用于识别信息的方法和装置与流程

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于识别信息的方法和装置。

背景技术：

随着计算机技术的发展，可以利用计算机对信息进行识别，例如对图片信息、文本信息、声音信息等进行识别。现有技术中，通常利用预先建立的模型对信息进行识别。

然而，现有的信息识别方式，通常对较为相似的信息难以区分，从而，存在着信息识别准确率较低的问题。

技术实现要素：

本申请的目的在于提出一种改进的用于识别信息的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于识别信息的方法，上述方法包括：获取待识别信息；将上述待识别信息导入神经网络模型，生成上述待识别信息分别属于至少三种预设类型中的各种类型的概率，并且根据生成的概率识别上述待识别信息所属的类型，其中，上述神经网络模型根据更新后的初始神经网络模型得到，初始神经网络模型基于以下步骤更新：将第一训练样本导入初始神经网络模型，生成上述第一训练样本属于上述各种类型的概率，其中，上述初始神经网络模型用于表征信息与信息属于上述各种类型的概率之间的对应关系；获取至少一个区分难度权重，其中，区分难度权重用于表征区分类型对中两种类型的信息的难度，类型对由上述至少三种预设类型中的两种类型组成；基于上述至少一个区分难度权重和上述第一训练样本属于上述各种类型的概率，确定初始神经网络模型的模型误差；根据上述模型误差更新初始神经网络模型。

第二方面，本申请实施例提供了一种用于识别信息的装置，上述装置包括：获取单元，用于获取待识别信息；识别单元，用于将上述待识别信息导入神经网络模型，生成上述待识别信息分别属于至少三种预设类型中的各种类型的概率，并且根据生成的概率识别上述待识别信息所属的类型，其中，上述神经网络模型根据更新后的初始神经网络模型得到，初始神经网络模型通过更新单元更新的，上述更新单元包括：生成模块，用于将第一训练样本导入初始神经网络模型，生成上述第一训练样本属于上述各种类型的概率，其中，上述初始神经网络模型用于表征信息与信息属于上述各种类型的概率之间的对应关系；获取模块，用于获取至少一个区分难度权重，其中，区分难度权重用于表征区分类型对中两种类型的信息的难度，类型对由上述至少三种预设类型中的两种类型组成；确定模块，用于基于上述至少一个区分难度权重和上述第一训练样本属于上述各种类型的概率，确定初始神经网络模型的模型误差；更新模块，用于根据上述模型误差更新初始神经网络模型。

第三方面，本申请实施例提供了一种服务器，上述服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的方法。

本申请实施例提供的用于识别信息的方法和装置，通过所利用的进行信息识别的神经网络模型，通过根据上述区分难度权重确定模型误差，可以使得模型误差与区分难度权重相关。通俗来说，难以区分的类型对对应的区分难度权重较大，则难以区分类型对对模型的模型误差贡献较大，如果模型对于难以区分的类型对的区分能力较差，则模型误差还是会较大。在降低模型误差的过程中，可以使得模型对难以区分类型对的区分能力提高，从而，可以识别信息的准确率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于识别信息的方法的一个实施例的流程图；

图3a是根据本申请的用于识别信息的方法的一种实现方式的流程图；

图3b是实现图3a所示流程中的步骤303的流程图；

图4是根据本申请的用于识别信息的方法的一个应用场景的示意图；

图5是根据本申请的用于识别信息的方法的另一种实现方式的流程图；

图6是根据本申请的用于识别信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于识别信息的方法或用于识别信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像采集类应用、视频播放类应用、图片显示编辑类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持图片或视频上传、浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传或显示的信息(例如图片或视频)提供支持的后台服务器。后台服务器可以对接收到的信息(例如图片或视频)等数据进行分析等处理，可选地，可以将处理结果(例如识别出的图片或视频所属的类型)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于识别信息的方法一般由服务器105执行，相应地，用于识别信息的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。需要说明的是，在一些实现方式中，图1所示的示例性系统架构中也可以不包括终端设备和网络。

继续参考图2，其示出了根据本申请的用于识别信息的方法的一个实施例的流程200。上述的用于识别信息的方法，包括以下步骤：

步骤201，获取待识别信息。

在本实施例中，用于识别信息的方法运行于其上的第一电子设备(例如图1所示的服务器)可以从上述第一电子设备本地或从其它电子设备获取待识别信息。

作为示例，待识别信息可以是文本信息、图片信息、视频信息或声音信息等。

步骤202，将待识别信息导入神经网络模型，生成待识别信息分别属于至少三种预设类型中的各种类型的概率，并且根据生成的概率识别待识别信息所属的类型。

在本实施例中，用于识别信息的方法运行于其上的第一电子设备(例如图1所示的服务器)可以首先将步骤201获取的待识别信息导入神经网络模型，然后生成上述待识别信息属于至少三种预设类型中的各种类型的概率，最后根据生成的概率识别上述待识别信息所属的类型。

作为示例，待识别信息可以是动物图片，至少三种预设类型可以分别是狗类图片、虎类图片和猫类图片。将动物图片导入神经网络模型，可以得到上述动物图片分别属于狗类图片的概率10％、虎类图片的概率20％和猫类图片的概率80％。可以将概率最大的80％所指示的猫类图片这一类型，确定为上述动物图片所属的类型。

在本实施例中，上述神经网络模型可以根据更新后的初始神经网络模型得到，请参考图3a，其示出了更新初始神经网络模型的示例性流程300，初始神经网络模型可以基于流程300中的步骤301、步骤302、步骤303和步骤304更新：

步骤301，将第一训练样本导入初始神经网络模型，生成第一训练样本属于各种类型的概率。

在本实施例中，第二电子设备(例如图1所示的服务器)可以将第一训练样本导入初始神经网络模型，生成上述第一训练样本属于上述各种类型的概率。在这里，上述初始神经网络模型用于表征信息与信息属于上述各种类型的概率之间的对应关系。

在本实施例中，第一训练样本可以是一个，也可以是多个。

需要说明的是，第二电子设备可以与第一电子设备相同，也可以不同。步骤301-步骤304的执行主体可以在步骤201之前预先建立上述神经网络模型，然后将建立的神经网络模型供步骤201和步骤202的执行主体使用。

在本实施例中，上述初始神经网络模型可以是预先搭建的神经网络模型。关于如何搭建初始神经网络模型是本领域技术人员所公知的，在此不再赘述。

步骤302，获取至少一个区分难度权重。

在本实施例中，上述电子设备可以获取至少一个区分难度权重。在这里，区分难度权重用于表征区分类型对中两种类型的信息的难度。在这里，类型对由上述至少三种预设类型中的两种类型组成。

作为示例，至少三种预设类型可以分别是狗类图片、虎类图片和猫类图片。类型对可以由狗类图片和虎类图片这两种类型组成，类型对可以由狗类图片和猫类图片组成，类型对还可以由虎类图片和猫猫图组成。获取的区分难度权重可以是一些一种或多种：用于表征区分狗类图片和虎类图片的难度的权重、用于表征区分狗类图片和猫类图片的难度的权重、用于表征区分虎类图片和猫类图片的难度的权重。

在本实施例的一些可选的实现方式中，各个区分难度权重可以是预先设置的默认值。

在本实施例的一些可选的实现方式中，各个区分难度权重可以是通过以下步骤得到：获取各种类型的信息。确定各种类型的信息之间的相似度。根据各种类型的信息之间的相似度确定上述区分难度权重。

作为示例，至少三种预设类型可以分别是狗类图片类型、虎类图片类型和猫类图片类型。可以分别获取狗类图片类型的图片、虎类图片类型的图片和猫类图片类型的图片。分别计算得到狗类图片类型的图片与虎类图片类型的图片之间的相似度10％、狗类图片类型的图片与猫类图片类型的图片之间的相似度20％以及虎类图片类型的图片与猫类图片类型的图片之间的相似度60％。可以将上述相似度10％确定为狗类图片类型与虎类图片类型之间的区分难度权重，可以将上述相似度20％确定为狗类图片类型与猫类图片类型之间的区分难度权重，可以将上述相似度60％确定为虎类图片类型与猫类图片类型之间的区分难度权重。

步骤303，基于至少一个区分难度权重和第一训练样本属于各种类型的概率，确定初始神经网络模型的模型误差。

在本实施例中，上述第二电子设备可以基于步骤302所获取的至少一个区分难度权重和步骤301生成的上述第一训练样本属于上述各种类型的概率，确定上述初始神经网络模型的模型误差。

本领域技术人员可以理解，模型误差可以用于表征模型的实际输出与期望输出之间的差距。需要说明的是，对于分类模型，现有的训练方式采用对各个类型平等对待的方式训练模型。但是，对于不同类型对之间的区分难度可能不同，而这一点传统的训练方式并未考虑。

在本实施例的一些可选的实现方式中，第一训练样本预先标识有所属的类型，第一训练样本有多个。步骤303可以通过以下方式实现：选取出第一训练样本属于各个类型的概率中最大的概率。将最大的概率对应的类型与第一训练样本预先标识的类型进行对比。如果比对的结果为相同，则确定上述神经网络模型识别正确；如果比对的结果为不相同，则确定上述神经网络模型识别错误。对于至少三种类型中的各种类型，确定上述神经网络模型将该类型的第一训练样本识别错误的比例。对于至少一个类型对中的每个类型对，确定该类型对对应的比例的和，并且确定该任意两种类型对应的比例的和与该类型对的区分难度权重的乘积。将所确定的乘积加和，作为上述模型误差。

在本实施例的一些可选的实现方式中，步骤303还可以通过图3b所示的流程303中的步骤3031、步骤3032和步骤3033实现：

步骤3031，根据第一训练样本属于各种类型的概率，确定用于表征第一训练样本属于各种概率的概率误差。

在本实现方式中，上述第二电子设备可以根据第一训练样本属于各种类型的概率，确定用于表征第一训练样本属于各种类型的概率的概率误差。

作为示例，可以利用以下公式确定概率误差：

zi＝xi-max(x1，x2，...，xn)(1)

其中：xi是第一训练样本属于第i种类型的概率，i的取值范围为1，2，3……，n；x1，x1，...，xn中的x1是第一训练样本属于第1种类型的概率，x2是第一训练样本属于第2种类型的概率，xn是第一训练样本属于第n种类型的概率，n是预设类型的种类数量；max()表示取最大值；zj中的j的取值范围为1，2，3……，n；可见，当j的取值为1的时候，z1的取值可以根据公式(1)确定，依次类推，可以确定各个zj；li为第一训练样本属于第i种类型的概率的概率误差，将公式(1)求得的zi带入公式(2)，可以得到各个li。

步骤3032，对于至少一个类型对中的每个类型对，根据该类型对中的两种类型的区分难度权重和对应的概率误差的和，确定该类型对的权重概率误差。

在本实现方式中，上述第二电子设备可以对于至少一个类型对中的每个类型对，根据该类型对中的两种类型的区分难度权重和对应的概率误差的和，确定该类型对的权重概率误差。

作为示例，可以将对于至少一个类型对中的每个类型对，将该类型对中的两种类型的区分难度权重和对应的概率误差的和的乘积，确定为该类型对的权重概率误差。

步骤3033，根据所确定的权重误差，确定模型误差。

在本实现方式中，上述第二电子设备可以根据所确定的权重概率误差，确定模型误差。

作为示例，可以将所确定的至少一个权重概率误差的和，确定为上述模型误差。

步骤304，根据模型误差更新初始神经网络模型。

在本实施例中，上述第二电子设备可以根据步骤303确定的模型误差，更新上述初始神经网络模型。

需要说明的是，如何根据模型误差更新模型这一技术本身，现有技术中提供了多种方法，本领域技术人员可以基于现有技术实现步骤304，在此不再赘述。

需要说明的是，初始神经网络模型基于步骤301-步骤304更新，可以是执行步骤301-步骤304一次从而进行一次更新，或者，执行步骤301-步骤304多次从而进行多次更新。步骤301-步骤304循环执行多次时，可以将当次循环中步骤304更新后的初始神经网络模型作为下一次循环中步骤301中的初始神经网络模型。上述神经网络模型可以是更新后的神经网络模型。

继续参见图4，图4是根据本实施例的用于识别信息的方法的应用场景的一个示意图。在图4的应用场景中，首先，服务器401可以对预先搭建的初始神经网络模型402，基于更新流程403进行更新，根据更新后的初始神经网络建立神经网络模型404，需要说明的是，更新流程可以参考步骤301-步骤304中的说明，在此不再赘述。然后，用户可以利用终端405向服务器401发送待识别信息406，作为示例，待识别信息是具有猫图像的图片。再后，服务器可以获取上述待识别信息。最后，服务器401可以将上述待识别信息406导入神经网络模型404，生成上述待识别信息分别属于至少三种预设类型中的各种类型的概率，并且根据生成的概率识别上述待识别信息所属的类型，作为示例，输出“猫类图片”这一类型。

将难以区分的类型的信息区分错误，是模型误差的主要来源，本申请的上述实施例提供的方法，所利用的进行信息识别的神经网络模型，通过根据上述区分难度权重确定模型误差，可以使得模型误差与区分难度权重相关。通俗来说，难以区分的类型对对应的区分难度权重较大，则难以区分类型对对模型的模型误差贡献较大，如果模型对于难以区分的类型对的区分能力较差，则模型误差还是会较大。在降低模型误差的过程中，可以使得模型对难以区分类型对的区分能力提高，从而，可以识别信息的准确率。对比而言，现有的模型误差的确定方法不区分模型误差的来源，对于各种类型的概率无差别对待，导致根据模型误差更新模型时，即使模型误差已经很小，但对于难以区分的类型对，神经网络模型的区分能力还是较差。

在本实施例的一些可选的实现方式中，请参考图5，其示出了更新初始神经网络模型的一种示例性流程500，初始神经网络模型还可以基于流程500中的步骤501、步骤502、步骤503、步骤504、步骤505和步骤506更新：

步骤501，将第一训练样本导入初始神经网络模型，生成第一训练样本属于各种类型的概率。

在本实施例中，第二电子设备(例如图1所示的服务器)可以将第一训练样本导入初始神经网络模型，生成上述第一训练样本属于上述各种类型的概率。

需要说明的是，步骤501的实现细节可以分别参考步骤301中的说明，在此不再赘述。

步骤502，对于至少一个类型对中的每个类型对，训练针对该类型对的二分类模型。

在本实施例中，第二电子设备(例如图1所示的服务器)可以对于至少一个类型对中的每个类型对，训练针对该类型对的二分类模型。在这里，该二分类模型用于表征信息与指示信息之间的对应关系，指示信息用于指示信息属于该类型对中的两种类型的一种。

在本实施例的一些可选的实现方式中，步骤502可以通过以下方式实现：对于上述至少一个类型对中的每个类型对中的每个类型，获取预先标注有该类型和属于该类型的概率的第二样本集合。响应于属于该类型的概率小于预设概率阈值的第二训练样本在该集合中的比例小于预设比例阈值，基于属于该类型的概率小于预设概率阈值的第二训练样本，扩增得到扩增样本。将扩增样本与该集合中的第二训练样本进行合并，得到合并样本集合。对于至少一个类型对中的每个类型对，利用该类型对中的两种类型分别对应的合并样本集合，训练针对该类型对的二分类模型。

在本实现方式中，第二训练样本属于该类型的概率小于预设概率阈值，则可以将此第二训练样本确定为难以识别样本(hardexample)。如果难以识别样本在该集合中的比例小于预设比例阈值，可以基于难以识别样本，进行扩增，得到一个或多个扩增样本。

在本实现方式中，基于难以识别样本方式进行扩增，可以是利用以下一种或多种方式对难以识别样本进行处理：上采样、下采样、镜像等。特别地，对于图片信息，可以采用以下一种或多种方式进行扩增：剪裁，微小旋转，镜像，改变通道颜色，以及轻度模糊。

在本实现方式中，需要说明的是，扩增样本也是难以识别样本，并且扩增样本所标注的类型与扩增所基于的难以识别样本相同。可以设置合并样本集合中难以识别样本(包括扩增样本和属于该类型的概率小于预设概率阈值第二训练样本)与正常样本(属于该类型的概率不小于预设概率阈值第二训练样本)的比例。

需要说明的是，一般情况下，针对该类型的第二训练样本集合中，难以识别样本的比例可能较小，这样训练出的二分类模型，很有可能对于难以识别样本没有较好的识别能力。合并样本集合中的难以识别样本比例较高，利用这样的合并样本集合训练出的二分类模型，可以较好识别该类型的难以识别样本，进而可以更好地区分二分类模型所针对的类型对中的两种类型。

在本实施例的一些可选的实现方式中，获取预先标注有该类型和属于该类型的概率的第二样本集合，可以通过以下方式实现：可以由工作人员预先根据经验标注类型和概率。

在本实施例的一些可选的实现方式中，获取预先标注有该类型和属于该类型的概率的第二样本集合，可以通过以下方式实现：获取预先标注有该类型的第二训练样本。将预先标注该类型的第二训练样本导入预先建立的概率生成模型，确定预先标注该类型的第二训练样本属于该类型的概率。在这里，上述概率生成模型用于表征第二训练样本与第二训练样本分别属于上述各种类型的概率之间的对应关系。

在本实现方式中，概率生成模型可以是识别能力交底的模型，用于对第二训练样本属于预先标注的类型的概率进行初步估算，以便之后确定难以识别样本。

步骤503，利用预先标注有类型的测试样本，确定各个二分类模型的模型误差。

在本实施例中，第二电子设备可以利用预先标注有类型的测试样本，确定各个二分类模型的模型误差。

作为示例，对于每个二分类模型，可以先选取两种类型的测试样本，选取出的测试样本标注有该二分类模型所针对的类型对中的类型。将选取出的测试样本导入该二分类模型，得到属于这两种类型的概率，将概率较大的类型确定为测试样本的类型。判断利用该二分类模型确定的类型与测试样本标注的类型是否一致。统计不一致的比例，以确定该二分类模型的误差。

步骤504，对于所训练的每个二分类模型，根据该二分类模型的模型误差，确定该二分类模型所针对的类型对的区分难度权重。

在本实施例中，第二电子设备可以对于所训练的每个二分类模型，根据该二分类模型的模型误差，确定该二分类模型所针对的类型对的区分难度权重。

作为示例，可以将该二分类模型的模型误差，确定为该二分类模型所针对的类型对的区分难度权重。

步骤505，基于至少一个区分难度权重和第一训练样本属于各种类型的概率，确定初始神经网络模型的模型误差。

在本实施例中，第二电子设备可以基于至少一个区分难度权重和第一训练样本属于各种类型的概率，确定初始神经网络模型的模型误差。

步骤506，根据模型误差更新初始神经网络模型。

在本实施例中，上述第二电子设备可以根据步骤505确定的模型误差，更新上述初始神经网络模型。

需要说明的是，步骤505和步骤506的实现细节可以分别参考步骤303和步骤304中的说明，在此不再赘述。

需要说明的是，初始神经网络模型基于步骤501-步骤505更新，可以是执行步骤501-步骤506一次从而进行一次更新，或者，步骤501-步骤506多次从而进行多次更新。步骤501-步骤506循环执行多次时，可以将当次循环中步骤506更新后的初始神经网络模型作为下一次循环中步骤501中的初始神经网络模型。上述神经网络模型可以是更新后的神经网络模型。

从图5中可以看出，与图3对应的初始神经网络模型的更新流程相比，图5对应的初始神经网络模型的更新流程，突出了对区分难度权重进行确定的步骤，由此，可以引入更为准确的区分难度权重，从而实现更有效的信息识别。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于识别信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例上述的用于识别信息的装置600包括：获取单元601、识别单元602和更新单元603，并且，更新单元包括生成模块6031、获取模块6032、确定模块6033和更新模块6034。其中，获取单元，用于获取待识别信息；识别单元，用于将上述待识别信息导入神经网络模型，生成上述待识别信息分别属于至少三种预设类型中的各种类型的概率，并且根据生成的概率识别上述待识别信息所属的类型，其中，上述神经网络模型根据更新后的初始神经网络模型得到，初始神经网络模型通过更新单元更新的，上述更新单元包括：生成模块，用于将第一训练样本导入初始神经网络模型，生成上述第一训练样本属于上述各种类型的概率，其中，上述初始神经网络模型用于表征信息与信息属于上述各种类型的概率之间的对应关系；获取模块，用于获取至少一个区分难度权重，其中，区分难度权重用于表征区分类型对中两种类型的信息的难度，类型对由上述至少三种预设类型中的两种类型组成；确定模块，用于基于上述至少一个区分难度权重和上述第一训练样本属于上述各种类型的概率，确定初始神经网络模型的模型误差；更新模块，用于根据上述模型误差更新初始神经网络模型。

在本实施例中，获取单元601、识别单元602和更新单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202以及步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述确定模块，还用于：根据上述第一训练样本属于上述各种类型的概率，确定用于表征上述第一训练样本属于上述各种类型的概率的概率误差；对于至少一个类型对中的每个类型对，根据该类型对中的两种类型的区分难度权重和对应的概率误差的和，确定该类型对的权重概率误差；根据所确定的权重概率误差，确定上述模型误差。

在本实施例的一些可选的实现方式中，上述获取模块，还用于：对于至少一个类型对中的每个类型对，训练针对该类型对的二分类模型，其中，该二分类模型用于表征信息与指示信息之间的对应关系，指示信息用于指示信息属于该类型对中的两种类型中的一种；利用预先标注有类型的测试样本，确定各个二分类模型的模型误差；对于所训练的每个二分类模型，根据该二分类模型的模型误差，确定该二分类模型所针对的类型对的区分难度权重。

在本实施例的一些可选的实现方式中，上述获取模块，还用于：对于上述至少一个类型对中的每个类型对中的每个类型，获取预先标注有该类型和属于该类型的概率的第二训练样本的集合；响应于属于该类型的概率小于预设概率阈值的第二训练样本在该集合中的比例小于预设比例阈值，基于属于该类型的概率小于预设概率阈值的第二训练样本，扩增得到扩增样本；将扩增样本与该集合中的第二训练样本进行合并，得到合并样本集合；对于上述至少一个类型对中的每个类型对，利用该类型对中的两种类型分别对应的合并样本集合，训练针对该类型对的二分类模型。

在本实施例的一些可选的实现方式中，上述获取模块，还用于：对于上述至少一个类型对中的每个类型对中的每个类型，获取预先标注有该类型的第二训练样本；将预先标注该类型的第二训练样本导入预先建立的概率生成模型，确定预先标注该类型的第二训练样本属于该类型的概率，其中，上述概率生成模型用于表征第二训练样本与第二训练样本分别属于上述各种类型的概率之间的对应关系。

需要说明的是，本实施例提供的用于识别信息的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、识别单元和更新单元，其中，更新单元包括生成模块、获取模块、确定模块和更新模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“获取待识别信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待识别信息；将上述待识别信息导入神经网络模型，生成上述待识别信息分别属于至少三种预设类型中的各种类型的概率，并且根据生成的概率识别上述待识别信息所属的类型，其中，上述神经网络模型根据更新后的初始神经网络模型得到，初始神经网络模型基于以下步骤更新：将第一训练样本导入初始神经网络模型，生成上述第一训练样本属于上述各种类型的概率，其中，上述初始神经网络模型用于表征信息与信息属于上述各种类型的概率之间的对应关系；获取至少一个区分难度权重，其中，区分难度权重用于表征区分类型对中两种类型的信息的难度，类型对由上述至少三种预设类型中的两种类型组成；基于上述至少一个区分难度权重和上述第一训练样本属于上述各种类型的概率，确定初始神经网络模型的模型误差；根据上述模型误差更新初始神经网络模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。