(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210865805.7 (22)申请日 2022.07.22 (65)同一申请的已公布的文献号 申请公布号 CN 114936327 A (43)申请公布日 2022.08.23 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 王赟豪　余亭浩　陈少华　刘浩　 侯昊迪　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 张思佳 (51)Int.Cl. G06F 16/9535(2019.01)G06K 9/62(2022.01) (56)对比文件 CN 112966517 A,2021.0 6.15 CN 113434688 A,2021.09.24 审查员 刘亭 (54)发明名称 元素识别模型的获取方法、 装置、 计算机设 备和存储介质 (57)摘要 本申请涉及一种元素识别模 型的获取方法、 装置、 计算机设备、 存储介质和计算机程序产品， 本申请实施例可应用于云技术、 人工智 能、 智慧 交通、 辅助 驾驶等各种场景。 所述方法包括： 获取 样本数据， 以及样本数据的真实元素标签； 基于 样本数据， 通过初始元素识别模 型获取样本数据 的第一预测值， 并对第一预测值进行掩码处理， 获取样本数据的第二预测值； 根据第一预测值得 到第一预测概率， 并根据第二预测值得到第二预 测概率； 根据第一预测概率与各真实元素标签， 以及第二预测概率与各真实元素标签， 更新初始 元素识别模型的模型参数， 并在模型训练结束 时， 基于初始元素识别模型获得元素识别模型。 采用本方法能够提升训练效率以及可靠性。 权利要求书4页 说明书22页 附图13页 CN 114936327 B 2022.10.28 CN 114936327 B 1.一种元 素识别模型的获取 方法， 其特 征在于， 所述方法包括： 获取样本数据， 以及所述样本数据的真实元 素标签； 基于所述样本数据， 通过初始元素识别模型获取所述样本数据的第一预测值， 并对所 述第一预测值进行掩码处理， 获取所述样本数据的第二预测值， 所述第一预测值包括所述 样本数据的类型属于各元素标签的预测 值， 所述掩码处理为： 对所述样本数据的类型属于 各元素标签的预测值中的部分预测值进行掩码； 根据所述第一预测值得到第一预测概率， 并根据所述第二预测值得到第二预测概率， 所述第一预测概 率包括所述样本数据的类型属于各 元素标签的预测概 率； 根据所述第一预测概率与各所述真实元素标签， 计算得到所述样本数据的第一损失 值， 并根据所述第二预测概率与各所述真实元素标签， 计算得到所述样本数据的第二损失 值， 所述第一损失值与所述第二损失值的损失类型不同； 基于所述第一损 失值与所述第二损 失值， 更新所述初始元素识别模型的模型参数， 并 在模型训练结束时， 基于所述初始元素识别模型获得元素识别模型， 所述元素识别模型用 于识别数据的元 素标签。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述第一预测值进行掩码处理， 获 取所述样本数据的第二预测值， 包括： 对所述样本数据的类型属于各元素标签的预测值进行排序， 得到各所述预测值的排序 结果； 根据各所述预测值的排序结果， 对各 所述预测值进行掩码处 理； 基于进行掩码处 理后的各 所述预测值， 获得 所述第二预测值。 3.根据权利要求2所述的方法， 其特征在于， 所述根据各所述预测值的排序结果， 对各 所述预测值进行掩码处 理， 包括： 根据各所述预测值的排序结果， 将排序靠后的所述预测值确定为待掩码值， 所述待掩 码值的数量 为预设数量或者所述预测值的数量的预设比例； 对各所述待掩码值进行掩码处 理。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 所述初始元素识别模型包括特 征处理层、 第一池化层以及二次学习模块； 所述基于所述样本数据， 通过初始元素识别模型获取所述样本数据的第一预测值， 并 对所述第一预测值进行掩码处 理， 获取所述样本数据的第二预测值， 包括： 通过所述特征处理层提取 所述样本数据的数据特 征； 通过所述第 一池化层对所述数据特征进行第 一池化处理， 并基于第 一池化处理后的所 述数据特 征， 获取所述第一预测值； 通过所述二次学习模块对所述第一预测值进行掩码处 理， 获取所述第二预测值。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述第 一预测概率与 各所述真实 元素标签， 计算得到所述样本数据的第一损失值， 包括： 对所述第一预测概率进行维度调 整处理， 以及对各所述真实元素标签进行维度调 整处 理， 维度调整处理后的所述第一预测概率的维度， 与维度调整处理后的各所述真实元素标 签的维度一 致； 根据维度调整处理后的所述第一预测概率， 与维度调整处理后的各所述真实元素标权　利　要　求　书 1/4 页 2 CN 114936327 B 2签， 计算得到所述第一损失值。 6.根据权利要求5所述的方法， 其特征在于， 所述初始元素识别模型还包括第二池化 层； 所述方法还 包括： 通过所述第 二池化层对所述数据特征进行第 二池化处理， 并基于第 二池化处理后的所 述数据特征， 获取所述样本数据的第三预测概率， 所述第一池化处理与第二池化处理的池 化类型不同； 所述基于所述第一损失值与所述第二损失值， 更新所述初始元素识别模型的模型参 数， 包括： 根据所述第三预测概率与各所述真实元素标签， 计算得到所述样本数据的第三损失 值； 基于所述第一损 失值、 所述第二损 失值以及所述第三损 失值， 更新所述初始元素识别 模型的模型参数。 7.根据权利要求6所述的方法， 其特 征在于， 所述初始元 素识别模型还 包括丢弃层； 所述基于第二池化处 理后的所述数据特 征， 获取所述样本数据的第三预测概 率， 包括： 通过所述丢弃层对所述第 二池化处理后的所述数据 特征进行丢弃处理， 并基于丢弃处 理后的所述数据特 征， 获取所述第三预测概 率。 8.根据权利要求6所述的方法， 其特征在于， 所述初始元素识别模型还包括对比正则模 块； 所述基于所述第一损 失值、 所述第二损 失值以及所述第三损 失值， 更新所述初始元素 识别模型的模型参数， 包括： 通过所述对比正则模块根据 所述第二预测概率与 所述第三预测概率， 计算得到所述样 本数据的第四损失值； 基于所述第一损失值、 所述第二损失值、 所述第三损失值、 以及所述第 四损失值， 更新 所述初始元 素识别模型的模型参数。 9.根据权利要求4所述的方法， 其特征在于， 基于所述初始元素识别模型获得元素识别 模型， 包括： 基于所述初始元素识别模型所包括的所述特征处理层、 所述第 一池化层以及所述二 次 学习模块， 构建所述元 素识别模型。 10.一种元 素识别模型的获取装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取样本数据， 以及所述样本数据的真实元素标签； 并基于所述样本数 据， 通过初始元素识别模型获取所述样本数据的第一预测 值， 并对所述第一预测值进行掩 码处理， 获取所述样本数据的第二预测 值， 所述第一预测 值包括所述样本数据的类型属于 各元素标签的预测值； 并根据所述第一预测值得到第一预测概率， 并根据所述第二预测值 得到第二预测概率， 所述第一预测概率包括所述样本数据的类型属于各元素标签的预测概 率， 所述掩码处理为： 对所述样本数据的类型属于各元素标签的预测值中的部分预测值进 行掩码； 模型训练模块， 用于根据所述第一预测概率与各所述真实元素标签， 计算得到所述样 本数据的第一损失值， 并根据所述第二预测概率与各所述真实元素标签， 计算得到所述样权　利　要　求　书 2/4 页 3 CN 114936327 B 3