[发明专利]多标签处理任务训练样本构建方法、设备及介质

权利要求书

1.一种多标签处理任务训练样本构建方法，其特征在于，所述多标签处理任务训练样本构建方法包括以下步骤：

获取样本数据在多个预设类别上的真实概率分布，并确定所述样本数据在多个预设类别上的预测概率分布；

根据所述真实概率分布和所述预测概率分布，确定所述样本数据在多个预设类别上的损失列表；

对所述损失列表进行掩码过滤，得到掩码概率分布，并根据所述掩码概率分布和所述真实概率分布，确定掩码列表；

根据所述掩码列表和所述损失列表，确定所述样本数据的多个正向类别损失和多个负向类别损失，并根据多个所述正向类别损失和多个所述负向类别损失，确定所述样本数据在多个预设类别中归属的多个正向类别和多个负向类别；

根据多个所述正向类别和多个所述负向类别，分别构建多个预设类别的正负向样本，以基于多个预设类别的正负向样本生成多标签分类模型进行多标签分类。

2.如权利要求1所述的多标签处理任务训练样本构建方法，其特征在于，所述根据多个所述正向类别和多个所述负向类别，分别构建多个预设类别的正负向样本的步骤之后，所述方法还包括：

基于多个所述预设类别的正负项样本，对预设多标签模型进行训练，生成多标签分类模型；

当接收到待分类数据时，基于所述多标签分类模型对所述待分类数据进行多标签分类，确定所述待分类数据所归属的多个标签类别。

3.如权利要求1所述的多标签处理任务训练样本构建方法，其特征在于，所述对所述损失列表进行掩码过滤，得到掩码概率分布的步骤包括：

基于预设参数，对所述真实概率分布进行掩码处理，获得掩码参数；

根据所述掩码参数，对所述损失列表进行过滤，获得所述掩码概率分布。

4.如权利要求1所述的多标签处理任务训练样本构建方法，其特征在于，所述根据所述掩码概率分布和所述真实概率分布，确定掩码列表的步骤包括：

对所述掩码概率分布中的各数值进行排序，获得掩码概率序列，并从所述掩码概率序列中选取出排列在前预设位的目标概率；

确定各所述目标概率在所述损失列表中的排列位置，并根据所述排列位置，对所述掩码概率分布进行更新；

将更新后的所述掩码概率分布和所述真实概率分布进行加和运算，生成掩码列表。

5.如权利要求4所述的多标签处理任务训练样本构建方法，其特征在于，所述根据所述掩码列表和所述损失列表，确定所述样本数据的多个正向类别损失和多个负向类别损失的步骤包括：

对所述掩码列表和更新前的所述损失列表进行乘积运算，生成乘积结果列表；

根据所述真实概率分布中真实概率所在的位置，从所述乘积结果列表中确定出多个所述正向类别损失；

根据所述排列位置，从所述乘积结果中确定出多个所述负向类别损失。

6.如权利要求1-5任一项所述的多标签处理任务训练样本构建方法，其特征在于，所述根据所述真实概率分布和所述预测概率分布，确定所述样本数据在多个预设类别上的损失列表的步骤包括：

根据所述真实概率分布和所述预测概率分布，分别确定所述样本数据在每一预设类别上的真实概率值和预测概率值；

基于预设损失公式，对所述样本数据在每一预设类别上的所述真实概率值和所述预测概率值进行计算，得到所述样本数据在每一预设类别上的损失值；

根据每一所述预设类别在多个所述预设类别中的排列顺序，对每一所述损失值排列，获得所述损失列表。

7.如权利要求1-5任一项所述的多标签处理任务训练样本构建方法，其特征在于，所述确定所述样本数据在多个预设类别上的预测概率分布的步骤包括：

获取所述样本数据与多个预设类别分别对应的输出值，并根据预设函数，对多个所述输出值分别进行映射，获得所述样本数据在多个预设类别上的预测概率分布。