视频会议检测模型训练方法、装置、电子设备及介质与流程

本发明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。

背景技术：

1、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。

2、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

1、有鉴于此，本发明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。

2、本发明实施例的技术方案是这样实现的：

3、本发明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：

4、获取视频会议环境中的原始样本数据；

5、对所述原始样本数据进行特征构建，得到训练样本；

6、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；

7、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；

8、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；

9、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。

10、本发明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：

11、数据传输模块，用于获取视频会议环境中的原始样本数据；

12、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；

13、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；

14、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；

15、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；

16、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。

17、上述方案中，

18、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；

19、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；

20、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。

21、上述方案中，

22、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；

23、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；

24、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。

25、上述方案中，

26、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；

27、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；

28、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。

29、上述方案中，

30、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；

31、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；

32、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；

33、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。

34、上述方案中，

35、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；

36、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；

37、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；

38、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；

39、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。

40、上述方案中，

41、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；

42、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；

43、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；

44、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。

45、本发明实施例还提供了一种电子设备，所述电子设备包括：

46、存储器，用于存储可执行指令；

47、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模型训练方法。

48、本发明实施例还提供了一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时实现前序的图像处理模型训练方法。

49、本发明实施例具有以下有益效果：

50、1)本发明实施例通过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，由此，可以实现利用局部感受域的极限学习机网络获取空间维度的特征，利用双向长短时记忆网络获取时间维度的特征，使得视频会议检测模型的训练效果更加准确，同时能够处理复杂的接入检测信息，实现对视频会议接入失败原因的准确分析。