样本分类模型的训练方法和装置、样本分类方法和装置

摘要

本申请实施例提供了一种样本分类模型的训练方法和装置、样本分类方法和装置，属于人工智能技术领域。该训练方法包括：获取原始训练集；其中，原始训练集包括至少两个原始训练数据；对原始训练数据进行增强处理，得到原始增强数据；根据预设的原始编码模型对原始训练数据进行编码处理，得到训练编码数据，根据原始编码模型对原始增强数据进行编码处理，得到增强编码数据；对增强编码数据进行聚类处理，得到对应的聚类中心；根据聚类中心、增强编码数据和训练编码数据，构建得到正样本对和负样本对；根据正样本对和负样本对原始编码模型进行对比学习训练，得到目标分类模型。本申请实施例的技术方案，能够提高样本分类的准确性。

说明书

技术领域

本申请涉及人工智能技术领域，尤其涉及一种样本分类模型的训练方法和装置、样本分类方法和装置。

背景技术

对比学习作为自监督学习的一种，其在自然语言处理、图像领域有着广泛的应用。相关技术中，存在将正样本当做负样本的情况，导致对比学习在构建样本时不准确。因此，如何提高样本分类的准确性，成为了本领域技术人员亟需解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种样本分类模型的训练方法和装置、样本分类方法和装置，旨在提高样本分类的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种样本分类模型的训练方法，所述训练方法包括：

获取原始训练集；其中，所述原始训练集包括至少两个原始训练数据，每一所述原始训练数据为图像数据或者文本数据；

对所述原始训练数据进行增强处理，得到原始增强数据；

根据预设的原始编码模型对所述原始训练数据进行编码处理，得到训练编码数据，根据所述原始编码模型对所述原始增强数据进行编码处理，得到增强编码数据；

对所述增强编码数据进行聚类处理，得到对应的聚类中心；

根据所述聚类中心、所述增强编码数据和所述训练编码数据，构建得到正样本对和负样本对；其中，每一所述正样本对包括类别相同的两个样本，每一所述负样本对包括类别不同的两个样本；

根据所述正样本对和所述负样本对所述原始编码模型进行对比学习训练，得到目标分类模型；其中，所述目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，所述目标样本为文本数据或者图像数据的样本。

在一些实施例，所述根据所述聚类中心、所述增强编码数据和所述训练编码数据，构建得到正样本对和负样本对，包括：

根据所述增强编码数据和所述聚类中心进行距离计算，得到目标距离值；其中，所述目标距离值用于表征所述增强编码数据到所述聚类中心的欧氏距离；

根据所述目标距离值，对所述增强编码数据和所述训练编码数据进行分类处理，得到所述正样本对和所述负样本对。

在一些实施例，所述根据所述目标距离值，对所述增强编码数据和所述训练编码数据进行分类处理，得到所述正样本对和所述负样本对，包括：

获取预设聚类阈值；

根据所述目标距离值和所述预设聚类阈值，得到目标标记符；

根据所述目标标记符对所述增强编码数据进行标记处理，得到标注编码数据；其中，所述标注编码数据包括所述目标标记符；

对所述训练编码数据和标注编码数据进行样本构建处理，得到所述正样本对和所述负样本对。

在一些实施例，所述对所述训练编码数据和标注编码数据进行样本构建处理，得到所述正样本对和所述负样本对，包括：

若所述目标标记符为第一标记符，则将所述第一标记符对应的所述标注编码数据作为正样本编码数据；

若所述目标标记符为第二标记符，则将所述第二标记符对应的所述标注编码数据作为负样本编码数据；

根据所述标注编码数据、所述正样本编码数据和所述训练编码数据，构造得到所述正样本对；

根据所述标注编码数据、所述负样本编码数据和所述训练编码数据，构造得到所述负样本对。

在一些实施例，所述根据所述正样本对和所述负样本对所述原始编码模型进行对比学习训练，得到目标分类模型，包括：

根据所述正样本对和所述负样本对构建目标损失函数；

根据所述目标损失函数对所述原始编码模型的参数进行更新处理，得到所述目标分类模型。

为实现上述目的，本申请实施例的第二方面提出的样本分类方法，所述样本分类方法包括：

获取待分类的目标样本；其中，所述目标样本为图像数据或者文本数据的样本；

将所述目标样本输入至目标分类模型中进行样本分类处理，得到样本正例对和样本负例对；其中，所述样本正例对包括类别相同的两个样本例，所述样本负例对包括类别不同的两个样本例，所述目标分类模型为根据第一方面任意一项所述的样本分类模型的训练方法训练得到的。

为实现上述目的，本申请实施例的第三方面提出了一种样本分类模型的训练装置，所述样本分类模型的训练装置包括：

训练集获取模块，用于获取原始训练集；其中，所述原始训练集包括至少两个原始训练数据，每一所述原始训练数据为图像数据或者文本数据；

增强处理模块，用于对所述原始训练数据进行增强处理，得到原始增强数据；

编码处理模块，用于根据预设的原始编码模型对所述原始训练数据进行编码处理，得到训练编码数据，根据所述原始编码模型对所述原始增强数据进行编码处理，得到增强编码数据；

聚类处理模块，用于对所述增强编码数据进行聚类处理，得到对应的聚类中心；

构建处理模块，用于根据所述聚类中心、所述增强编码数据和所述训练编码数据，构建得到正样本对和负样本对；其中，每一所述正样本对包括类别相同的两个样本，每一所述负样本对包括类别不同的两个样本；

训练处理模块，用于根据所述正样本对和所述负样本对所述原始编码模型进行对比学习训练，得到目标分类模型；其中，所述目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，所述目标样本为文本数据或者图像数据的样本。

为实现上述目的，本申请实施例的第四方面提出了一种样本分类装置，所述装置包括：

目标样本获取模块，用于获取待分类的目标样本；其中，所述目标样本为图像数据或者文本数据的样本；

分类处理模块，用于将所述目标样本输入至目标分类模型中进行样本分类处理，得到样本正例对和样本负例对；其中，所述样本正例对包括类别相同的两个样本例，所述样本负例对包括类别不同的两个样本例，所述目标分类模型为根据第一方面任意一项所述的样本分类模型的训练方法训练得到的。

为实现上述目的，本申请实施例的第五方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法；或者

如第二方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法；或者

如第二方面所述的方法。

本申请提出的样本分类模型的训练方法和装置、样本分类方法和装置，其通过获取原始训练集；其中，原始训练集包括至少两个原始训练数据，每一原始训练数据为图像数据或者文本数据；对原始训练数据进行增强处理，得到原始增强数据；根据预设的原始编码模型对原始训练数据进行编码处理，得到训练编码数据，根据原始编码模型对原始增强数据进行编码处理，得到增强编码数据；对增强编码数据进行聚类处理，得到对应的聚类中心；根据聚类中心、增强编码数据和训练编码数据，构建得到正样本对和负样本对；其中，每一正样本对包括类别相同的两个样本，每一负样本对包括类别不同的两个样本，再根据正样本和负样本对对原始编码模型进行对比学习训练，得到目标分类模型，其中，目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，目标样本为文本数据或者图像数据的样本。通过这样设置，实现了对比学习中假负样本的识别，并且能够将假负样本去除，从而提高目标分类模型的对比学习效果，便于目标分类模型实现对目标样本的分类，提高了对比学习中样本分类的准确性。

本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1是本申请实施例提供的样本分类模型的训练方法的流程图；

图2是图1中的步骤S500的具体方法的流程图；

图3是图2中的步骤S520的具体方法的流程图；

图4是图3中的步骤S524的具体方法的流程图；

图5是图1中的步骤S600的具体方法的流程图；

图6是本申请实施例提供的样本分类方法的流程图；

图7是本申请实施例提供的样本分类模型的训练装置的结构示意图；

图8是本申请实施例提供的样本分类装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(Artificial Intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(Natural Language Processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

医疗云(Medical Cloud)：医疗云是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。

BERT(Bidirectional Encoder Representation from Transformers)模型：BERT模型进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征，基于Transformer构建而成。BERT中有三种Embedding，即Token Embedding，SegmentEmbedding，Position Embedding；其中Token Embeddings是词向量，第一个单词是CLS标志，可以用于之后的分类任务；Segment Embeddings用来区别两种句子，因为预训练不光做LM还要做以两个句子为输入的分类任务；Position Embeddings，这里的位置词向量不是transfor中的三角函数，而是BERT经过训练学到的。但BERT直接训练一个Positionembedding来保留位置信息，每个位置随机初始化一个向量，加入模型训练，最后就得到一个包含位置信息的embedding，最后这个Position embedding和word embedding的结合方式上，BERT选择直接拼接。

k-means聚类算法：k-means算法是根据给定的n个数据对象的数据集，构建k个划分聚类的方法，每个划分聚类即为一个簇。该方法将数据划分为n个簇，每个簇至少有一个数据对象，每个数据对象必须属于而且只能属于一个簇。同时要满足同一簇中的数据对象相似度高，不同簇中的数据对象相似度较小。聚类相似度是利用各簇中对象的均值来进行计算的。k-means算法的处理流程如下。首先，随机地选择k个数据对象，每个数据对象代表一个簇中心，即选择k个初始中心；对剩余的每个对象，根据其与各簇中心的相似度(距离)，将它赋给与其最相似的簇中心对应的簇；然后重新计算每个簇中所有对象的平均值，作为新的簇中心。不断重复以上这个过程，直到准则函数收敛，也就是簇中心不发生明显的变化。通常采用均方差作为准则函数，即最小化每个点到最近簇中心的距离的平方和。新的簇中心计算方法是计算该簇中所有对象的平均值，也就是分别对所有对象的各个维度的值求平均值，从而得到簇的中心点。例如，一个簇包括以下3个数据对象{(6,4,8),(8,2,2),(4,6,2)}，则这个簇的中心点就是((6+8+4)/3,(4+2+6)/3,(8+2+2)/3)＝(6,4,4)。k-means算法使用距离来描述两个数据对象之间的相似度。距离函数有明式距离、欧氏距离、马式距离和兰氏距离，最常用的是欧氏距离。

ResNet：ResNet是一种残差网络，在CNN网络中，输入的是图片的矩阵，是最基本的特征，整个CNN网络就是一个信息提取的过程，从底层的特征逐渐抽取到高度抽象的特征，网络的层数越多也就意味这能够提取到的不同级别的抽象特征更加丰富，并且越深的网络提取的特征越抽象，就越具有语义信息。对于传统的CNN网络来说，简单的增加网络的深度，容易导致梯度消失和爆炸。针对梯度消失和爆炸的解决方法一般是正则初始化(normalized initialization)和中间的正则化层(intermediate normalizationlayers)，但是这会导致另一个问题，退化问题，随着网络层数的增加，在训练集上的准确率却饱和甚至下降了。这个和过拟合不一样，因为过拟合在训练集上的表现会更加出色。由于随机梯度下降的策略，往往解到的并不是全局最优解，而是局部最优解，因为深层网络的结构更加复杂，所以梯度下降算法得到局部最优解的可能性就会更大。因此，为了避免由于网络深度的增加，导致网络出现退化问题，需要将网络设计为残差网络。

对比学习：对比学习是一种自监督学习方法，用于在没有标签的情况下，通过让模型学习哪些数据点相似或不同来学习数据集的一般特征。对比式学习着重于学习同类实例之间的共同特征，区分非同类实例之间的不同之处。与生成式学习比较，对比式学习不需要关注实例上繁琐的细节，只需要在抽象语义级别的特征空间上学会对数据的区分即可，因此模型以及其优化变得更加简单，且泛化能力更强。对比学的目标是学习一个编码器，此编码器对同类数据进行相似的编码，并使不同类的数据的编码结果尽可能的不同。

深度学习需要大量的标注数据来训练模型，然而，数据的标注成本较大，因此，不需要标注数据的自监督学习成为了研究的热点。对比学习作为自监督学习的一种，其在自然语言处理、图像领域有着广泛的应用。目前的对比学习方法主要区分出每个样本异同，可等同看做是样本级别的分类。然而样本级别分类的对比学习容易忽略掉样本间的语义关系，对于两个同属于一种含义文字描述本应属于同一个类别，而对比学习却当作是两个不同类别处理。即，在对比学习中存在将正样本当做负样本的情况，导致对比学习在构建样本时不准确。因此，如何提高样本分类的准确性，成为了本领域技术人员亟需解决的技术问题。

基于此，本申请实施例提供了一种样本分类模型的训练方法和装置、样本分类方法和装置，旨在提高样本分类的准确性。

本申请实施例提供的样本分类模型的训练方法和装置、样本分类方法和装置，具体通过如下实施例进行说明，首先描述本申请实施例中的样本分类模型的训练方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的样本分类模型的训练方法，涉及人工智能技术领域。本申请实施例提供的样本分类模型的训练方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现样本分类模型的训练方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

下面结合附图对本申请实施例的技术方案作进一步阐述。

图1是本申请实施例提供的样本分类模型的训练方法的一个可选的流程图，图1中的方法可以包括步骤S100至步骤S600，应理解，本申请实施例的样本分类模型的训练方法包括但不限于步骤S100至步骤S600，下面结合图1对这六个步骤进行详细介绍。

步骤S100，获取原始训练集；其中，原始训练集包括至少两个原始训练数据，每一原始训练数据为图像数据或者文本数据；

步骤S200，对原始训练数据进行增强处理，得到原始增强数据；

步骤S300，根据预设的原始编码模型对原始训练数据进行编码处理，得到训练编码数据，根据原始编码模型对原始增强数据进行编码处理，得到增强编码数据；

步骤S400，对增强编码数据进行聚类处理，得到对应的聚类中心；

步骤S500，根据聚类中心、增强编码数据和训练编码数据，构建得到正样本对和负样本对；其中，每一正样本对包括类别相同的两个样本，每一负样本对包括类别不同的两个样本；

步骤S600，根据正样本对和负样本对原始编码模型进行对比学习训练，得到目标分类模型；其中，目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，目标样本为文本数据或者图像数据的样本。

本申请实施例的样本分类模型的训练方法，其通过获取原始训练集；其中，原始训练集包括至少两个原始训练数据，每一原始训练数据为图像数据或者文本数据；对原始训练数据进行增强处理，得到原始增强数据；根据预设的原始编码模型对原始训练数据进行编码处理，得到训练编码数据，根据原始编码模型对原始增强数据进行编码处理，得到增强编码数据；对增强编码数据进行聚类处理，得到对应的聚类中心；根据聚类中心、增强编码数据和训练编码数据，构建得到正样本对和负样本对；其中，每一正样本对包括类别相同的两个样本，每一负样本对包括类别不同的两个样本，再根据正样本和负样本对对原始编码模型进行对比学习训练，得到目标分类模型，其中，目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，目标样本为文本数据或者图像数据的样本。通过这样设置，实现了对比学习中假负样本的识别，并且能够将假负样本去除，从而提高目标分类模型的对比学习效果，便于目标分类模型实现对目标样本的分类，提高了对比学习中样本分类的准确性。

在一些实施例的步骤S100中，可以通过编写网络爬虫，设置好数据源之后进行有目标性的爬取数据，得到原始训练集，原始训练集包括至少两个原始训练数据，每一原始训练数据为图像数据或者文本数据。

需要说明的是，该原始训练集中的原始训练数据可以为自然语言文本数据，也可以为图像数据，对于此，本申请不作具体限制。

在一些实施例的步骤S200中，通过对原始训练集中的每一条原始训练数据进行一倍的数据增强处理，得到原始增强数据。例如，原始训练集中包括M条原始训练数据，该M条原始训练数据组成一批次(batch)数据，然后，通过对每一条原始训练数据进行一倍的数据增强处理，得到M条的原始增强数据，则经过数据增强处理后的原始训练集中包括2M条的数据。

需要说明的是，如果原始训练数据为自然语言文本数据，则数据增强处理的方式可以是近义词替换、随机删除、随机插入等等。如果原始训练数据为图像数据，则数据增强处理的方式可以是图像反转、图像剪切、转为灰度图像等等。通过对原始训练数据进行数据增强处理，能够构造出原始正样本对和原始负样本对，原始负样本对为一个batch数据中除了原始正样本对以外的样本。例如，比如一个Batch数据有A、B、C三条数据，分别增强为A’、B’、C’。那么对AA’、BB’和CC’就是正样本对，AB、AC、BC、AB’、AC’等等为负样本对。

需要说明的是，原始训练数据包括但不限于是医疗领域的相关数据，如果是医疗领域的相关数据，则可以通过医疗云服务器获取。

在一些实施例的步骤S300中，如果原始训练数据为自然语言文本数据，则原始编码模型为BERT模型，如果原始训练数据为图像数据，则原始编码模型为ResNet模型。通过原始编码模型对原始训练数据和原始增强数据进行编码处理，能够将相同语义的文本或者图像聚集到统一相近空间，不同语义的文本会相距较远。

在一些实施例的步骤S400中，采取k-means聚类算法对增强编码数据进行聚类处理，得到若干个的聚类中心。

请参照图2，在本申请的一些实施例中，步骤S500包括步骤S510和步骤S520，应理解，步骤S500包括但不限于步骤S510和步骤S520，下面结合图2对这两个步骤进行详细介绍。

步骤S510，根据增强编码数据和聚类中心进行距离计算，得到目标距离值；其中，目标距离值用于表征增强编码数据到聚类中心的欧氏距离；

步骤S520，根据目标距离值，对增强编码数据和训练编码数据进行分类处理，得到正样本对和负样本对。

具体地，在一些实施例的步骤S510中，计算增强编码数据和聚类中心之间的欧式距离，得到目标距离值，通过计算出每一个增强编码数据到聚类中心的欧氏距离，能够便于对增强编码数据进行分类标记。

在一些实施例的步骤S520中，根据前述得到的目标距离值，对增强编码数据和训练编码数据进行分类处理，得到正样本对和负样本对。

请参照图3，在本申请的一些实施例中，步骤S520包括步骤S521、步骤S522和步骤S523，应理解，步骤S520包括但不限于步骤S521至步骤S524，下面结合图3对这四个步骤进行详细介绍。

步骤S521，获取预设聚类阈值；

步骤S522，根据目标距离值和预设聚类阈值，得到目标标记符；

步骤S523，根据目标标记符对增强编码数据进行标记处理，得到标注编码数据；其中，标注编码数据包括目标标记符；

步骤S524，对训练编码数据和标注编码数据进行样本构建处理，得到正样本对和负样本对。

具体地，由于真实的人类语言存在“一句话百样说”的现象，因此，不同的文本序列往往能够着相同的语言含义，而这些表示相同或者相似语义句子实则应该为正样本，在对比学习中却被当作是负样本。导致对比学习的效果降低，需要对样本数据进行重新分类。

在一些实施例的步骤S522和步骤S523中，根据目标距离值和预设聚类阈值，得到目标标记符，以便于后续对增强编码数据进行标记处理，得到标注编码数据。

例如，目标标记符可以包括正样本标记符和负样本标记符，对于某一个特定的聚类中心，如果某一个增强编码数据到该聚类中心的欧氏距离小于或等于预设聚类阈值，则得到正样本标记符，后续以正样本标记符对该增强编码数据进行标记，而如果该增强编码数据到该聚类中心的欧氏距离大于预设聚类阈值，则得到负样本标记符，后续以负样本标记符对该增强编码数据进行标记，这样设置，以便于后续根据目标标记符对原始训练数据和原始增强数据进行样本重新分类。

请参照图4，在本申请的一些实施例中，步骤S524包括步骤S5241、步骤S542、步骤S5243、步骤S5244，应理解，步骤S523包括但不限于步骤S5231至步骤S5234，下面结合图4对这四个步骤进行详细介绍。

步骤S5231，若目标标记符为第一标记符，则将第一标记符对应的标注编码数据作为正样本编码数据；

步骤S5232，若目标标记符为第二标记符，则将第二标记符对应的标注编码数据作为负样本编码数据；

步骤S5233，根据标注编码数据、正样本编码数据和训练编码数据，构造得到正样本对；

步骤S5234，根据标注编码数据、负样本编码数据和训练编码数据，构造得到负样本对。

具体地，在本实施例中，目标标记符包括第一标记符和第二标记符，如果第一标记符为正样本标记符，则第二标记符为负样本标记符。当然，也可以是其他的标记符，对于此，本申请不作具体限制。

当某一个标注编码数据的目标标记符为第一标记符，则获取其他标注编码数据，如果目标标记符为第一标记符，则将该标注编码数据作为正样本编码数据；如果目标标记符为第二标记符，则将第二标记符对应的标注编码数据作为负样本编码数据，然后，再根据标注编码数据、正样本编码数据和训练编码数据，构造得到正样本对；根据标注编码数据、负样本编码数据和训练编码数据，构造得到负样本对。

例如，一个Batch数据有A、B、C三条数据，分别增强为A’、B’、C’。那么对AA’、BB’和CC’就是正样本对，AB、AC、BC、AB’、AC’等等为负样本对。但是，这样分类存在假负样本的现象，即在AB、AC、BC、AB’、AC’等等为负样本对，可能存在AB为正样本对的现象，因此，需要对样本进行重新分类。

具体地，将上述A、B、C三条数据，是用上述对样本重新分类、重新构造正样本对和负样本对的方法。例如，对于数据A来说，如果数据B的标记符和数据A的标记符一致，则说明数据B和数据A能够构成正样本对。通过这样设置能够避免将假负样本作为真负样本的现象，从而提高了样本分类的准确性，从而提高了对比学习的效果。

请参照图5，在本申请的一些实施例中，步骤S600包括但不限于步骤S610和步骤S620，下面结合图5对这两个步骤进行详细介绍。

步骤S610，根据正样本对和负样本对构建目标损失函数；

步骤S620，根据目标损失函数对原始编码模型的参数进行更新处理，得到目标分类模型。

具体地，在本实施例中，目标损失函数如公式(1)所示，公式(1)具体为：

在公式(1)中，exp表示以e为底的指数函数，q.k

通过步骤S610得到目标损失函数后，再根据目标损失函数对原始编码模型的参数进行更新处理，从而得到目标分类模型。

第二方面，请参照图6，本申请的一些实施例还提出了一种样本分类方法，该样本分类方法包括但不限于步骤S700和步骤S800，下面结合图6对这两个步骤进行详细介绍。

步骤S700，获取待分类的目标样本；其中，目标样本为图像数据或者文本数据的样本；

步骤S800，将目标样本输入至目标分类模型中进行样本分类处理，得到样本正例对和样本负例对；其中，样本正例对包括类别相同的两个样本例，样本负例对包括类别不同的两个样本例，目标分类模型为根据第一方面实施例任意一项的样本分类模型的训练方法训练得到的。

本申请实施例的样本分类方法，其通过调用前述的样本分类模型的训练方法训练得到的目标模型，对目标样本进行分类处理，得到样本正例对和样本负例对，从而提高了目标样本构造样本正例对和样本负例对的准确性。

第三方面，请参照图7，本申请的一些实施例还提出了一种样本分类模型的训练装置，该样本分类模型的训练装置包括训练集获取模块900、增强处理模块1000、编码处理模块1100、聚类处理模块1200、构建处理模块1300和训练处理模块1400。

训练集获取模块900，用于获取原始训练集；其中，原始训练集包括至少两个原始训练数据，每一原始训练数据为图像数据或者文本数据。

增强处理模块1000，用于对原始训练数据进行增强处理，得到原始增强数据。

编码处理模块1100，用于根据预设的原始编码模型对原始训练数据进行编码处理，得到训练编码数据，根据原始编码模型对原始增强数据进行编码处理，得到增强编码数据。

聚类处理模块1200，用于对增强编码数据进行聚类处理，得到对应的聚类中心。

构建处理模块1300，用于根据聚类中心、增强编码数据和训练编码数据，构建得到正样本对和负样本对；其中，每一正样本对包括类别相同的两个样本，每一负样本对包括类别不同的两个样本。

训练处理模块1400，用于根据正样本对和负样本对原始编码模型进行对比学习训练，得到目标分类模型；其中，目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，目标样本为文本数据或者图像数据的样本。

本申请实施例的样本分类模型的训练装置，其通过获取原始训练集；其中，原始训练集包括至少两个原始训练数据，每一原始训练数据为图像数据或者文本数据；对原始训练数据进行增强处理，得到原始增强数据；根据预设的原始编码模型对原始训练数据进行编码处理，得到训练编码数据，根据原始编码模型对原始增强数据进行编码处理，得到增强编码数据；对增强编码数据进行聚类处理，得到对应的聚类中心；根据聚类中心、增强编码数据和训练编码数据，构建得到正样本对和负样本对；其中，每一正样本对包括类别相同的两个样本，每一负样本对包括类别不同的两个样本，再根据正样本和负样本对对原始编码模型进行对比学习训练，得到目标分类模型，其中，目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，目标样本为文本数据或者图像数据的样本。通过这样设置，实现了对比学习中假负样本的识别，并且能够将假负样本去除，从而提高目标分类模型的对比学习效果，便于目标分类模型实现对目标样本的分类，提高了对比学习中样本分类的准确性。

需要说明的是，该样本分类模型的训练装置的具体实施方式与上述样本分类模型的训练方法的具体实施例基本相同，在此不再赘述。

请参照图8，第四方面，本申请的一些实施例提供了一种样本分类装置，该样本分类装置包括目标样本获取模块1500和分类处理模块1600。

目标样本获取模块1500，用于获取待分类的目标样本；其中，目标样本为图像数据或者文本数据的样本。

分类处理模块1600，用于将目标样本输入至目标分类模型中进行样本分类处理，得到样本正例对和样本负例对；其中，样本正例对包括类别相同的两个样本例，样本负例对包括类别不同的两个样本例，目标分类模型为根据第一方面实施例任意一项的样本分类模型的训练方法训练得到的。

本申请实施例的样本分类装置，其通过调用前述的样本分类模型的训练方法训练得到的目标模型，对目标样本进行分类处理，得到样本正例对和样本负例对，从而提高了目标样本构造样本正例对和样本负例对的准确性。

需要说明的是，该样本分类装置的具体实施方式与上述样本分类方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述样本分类模型的训练方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

本申请实施例的电子设备，其通过执行上述的样本分类模型的训练方法或者样本分类方法，其通过获取原始训练集；其中，原始训练集包括至少两个原始训练数据，每一原始训练数据为图像数据或者文本数据；对原始训练数据进行增强处理，得到原始增强数据；根据预设的原始编码模型对原始训练数据进行编码处理，得到训练编码数据，根据原始编码模型对原始增强数据进行编码处理，得到增强编码数据；对增强编码数据进行聚类处理，得到对应的聚类中心；根据聚类中心、增强编码数据和训练编码数据，构建得到正样本对和负样本对；其中，每一正样本对包括类别相同的两个样本，每一负样本对包括类别不同的两个样本，再根据正样本和负样本对对原始编码模型进行对比学习训练，得到目标分类模型，其中，目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，目标样本为文本数据或者图像数据的样本。通过这样设置，实现了对比学习中假负样本的识别，并且能够将假负样本去除，从而提高目标分类模型的对比学习效果，便于目标分类模型实现对目标样本的分类，提高了对比学习中样本分类的准确性。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器1700，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器1800，可以采用只读存储器(ReadOnly Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1800可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1800中，并由处理器1700来调用执行本申请实施例的样本分类模型的训练方法；

输入/输出接口1900，用于实现信息输入及输出；

通信接口2000，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线2100，在设备的各个组件(例如处理器1700、存储器1800、输入/输出接口1900和通信接口2000)之间传输信息；

其中处理器1700、存储器1800、输入/输出接口1900和通信接口2000通过总线2100实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述样本分类模型的训练方法。

本申请实施例的存储介质，其通过执行上述的样本分类模型的训练方法或者样本分类方法，其通过获取原始训练集；其中，原始训练集包括至少两个原始训练数据，每一原始训练数据为图像数据或者文本数据；对原始训练数据进行增强处理，得到原始增强数据；根据预设的原始编码模型对原始训练数据进行编码处理，得到训练编码数据，根据原始编码模型对原始增强数据进行编码处理，得到增强编码数据；对增强编码数据进行聚类处理，得到对应的聚类中心；根据聚类中心、增强编码数据和训练编码数据，构建得到正样本对和负样本对；其中，每一正样本对包括类别相同的两个样本，每一负样本对包括类别不同的两个样本，再根据正样本和负样本对对原始编码模型进行对比学习训练，得到目标分类模型，其中，目标分类模型用于对目标样本进行样本分类处理，得到样本正例对和样本负例对，目标样本为文本数据或者图像数据的样本。通过这样设置，实现了对比学习中假负样本的识别，并且能够将假负样本去除，从而提高目标分类模型的对比学习效果，便于目标分类模型实现对目标样本的分类，提高了对比学习中样本分类的准确性。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1至9中所示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。