述目标域训练样本集，对所述各个预训练后的元分类网络模型进行再次训练，得到各个再次训练后的元分类网络模型，对应作为各个训练完成的目标域分类网络模型；

根据所述源域训练样本集和所述目标域训练样本集，确定所述各个训练完成的目标域分类网络模型对应的分类权重；

根据所述各个训练完成的目标域分类网络模型以及所述各个训练完成的目标域分类网络模型对应的分类权重，生成训练完成的样本识别模型。

一种样本识别方法，所述方法包括：

根据上述所述的方法获取训练完成的样本识别模型；所述训练完成的样本识别模型包括各个训练完成的目标域分类网络模型；

将目标域的待识别样本的特征编码输入所述样本识别模型，得到所述待识别样本在所述各个训练完成的目标域分类网络模型中的分类概率以及所述各个训练完成的目标域分类网络模型对应的分类权重；

根据所述各个训练完成的目标域分类网络模型对应的分类权重，对所述待识别样本在各个训练完成的目标域分类网络模型中的分类概率进行加权处理，得到所述待识别样本的目标分类概率；

根据所述待识别样本的目标分类概率，确定对所述待识别样本的识别结果。

一种样本识别模型的生成装置，所述装置包括：

样本集获取模块，用于获取至少两个源域训练样本集和一个目标域训练样本集，所述源域训练样本集和所述目标域训练样本集中均包含有多个样本以及与所述样本对应的实际分类概率；

模型预训练模块，用于分别根据各个所述源域训练样本集、所述目标域训练样本集和各个所述样本对应的实际分类概率，对各个待训练的分类网络模型进行一一预训练，得到各个预训练后的分类网络模型；