数据处理方法、装置、电子设备、介质及程序产品制造方法及图纸

本申请实施例公开了一种数据处理方法、装置、电子设备、介质及程序产品，可应用于数据处理技术领域。其中方法包括：基于任一初始少样本分类模型生成的每个第一样本数据的第一误差特征确定误差权重，并基于每个第一样本数据的误差权重和第一误差特征训练得到目标少样本分类模型；调用各个目标少样本分类模型分别确定对应的第一分类结果和第一分类置信度，并调用目标多样本分类模型确定第二分类结果和第二分类置信度；利用各个第一分类置信度和第二分类置信度对各个第一分类结果和第二分类结果进行加权融合处理，得到目标分类结果。采用本申请实施例有助于提升数据的分类识别的准确性。本申请实施例还可应用于云技术、人工智能、智慧交通等场景。智慧交通等场景。智慧交通等场景。

【技术实现步骤摘要】
数据处理方法、装置、电子设备、介质及程序产品


[0001]本申请涉及数据处理
，尤其涉及数据处理方法、装置、电子设备、介质及程序产品。

技术介绍

[0002]在一些分类识别场景中，如基于人工智能技术对医学图像数据是否存在异常进行分类识别，需要基于大量样本数据训练得到分类模型以进行分类识别。该大量样本数据通常是分布不均匀的，例如，在不同性别、不同地域下的样本数据的数量不同。通常来说，那么基于分布不均匀的样本数据训练得到分类模型，对属于样本数据的数量较少的类别(也称子群)下的数据的分类识别的准确性较低，因此如何提升对数据的分类识别的准确性是一个亟待解决的问题。

技术实现思路

[0003]本申请实施例提供了一种数据处理方法、装置、电子设备、介质及程序产品，有助于提升数据的分类识别的准确性。
[0004]一方面，本申请实施例公开了一种数据处理方法，所述方法包括：
[0005]针对任一初始少样本分类模型，获取所述任一初始少样本分类模型对应的多个第一样本数据，并调用所述任一初始少样本分类模型分别对所述多个第一样本数据进行处理，得到每个第一样本数据的第一误差特征，所述初始少样本分类模型为一个或多个；
[0006]基于所述每个第一样本数据的第一误差特征确定所述每个第一样本数据的误差权重，并基于所述每个第一样本数据的误差权重和第一误差特征对所述任一初始少样本分类模型进行训练，得到每个初始少样本分类模型对应的目标少样本分类模型；
[0007]获取待处理数据，调用每个目标少样本分类模型对所述待处理数据进行处理，得到所述每个目标少样本分类模型对应的第一分类结果和每个第一分类结果的第一分类置信度，并调用目标多样本分类模型对所述待处理数据进行处理，得到第二分类结果和所述第二分类结果的第二分类置信度，所述目标多样本分类模型是基于多个第二样本数据进行训练得到；
[0008]利用所述每个第一分类结果的第一分类置信度和所述第二分类结果的第二分类置信度，对各个第一分类结果和所述第二分类结果进行加权融合处理，得到所述待处理数据对应的目标分类结果，所述目标分类结果用于指示所述待处理数据所属的数据类别。
[0009]一方面，本申请实施例公开了一种数据处理装置，所述装置包括：
[0010]获取单元，用于针对任一初始少样本分类模型，获取所述任一初始少样本分类模型对应的多个第一样本数据，并调用所述任一初始少样本分类模型分别对所述多个第一样本数据进行处理，得到每个第一样本数据的第一误差特征，所述初始少样本分类模型为一个或多个；
[0011]处理单元，用于基于所述每个第一样本数据的第一误差特征确定所述每个第一样
本数据的误差权重，并基于所述每个第一样本数据的误差权重和第一误差特征对所述任一初始少样本分类模型进行训练，得到每个初始少样本分类模型对应的目标少样本分类模型；
[0012]所述处理单元，还用于获取待处理数据，调用每个目标少样本分类模型对所述待处理数据进行处理，得到所述每个目标少样本分类模型对应的第一分类结果和每个第一分类结果的第一分类置信度，并调用目标多样本分类模型对所述待处理数据进行处理，得到第二分类结果和所述第二分类结果的第二分类置信度，所述目标多样本分类模型是基于多个第二样本数据进行训练得到；
[0013]所述处理单元，还用于利用所述每个第一分类结果的第一分类置信度和所述第二分类结果的第二分类置信度，对各个第一分类结果和所述第二分类结果进行加权融合处理，得到所述待处理数据对应的目标分类结果，所述目标分类结果用于指示所述待处理数据所属的数据类别。
[0014]一方面，本申请实施例提供了一种电子设备，电子设备包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于执行如下步骤：
[0015]针对任一初始少样本分类模型，获取所述任一初始少样本分类模型对应的多个第一样本数据，并调用所述任一初始少样本分类模型分别对所述多个第一样本数据进行处理，得到每个第一样本数据的第一误差特征，所述初始少样本分类模型为一个或多个；
[0016]基于所述每个第一样本数据的第一误差特征确定所述每个第一样本数据的误差权重，并基于所述每个第一样本数据的误差权重和第一误差特征对所述任一初始少样本分类模型进行训练，得到每个初始少样本分类模型对应的目标少样本分类模型；
[0017]获取待处理数据，调用每个目标少样本分类模型对所述待处理数据进行处理，得到所述每个目标少样本分类模型对应的第一分类结果和每个第一分类结果的第一分类置信度，并调用目标多样本分类模型对所述待处理数据进行处理，得到第二分类结果和所述第二分类结果的第二分类置信度，所述目标多样本分类模型是基于多个第二样本数据进行训练得到，所述多个第二样本数据中包括属于多样本子群的样本数据；
[0018]利用所述每个第一分类结果的第一分类置信度和所述第二分类结果的第二分类置信度，对各个第一分类结果和所述第二分类结果进行加权融合处理，得到所述待处理数据对应的目标分类结果，所述目标分类结果用于指示所述待处理数据所属的数据类别。
[0019]一方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序指令，计算机程序指令被处理器执行时，用于执行如下步骤：
[0020]针对任一初始少样本分类模型，获取所述任一初始少样本分类模型对应的多个第一样本数据，并调用所述任一初始少样本分类模型分别对所述多个第一样本数据进行处理，得到每个第一样本数据的第一误差特征，所述初始少样本分类模型为一个或多个；
[0021]基于所述每个第一样本数据的第一误差特征确定所述每个第一样本数据的误差权重，并基于所述每个第一样本数据的误差权重和第一误差特征对所述任一初始少样本分类模型进行训练，得到每个初始少样本分类模型对应的目标少样本分类模型；
[0022]获取待处理数据，调用每个目标少样本分类模型对所述待处理数据进行处理，得到所述每个目标少样本分类模型对应的第一分类结果和每个第一分类结果的第一分类置
信度，并调用目标多样本分类模型对所述待处理数据进行处理，得到第二分类结果和所述第二分类结果的第二分类置信度，所述目标多样本分类模型是基于多个第二样本数据进行训练得到；
[0023]利用所述每个第一分类结果的第一分类置信度和所述第二分类结果的第二分类置信度，对各个第一分类结果和所述第二分类结果进行加权融合处理，得到所述待处理数据对应的目标分类结果，所述目标分类结果用于指示所述待处理数据所属的数据类别。
[0024]一方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令被处理器执行时可实现上述一方面提供的方法。
[0025]采用本申请实施例，能够针对至少一个初始少样本分类模型中的任一初始少样本分类模型，调用该初始少样本分类模型对多个第一样本数据进行处理，得到每个第一样本数据的第一误差特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，所述方法包括：针对任一初始少样本分类模型，获取所述任一初始少样本分类模型对应的多个第一样本数据，并调用所述任一初始少样本分类模型分别对所述多个第一样本数据进行处理，得到每个第一样本数据的第一误差特征，所述初始少样本分类模型为一个或多个；基于所述每个第一样本数据的第一误差特征确定所述每个第一样本数据的误差权重，并基于所述每个第一样本数据的误差权重和第一误差特征对所述任一初始少样本分类模型进行训练，得到每个初始少样本分类模型对应的目标少样本分类模型；获取待处理数据，调用每个目标少样本分类模型对所述待处理数据进行处理，得到所述每个目标少样本分类模型对应的第一分类结果和每个第一分类结果的第一分类置信度，并调用目标多样本分类模型对所述待处理数据进行处理，得到第二分类结果和所述第二分类结果的第二分类置信度，所述目标多样本分类模型是基于多个第二样本数据进行训练得到；利用所述每个第一分类结果的第一分类置信度和所述第二分类结果的第二分类置信度，对各个第一分类结果和所述第二分类结果进行加权融合处理，得到所述待处理数据对应的目标分类结果，所述目标分类结果用于指示所述待处理数据所属的数据类别。2.根据权利要求1所述方法，其特征在于，所述基于所述每个第一样本数据的误差权重和第一误差特征对所述任一初始少样本分类模型进行训练，得到每个初始少样本分类模型对应的目标少样本分类模型，包括：基于所述每个第一样本数据的误差权重和第一误差特征，确定针对所述任一初始少样本分类模型的损失特征；基于所述任一初始少样本分类模型的损失特征对所述任一初始少样本分类模型进行训练，得到所述任一初始少样本分类模型对应的目标少样本分类模型。3.根据权利要求1所述方法，其特征在于，任一第一分类结果包括针对多个候选类别的第一分类特征，所述第二分类结果包括针对所述多个候选类别的第二分类特征；所述利用所述每个第一分类结果的第一分类置信度和所述第二分类结果的第二分类置信度，对所述第一分类结果和所述第二分类结果进行加权融合处理，得到所述待处理数据对应的目标分类结果，包括：针对任一候选类别，基于所述每个第一分类结果的第一分类置信度和所述第二分类结果的第二分类置信度对所述任一候选类别的各个第一分类特征和第二分类特征进行加权融合处理，得到所述任一候选类别的目标分类特征；根据每个候选类别的目标分类特征确定所述待处理数据对应的目标分类结果。4.根据权利要求1所述方法，其特征在于，所述基于所述每个第一样本数据的第一误差特征确定所述每个第一样本数据的误差权重，包括：获取针对所述任一初始少样本分类模型的权重关联系数，所述关联系数用于指示第一误差特征与误差权重之间的映射关系；根据所述权重关联系数与所述每个第一样本数据的第一误差特征确定所述每个第一样本数据的误差权重。5.根据权利要求1所述方法，其特征在于，所述每个第一样本数据关联有对应的样本标签，所述样本标签用于指示样本数据所属的数据类别；
所述调用所述任一初始少样本分类模型分别对所述多个第一样本数据进行处理，得到每个第一样本数据的第一误差特征，包括：调用所述任一初始少样本分类模型分别对所述每个第一样本数据进行处理，得到所述每个第一样本数据的样本分类结果，并根据所述每个第一样本数据的样本分类结果与所述每个第一样本数据的样本标签生成所述每个第一样本数据的第一误差特征。6.根据权利要求1
‑
5任一项所述方法，其特征在...

【专利技术属性】
技术研发人员：吴秉哲，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：