[发明专利]标签预测方法、装置、设备以及存储介质

权利要求书

1.一种标签预测方法，包括：

将待测数据映射到已训练的特征空间中，得到所述待测数据在所述特征空间下的特征向量；

基于所述待测数据在所述特征空间下的特征向量与样本数据的多个中心点分别在所述特征空间下的特征向量，确定所述待测数据分别与所述样本数据的所述多个中心点之间的相似度；

基于所述待测数据分别与所述样本数据的所述多个中心点之间的相似度，以及所述样本数据的所述多个中心点分别对应的标注标签，预测得到所述待测数据的标签。

2.根据权利要求1所述的方法，其中，所述基于所述待测数据在所述特征空间下的特征向量与样本数据的多个中心点分别在所述特征空间下的特征向量，确定所述待测数据分别与所述样本数据的所述多个中心点之间的相似度，包括：

基于所述待测数据在所述特征空间下的特征向量与所述样本数据的多个中心点分别在所述特征空间下的特征向量，确定所述待测数据分别与所述样本数据的所述多个中心点之间的余弦值；

基于所述待测数据分别与所述样本数据的所述多个中心点之间的所述余弦值，确定所述待测数据分别与所述样本数据的所述多个中心点之间的相似度。

3.根据权利要求1所述的方法，其中，所述基于所述待测数据分别与所述样本数据的所述多个中心点之间的相似度，以及所述样本数据的所述多个中心点分别对应的标注标签，预测得到所述待测数据的标签，包括：

基于所述待测数据分别与所述样本数据的所述多个中心点之间的相似度，确定最大相似度；

在所述最大相似度在阈值范围内的情况下，将所述样本数据中与所述待测数据的相似度最大的中心点对应的标注标签，作为所述待测数据的标签。

4.根据权利要求1至3任一项所述的方法，其中，所述样本数据包括多类样本，所述方法还包括：

将所述样本数据转化为以任务为基本单位的训练集合，每个所述任务包括N类样本，每类样本由K个样本构成，N为大于等于1的正整数，K为大于1的整数；

基于所述训练集合，采用匹配网络算法训练得到所述特征空间。

5.根据权利要求4所述的方法，还包括：

对所述训练集合中的样本进行切词处理，得到切词结果；

基于所述切词结果，对所述训练集合中的至少部分样本进行转化处理，得到转化处理结果；

基于所述转化处理结果，优化所述训练集合；

其中，基于所述训练集合，采用匹配网络算法训练得到所述特征空间，包括：

基于优化后的所述训练集合，采用匹配网络算法训练得到所述特征空间。

6.根据权利要求5所述的方法，其中，所述基于所述切词结果，对所述训练集合中的至少部分样本进行转化处理，得到转化处理结果，包括以下至少之一：

在所述切词结果存在预设类型的名词的情况下，基于第一映射关系对所述预设类型的名词进行映射处理；

在所述切词结果存在预设类型的字符串的情况下，将所述预设类型的字符串归一化映射成对应的预设标识；

在所述切词结果存在预设类型的字的情况下，基于第二映射关系对所述预设类型的字进行映射处理。

7.根据权利要求4所述的方法，还包括：

获取所述样本数据的标注标签；

基于所述样本数据的标注标签进行分组，将每组所述样本数据映射到所述特征空间，得到每组所述样本数据在所述特征空间下的特征向量；

根据每组所述样本数据在所述特征空间下的特征向量，确定每组所述样本数据的中心点在所述特征空间下的特征向量。

8.根据权利要求7所述的方法，其中，所述确定每组所述样本数据的中心点在所述特征空间下的特征向量，包括：

对每组所述样本数据中各个样本数据在所述特征空间下的特征向量进行加权求平均，得到每组所述样本数据的中心点在所述特征空间下的特征向量。

9.根据权利要求1所述的方法，其中，所述标签包括第一标签和第二标签，所述第一标签和所述第二标签为不同类型的标签。