本发明专利技术提供了一种视频会议检测模型训练方法，训练装置及存储介质，相关实施例可应用于云技术、云安全、智慧交通等各种场景，方法包括：对原始样本数据进行特征构建，得到训练样本；通过视频会议检测模型中的局部感受域的极限学习机网络对训练样本进行特征提取，得到练样本的局部空间特征，通过双向长短时记忆网络，对局部空间特征进行特征提取，得到局部空间特征对应的时间特征；获取融合分类结果及所述训练样本的分类标签之间的差异，并基于差异更新所述视频会议检测模型中不同网络的网络参数，由此，可以使得视频会议检测模型的训练效果更加准确。效果更加准确。效果更加准确。
【技术实现步骤摘要】
视频会议检测模型训练方法、装置、电子设备及介质
[0001]本专利技术涉及神经网络模型中的数据处理技术，尤其涉及一种视频会议检测模型训练方法、装置、电子设备及存储介质。
技术介绍
[0002]人工智能(AI，Artificial Intelligence)是计算机科学的一个综合技术，通过研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，例如自然语言处理技术以及机器学习/深度学习等几大方向，随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
[0003]在使用视频会议程序时，相关技术中只能依靠人工经验确定数据规则。来实现对视频会议接入失败时的原因进行分析，不但效率低，而且由于客服人员的经验不足，往往造成视频会议接入失败原因的误判，严重影响了用户的正常使用，以及对失败原因的快速分析的需求。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供一种视频会议检测模型训练方法、装置、电子设备及存储介质，能够实现通过视频会议检测模型快速识别视频会议一条检测信息对应的触发原因的判断，在兼顾了训练精确性的同时，使得视频会议检测模型的泛化能力以及数据处理能力更强，适应不同的视频会议检测环境。
[0005]本专利技术实施例的技术方案是这样实现的：
[0006]本专利技术实施例提供了一种视频会议检测模型训练方法，所述方法包括：
[0007]获取视频会议环境中的原始样本数据；
[0008]对所述原始样本数据进行特征构建，得到训练样本；
[0009]通过视频会议检测模型中的局部感受域的极限学习机网络对所述训练样本进行特征提取，得到所述训练样本的局部空间特征，其中，所述视频会议检测模型包括：局部感受域的极限学习机网络、双向长短时记忆网络和分类网络；
[0010]通过所述双向长短时记忆网络，对所述局部空间特征进行特征提取，得到所述局部空间特征对应的时间特征；
[0011]通过所述分类网络，对所述时间特征进行分类，得到所述训练样本在时间维度和时间维度的融合分类结果；
[0012]获取所述融合分类结果及所述训练样本的分类标签之间的差异，并基于所述差异更新所述视频会议检测模型中不同网络的网络参数。
[0013]本专利技术实施例还提供了一种视频会议检测模型训练装置，所述装置包括：
[0014]数据传输模块，用于获取视频会议环境中的原始样本数据；
[0015]训练模块，用于对所述原始样本数据进行特征构建，得到训练样本；
[0016]通过视频会议检测模型中的局部感受域的极限学习机网络对所述训练样本进行特征提取，得到所述训练样本的局部空间特征，其中，所述视频会议检测模型包括：局部感受域的极限学习机网络、双向长短时记忆网络和分类网络；
[0017]通过所述双向长短时记忆网络，对所述局部空间特征进行特征提取，得到所述局部空间特征对应的时间特征；
[0018]通过所述分类网络，对所述时间特征进行分类，得到所述训练样本在时间维度和时间维度的融合分类结果；
[0019]获取所述融合分类结果及所述训练样本的分类标签之间的差异，并基于所述差异更新所述视频会议检测模型中不同网络的网络参数。
[0020]上述方案中，
[0021]所述训练模块，用于根据视频会议程序的业务逻辑，筛选携带标签的目标对象；
[0022]所述训练模块，用于获取所述目标对象的历史操作信息以及异常对象类型信息；
[0023]所述训练模块，用于根据所述异常对象类型信息，对所述目标对象的历史操作信息进行筛选，得到所述视频会议环境中的原始样本数据。
[0024]上述方案中，
[0025]所述训练模块，用于对所述原始样本数据进行行为特征构建，得到行为特征训练样本；
[0026]所述训练模块，用于对所述原始样本数据进行业务特征构建，得到业务特征训练样本；
[0027]所述训练模块，用于根据目标对象的时间特征，对所述行为特征训练样本和所述业务特征训练样本进行融合，得到融合训练样本。
[0028]上述方案中，
[0029]所述训练模块，用于对所述原始样本数据进行行为特征构建，得到行为特征训练样本；
[0030]所述训练模块，用于对所述原始样本数据进行业务特征构建，得到业务特征训练样本；
[0031]所述训练模块，用于根据目标对象的时间特征，对所述行为特征训练样本和所述业务特征训练样本进行融合，得到融合训练样本。
[0032]上述方案中，
[0033]所述训练模块，用于获取对抗训练样本，其中，所述对抗训练样本包括视频会议程序攻击信息的特征；
[0034]所述训练模块，用于通过教师模型对所述对抗训练样本进行检测，得到干净样本和所述干净样本对应的软标签，其中，所述教师模型能够识别视频会议程序攻击信息；
[0035]所述训练模块，用于确定所述视频会议检测模型的第一融合损失函数；
[0036]所述训练模块，用于利用所述教师模型、所述干净样本和所述软标签，对所述视频会议检测模型进行训练，当所述第一融合损失函数达到对应的收敛条件时，更新所述视频会议检测模型中的不同网络的网络参数。
[0037]上述方案中，
[0038]所述训练模块，用于确定所述视频会议检测模型对应的教师模型的注意力得分；
[0039]所述训练模块，用于根据所述教师模型的注意力得分，确定所述视频会议检测模型的迁移损失函数；
[0040]所述训练模块，用于获取所述视频会议检测模型的连接时序分类解码器网络损失函数和注意力机制解码器网络损失函数；
[0041]所述训练模块，用于根据所述迁移损失函数、连接时序分类解码器网络损失函数和注意力机制解码器网络损失函数的加和，计算所述视频会议检测模型的第二融合损失函数；
[0042]所述训练模块，用于根据所述第二融合损失函数对所述视频会议检测模型进行训练，当达到所述第二融合损失函数的收敛条件时，确定所述视频会议检测模型中不同网络的网络参数。
[0043]上述方案中，
[0044]所述装置还包括数据处理模块，用于获取视频会议环境中的不同检测信息；
[0045]所述数据处理模块，用于通过视频会议检测模型中的局部感受域的极限学习机网络进行特征提取，得到检测信息的目标局部空间特征；
[0046]所述数据处理模块，用于通过所述双向长短时记忆网络，对所述目标局部空间特征进行特征提取，得到所述目标局部空间特征对应的目标时间特征；
[0047]所述数据处理模块，用于通过所述分类网络，对所述目标时间特征进行分类，得到每一条检测信息对应的触发原因。
[0048]本专利技术实施例还提供了一种电子设备，所述电子设备包括：
[0049]存储器，用于存储可执行指令；
[0050]处理器，用于运行所述存储器存储的可执行指令时，实现前序的图像处理本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种视频会议检测模型训练方法，其特征在于，所述方法包括：获取视频会议环境中的原始样本数据；对所述原始样本数据进行特征构建，得到训练样本；通过视频会议检测模型中的局部感受域的极限学习机网络对所述训练样本进行特征提取，得到所述训练样本的局部空间特征，其中，所述视频会议检测模型包括：局部感受域的极限学习机网络、双向长短时记忆网络和分类网络；通过所述双向长短时记忆网络，对所述局部空间特征进行特征提取，得到所述局部空间特征对应的时间特征；通过所述分类网络，对所述时间特征进行分类，得到所述训练样本在时间维度和时间维度的融合分类结果；获取所述融合分类结果及所述训练样本的分类标签之间的差异，并基于所述差异更新所述视频会议检测模型中不同网络的网络参数。2.根据权利要求1所述的方法，其特征在于，所述获取视频会议环境中的原始样本数据，包括：根据视频会议程序的业务逻辑，筛选携带标签的目标对象；获取所述目标对象的历史操作信息以及异常对象类型信息；根据所述异常对象类型信息，对所述目标对象的历史操作信息进行筛选，得到所述视频会议环境中的原始样本数据。3.根据权利要求1所述的方法，其特征在于，所述对所述原始样本数据进行特征构建，得到训练样本，包括：对所述原始样本数据进行行为特征构建，得到行为特征训练样本；对所述原始样本数据进行业务特征构建，得到业务特征训练样本；根据目标对象的时间特征，对所述行为特征训练样本和所述业务特征训练样本进行融合，得到融合训练样本。4.根据权利要求3所述的方法，其特征在于，对所述原始样本数据进行行为特征构建之前，所述方法还包括：筛选所述原始数据样本中的数值型特征，得到所述原始数据样本中的数值型特征和非数值型特征；对所述数值型特征进行归一化处理，得到归一化数据特征；对所述非数值型特征进行离散化处理，得到离散化数据特征。5.根据权利要求1所述的方法，其特征在于，所述视频会议检测模型中不同网络的网络参数更新完成后，所述方法还包括：获取对抗训练样本，其中，所述对抗训练样本包括视频会议程序攻击信息的特征；通过教师模型对所述对抗训练样本进行检测，得到干净样本和所述干净样本对应的软标签，其中，所述教师模型能够识别视频会议程序攻击信息；确定所述视频会议检测模型的第一融合损失函数；利用所述教师模型、所述干净样本和所述软标签，对所述视频会议检测模型进行训练，当所述第一融合损失函数达到对应的收敛条件时，更新所述视频会议检测模型中的不同网络的网络参数。
6.根据权...
【专利技术属性】
技术研发人员：樊鹏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。