CN110489521A - 文本类别检测方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本申请实施例公开了文本类别检测方法、装置、电子设备和计算机可读介质。该方法的实施例包括：获取样本集，其中，样本集中包括多个文本样本和各文本样本的类别标识；获取预训练后的BERT模型，其中，BERT模型包含多层transformer结构；删减BERT模型中的部分transformer结构，生成目标语言模型；基于样本集中的文本样本和类别标识，对目标语言模型进行训练，生成文本类别检测模型。该实施方式提供了一种用于进行文本类别检测的模型，利用该模型进行文本类别检测，可提高类别检测结果的准确性。

Description

文本类别检测方法、装置、电子设备和计算机可读介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及文本类别检测方法、装置、电子设备和计算机可读介质。

背景技术

自然语言处理(Natural Language Processing，NLP)是人工智能的一个子领域，目标是让计算机处理或理解自然语言，以执行语言翻译和问题回答等任务。在自然语言处理领域中，文本分类是一项重要任务，可以应用于多种场景。例如，在搜索场景下，通过对用户输入的搜索文本进行处理，可以确定出能够表征用户的搜索意图的文本类别(例如餐饮类、酒店类等)，从而返回属于该类别的信息。

通常，在自然语言处理领域，可以采用文档主题生成模型(Latent DirichletAllocation，LDA)、支持向量机(Support Vector Machine，SVM)、深度神经网络(DeepNeural Network，DNN)、长短期记忆网络(Long Short-Term Memory，LSTM)等模型进行任务处理。然而，在文本类别检测任务中，尤其在对搜索文本的类别检测任务中，当文本较短或存在长尾词时，这些模型经常无法准确识别出文本的意图，导致文本的类别检测结果的准确性较低。

发明内容

本申请实施例提出了文本类别检测方法、装置、电子设备和计算机可读介质，用以提高文本的类别检测结果的准确性。

第一方面，本申请实施例提供了一种文本类别检测方法，该方法包括：获取样本集，其中，样本集中包括多个文本样本和各文本样本的类别标识；获取预训练后的、基于transformer结构的双向编码器表征BERT模型，其中，BERT模型包含多层transformer结构；删减BERT模型中的部分transformer结构，生成目标语言模型；基于样本集中的文本样本和类别标识，对目标语言模型进行训练，生成文本类别检测模型；利用文本类别检测模型进行文本类别检测。

第二方面，本申请实施例提供了一种文本类别检测装置，该装置包括：第一获取单元，被配置成获取样本集，其中，样本集中包括多个文本样本和各文本样本的类别标识；第二获取单元，被配置成获取预训练后的、基于transformer结构的双向编码器表征BERT模型，其中，BERT模型包含多层transformer结构；生成单元，被配置成删减BERT模型中的部分transformer结构，生成目标语言模型；训练单元，被配置成基于样本集中的文本样本和类别标识，利用机器学习方法对目标语言模型进行训练，生成文本类别检测模型；检测单元，被配置成利用文本类别检测模型进行文本类别检测。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现文本类别检测方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现文本类别检测方法

本申请实施例提供的文本类别检测方法、装置、电子设备和计算机可读介质，通过获取样本集，从而得到样本集中的多个文本样本和各文本样本的类别标识；而后获取预训练后的、包含多层transformer结构BERT模型；之后，删减BERT模型中的部分transformer结构，生成目标语言模型；然后基于样本集中的文本样本和类别标识，对目标语言模型进行训练，生成文本类别检测模型；最后利用文本类别检测模型进行文本类别检测。由此，本申请实施例使用了预训练后的BERT模型训练出一种能够用于文本类别检测的模型。由于BERT模型采用了多层transformer结构对文本进行双向学习，能够提升自然语言处理任务的处理效果，因而，使用BERT模型训练后的文本类别检测模型，可提高文本类别检测结果的准确性。同时，通过对BERT模型的部分transformer结构进行删减，减少了模型参数，提升了模型的训练速度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请的文本类别检测方法的一个实施例的流程图；

图2是根据本申请的文本类别检测方法的又一个实施例的流程图；

图3是根据本申请的文本类别检测装置的一个实施例的结构示意图；

图4是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

请参考图1，其示出了根据本申请的文本类别检测方法的一个实施例的流程100。该文本类别检测方法，包括以下步骤：

步骤101，获取样本集。

在本实施例中，文本类别检测方法的执行主体(例如服务器等电子设备)可以通过多种方式来获取样本集。

例如，可以通过终端设备来收集样本，上述执行主体可以接收终端设备所收集的样本，并将这些样本存储在本地，从而生成样本集。

再例如，执行主体可以通过有线连接方式或无线连接方式，从用于存储样本的另一电子设备(例如安装有数据库的服务器)中获取存储于其中的现有的样本集。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

在本实施例中，样本集中可以包括多个文本样本和各文本样本的类别标识。其中，类别标识可以用于指示文本样本的类别，每一个文本样本以及该文本样本的类别标识组成一个样本。

此处，文本样本的类别可以被预先划分为多种。例如，可以按照用户对文本样本的搜索意图进行类别划分，将类别划分为餐饮、娱乐、酒店等等。若某个文本样本为“烤鱼”，则该文本样本的类别可以是餐饮类；若某个文本样本为“桌游”，则该文本样本的类别可以是娱乐类。

需要说明的是，类别标识的具体形式，此处不作限定。例如，可以是采用单标签标注的方式生成文本样本的类别标识，也可以采用多标签标注的方式生成文本样本的类别标识，还可以将类别的概率分布作为文本样本的类别标识。

实践中，当以搜索文本(例如搜索词、搜索短语等)作为文本样本时，该搜索文本可能存在多个类别。作为示例，对于搜索文本“XX广场”，由于广场通常集合了餐饮、娱乐等多项功能，因而该搜索文本既可以属于餐饮类，也可以属于娱乐类。由此，采用多标签标注方式，或者将该搜索文本的类别的概率分布作为类别标识，可以提高文本样本的类别标识的准确性。

在本实施例的一些可选的实现方式中，上述样本集中的文本样本可以通过如下步骤获取：

第一步，获取用户行为数据。此处，用户行为数据可以是用户在使用某一应用(利用能够提供订餐、预定酒店、查询门店等功能的生活类应用)的过程中所产生的行为数据。上述行为数据可以包含用户的搜索文本、用户输入搜索文本后的点击数据、下单信息等内容。

第二步，从上述用户行为数据中提取搜索文本，将所提取的各搜索文本确定为文本样本。此处，搜索文本可以包含用户在上述应用中输入的搜索词、搜索短语等。实践中，上述执行主体在提取搜索文本的过程中，可以对用户输入的所搜词、搜索短语等内容进行筛选(即数据清洗)，从而提取其中的部分搜索文本，作为文本样本。作为示例，可以将文本长度小于预设长度的搜索文本进行提取，作为文本样本。

由此，将用户的搜索文本作为文本样本，可以使基于样本集所训练处的文本类别检测模型适用于对搜索文本(例如搜索词、搜索短语)的检测。此实施方式使用搜索文本作为文本样本，可以训练出针对搜索文本的文本类别检测模型，使该模型具备对短文本、长尾搜索词的类别检测功能。

在本实施例的一些可选的实现方式中，各文本样本的类别标识可以通过如下步骤获取：

第一步，从上述用户行为数据中，提取用户对各文本样本搜索后的点击数据。其中，点击数据可以包括用户点击的内容的类别。作为示例，当用户搜索“XX广场”后，在搜索结果中点击了某个餐饮店铺的图标或者简介，此时，即可生成包含该餐饮店铺的信息(例如该店铺的名称、类别(即餐饮类)等)的点击数据。

第二步，对上述点击数据进行统计，确定各文本样本的类别的概率分布，将所确定的概率分布作为相应的文本样本的类别标识。作为示例，用户A、用户B、用户C、用户D、用户E均搜索了“XX广场”。其中，用户A和用户B在搜索结果中均点击了餐饮类的店铺信息；用户C和用户D在搜索结果中均点击了娱乐类的店铺信息；用户E在搜索结果中均点击了酒店类的店铺信息。此时，可以认为文本“XX广场”属于餐饮类的概率为0.4，属于娱乐类的概率为0.4，属于酒店类的概率为0.2。从而，可以以向量[0.4 0.4 0.6]作为文本“XX广场”的类别的概率分布，并将该概率分布作为文本“XX广场”的标识。

由此，以文本样本的类别的概率分布作为类别标识，可以对文本样本的类别进行更全面的考虑，提高了类别标识的准确性，从而有助于提高基于该样本集所训练出的文本类别检测模型的准确性。

步骤102，获取预训练后的BERT模型。

在本实施例中，上述执行主体可以获取预训练后的BERT(Bidirectional EncoderRepresentations from Transformer，基于transformer结构的双向编码器表征)模型。

需要说明的是，BERT模型是一种应用于自然语言处理任务的开源的语言模型。BERT模型具有包含多层transformer结构。其中，Transformer结构是一种基于注意力机制(Attention)的网络结构。该网络结构能够计算一个文本中的每个词与该文本中所有词的相互关系，并基于词与词之间的相互关系计算各词的重要程度(权重)，从而获得每个词新的表达(例如新的向量)。上述新的表达不但涉及了该词本身的特征，还涉及了其他词与这个词的关系，因此和传统的词向量相比更具有全局性。由于BERT模型使用多层transformer结构(具体为transformer结构中的编码器(encoder))，因而，BERT模型能够学习到文本中词之间的上下文关系。此外，transformer的encoder是采用一次性读取的方式进行文本的读取，支持了BERT模型对文本的双向学习，由此，相对于仅支持对文本单向学习的语言模型，BERT模型可更准确地学习到文本中的各词的上下文关系，对语境的理解比单向的语言模型更深刻，从而能够准确地对长尾搜索词等不易理解的文本进行处理。由此，BERT模型相较于处理自然语言处理任务的其他模型，具有更好的任务处理效果。

需要指出的是，上述执行主体可以直接获取现有的预训练后的BERT模型，也可以预先使用大量样本(可以包括但不限于上述样本集中的样本)对未经训练的BERT模型进行预训练。实践中，现有的预训练后的BERT模型通常包含12层transformer结构(即BERT-base模型)或24层transformer结构(即BERT-large模型)。

步骤103，删减BERT模型中的部分transformer结构，生成目标语言模型。

在本实施例中，上述执行主体可以删减BERT模型中的部分transformer结构，生成目标语言模型。此处，所删减的transformer结构的位置和数量可以预先根据大量试验和数据统计而确定，此处不做限定。

由于BERT参数量巨大，因此，删减transformer结构后，减少了模型的参数，有助于提升模型的训练速度。进一步地，所生成的目标语言模型由于参数较少，可满足搜索场景对高并发和低延迟的响应要求。

在本实施例的一些可选的实现方式中，预训练的BERT模型包含12层transformer结构。上述执行主体可以按照transformer结构的层数由高到低的顺序，删减上述BERT模型中的连续8层transformer结构。从而，得到包含4层transformer结构的目标语言模型。该目标语言模型可准确地学习到文本中的各词的上下文关系。

步骤104，基于样本集中的文本样本和类别标识，对目标语言模型进行训练，生成文本类别检测模型。

在本实施例中，上述执行主体可以基于样本集中的文本样本和类别标识，对目标语言模型进行训练，生成文本类别检测模型。具体的，可以将将上述文本样本作为上述目标语言模型的输入，将上述类别标识作为上述目标语言模型的输出，利用机器学习方法对上述目标语言模型进行训练。当目标语言模型训练完成时，即可将最终训练后的目标语言模型确定为文本类别检测模型。

此处，上述执行主体可以通过多种方式确定目标语言模型是否训练完成。

作为示例，可以确定目标语言模型的损失值是否收敛且小于目标值。实践中，损失值可以用于衡量模型输出的类别检测结果与类别标注所指示的类别的差异程度。损失值越小，类别检测结果与类别标注的差异越小，模型的鲁棒性就越好，参数的调整程度越小。当损失值收敛时，则模型参数趋于稳定。当损失值收敛且小于目标值时，可以认为利用此时的模型所检测出的类别接近或近似于真实情况(即类别标注所指示的类别)，此时的模型所检测出的类别的准确性较高，因而，可确定目标语言模型训练完成。需要说明的是，目标值可以根据实际需求来设置，此处对其具体数值不作限定。

作为又一示例，可以在目标语言模型迭代次数等于某一预设次数后，对目标语言模型进行测试，若该模型输出的类别检测结果的准确率等于或大于某个指定的阈值，则可以确定该目标语言模型训练完成。

需要说明的是，响应于确定目标语言模型已训练完成，则可以继续执行步骤105。响应于确定目标语言模型未训练完成，可以更新初始模型中的参数，继续对该目标语言模型进行训练，直到训练完成。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下步骤确定目标语言模型是否训练完成：

第一步，获取测试集。其中，上述测试集中包括多个测试文本和各测试文本的类别信息。

第二步，将上述测试集中的各测试文本分别输入至训练后的目标语言模型，得到上述各测试文本的类别检测结果。

第三步，基于上述类别检测结果和上述类别信息，统计上述目标语言模型所输出的类别检测结果的准确率和召回率。

第四步，基于上述准确率和上述召回率，确定上述目标语言模型是否训练完成。例如，可以将上述准确率和上述找回来基于现有的评价指标(例如Micro-F1)，得到模型的分数。若分数大于预设分数，则可认为目标语言模型训练完成。反之，则可认为目标语言模型未训练完成。

由于目标语言模型是通过对BERT模型的transformer结构进行了删减后得到的，因而，目标语言模型相对于BERT模型，减少了模型的参数。由此，对目标语言模型进行训练，提升了模型的训练速度，可更快地训练得到用于进行文本类别检测的文本类别检测模型。

步骤105，利用文本类别检测模型进行文本类别检测。

在本实施例中，在得到上述文本类别检测模型后，可以利用该文本类别检测模型，对各种文本进行类别检测，以得到所检测的文本的类别。

由于文本类别检测模型的参数较少，因而，可满足搜索场景下对高并发和低延迟的响应要求。

在本实施例的一些可选的实现方式中，在训练得到上述文本类别检测模型后，可以对该模型进行上线使用，实时检测用户的搜索文本的意图类别。具体地，可以接收终端设备发送的搜索请求。其中，上述搜索请求包括目标搜索文本。而后，可以将上述目标搜索文本输入至上述文本类别检测模型，从而得到上述目标搜索文本的类别检测结果。

在本实施例的一些可选的实现方式中，在得到上述文本类别检测模型后，可以执行如下步骤：

第一步，获取历史搜索文本集。此处，历史搜索文本可以包含用户先前在某一指定中上述过的多个搜索词。

第二步，将上述历史搜索文本集中的各历史搜索文本分别输入至上述文本类别检测模型，得到各历史搜索文本的类别检测结果。

第三步，接收终端设备发送的搜索请求，其中，上述搜索请求包括目标搜索文本。

第四步，确定上述历史搜索文本集中是否存在与上述目标搜索文本相匹配的目标历史搜索文本。若存在，将上述目标历史搜索文本的类别检测结果确定为上述目标搜索文本的类别检测结果。若不存在，将上述目标搜索文本输入至上述文本类别检测模型，得到上述目标搜索文本的类别检测结果。

由此，若目标搜索词已具有预先检测出的类别检测结果，则可以直接获取该类别检测结果；若不具有预先检测出的类别检测结果，再利用文本类别检测模型进行检测。由此，无需每接收到搜索请求，均使用文本类别检测模型进行实时检测，提高了检测效率。

在本实施例的一些可选的实现方式中，当样本文本的类别标识为类别的概率分布时，目标搜索文本的类别检测结果即为上述目标搜索文本的类别的预测概率分布。此时，在得到上述目标搜索文本的类别检测结果之后，上述执行主体还可以执行如下步骤：

首先，对用户利用上述目标搜索文本进行搜索后的点击数据进行统计，确定上述目标搜索文本的类别的真实概率分布。

而后，将上述预测概率分布与上述真实概率分布进行比对，若预测概率分布与上述真实概率分布的差异满足预设条件，将上述目标搜索文本作为文本样本，将上述预测概率分布作为类别标识，继续对上述类别检测模型进行训练。

由此，可以持续更新模型，使模型更适应于用户最新的搜索需求，提高模型的准确性和适应性。

本申请的上述实施例提供的方法，通过获取样本集，从而得到样本集中的多个文本样本和各文本样本的类别标识；而后获取预训练后的、包含多层transformer结构BERT模型；之后，删减上述BERT模型中的部分transformer结构，生成目标语言模型；然后基于上述样本集中的文本样本和类别标识，对上述目标语言模型进行训练，生成文本类别检测模型；最后利用上述文本类别检测模型进行文本类别检测。由此，本申请实施例使用了预训练后的BERT模型训练出一种能够用于文本类别检测的模型。由于BERT模型采用了多层transformer结构对文本进行双向学习，能够提升自然语言处理任务的处理效果，因而，使用BERT模型训练后的文本类别检测模型，可提高文本类别检测结果的准确性。同时，通过对BERT模型的部分transformer结构进行删减，减少了模型参数，提升了模型的训练速度。

进一步参考图2，其示出了文本类别检测方法的又一个实施例的流程200。该文本类别检测方法的流程200，包括以下步骤：

步骤201，获取样本集。

在本实施例中，文本类别检测方法的执行主体(例如服务器等电子设备)可以获取样本集。其中，上述样本集中可以包括多个文本样本和各文本样本的类别标识。

在本实施例中，上述样本集中的文本样本可以通过如下步骤获取：

第一步，获取用户行为数据。此处，用户行为数据可以是用户在使用某一应用(利用能够提供订餐、预定酒店、查询门店等功能的生活类应用)的过程中所产生的行为数据。上述行为数据可以包含用户的搜索文本、用户输入搜索文本后的点击数据、下单信息等内容。

第二步，从上述用户行为数据中提取搜索文本，将所提取的各搜索文本确定为文本样本。此处，搜索文本可以包含用户在上述应用中输入的搜索词、搜索短语等。实践中，上述执行主体在提取搜索文本的过程中，可以对用户输入的所搜词、搜索短语等内容进行筛选(即数据清洗)，从而提取其中的部分搜索文本，作为文本样本。作为示例，可以将文本长度小于预设长度的搜索文本进行提取，作为文本样本。

由此，将用户的搜索文本作为文本样本，可以使基于样本集所训练处的文本类别检测模型适用于对搜索文本(例如搜索词、搜索短语)的检测。此实施方式使用搜索文本作为文本样本，可以训练出针对搜索文本的文本类别检测模型，使该模型具备对短文本、长尾搜索词的类别检测功能。

在本实施例中，各文本样本的类别标识可以通过如下步骤获取：

第一步，从上述用户行为数据中，提取用户对各文本样本搜索后的点击数据。第二步，对上述点击数据进行统计，确定各文本样本的类别的概率分布，将所确定的概率分布作为相应的文本样本的类别标识。由此，以文本样本的类别的概率分布作为类别标识，可以对文本样本的类别进行更全面的考虑，提高了类别标识的准确性，从而有助于提高基于该样本集所训练出的文本类别检测模型的准确性。

步骤202，获取预训练后的BERT模型。

本实施例的步骤202可参见图1所示实施例的步骤102，此处不再赘述。

步骤203，按照transformer结构的层数由高到低的顺序，删减BERT模型中的连续8层transformer结构。

在本实施例中，预训练的BERT模型包含12层transformer结构。上述执行主体可以按照transformer结构的层数由高到低的顺序，删减上述BERT模型中的连续8层transformer结构。从而，得到包含4层transformer结构的目标语言模型。该目标语言模型可准确地学习到文本中的各词的上下文关系。

由于BERT参数量巨大，因此，删减transformer结构后，减少了模型的参数，有助于提升模型的训练速度。进一步地，所生成的目标语言模型由于参数较少，可满足搜索场景下对高并发和低延迟的响应要求。

步骤204，读取训练参数。

在本实施例中，上述执行主体可以读取训练参数，其中，上述训练参数包括以下至少一项：文本最大读取长度(ax_seq_length)、批处理数(batch_size)、上述样本集的遍历次数(epoch)、学习率(learning_rate)。此处，训练参数可以是技术人员根据需要预先设定的，具体数值不作限定。

而后，可以执行包含步骤205-步骤207的训练步骤。

步骤205，按照训练参数，将文本样本作为目标语言模型的输入，将所输入的文本样本的类别标识作为目标语言模型的输出，利用机器学习方法对目标语言模型进行训练。

在本实施例中，上述执行主体可以按照所读取的训练参数，将文本样本作为上述目标语言模型的输入，将所输入的文本样本的类别标识作为上述目标语言模型的输出，利用机器学习方法对上述目标语言模型进行训练。例如，可以按照上述文本最大读取长度读取文本样本，每输入的文本样本的数量达到批处理数后，进行一次模型参数的更新。当样本集的遍历次数等于上述训练参数所设定的次数时，执行步骤206。

步骤206，确定目标语言模型是否训练完成。

在本实施例中，上述执行主体可以通过如下步骤确定目标语言模型是否训练完成：

第一步，获取测试集。其中，上述测试集中包括多个测试文本和各测试文本的类别信息。

第二步，将上述测试集中的各测试文本分别输入至训练后的目标语言模型，得到上述各测试文本的类别检测结果。

第三步，基于上述类别检测结果和上述类别信息，统计上述目标语言模型所输出的类别检测结果的准确率和召回率。

第四步，基于上述准确率和上述召回率，确定上述目标语言模型是否训练完成。例如，可以将上述准确率和上述找回来基于现有的评价指标(例如Micro-F1)，得到模型的分数。若分数大于预设分数，则可认为目标语言模型训练完成。反之，则可认为目标语言模型未训练完成。

由于目标语言模型是通过对BERT模型的transformer结构进行了删减后得到的，因而，目标语言模型相对于BERT模型，减少了模型的参数。由此，对目标语言模型进行训练，提升了模型的训练速度，可更快地训练得到用于进行文本类别检测的文本类别检测模型。

需要说明的是，响应于确定目标语言模型已训练完成，则可以继续执行步骤207。响应于确定目标语言模型未训练完成，可以调整上述训练参数，重新执行上述训练步骤，直至训练完成。

步骤207，响应于确定训练完成，将训练后的目标语言模型确定为文本类别检测模型。

步骤208，接收终端设备发送的搜索请求。

其中，上述搜索请求包括目标搜索文本。

步骤209，将目标搜索文本输入至文本类别检测模型，得到目标搜索文本的类别检测结果。

步骤210，对用户利用目标搜索文本进行搜索后的点击数据进行统计，确定目标搜索文本的类别的真实概率分布。

在本实施例中，确定目标搜索文本的类别的真实概率分布的操作，与101中确定样本文本的类别的概率分布的操作基本相同，此处不再赘述。

步骤211，将预测概率分布与真实概率分布进行比对，若预测概率分布与真实概率分布的差异满足预设条件，将目标搜索文本作为文本样本，将预测概率分布作为类别标识，继续对类别检测模型进行训练。

在本实施例中，由于样本文本的类别标识为类别的概率分布，因而，目标搜索文本的类别检测结果可以为上述目标搜索文本的类别的预测概率分布。此时，在得到上述目标搜索文本的类别检测结果之后，上述执行主体可以将上述预测概率分布与上述真实概率分布进行比对(例如计算相似度、方差等)。若预测概率分布与上述真实概率分布的差异满足预设条件(例如相似度大于预设值)，可以将上述目标搜索文本作为文本样本，将上述预测概率分布作为类别标识，继续对上述类别检测模型进行训练。

由此，可以持续更新模型，使模型更适应于用户最新的搜索需求，提高模型的准确性和适应性。

从图2中可以看出，与图1对应的实施例相比，本实施例中的文本类别检测方法的流程200，一方面，涉及了将搜索文本作为样本文本的步骤，由此，可以训练出针对搜索文本的文本类别检测模型，使该模型具备对短文本、长尾搜索词的类别检测功能。另一方面，涉及了将搜索文本的概率分布作为类别标注进行模型训练的步骤，由此，对文本样本的类别进行更全面的考虑，提高了类别标识的准确性，从而有助于提高基于该样本集所训练出的文本类别检测模型的准确性。再一方面，涉及了基于目标搜索文本的真实概率分布，获得新样本，对文本类别检测模型迭代训练的步骤，由此，可以持续更新模型，使模型更适应于用户最新的搜索需求，提高模型的准确性和适应性。

进一步参考图3，作为对上述各图所示方法的实现，本申请提供了一种文本类别检测装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于如服务器等的各种电子设备中。

如图3所示，本实施例所述的文本类别检测装置300包括：第一获取单元301，被配置成获取样本集，其中，上述样本集中包括多个文本样本和各文本样本的类别标识；第二获取单元302，被配置成获取预训练后的、基于transformer结构的双向编码器表征BERT模型，其中，上述BERT模型包含多层transformer结构；生成单元303，被配置成删减上述BERT模型中的部分transformer结构，生成目标语言模型；训练单元304，被配置成基于上述样本集中的文本样本和类别标识，利用机器学习方法对上述目标语言模型进行训练，生成文本类别检测模型；检测单元305，被配置成利用上述文本类别检测模型进行文本类别检测。

在本实施例的一些可选的实现方式中，上述BERT模型包含12层transformer结构；以及上述生成单元，进一步被配置成：按照transformer结构的层数由高到低的顺序，删减上述BERT模型中的连续8层transformer结构。

在本实施例的一些可选的实现方式中，上述样本集中的文本样本通过如下步骤获取：获取用户行为数据；从上述用户行为数据中提取搜索文本，将所提取的各搜索文本确定为文本样本。

在本实施例的一些可选的实现方式中，上述各文本样本的类别标识通过如下步骤获取：从上述用户行为数据中，提取用户对各文本样本搜索后的点击数据；对上述点击数据进行统计，确定各文本样本分别属于各类别的概率；对于每一个文本样本，将该文本样本属于各类别的概率进行归一化，生成该文本样本的类别的概率分布，并将上述概率分布作为该文本样本的类别标识。

在本实施例的一些可选的实现方式中，上述训练单元，包括：读取模块，被配置成读取训练参数，其中，上述训练参数包括以下至少一项：文本最大读取长度、批处理数、上述样本集的遍历次数、学习率；训练模块，被配置成执行如下训练步骤：按照上述训练参数，将文本样本作为上述目标语言模型的输入，将所输入的文本样本的类别标识作为上述目标语言模型的输出，利用机器学习方法对上述目标语言模型进行训练；确定上述目标语言模型是否训练完成；响应于确定训练完成，将训练后的目标语言模型确定为文本类别检测模型；执行模块，被配置成响应于确定未训练完成，调整上述训练参数，重新执行上述训练步骤。

在本实施例的一些可选的实现方式中，上述训练模块，进一步被配置成：获取测试集，其中，上述测试集中包括多个测试文本和各测试文本的类别信息；将上述测试集中的各测试文本分别输入至训练后的目标语言模型，得到上述各测试文本的类别检测结果；基于上述类别检测结果和上述类别信息，统计上述目标语言模型所输出的类别检测结果的准确率和召回率；基于上述准确率和上述召回率，确定上述目标语言模型是否训练完成。

在本实施例的一些可选的实现方式中，上述检测单元进一步被配置成：接收终端设备发送的搜索请求，其中，上述搜索请求包括目标搜索文本；将上述目标搜索文本输入至上述文本类别检测模型，得到上述目标搜索文本的类别检测结果。

在本实施例的一些可选的实现方式中，上述检测单元进一步被配置成：获取历史搜索文本集；将上述历史搜索文本集中的各历史搜索文本分别输入至上述文本类别检测模型，得到各历史搜索文本的类别检测结果；接收终端设备发送的搜索请求，其中，上述搜索请求包括目标搜索文本；确定上述历史搜索文本集中是否存在与上述目标搜索文本相匹配的目标历史搜索文本；若存在，将上述目标历史搜索文本的类别检测结果确定为上述目标搜索文本的类别检测结果；若不存在，将上述目标搜索文本输入至上述文本类别检测模型，得到上述目标搜索文本的类别检测结果。

在本实施例的一些可选的实现方式中，上述目标搜索文本的类别检测结果为上述目标搜索文本的类别的预测概率分布；以及上述装置还包括：统计单元，被配置成对用户利用上述目标搜索文本进行搜索后的点击数据进行统计，确定上述目标搜索文本的类别的真实概率分布；迭代训练单元，被配置成将上述预测概率分布与上述真实概率分布进行比对，若上述预测概率分布与上述真实概率分布的差异满足预设条件，将上述目标搜索文本作为文本样本，将上述预测概率分布作为类别标识，继续对上述类别检测模型进行训练。

本申请的上述实施例提供的装置，通过获取样本集，从而得到样本集中的多个文本样本和各文本样本的类别标识；而后获取预训练后的、包含多层transformer结构BERT模型；之后，删减上述BERT模型中的部分transformer结构，生成目标语言模型；然后基于上述样本集中的文本样本和类别标识，对上述目标语言模型进行训练，生成文本类别检测模型；最后利用上述文本类别检测模型进行文本类别检测。由此，本申请实施例使用了预训练后的BERT模型训练出一种能够用于文本类别检测的模型。由于BERT模型采用了多层transformer结构对文本进行双向学习，能够提升自然语言处理任务的处理效果，因而，使用BERT模型训练后的文本类别检测模型，可提高文本类别检测结果的准确性。同时，通过对BERT模型的部分transformer结构进行删减，减少了模型参数，提升了模型的训练速度。

下面参考图4，其示出了适于用来实现本申请实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。此外，计算机系统400还可以包括图形处理单元(GPU)412。CPU 401、GPU412、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401或者图形处理单元(GPU)412执行时，执行本申请的方法中限定的上述功能。需要指出的是，由于GPU具有更快的处理速度，因而，上述实施例中，执行文本类别检测模型的训练操作以及利用训练后的文本类别检测模型检测文本的操作，更适宜由GPU执行。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取样本集，其中，样本集中包括多个文本样本和各文本样本的类别标识；获取预训练后的BERT模型，其中，BERT模型包含多层transformer结构；删减BERT模型中的部分transformer结构，生成目标语言模型；基于样本集中的文本样本和类别标识，对目标语言模型进行训练，生成文本类别检测模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种文本类别检测方法，其特征在于，所述方法包括：

获取样本集，其中，所述样本集中包括多个文本样本和各文本样本的类别标识；

获取预训练后的、基于transformer结构的双向编码器表征BERT模型，其中，所述BERT模型包含多层transformer结构；

删减所述BERT模型中的部分transformer结构，生成目标语言模型；

基于所述样本集中的文本样本和类别标识，对所述目标语言模型进行训练，生成文本类别检测模型；

利用所述文本类别检测模型进行文本类别检测。

2.根据权利要求1所述的文本类别检测方法，其特征在于，所述BERT模型包含12层transformer结构；以及

所述删减所述BERT模型中的部分transformer结构，包括：

按照transformer结构的层数由高到低的顺序，删减所述BERT模型中的连续8层transformer结构。

3.根据权利要求1所述的文本类别检测方法，其特征在于，所述样本集中的文本样本通过如下步骤获取：

获取用户行为数据；

从所述用户行为数据中提取搜索文本，将所提取的各搜索文本确定为文本样本。

4.根据权利要求3所述的文本类别检测方法，其特征在于，所述各文本样本的类别标识通过如下步骤获取：

从所述用户行为数据中，提取用户对各文本样本搜索后的点击数据；

对所述点击数据进行统计，确定各文本样本的类别的概率分布，将所确定的概率分布作为相应的文本样本的类别标识。

5.根据权利要求1所述的文本类别检测方法，其特征在于，所述基于所述样本集中的文本样本和类别标识，利用机器学习方法对所述目标语言模型进行训练，生成文本类别检测模型，包括：

读取训练参数，其中，所述训练参数包括以下至少一项：文本最大读取长度、批处理数、所述样本集的遍历次数、学习率；

执行如下训练步骤：按照所述训练参数，将文本样本作为所述目标语言模型的输入，将所输入的文本样本的类别标识作为所述目标语言模型的输出，利用机器学习方法对所述目标语言模型进行训练；确定所述目标语言模型是否训练完成；响应于确定训练完成，将训练后的目标语言模型确定为文本类别检测模型；

响应于确定未训练完成，调整所述训练参数，重新执行所述训练步骤。

6.根据权利要求1所述的文本类别检测方法，其特征在于，所述确定所述目标语言模型是否训练完成，包括：

获取测试集，其中，所述测试集中包括多个测试文本和各测试文本的类别信息；

将所述测试集中的各测试文本分别输入至训练后的目标语言模型，得到所述各测试文本的类别检测结果；

基于所述类别检测结果和所述类别信息，统计所述目标语言模型所输出的类别检测结果的准确率和召回率；

基于所述准确率和所述召回率，确定所述目标语言模型是否训练完成。

7.根据权利要求1所述的文本类别检测方法，其特征在于，所述利用所述文本类别检测模型进行文本类别检测，包括：

接收终端设备发送的搜索请求，其中，所述搜索请求包括目标搜索文本；

将所述目标搜索文本输入至所述文本类别检测模型，得到所述目标搜索文本的类别检测结果。

8.根据权利要求1所述的文本类别检测方法，其特征在于，所述利用所述文本类别检测模型进行文本类别检测，包括：

获取历史搜索文本集；

将所述历史搜索文本集中的各历史搜索文本分别输入至所述文本类别检测模型，得到各历史搜索文本的类别检测结果；

接收终端设备发送的搜索请求，其中，所述搜索请求包括目标搜索文本；

确定所述历史搜索文本集中是否存在与所述目标搜索文本相匹配的目标历史搜索文本；

若存在，将所述目标历史搜索文本的类别检测结果确定为所述目标搜索文本的类别检测结果；

若不存在，将所述目标搜索文本输入至所述文本类别检测模型，得到所述目标搜索文本的类别检测结果。

9.根据权利要求7或8所述的文本类别检测方法，其特征在于，所述目标搜索文本的类别检测结果为所述目标搜索文本的类别的预测概率分布；以及

在得到所述目标搜索文本的类别检测结果之后，所述方法还包括：

对用户利用所述目标搜索文本进行搜索后的点击数据进行统计，确定所述目标搜索文本的类别的真实概率分布；

将所述预测概率分布与所述真实概率分布进行比对，若预测概率分布与所述真实概率分布的差异满足预设条件，将所述目标搜索文本作为文本样本，将所述预测概率分布作为类别标识，继续对所述类别检测模型进行训练。

10.一种文本类别检测装置，其特征在于，所述装置包括：

第一获取单元，被配置成获取样本集，其中，所述样本集中包括多个文本样本和各文本样本的类别标识；

第二获取单元，被配置成获取预训练后的、基于transformer结构的双向编码器表征BERT模型，其中，所述BERT模型包含多层transformer结构；

生成单元，被配置成删减所述BERT模型中的部分transformer结构，生成目标语言模型；

训练单元，被配置成基于所述样本集中的文本样本和类别标识，利用机器学习方法对所述目标语言模型进行训练，生成文本类别检测模型；

检测单元，被配置成利用所述文本类别检测模型进行文本类别检测。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的方法。