CN119494058A 一种基于人工智能的数据标签分类方法及系统 （广州技客信息科技有限公司）

12号西湖商业大厦第30楼自编号334号一种基于人工智能的数据标签分类方法及本发明提出了一种基于人工智能的数据标到训练好的复杂模型；将复杂模型进行知识蒸2获取文本数据特征和图像数据特征，并对两个特征进行融合形成根据标签层次图对轻量化模型的标签预测概率分布获取新输入的数据，将新输入的数据输入到标签层次图中进行动时设计基于修正后的标签预测概率分布的标签层次一致性正则自适应调整标签预测概率针对标签层次图和轻量化模型的更新情况，设计变化阈值触,,3将融合特征作为样本输入到全连接网络层进行特征转换，然后再通设计联合优化损失函数将初步标签概率分布和更新后每个标签的嵌入表示进行融合,,对于每个样本，所述教师模型生成的标签嵌入表示为ee，所述学4,其中，所述教师模型生成的标签嵌入表示ehe是复杂模型通过图神经网络或标签关系图捕捉到的标签嵌入，所述学生模型生成的,,,pl)为修正后的预测的标签概率分布，是初始预测的标签概率分,5,,设计了一种动态标签图更新机制，结合标签共现矩阵和相似度矩阵来,于修正后的标签预测概率分布的标签层次一致性正则确保模型能够自适应调整,p)数据特征提取与标签关系图构建单元，用于获取文本数据特征和复杂模型训练单元，用于利用图神经网络对标签层次图进为教师模型，将复杂模型输出的预测的标签概率作为教师模型输出的标签预测概率分布；动态更新优化单元，用于获取新输入的数据，将新输入678利用图神经网络对标签层次图进行建模，将多模态特征作为输入对模型进行训根据标签层次图对轻量化模型的标签预测概率分布更新时设计基于修正后的标签预测概率分布的标签层次一致性正则自适应调整标签预测,9,根据计算出来的权重构建标签关系图G=(L,E)，其中L是标签集合，E是标签设计联合优化损失函数将初步标签概率分布和更新后每个标签的嵌入表示进行假设初始的标签嵌入表示为，图卷积网络的聚合操作更新每个标签的表,,概率分布per，然后将多模态特征输入少量的全连接层，并通过反向传播优化学生模型,其中，所述教师模型生成的标签嵌入表示ee是复杂模型通过图神经网络或标签关系图捕捉到的标签嵌入，所述学生模型,,,其中，pa()为修正后的预测的标签概率分布，是初始预测的标签概率,通过新输入数据计算标签共现矩阵，捕捉新数据中的标签间共现频率，,,,确保模型能够自适应调整预测结果，使其符合新的标签层次依赖结构，表示如,p)是模型对标签的最终预测概率；是标签的父标签概率；数据特征提取与标签关系图构建单元，用于获取文本数据特征和图像数据特征，标签修正单元，用于根据标签层次图对轻量化模型的标签预测概率分布进行修则自适应调整标签预测概率分布，最后根据更新后的标签层次图优化轻量化模型的权重，[0018]本发明通过构建一个包含标签之间依赖关系的标签关系图（LRG有效捕捉标签于蒸馏过程无法有效传递标签依赖信息导致的分类精[0020]利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限,输入图像通过若干卷积层和池化层后得到特,,,,则项。假设本发明已经通过层次结构分析确定了标签之间的层次距离Dist(I,y)，本发明结,对于每个标签集合，根据权重对标签进行聚类，形成多个层次的标签子集,[0040]接下来，将通过另一个全连接层映射到标签空间。假设模型的第二层权重为,,,,其中，z为教师模型的原始输出，T为温度参数。较高的T值有助于将概率分布扩,,最小化这两者之间的距离：,这里，ee是复杂模型通过GCN或标签关系图捕捉到的标签嵌入，则是学,,,置项，为Softmax函数。通过这个过程，得到每个样本在每个标签上的预测概率。[0060]然而，直接依赖轻量化模型的输出可能无法准确反映标签之间的层次依赖关Wxc(,)表示标签与之间的依赖权重，该权重已在步骤1中通过共现矩阵和语义相似,pl),[0064]通过轻量化模型的初步推理生成标签概率分布后，结合标签关系图的置信度传播机制和层次一致性约束，本发明对分类结果进行了修正。修正后的最终输出pa()更准确地反映了标签之间的依赖关系，并确保分类结果在层次上保持一致。整个推在更新时设计基于修正后的标签预测概率分布的标签层次一致性正则自适应调整标签预,,签图更新机制，结合标签共现矩阵和相似度矩阵来实时调整标签关系图。新的边权重,,p)是模型对标签的最终预测概率；是标签的父标签概率；,,数据特征提取与标签关系图构建单元101，用于获取文本数据特征和图像数据特标签修正单元104，用于根