CN110096574B - 电商评论分类任务中数据集的建立和后续优化及扩充方案 - Google Patents
电商评论分类任务中数据集的建立和后续优化及扩充方案 Download PDFInfo
- Publication number
- CN110096574B CN110096574B CN201910375040.7A CN201910375040A CN110096574B CN 110096574 B CN110096574 B CN 110096574B CN 201910375040 A CN201910375040 A CN 201910375040A CN 110096574 B CN110096574 B CN 110096574B
- Authority
- CN
- China
- Prior art keywords
- data set
- comments
- comment
- data
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000003058 natural language processing Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000011977 language disease Diseases 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及一种电商评论分类任务中数据集的建立和后续优化及扩充方案,其特征在于,包括如下步骤:S1.对收集到的评论进行预处理;S2.利用人工标注平台按照步骤S1制定的标注规范进行标注,生成最初的数据集;S3.将步骤S1中预处理后的大量无标签的电商评论作为语料,采用Skip‑Gram模型训练出适用于电商评论的词向量,用于后续的模型训练,和数据集的扩充和优化;S4.利用词向量对现有数据集进行扩充;S5.利用模型的实际自动标注结果,结合词向量对现有数据集进行优化;S6.重复步骤S3至步骤S5,以实现数据集的持续更新。其优点表现在:降低人工标注耗费的时间和人力,同时在最初的数据集生成之后,能够进行持续的扩充和优化以满足后续自然语言处理的要求。
Description
技术领域
本发明涉及机器学习和自然语言处理领域技术领域,具体地说,是一种电商评论分类任务中数据集的建立和后续优化及扩充方案。
背景技术
数据集的建立是利用机器学习对自然语言进行分析的技术中的最重要的前置工作之一,数据集的准确度以及泛化程度直接影响到通过其训练出的模型在实际应用中表现的优劣。
目前用于自然语言处理的数据集,很大一部分来自于开源的语料库,例如百度百科、人民日报、新浪微博等。这些的语料库的共同特点是所用语言大多是书面语,用词正式,语病较少。而电商评论为非正式的网络用语,偏口语化,风格随意,并且评论中经常会出现错字,病句等情况,也会包括表情符号等用于表达情感的非文本内容。因此直接使用现有的开源语料库对电商评论进行分析并非能取得理想的效果。
当开源的语料库无法满足需求时,另一种方式是借助标注平台对大量文本进行的人工标注,从而生成满足特定要求的数据集。这种方案的缺点也很明显,人工标注是一个缓慢的过程,需要大量人力进行长时间重复的标注行为,过程中将不可避免的产生标注错误。而且由于每个人对标注标准的理解不同,标注的结果也可能会产生的偏差,两方面都将对生成数据集的准确性产生影响。
另一方面,当数据集建立之后,后续的业务需求可能会对数据集的内容进行增加或删除,也会对已有的标注结果进行修改,这些改动对时间和人力都会有不小的要求。
中国专利文献:CN201810971800.6,申请日2018.08.24,专利名称为:一种中文商品虚假评论数据集的自动生成方法。公开了一种中文商品虚假评论数据集的自动生成方法,包括如下步骤:a)将事先采集到的商品评论数据读入内存;b)利用分词工具对评论进行分词,得到评论文本的词序列表示;c)对给定范围内的商品评论两两之间进行文本相似度的比较,得到商品虚假评论集合Rf1中;d)对Rf1中的评论执行关联查询,得到商品虚假评论结果集R1;e)提取给定范围内商品评论对应的评论人的名称信息;f)对评论人名称进行分析,找出符合一定规律特征的系列评论人名称,对虚假评论人执行关联查询,得到商品虚假评论结果集R2;g)最后,合并R1和R2,得到最终的商品虚假评论数据集。
上述专利文献的一种中文商品虚假评论数据集的自动生成方法,采用将读入的商品评论数据与给定范围内的商品评论两两之间进行文本相似度的比较,得到商品虚假评论集合,该发明完全自动化检测和识别商品评论数据中的虚假评论,无需人工干预和标注,自动生成商品虚假评论数据集。但是关于一种通过在人工标注的基础上,利用电商评论本身的一些特性,降低人工标注耗费的时间和人力,同时在最初的数据集生成之后,能够进行持续的扩充和优化以满足后续自然语言处理的要求的一种电商评论分类任务中数据集的建立和后续优化及扩充方案目前则没有相关的报道。
综上所述,亟需一种通过在人工标注的基础上,利用电商评论本身的一些特性,降低人工标注耗费的时间和人力,同时在最初的数据集生成之后,能够进行持续的扩充和优化以满足后续自然语言处理的要求的一种电商评论分类任务中数据集的建立和后续优化及扩充方案。
发明内容
本发明的目的是针对现有技术中的不足,提供一种通过在人工标注的基础上,利用电商评论本身的一些特性,降低人工标注耗费的时间和人力,同时在最初的数据集生成之后,能够进行持续的扩充和优化以满足后续自然语言处理的要求的一种电商评论分类任务中数据集的建立和后续优化及扩充方案。
为实现上述目的,本发明采取的技术方案是:
一种电商评论分类任务中数据集的建立和后续优化及扩充方案,其特征在于,包括如下步骤:
S1.对收集到的评论进行预处理,随后对其进行分析,建立一套初步的标签体系,同时为每个标签制定标注规范;
S2.随机采样一部分评论,利用人工标注平台按照步骤S1制定的标注规范进行标注,生成最初的数据集;
S3.将步骤S1中预处理后的大量无标签的电商评论作为语料,采用Skip-Gram模型训练出适用于电商评论的词向量,用于后续的模型训练,和数据集的扩充和优化;
S4.利用词向量对现有数据集进行扩充;
S5.利用模型的实际自动标注结果,结合词向量对现有数据集进行优化;
S6.重复步骤S3至步骤S5,以实现数据集的持续更新。
作为一种优选的技术方案,步骤S1中根据商品所属不同行业,分类收集对应的电商评论,例如,运动、服饰。
作为一种优选的技术方案,步骤S3中结合词向量和数据集里已有的评论数据,找出每一标签相关联的所有关键词,从而在步骤S1中的无标签评论中筛选出特征明显的评论,加入到已有的数据集中,实现数据集的扩充。
作为一种优选的技术方案,对S5中自动标注的结果进行人工审核,针对因数据集的缺失而造成的对应评论无法正确识别其对应标签的情况,对数据进行完善。
本发明优点在于:
1、对数据集的维护人数从原先的5人,减少至现在的1-2人。
2、人数的减少,降低了数据集中因个人对标注规范理解的不同而产生的标注差异。
3、当对数据集的标签有增加或者修改的需求时,可以快速的增加对应的评论数据,避免多次重复的利用人工标注平台为新增标签单独增加评论数据。
附图说明
附图1是本发明总流程图。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
实施例1
请参看附图1,图1为本发明总流程图。本发明电商评论分类任务中数据集的建立和后续优化及扩充方案具体步骤如下:
S1、初始数据集的建立:
S11、根据商品所属不同行业(运动、服饰等),分类收集对应的电商评论,并进行初步的数据清洗;随后根据评论内容,建立一套标签体系,同时为每个标签制定标注规范;
S12、随机采样一部分评论,利用人工标注平台按照S11制定的标注规范进行标注,生成最初的数据集;
S2、对数据集中已存在的标签对应的评论数量进行扩充:
S21、将S11收集的大量无标签评论数据作为语料,通过Skip-Gram模型进行训练,获得适用于电商评论的词向量;
S22、结合词向量和数据集里已有的评论数据,找出每一标签相关联的所有关键词;从而在S11里的无标签评论中筛选出特征明显的评论,加入到已有数据集中,实现数据集的扩充;
S3、当数据集有新增标签后,能够采取S2类似的方式为新增的标签快速大量的增加相应的评论数据;
S4、数据集的优化:
S41、S22和S3中生成的数据集将用于模型训练,利用训练的结果对无标签的评论进行自动标注;
S42、对标注的结果进行人工审核;
S43、针对因数据集的缺失而造成的对应评论无法正确识别其对应标签的情况,对数据集进行完善;
S5、对于新增的无标签评论,重复S2-S4的步骤,实现数据集的持续自我完善。
本方案投入应用后,已经实现了以下的技术效果:
1.对数据集的维护人数从原先的5人,减少至现在的1-2人;
2.人数的减少,降低了数据集中因个人对标注规范理解的不同而产生的标注差异;
3.当对数据集的标签有增加或者修改的需求时,可以快速的增加对应的评论数据,避免多次重复的利用人工标注平台为新增标签单独增加评论数据。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明方法的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (1)
1.一种电商评论分类任务中数据集的建立和后续的优化及扩充方法,其特征在于,包括如下步骤:
S1.对收集到的评论进行预处理,随后对其进行分析,建立一套初步的标签体系,同时为每个标签制定标注规范;
S11、根据商品所属不同行业,分类收集对应的电商评论,并进行初步的数据清洗;随后根据评论内容,建立一套标签体系,同时为每个标签制定标注规范;
S12、随机采样一部分评论,利用人工标注平台按照S11制定的标注规范进行标注,生成最初的数据集;
S2.对数据集中已存在的标签对应的评论数量进行扩充;
S21.将S11收集的大量无标签评论数据作为语料,通过Skip-Gram模型进行训练,获得适用于电商评论的词向量;
S22、结合词向量和数据集里已有的评论数据,找出每一标签相关联的所有关键词;从而在S11里的无标签评论中筛选出特征明显的评论,加入到已有数据集中,实现数据集的扩充;
S3、当数据集有新增标签后,S2步骤为新增的标签快速大量的增加相应的评论数据;
S4、数据集的优化:
S41、S22和S3中生成的数据集将用于模型训练,利用训练的结果对无标签的评论进行自动标注;
S42、对标注的结果进行人工审核;
S43、针对因数据集的缺失而造成的对应评论无法正确识别其对应标签的情况,对数据集进行完善;
S5、对于新增的无标签评论,重复S2-S4的步骤,实现数据集的持续自我完善。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375040.7A CN110096574B (zh) | 2019-05-07 | 2019-05-07 | 电商评论分类任务中数据集的建立和后续优化及扩充方案 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375040.7A CN110096574B (zh) | 2019-05-07 | 2019-05-07 | 电商评论分类任务中数据集的建立和后续优化及扩充方案 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110096574A CN110096574A (zh) | 2019-08-06 |
CN110096574B true CN110096574B (zh) | 2023-08-15 |
Family
ID=67447142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910375040.7A Active CN110096574B (zh) | 2019-05-07 | 2019-05-07 | 电商评论分类任务中数据集的建立和后续优化及扩充方案 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110096574B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704590B (zh) * | 2019-09-27 | 2022-04-12 | 支付宝(杭州)信息技术有限公司 | 扩充训练样本的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291902A (zh) * | 2017-06-23 | 2017-10-24 | 中国人民解放军国防科学技术大学 | 一种基于混合分类技术的大众贡献审阅自动标注方法 |
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
CN108537269A (zh) * | 2018-04-04 | 2018-09-14 | 中山大学 | 一种弱交互式的物体检测深度学习方法及其系统 |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
-
2019
- 2019-05-07 CN CN201910375040.7A patent/CN110096574B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291902A (zh) * | 2017-06-23 | 2017-10-24 | 中国人民解放军国防科学技术大学 | 一种基于混合分类技术的大众贡献审阅自动标注方法 |
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
CN108537269A (zh) * | 2018-04-04 | 2018-09-14 | 中山大学 | 一种弱交互式的物体检测深度学习方法及其系统 |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN110096574A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122416B (zh) | 一种中文事件抽取方法 | |
CN107392143B (zh) | 一种基于svm文本分类的简历精确解析方法 | |
CN109635117B (zh) | 一种基于知识图谱识别用户意图方法及装置 | |
CN109685056B (zh) | 获取文档信息的方法及装置 | |
CN108664474B (zh) | 一种基于深度学习的简历解析方法 | |
US8620836B2 (en) | Preprocessing of text | |
CN107145584B (zh) | 一种基于n-gram模型的简历解析方法 | |
US20180053107A1 (en) | Aspect-based sentiment analysis | |
US11061953B2 (en) | Method and system for extraction of relevant sections from plurality of documents | |
CN111353306B (zh) | 基于实体关系和依存Tree-LSTM的联合事件抽取的方法 | |
CN110321549B (zh) | 基于序列化学习、关系挖掘、时序分析的新概念挖掘方法 | |
CN114297987B (zh) | 基于文本分类和阅读理解的文档信息抽取方法及系统 | |
CN112395410A (zh) | 一种基于实体抽取的产业舆情推荐方法、装置及电子设备 | |
CN110543475A (zh) | 一种基于机器学习的财务报表数据自动识别和分析方法 | |
CN113505242A (zh) | 一种知识图谱自动嵌入的方法及系统 | |
CN110688856B (zh) | 一种裁判文书信息提取方法 | |
CN110096574B (zh) | 电商评论分类任务中数据集的建立和后续优化及扩充方案 | |
CN110704615A (zh) | 互联网金融非显性广告识别方法及装置 | |
Heidari et al. | Financial footnote analysis: developing a text mining approach | |
US20230110931A1 (en) | Method and Apparatus for Data Structuring of Text | |
CN110362803B (zh) | 一种基于领域特征词法组合的文本模板生成方法 | |
CN110826330B (zh) | 人名识别方法及装置、计算机设备及可读存储介质 | |
CN113592512A (zh) | 一种线上商品身份唯一性识别确认系统 | |
JP2013254421A (ja) | 固有表現タイプ推定装置、方法、及びプログラム | |
CN114117030A (zh) | 一种基于语义机器学习的行业分类方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |