本发明专利技术涉及人工智能及物联网技术领域，提供一种零样本学习的物联网模型训练方法、装置、设备及介质，能够建立包括设备属性特征、核心数据特征、辅助特征等多维特征的特征向量空间体系，并结合人工标注以及机器学习自动标注对特征进行进一步完善，利用预设卷积神经网络建立统一的物联网场景识别模型，以辅助进行待处理数据的场景识别，进一步基于语义空间的数据特征向量采用距离进行关联性验证，以进行场景识别结果的进一步校验，当通过验证后，即可根据识别到的场景获取数据进行物联网模型的训练，解决了缺乏样本的物联网场景的建模问题。题。题。
【技术实现步骤摘要】
零样本学习的物联网模型训练方法、装置、设备及介质
[0001]本专利技术涉及人工智能及物联网
，尤其涉及一种零样本学习的物联网模型训练方法、装置、设备及介质。
技术介绍
[0002]一般传统机器学习建模需要大量标注的样本，而现实中获得规范的样本难度较大、代价也大，并且在获得样本后，根据模型学习任务获得较高的预测准确度也需要大量的人工标注样本进行训练。一般来说，每一个对象类都需要数以千计的标注样本，标注成本高、耗时长。
[0003]特别是在万物互联背景下，海量传感器和终端设备连接入网，并为人工智能提供了大量可分析的数据对象，催生了海量的物联网新应用场景，而不断出现的新业务、新场景、新业态不一定具备历史样本数据的开放与积累。
[0004]因此，由于某些场景的数据难以获得、正负样本数据极度不均衡、新场景无历史样本，或者人工标注不足等问题，无法在对应物联网场景下进行有效的建模。
技术实现思路
[0005]鉴于以上内容，有必要提供一种零样本学习的物联网模型训练方法、装置、设备及介质，旨在解决缺乏样本时物联网场景下的建模问题。
[0006]一种零样本学习的物联网模型训练方法，所述零样本学习的物联网模型训练方法包括：
[0007]获取训练样本，及获取所述训练样本中每个训练样本的设备属性特征、核心数据特征、辅助特征；
[0008]根据每个训练样本的设备属性特征、核心数据特征、辅助特征构建第一特征向量空间体系；
[0009]对每个训练样本的辅助信息进行标注，并将标注的辅助信息映射至所述第一特征向量空间体系，得到第二特征向量空间体系；
[0010]获取每个训练样本对应的物联网场景类别，并建立每个训练样本对应的物联网场景类别与所述第二特征向量空间体系中各特征向量的映射关系，得到特征向量关联体系；
[0011]利用所述特征向量关联体系训练预设卷积神经网络，得到物联网场景识别模型；
[0012]响应于基于待处理数据的物联网场景识别请求，将所述待处理数据输入至所述物联网场景识别模型，并根据所述物联网场景识别模型的输出数据确定所述待处理数据对应的预测物联网场景；
[0013]根据所述待处理数据进行关联性验证；
[0014]当所述待处理数据通过所述关联性验证时，确定所述预测物联网场景为所述待处理数据对应的目标物联网场景；
[0015]根据所述目标物联网场景从所述特征向量关联体系中获取数据对与所述待处理
数据对应的预设物联网模型进行训练。
[0016]根据本专利技术优选实施例，所述设备属性特征为布尔型或者实数型，所述设备属性特征包括以下一种或者多种的组合：设备类型、功能属性、性能属性、行业属性；
[0017]所述核心数据特征为多域异构数据本身质量特征；
[0018]所述辅助特征包括设备应用场景描述、关键词特征。
[0019]根据本专利技术优选实施例，所述根据每个训练样本的设备属性特征、核心数据特征、辅助特征构建第一特征向量空间体系包括：
[0020]将每个训练样本的设备属性特征、核心数据特征、辅助特征进行编码，得到每个训练样本的向量表示；
[0021]根据每个训练样本的向量表示构建所述第一特征向量空间体系。
[0022]根据本专利技术优选实施例，所述对每个训练样本的辅助信息进行标注包括：
[0023]获取用户标记的属性特征、文本关键词特征及语法特征作为第一标注特征；
[0024]利用预构建的特征提取模型提取每个训练样本的标签向量空间、文本向量空间及图像向量空间作为第二标注特征；
[0025]组合所述第一标注特征及所述第二标注特征得到目标标注特征；
[0026]根据所述目标标注特征对每个训练样本的辅助信息进行标注。
[0027]根据本专利技术优选实施例，在建立每个训练样本对应的物联网场景类别与所述第二特征向量空间体系中各特征向量的映射关系时，所述方法还包括：
[0028]为每个映射关系下对应的物联网场景类别添加场景标识。
[0029]根据本专利技术优选实施例，所述预测物联网场景包括预测的场景分类结果；所述场景分类结果为多级分类。
[0030]根据本专利技术优选实施例，所述根据所述待处理数据进行关联性验证包括：
[0031]计算所述待处理数据与所述预测物联网场景间的关联性作为第一关联性；
[0032]计算所述训练样本与所述预测物联网场景间的关联性作为第二关联性；
[0033]计算所述第一关联性与所述第二关联性的商作为目标语义相似度；
[0034]获取预先配置的相似度阈值；
[0035]当所述目标语义相似度大于或者等于所述相似度阈值时，确定所述待处理数据通过所述关联性验证；或者
[0036]当所述目标语义相似度小于所述相似度阈值时，确定所述待处理数据未通过所述关联性验证。
[0037]一种零样本学习的物联网模型训练装置，所述零样本学习的物联网模型训练装置包括：
[0038]获取单元，用于获取训练样本，及获取所述训练样本中每个训练样本的设备属性特征、核心数据特征、辅助特征；
[0039]构建单元，用于根据每个训练样本的设备属性特征、核心数据特征、辅助特征构建第一特征向量空间体系；
[0040]标注单元，用于对每个训练样本的辅助信息进行标注，并将标注的辅助信息映射至所述第一特征向量空间体系，得到第二特征向量空间体系；
[0041]映射单元，用于获取每个训练样本对应的物联网场景类别，并建立每个训练样本
对应的物联网场景类别与所述第二特征向量空间体系中各特征向量的映射关系，得到特征向量关联体系；
[0042]训练单元，用于利用所述特征向量关联体系训练预设卷积神经网络，得到物联网场景识别模型；
[0043]识别单元，用于响应于基于待处理数据的物联网场景识别请求，将所述待处理数据输入至所述物联网场景识别模型，并根据所述物联网场景识别模型的输出数据确定所述待处理数据对应的预测物联网场景；
[0044]验证单元，用于根据所述待处理数据进行关联性验证；
[0045]确定单元，用于当所述待处理数据通过所述关联性验证时，确定所述预测物联网场景为所述待处理数据对应的目标物联网场景；
[0046]所述训练单元，还用于根据所述目标物联网场景从所述特征向量关联体系中获取数据对与所述待处理数据对应的预设物联网模型进行训练。
[0047]一种计算机设备，所述计算机设备包括：
[0048]存储器，存储至少一个指令；及
[0049]处理器，执行所述存储器中存储的指令以实现所述零样本学习的物联网模型训练方法。
[0050]一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述零样本学习的物联网模型训练方法。
[0051]由以上技术方案可以看出，本专利技术能够建立包括设备属性特征、本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种零样本学习的物联网模型训练方法，其特征在于，所述零样本学习的物联网模型训练方法包括：获取训练样本，及获取所述训练样本中每个训练样本的设备属性特征、核心数据特征、辅助特征；根据每个训练样本的设备属性特征、核心数据特征、辅助特征构建第一特征向量空间体系；对每个训练样本的辅助信息进行标注，并将标注的辅助信息映射至所述第一特征向量空间体系，得到第二特征向量空间体系；获取每个训练样本对应的物联网场景类别，并建立每个训练样本对应的物联网场景类别与所述第二特征向量空间体系中各特征向量的映射关系，得到特征向量关联体系；利用所述特征向量关联体系训练预设卷积神经网络，得到物联网场景识别模型；响应于基于待处理数据的物联网场景识别请求，将所述待处理数据输入至所述物联网场景识别模型，并根据所述物联网场景识别模型的输出数据确定所述待处理数据对应的预测物联网场景；根据所述待处理数据进行关联性验证；当所述待处理数据通过所述关联性验证时，确定所述预测物联网场景为所述待处理数据对应的目标物联网场景；根据所述目标物联网场景从所述特征向量关联体系中获取数据对与所述待处理数据对应的预设物联网模型进行训练。2.如权利要求1所述的零样本学习的物联网模型训练方法，其特征在于：所述设备属性特征为布尔型或者实数型，所述设备属性特征包括以下一种或者多种的组合：设备类型、功能属性、性能属性、行业属性；所述核心数据特征为多域异构数据本身质量特征；所述辅助特征包括设备应用场景描述、关键词特征。3.如权利要求1所述的零样本学习的物联网模型训练方法，其特征在于，所述根据每个训练样本的设备属性特征、核心数据特征、辅助特征构建第一特征向量空间体系包括：将每个训练样本的设备属性特征、核心数据特征、辅助特征进行编码，得到每个训练样本的向量表示；根据每个训练样本的向量表示构建所述第一特征向量空间体系。4.如权利要求1所述的零样本学习的物联网模型训练方法，其特征在于，所述对每个训练样本的辅助信息进行标注包括：获取用户标记的属性特征、文本关键词特征及语法特征作为第一标注特征；利用预构建的特征提取模型提取每个训练样本的标签向量空间、文本向量空间及图像向量空间作为第二标注特征；组合所述第一标注特征及所述第二标注特征得到目标标注特征；根据所述目标标注特征对每个训练样本的辅助信息进行标注。5.如权利要求1所述的零样本学习的物联网模型训练方法，其特征在于，在建立每个训练样本对应的物联网场景类别与所述第二特征向量空间体系中各特征向量的映射关系时，所述方法还包括：
为每个映射关系下对应的物联网场景类别...
【专利技术属性】
技术研发人员：龚晟，杨震，李洁，彭晓春，
申请(专利权)人：天翼物联科技有限公司，
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。