基于元学习的目标分类方法、装置、设备和存储介质

1.一种基于元学习的目标分类方法，所述方法包括：
获取新增数据，并根据所述新增数据构建参照样本；
根据所述新增数据以及所述参照样本得到待分类目标；
将所述参照样本和所述待分类目标输入至预先生成的目标分类模型中，以确定所述待
分类目标属于所述参照样本所属分类的第一概率，其中，所述目标分类模型是基于元学习
的方式训练得到的；
根据所述第一概率确定所述待分类目标所属分类。
2.根据权利要求1所述的方法，其特征在于，所述新增数据包括多个分类；所述根据所
述新增数据构建参照样本包括：
将所述新增数据按照分类进行分组，并构建每一分组对应的参照样本；
所述将所述参照样本和所述待分类目标输入至预先生成的目标分类模型中，以确定所
述待分类目标属于所述参照样本所属分类的第一概率，包括：
将所述参照样本和所述待分类目标输入至预先生成的目标分类模型中，以确定所述待
分类目标属于每个分类的第一概率。
3.根据权利要求1或2所述的方法，其特征在于，所述目标分类模型的训练方式包括：
获取样本数据，根据所述样本数据构建多组元训练样本；
根据所述元训练样本进行训练得到目标分类模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述元训练样本进行训练得到目
标分类模型，包括：
对每一组元训练样本的每个支撑样本和查询样本的单词进行序列化；
将序列化后的每个单词进行高阶特征处理得到对应的高阶特征表示；
对所述高阶特征表示进行平均池化操作以得到每个支撑样本对应的向量表示以及每
个查询样本对应的向量表示；
根据所述每个支撑样本对应的向量表示以及每个查询样本对应的向量表示进行训练
得到目标分类模型。
5.根据权利要求4所述的方法，其特征在于，所述获取样本数据，根据所述样本数据构
建多组元训练样本，包括：
爬取预设网站上已经分类完成的样本数据，对所述样本数据按照分类进行分组；
随机从所述分组中抽取至少一个分组，并确定所抽取的至少一个分组中的第一数量样
本数据为支撑样本，第二数量样本数据为查询样本；
根据所述支撑样本和所述查询样本得到一组元训练样本；
重复随机从所述分组中抽取至少一个分组的步骤以得到多组元训练样本。
6.根据权利要求5所述的方法，其特征在于，所述随机从所述分组中抽取至少一个分
组，包括：
随机从所述分组中抽取预设数量的分组，所述预设数量的分组大于等于2；
所述根据所述每个支撑样本对应的向量表示以及每个查询样本对应的向量表示进行
训练得到目标分类模型，包括：
获取所述查询样本对应真实分类；
根据所述每个支撑样本对应的向量表示以及每个查询样本对应的向量表示，计算每个
查询样本对应的模型分类，所述模型分类包括与预设数量的个数相对应数量的第二概率；
根据所述真实分类和所述第二概率进行训练得到目标分类模型。
7.根据权利要求4所述的方法，其特征在于，所述根据所述每个支撑样本对应的向量表
示以及每个查询样本对应的向量表示进行训练得到目标分类模型，包括：
根据以下公式计算每个查询样本对应的支撑样本的类别概率：
其中，Sigmod激活函数的输出为0到1之间的实数，atten是用来计算每个支撑样本对查
询样本分类的贡献度，⊙代表两个向量的内积，T是一个实数，用于控制atten得到的分布的
尖锐程度，k代表支撑样本的序号，k的值与支撑样本的样本数量有关；
根据每个所述查询样本的真实分组以及所述类别概率对所述公式进行训练得到目标
分类模型。
8.一种基于元学习的目标分类装置，其特征在于，所述装置包括：
新增数据获取模块，用于获取新增数据，并根据所述新增数据构建参照样本；
待分类目标获取模块，用于根据所述新增数据以及所述参照样本得到待分类目标；
模型处理模块，用于将所述参照样本和所述待分类目标输入至预先生成的目标分类模
型中，以确定所述待分类目标属于所述参照样本所属分类的第一概率，其中，所述目标分类
模型是基于元学习的方式训练得到的；
分类模块，用于根据所述概率确定所述待分类目标所属分类。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在
于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处
理器执行时实现权利要求1至7中任一项所述的方法的步骤。

暂无