样本处理方法、装置、电子设备、存储介质及程序产品与流程

技术特征：
1.一种样本处理方法，其特征在于，所述方法包括：获取用于训练分类模型的待处理样本和分类模型队列，所述分类模型队列包括模型复杂度由小至大依次排列的多个分类模型；基于所述分类模型队列，依次调用各所述分类模型，对所述待处理样本迭代进行类别预测，得到各所述分类模型对应的类别预测结果；针对各所述分类模型，当基于所述类别预测结果及相应的输入样本的标签，确定标签修正条件得到满足时，对所述输入样本的标签进行修正，得到标签修正后的目标样本；其中，所述分类模型队列包括第一分类模型和第二分类模型，所述第二分类模型的输入样本为所述第一分类模型对应的目标样本，所述第二分类模型处于所述第一分类模型的下一位置。2.根据权利要求1所述的方法，其特征在于，所述基于所述分类模型队列，依次调用各所述分类模型，对所述待处理样本迭代进行类别预测，得到各所述分类模型对应的类别预测结果，包括：将所述待处理样本作为所述分类模型队列中第一分类模型的输入样本，调用所述第一分类模型，对所述第一分类模型的输入样本进行类别预测，得到所述第一分类模型对应的类别预测结果；调用所述分类模型队列中的第i分类模型，对所述第i分类模型的输入样本进行类别预测，得到所述第i分类模型对应的类别预测结果；其中，1<i≤n，n表征所述分类模型队列中所述分类模型的数量，所述第i分类模型的输入样本为第i-1分类模型对应的目标样本，所述第一分类模型为所述分类模型队列中所述模型复杂度最小的分类模型。3.根据权利要求2所述的方法，其特征在于，所述调用所述分类模型队列中的第i分类模型，对所述第i分类模型的输入样本进行类别预测，得到所述第i分类模型对应的类别预测结果之前，所述方法还包括：获取所述第i-1分类模型对应的目标样本；将所述第i-1分类模型对应的目标样本作为训练样本，对待训练第i分类模型进行训练，得到所述第i分类模型。4.根据权利要求1所述的方法，其特征在于，所述获取分类模型队列，包括：获取经过预训练得到的多个所述分类模型；依据模型参数数量及模型结构中至少之一，确定各所述分类模型的模型复杂度；依据所述模型复杂度对所述多个所述分类模型进行排序，得到所述分类模型队列。5.根据权利要求1所述的方法，其特征在于，针对各所述分类模型，在得到各所述分类模型对应的类别预测结果之后，所述方法还包括：获取目标概率和标签概率的差值；其中，所述标签概率为，所述输入样本的标签所指示的类别对应的概率；所述目标概率为，所述类别预测结果所指示的所述类别对应的概率；将所述差值和修正阈值进行比较，得到比较结果，并当所述比较结果表征所述差值大于或等于所述修正阈值时，确定所述标签修正条件得到满足。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
当所述比较结果表征所述差值小于所述修正阈值时，确定所述标签修正条件不满足，将所述输入样本确定为相应所述分类模型的目标样本。7.根据权利要求1所述的方法，其特征在于，所述对所述输入样本的标签进行修正，得到标签修正后的目标样本，包括：获取所述类别预测结果所指示的所述输入样本归属的类别；将所述输入样本携带的标签，替换为所述类别对应的类别标签，得到所述标签修正后的目标样本。8.根据权利要求2所述的方法，其特征在于，所述分类模型为用于进行文本分类的文本分类模型，所述文本分类模型包括向量化层、特征提取层和分类层；所述调用所述分类模型队列中的第i分类模型，对所述第i分类模型的输入样本进行类别预测，得到所述第i分类模型对应的类别预测结果，包括：调用所述第i分类模型的向量化层，对所述第i分类模型的输入样本进行向量化处理，得到所述输入样本对应的样本向量；调用所述第i分类模型的特征提取层，对所述样本向量进行语义特征提取，得到所述输入样本的语义特征；调用所述第i分类模型的分类层，基于所述语义特征对所述输入样本进行文本分类预测，得到文本分类结果作为所述第i分类模型对应的类别预测结果。9.根据权利要求8所述的方法，其特征在于，所述第i分类模型的模型复杂度与第i-1分类模型的模型复杂度满足以下条件至少之一：所述第i分类模型的所述特征提取层的数量，大于所述第i-1分类模型的所述特征提取层的数量；所述第i分类模型的所述特征提取层对应的特征提取维度的数量，大于所述第i-1分类模型的所述特征提取层对应的特征提取维度的数量。10.根据权利要求2所述的方法，其特征在于，所述分类模型为用于进行图像分类的图像分类模型，所述图像分类模型包括特征提取层、池化层和分类层；所述调用所述分类模型队列中的第i分类模型，对所述第i分类模型的输入样本进行类别预测，得到所述第i分类模型对应的类别预测结果，包括：调用所述第i分类模型的特征提取层，对所述第i分类模型的输入样本进行空间特征提取，得到所述输入样本的空间特征；调用所述第i分类模型的池化层，对所述空间特征进行下采样，得到下采样结果；调用所述第i分类模型的分类层，基于所述下采样结果对所述输入样本进行图像分类预测，得到所述第i分类模型的输入样本对应各类别的概率；将所述各类别的概率中的最大概率值对应的类别，确定为所述第i分类模型对应的类别预测结果。11.根据权利要求1所述的方法，其特征在于，所述针对各所述分类模型，当基于所述类别预测结果及相应的输入样本的标签，确定标签修正条件得到满足时，对所述输入样本的标签进行修正，得到标签修正后的目标样本之后，所述方法还包括：获取所述分类模型队列中所述模型复杂度最大的分类模型对应的目标样本；
将所述模型复杂度最大的分类模型对应的目标样本，作为训练样本，对所述多个分类模型中的至少一个进行训练，得到目标分类模型。12.一种样本处理装置，其特征在于，所述装置包括：获取模块，用于获取用于训练分类模型的待处理样本和分类模型队列，所述分类模型队列包括模型复杂度由小至大依次排列的多个分类模型；类别预测模块，用于基于所述分类模型队列，依次调用各所述分类模型，对所述待处理样本迭代进行类别预测，得到各所述分类模型对应的类别预测结果；修正模块，用于针对各所述分类模型，当基于所述类别预测结果及相应的输入样本的标签，确定标签修正条件得到满足时，对所述输入样本的标签进行修正，得到标签修正后的目标样本；其中，所述分类模型队列包括第一分类模型和第二分类模型，所述第二分类模型的输入样本为所述第一分类模型对应的目标样本，所述第二分类模型处于所述第一分类模型的下一位置。13.一种电子设备，其特征在于，所述电子设备包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令或者计算机程序时，实现权利要求1至11任一项所述的样本处理方法。14.一种计算机可读存储介质，存储有可执行指令或者计算机程序，其特征在于，所述可执行指令被处理器执行时实现权利要求1至11任一项所述的样本处理方法。15.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现权利要求1至11任一项所述的样本处理方法。

技术总结
本申请提供了一种样本处理方法、装置、设备、存储介质及程序产品；方法包括：获取用于训练分类模型的待处理样本和分类模型队列，所述分类模型队列包括模型复杂度由小至大依次排列的多个分类模型；基于所述分类模型队列，依次调用各所述分类模型，对所述待处理样本迭代进行类别预测，得到各所述分类模型对应的类别预测结果；针对各所述分类模型，当基于所述类别预测结果及相应的输入样本的标签，确定标签修正条件得到满足时，对所述输入样本的标签进行修正，得到标签修正后的目标样本。通过本申请，能够有效提高目标样本所携带标签的准确率。率。率。


技术研发人员：康小明
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2022.08.15
技术公布日：2022/11/15