特征融合模型处理、样本检索方法、装置和计算机设备与流程

本技术涉及计算机，特别是涉及一种征融合模型处理方法、装置、计算机设备、存储介质和计算机程序产品，以及一种样本检索方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着计算机技术的发展，出现了机器学习技术，通过机器学习可以训练各种机器学习模型，例如，可以训练用于获得样本特征的模型，该模型可以获得输入样本对应的特征，基于该特征可以在数据库中检索相似样本。

2、传统技术中，可以将样本输入模型提取底层特征，然而底层特征由于不具备语义度量能力，无法准确地对样本进行表征，准确性低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高获得的特征的准确性的特征融合模型处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、一方面，本技术提供了一种特征融合模型处理方法。所述方法包括：获取训练样本集合中的训练样本所对应的语义特征和非语义特征；将所述语义特征和所述非语义特征中的至少一种作为候选特征，从各个所述候选特征所包含的特征分量中，确定激活特征分量；对属于同一特征位的激活特征分量进行统计，根据统计结果确定各个所述候选特征所对应的各个特征位各自的激活程度；分别将各个所述候选特征中，激活程度满足预设条件的特征位所对应的特征分量置为非激活值，得到各个目标特征；基于各个所述目标特征并利用待训练的特征融合模型进行融合处理，得到各个融合特征；基于各个所述融合特征训练所述特征融合模型，当满足训练停止条件时，得到目标融合模型；所述目标融合模型用于对输入样本的语义特征和非语义特征进行融合处理得到目标融合特征。

3、另一方面，本技术还提供了一种征融合模型处理装置。所述装置包括：特征获取模块，用于获取训练样本集合中的训练样本所对应的语义特征和非语义特征；激活分量确定模块，用于将所述语义特征和所述非语义特征中的至少一种作为候选特征，从各个所述候选特征所包含的特征分量中，确定激活特征分量；激活程度确定模块，用于对属于同一特征位的激活特征分量进行统计，根据统计结果确定各个所述候选特征所对应的各个特征位各自的激活程度；目标特征获得模块，用于分别将各个所述候选特征中，激活程度满足预设条件的特征位所对应的特征分量置为非激活值，得到各个目标特征；融合处理模块，用于基于各个所述目标特征并利用待训练的特征融合模型进行融合处理，得到各个融合特征；参数调整模块，用于基于各个所述融合特征训练所述特征融合模型，当满足训练停止条件时，得到目标融合模型；所述目标融合模型用于对输入样本的语义特征和非语义特征进行融合处理得到目标融合特征。

4、另一方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述特征融合模型处理方法的步骤。

5、另一方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述特征融合模型处理方法的步骤。

6、另一方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述特征融合模型处理方法的步骤。

7、上述特征融合模型处理方法、装置、计算机设备、存储介质和计算机程序产品，一方面由于可以通过目标融合模型对输入样本的语义特征和非语义特征进行融合处理得到目标融合特征，目标融合特征由于融合了语义特征和非语义特征，同时具备语义度量能力和非语义度量能力，可以更加准确地对样本进行表征，准确度高；另一方面，由于在训练得到目标融合模型的过程中，将语义特征和非语义特征中的至少一种作为候选特征，从各个候选特征所包含的特征分量中，确定激活特征分量，对属于同一特征位的激活特征分量进行统计，根据统计结果确定各个候选特征所对应的各个特征位各自的激活程度，分别将各个候选特征中，激活程度满足预设条件的特征位所对应的特征分量置为非激活值，得到各个目标特征，进而基于各个目标特征并利用待训练的特征融合模型进行融合处理，可以减轻低激活特征位的特征对训练过程的影响，使得模型能够更好地学习关键特征位，训练得到的目标融合模型能够更好地进行特征融合，进一步提高了目标融合特征的准确性。

8、另一方面，本技术提供了一种样本检索方法。所述方法包括：获取查询样本对应的语义特征和非语义特征；将所述语义特征和非语义特征输入目标融合模型进行融合处理，得到所述查询样本对应的目标融合特征；所述目标融合模型是基于各个融合特征对待训练的特征融合模型训练至满足训练停止条件时得到的；各个所述融合特征是基于各个目标特征并利用所述特征融合模型进行融合处理得到的；各个所述目标特征是分别将将各个所述候选特征中，激活程度满足预设条件的特征位所对应的特征分量置为非激活值得到的；各个特征位各自的激活程度是通过对属于同一特征位的激活特征分量进行统计，根据统计结果确定的；所述激活特征分量是通过将将所述语义特征和所述非语义特征中的至少一种作为候选特征，从各个所述候选特征所包含的特征分量中确定的；所述语义特征和非语义特征与训练样本集合中的训练样本对应；基于所述目标融合特征从样本数据库中检索得到所述查询样本对应的目标检索样本。

9、另一方面，本技术提供了一种样本检索装置。所述装置包括：特征获取模块，用于获取训练样本集合中的训练样本所对应的语义特征和非语义特征；激活分量确定模块，用于将所述语义特征和所述非语义特征中的至少一种作为候选特征，从各个所述候选特征所包含的特征分量中，确定激活特征分量；激活程度确定模块，用于对属于同一特征位的激活特征分量进行统计，根据统计结果确定各个所述候选特征所对应的各个特征位各自的激活程度；目标特征获得模块，用于分别将各个所述候选特征中，激活程度满足预设条件的特征位所对应的特征分量置为非激活值，得到各个目标特征；融合处理模块，用于基于各个所述目标特征并利用待训练的特征融合模型进行融合处理，得到各个融合特征；参数调整模块，用于基于各个所述融合特征训练所述特征融合模型，当满足训练停止条件时，得到目标融合模型；所述目标融合模型用于对输入样本的语义特征和非语义特征进行融合处理得到目标融合特征。

10、另一方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述样本检索方法的步骤。

11、另一方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述样本检索方法的步骤。

12、另一方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述样本检索方法的步骤。

13、上述样本检索方法、装置、计算机设备、存储介质和计算机程序产品，一方面由于可以通过目标融合模型对查询样本的语义特征和非语义特征进行融合处理得到目标融合特征，目标融合特征由于融合了语义特征和非语义特征，同时具备语义度量能力和非语义度量能力，可以更加准确地对样本进行表征，基于该目标融合特征进行检索，得到的检索结果准确度高；另一方面，由于目标融合模型是基于各个融合特征对待训练的特征融合模型训练至满足训练停止条件时得到的，各个融合特征是基于各个目标特征并利用特征融合模型进行融合处理得到的，各个目标特征是分别将将各个候选特征中，激活程度满足预设条件的特征位所对应的特征分量置为非激活值得到的，各个特征位各自的激活程度是通过对属于同一特征位的激活特征分量进行统计，根据统计结果确定的，激活特征分量是通过将将语义特征和非语义特征中的至少一种作为候选特征，从各个候选特征所包含的特征分量中确定的，从而在模型训练过程中可以减轻低激活特征位的特征对训练过程的影响，使得模型能够更好地学习关键特征位，训练得到的目标融合模型能够更好地进行特征融合，进一步提高了样本检索的准确性。