具体实施方式
本说明书实施例提供一种数据标注方法、装置以及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本说明书实施例提供了基于密度聚类算法,以及“部分标注”结合“自动扩散标注”的数据标注方案,能够降低人工标注工作量,提高数据标注结果的可靠性,以及有效地发现新的数据类目。进一步地,还针对“部分标注”提供了筛选类簇中的部分点的示例性方案,通过该示例性方案,有利于筛选出更具代表性的点,进而有利于提高“自动扩展标注”的可靠性。下面对方案进行详细说明。
图1为本说明书实施例提供的一种数据标注方法的流程示意图,该流程可以由服务器自动执行,某些步骤也可以允许人工干预。
图1中的流程可以包括以下步骤:
S102:获取各待标注数据的特征向量。
在本说明书实施例中,特征向量可以由流程的执行主体直接生成或者获取自能够生成特征向量的其他主体。待标注数据的形式不做具体限定,其比如是数据库中的字段、数据记录或者数据表等,再比如是数据包、图片、或者视频文件等。待标注数据所待标注的信息也不做具体限定,可以取决于实际需求,比如数据内容所属的内容类目、数据涉及的用户所属的用户类目、数据的表现形式所属的表现形式类目等,类目的划分粒度不做具体限定,一般取决于将要采用的密度聚类算法中的参数选取,以及标注过程中可能执行的人工干预动作。
在本说明书实施例中,各待标注数据可以分别作为待标注的一个样本,每个样本可以有一个或者多个对应的特征向量,用于描述样本特征。
S104:利用密度聚类算法,对各所述特征向量进行聚类,得到多个类簇。
在本说明书实施例中,密度聚类能够将具有足够高密度的点(每个点分别表示一个样本)的区域划分为类簇,并在具有噪声的数据中发现任意形状的类簇,应用于本说明书的方案中,有助于更精准地发现新的数据类目。所采用的密度聚类算法不做具体限定,比如是DBSCAN算法等。
S106:根据所述类簇的密度状况,从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合。
在本说明书实施例中,各类簇可以分别有自己的一个核心对象集合、非核心对象集合。密度聚类算法一般会对核心点进行定义,而核心对象集合可以在从各核心点中进一步筛选(比如,随机筛选部分核心点、按照其他的设定规则筛选部分核心点等)得到的,类似地,非核心对象集合可以是从各非核心点中进一步筛选得到的,如此,有利于减少“部分标注”是所需标注的点的数量,下面一些实施例主要针对这种筛选方案进行说明。当然,也可以直接将类簇的全部核心点作为该类簇的核心对象集合,如此,有利于减少计算量。
S108:选择所述类簇的核心对象集合中的部分核心对象,以及所述类簇的非核心对象集合中的部分非核心对象,进行标注。
在本说明书实施例中,步骤S108的标注可以是对所选择的各对象逐个进行自动分析后自动标注的,或者直接人工标注的,可以认为如此得到的标注结果可靠性较高。
S110:根据标注结果,对所述类簇中的至少部分其他点进行自动扩散标注。
在本说明书实施例中,根据标注结果,可以按照一定的决策算法,判定该标注结果所对应的类簇被划分得是否可信,若判定为可信,则可以针对该类簇进行自动扩散标注,否则,可以暂时不针对该类簇进行自动扩散标注,比如可以人工干预以修正聚类结果等。可以采用的决策算法比如包括投票决策、加权投票决策、优先级决策等算法。
在本说明书实施例中,相比于步骤S108中的标注,步骤S110中的标注相对更简单,实质上相当于是对标注结果的复制,因此,有助于节省处理资源。
通过图1的方法,能够降低人工标注工作量,也有利于提高数据标注结果的准确性,并且还有助于发现新的数据类目。
基于图1的方法,本说明书实施例还提供了该方法的一些具体实施方案,以及扩展方案,下面进行说明。
在本说明书实施例中,假定特征向量由执行主体自行生成,则以待标注数据为数据库中的字段为例,对于步骤S102,所述获取各待标注数据的特征向量,具体可以包括:获取各待标注数据的以下至少一种信息:字段名、字段注释,字段内容抽样;根据所述信息,提取各待标注数据的特征并构建相应的特征向量。所提取的特征比如包括以下至少一种:元数据语义特征、字段长度、数据类型、数字统计特征(均值、方差等)、利用指定正则表达式的扫描匹配结果等。
在本说明书实施例中,针对类簇筛选核心对象集合、非核心对象集合,考虑到另外还可能存在一些噪音点,会妨碍后续可信性判定,因此,可以尽量将类簇中全部的噪音点也筛选出来,以与核心对象集合和非核心对象集合区别对待。基于此,对于步骤S106,所述根据所述类簇的密度状况,从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合,还可以包括:从所述类簇包含的点中筛选得到噪音点集。进一步地,对于步骤S108,所述选择所述类簇的核心对象集合中的部分核心对象,以及所述类簇的非核心对象集合中的部分非核心对象,进行标注,还可以包括:对所述噪音点集进行标注。一般地,在筛选出噪音点集后,无需对其中各噪音点进一步地区分,因此各噪音点的标注成本相对低,可以直接对噪音点集中的全部噪音点统一标注即可。
在本说明书实施例中,对于步骤S106,提供了随机筛选以外的示例性筛选规则,有利于筛选出更具代表性的部分点。分别针对核心对象集合、非核心对象集合的筛选进行说明。
对于步骤S106,所述根据所述类簇的密度状况,从所述类簇包含的点中筛选得到核心对象集合,具体可以包括:
分别针对各类簇执行:确定剩余核心点,并在其中随机选择一个核心点,加入初始时为空集的该类簇的核心对象集合;针对该核心点,在剩余核心点中剔除该核心点密度直达的各核心点,在剔除后的剩余核心点中随机选择至少一个核心点,加入该类簇的核心对象集合;迭代执行上述步骤,直至核心点全部被剔除,得到该类簇的核心对象集合。
对于步骤S106,所述根据所述类簇的密度状况,从所述类簇包含的点中筛选得到非核心对象集合,具体可以包括:
分别针对各类簇执行:确定剩余核心点,并在其中随机选择一个核心点,将距离该核心点最远的非核心点加入初始时为空集的该类簇的非核心对象集合;确定该核心点密度直达的各核心点,分别确定该各核心点距离最远的非核心点,若该非核心点与该最远的非核心点之间不小于设定距离,则将其加入该类簇的非核心对象集合;剔除该核心点密度直达的各核心点;迭代执行上述步骤,直至核心点全部被剔除,得到该类簇的非核心对象集合。
在本说明书实施例中,在进行自动扩散标注前,比如可以采用投票决策算法判定步骤S108的标注结果是否可信。具体地,比如可以由已经被标注的各核心对象和非核心对象,参与针对标注结果的投票,若某个标注结果得到的票数超过设定比例(按实际需求设定,比如,60%、或者80%等),则可以认为该标注结果是可信的,对应的类簇划分得相对正确,进而可以利用该可信的标注结果进行自动扩散标注(比如,假定设定比例为60%,某类簇有5个核心对象以及5个非核心对象,共计10个对象,则在这10个对象中只要有超过6个对象被标注为同一类目,即可以认为可信,进而可以利用该类目在该类簇中进行自动扩散标注);而若各标注结果分别得到的票数均未超过该设定比例,则可以认为各标注结果未必可信,对应的类簇也有较大可能被错误地划分了,需要修正后再进行标注。基于此,对于步骤S110,所述根据标注结果,对所述类簇中的至少部分其他点进行自动扩散标注,具体可以包括:若相同的标注结果占比大于设定比例,则将该相同的标注结果对所述类簇中的对应的其他点进行自动标注。
在本说明书实施例中,由于采用密度聚类算法,因此无需预先指定本次的数据类目数量,通过密度聚类,可能会发现新的数据类目。比如,在自动扩散标注后,可以将确定下来的各所述类簇的标注结果与历史标注结果进行比较,以判定是否出现的数据类目,若某个类簇中核心对象和非核心对象最终的标注结果以前并未出现过,则可以认为该最终的标注结果代表了至少一种新的数据类目。
根据上面的说明,本说明书实施例还提供了一种实际应用场景下,上述数据标注方法的一种具体实施方案的原理示意图,如图2所示。
在图2中,待标注数据为数据库中的字段,原始输入数据包括字段的字段名、字段注释和字段内容抽样,根据原始输入数据进行聚类特征抽取,得到字段对应的字段名词向量、字段注释词向量、内容统计特征向量、内容扫描特征向量等,然后利用密度聚类算法进行聚类,所聚出的每个类簇分别视为一个数据类目,根据各类簇中的核心点进行部分样本标注,进而在根据部分样本标注结果,进行自动扩散标注,同时,还可以将本次的数据类目与历史类目进行比较,以尝试发现新的数据类目。
基于同样的思路,本说明书实施例还提供了上述方法对应的装置,如图3所示。
图3为本说明书实施例提供的对应于图1的一种数据标注装置的结构示意图,虚线方框表示可选的模块,所述装置包括:
向量化模块301,获取各待标注数据的特征向量;
聚类模块302,利用密度聚类算法,对各所述特征向量进行聚类,得到多个类簇;
筛选模块303,根据所述类簇的密度状况,从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合;
第一标注模块304,选择所述类簇的核心对象集合中的部分核心对象,以及所述类簇的非核心对象集合中的部分非核心对象,进行标注;
第二标注模块305,根据标注结果,对所述类簇中的至少部分其他点进行自动扩散标注。
可选地,所述向量化模块301获取各待标注数据的特征向量,具体包括:
所述向量化模块301获取各待标注数据的以下至少一种信息:字段名、字段注释,字段内容抽样;
根据所述信息,提取各待标注数据的特征并构建相应的特征向量。
可选地,所述筛选模块303根据所述类簇的密度状况,从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合,还包括:
所述筛选模块303从所述类簇包含的点中筛选得到噪音点集;
所述第一标注模块304选择所述类簇的核心对象集合中的部分核心对象,以及所述类簇的非核心对象集合中的部分非核心对象,进行标注,还包括:
所述第一标注模块304对所述噪音点集进行标注。
可选地,所述筛选模块303根据所述类簇的密度状况,从所述类簇包含的点中筛选得到核心对象集合,具体包括:
所述筛选模块303分别针对各类簇执行:确定剩余核心点,并在其中随机选择一个核心点,加入初始时为空集的该类簇的核心对象集合;针对该核心点,在剩余核心点中剔除该核心点密度直达的各核心点,在剔除后的剩余核心点中随机选择至少一个核心点,加入该类簇的核心对象集合;迭代执行上述步骤,直至核心点全部被剔除,得到该类簇的核心对象集合。
可选地,所述筛选模块303根据所述类簇的密度状况,从所述类簇包含的点中筛选得到非核心对象集合,具体包括:
所述筛选模块303分别针对各类簇执行:确定剩余核心点,并在其中随机选择一个核心点,将距离该核心点最远的非核心点加入初始时为空集的该类簇的非核心对象集合;确定该核心点密度直达的各核心点,分别确定该各核心点距离最远的非核心点,若该非核心点与该最远的非核心点之间不小于设定距离,则将其加入该类簇的非核心对象集合;剔除该核心点密度直达的各核心点;迭代执行上述步骤,直至核心点全部被剔除,得到该类簇的非核心对象集合。
可选地,所述第二标注模块305根据标注结果,对所述类簇中的至少部分其他点进行自动扩散标注,具体包括:
所述第二标注模块305若相同的标注结果占比大于设定比例,则将该相同的标注结果对所述类簇中的对应的其他点进行自动标注。
可选地,所述根据标注结果,对所述类簇中的至少部分其他点进行自动扩散标注后,所述装置还包括:
判定模块306,将通过将各所述类簇的标注结果与历史标注结果进行比较,以判定是否出现新的数据类目。
基于同样的思路,本说明书实施例还提供了对应于图1的一种数据标注设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取各待标注数据的特征向量;
利用密度聚类算法,对各所述特征向量进行聚类,得到多个类簇;
根据所述类簇的密度状况,从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合;
选择所述类簇的核心对象集合中的部分核心对象,以及所述类簇的非核心对象集合中的部分非核心对象,进行标注;
根据标注结果,对所述类簇中的至少部分其他点进行自动扩散标注。
基于同样的思路,本说明书实施例还提供了对应于图1的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
获取各待标注数据的特征向量;
利用密度聚类算法,对各所述特征向量进行聚类,得到多个类簇;
根据所述类簇的密度状况,从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合;
选择所述类簇的核心对象集合中的部分核心对象,以及所述类簇的非核心对象集合中的部分非核心对象,进行标注;
根据标注结果,对所述类簇中的至少部分其他点进行自动扩散标注。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。