CN110688508B - 图文数据扩充方法、装置及电子设备 - Google Patents

Abstract

本公开实施例中提供了一种图文数据扩充方法、装置及电子设备，属于图像处理技术领域，该方法包括：包括对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码；对所述词汇编码进行聚类以获得多个词汇聚类集合；获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合；根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合；以及组合所述合格的词汇集合中的任一元素与所述图像集合中的任一元素，以获得扩充的图文数据。通过本公开的处理方案，提高了高置信度的图文数据的数量，缓解了图文相关的弱标签数据不足的问题，并且利用本公开的方案搜集的数据，可用于后续的模型训练、数据分析、算法调整等环节。

Description

图文数据扩充方法、装置及电子设备

技术领域

本公开涉及图文处理技术领域，尤其涉及一种图文数据扩充方法、装置及电子设备。

背景技术

随着互联网技术的发展，人们越来越多地通过网络进行社交。在社交聊天的场景下，除了文字之外，还可以通过图像来增加社交的丰富程度。通过图像的社交要求用户能够使用或选择出能够正确表达其意思的图像。当前，通常通过点击行为，即输入文字，然后从候选图中选择与该文字相关的图像来进行意思表达。在这种情况下，被选中的图像可认为与所述输入的文字具有某种相关性(弱标签)。

通过这种点击方式来进行数据收集，一方面能够增加图文相关的弱标签的数据量，缓解图文相关的弱标签数据不足的问题，另一方面，利用该方式搜集的数据，可用于后续的模型训练、数据分析、算法调整等环节。

然而，由于现实聊天场景的多样性，不同文字也可能表达同一种含义。此外，在标签自动生成过程中，需要利用多个用户的点击行为，而这在语料库中的语料较少的场景下给数据搜集增添了难度。

发明内容

有鉴于此，本公开实施例提供一种图文数据扩充方法、装置及电子设备，以至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种一种图文数据扩充方法，该方法包括：

对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码；

对所述词汇编码进行聚类以获得多个词汇聚类集合，其中每个词汇聚类集合包含一个或者多个词汇；

获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合，其中所述图像集合为与所述词汇聚类集合所包含的一个或者多个词汇对应的图像的集合；

根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，其中所述词汇集合是所述词汇聚类集合中的词汇的子集；以及

组合所述合格的词汇集合中的任一元素与所述图像集合中的任一元素，以获得扩充的图文数据。

根据本公开实施例的一种具体实现方式，所述对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码，包括

采用基于word2vector或bert的计算方法来对语料库中的词汇进行编码向量化，并且其中基于word2vector的计算方法采用计数编码方法。

根据本公开实施例的一种具体实现方式，所述对所述词汇编码进行聚类，包括：

采用选自由以下方法构成的组的聚类方法对所述词汇编码进行聚类以获得多个词汇聚类集合：K均值聚类、均值漂移聚类、基于密度的聚类方法、用高斯混合模型的最大期望聚类、凝聚层次聚类以及图团体检测；

获得所述多个词汇聚类集合中的每个词汇聚类集合的聚类中心，

其中在采用K均值聚类的情况下，将每个词汇聚类集合中的所有词汇的平均值作为所述词汇聚类集合的聚类中心。

根据本公开实施例的一种具体实现方式，对于除了语料库中的词汇之外的新词汇，所述方法包括：

对所述新词汇进行编码向量化以获得所述新词汇的词汇编码；

分别计算所述新词汇的词汇编码与所述多个词汇聚类集合中的每个词汇聚类集合的聚类中心的距离；以及

将所述新词汇添加到所述距离最小的词汇聚类集合，并且将与所述新词汇对应的图像添加到与所述词汇聚类集合对应的图像集合，以对图文数据进行更新。

根据本公开实施例的一种具体实现方式，所述获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合，包括：

获取所述词汇聚类集合中的一个或者多个词汇；

获取与所述词汇对应的图像；以及

将所述词汇聚类集合中的所有词汇对应的图像的集合作为与所述词汇聚类集合对应的图像集合；

其中获取与所述词汇对应的图像包括：

在用户输入所述词汇的情况下，向用户推荐候选图像，并将用户从所述候选图像中选中的图像作为与所述词汇对应的图像。

根据本公开实施例的一种具体实现方式，所述获取与所述词汇对应的图像，还包括：

统计所述图像集合中每张图像被选中的次数。

根据本公开实施例的一种具体实现方式，所述根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，包括：

根据所述图像集合中每张图像被选中的次数，计算所述图像集合的熵，以及

将熵大于预定阈值的图像所对应的词汇剔除以获得合格的词汇集合。

根据本公开实施例的一种具体实现方式，所述根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，包括：

获得所述图像集合中的图像的分散度；

确定分散度大于预定阈值的图像；以及

将与所述分散度大于预定阈值的图像对应的词汇集合剔除以获得合格的词汇集合。

根据本公开实施例的一种具体实现方式，所述获得所述图像集合中的图像的分散度，包括：

确定所述图像集合中的图像的熵、纯度、准确率、F-测量和召回率中的至少一个，并将所述图像的熵、纯度、准确率、F-测量和召回率中的至少一个作为所述图像集合中的图像的分散度的度量。

第二方面，本公开实施例提供了一种图文数据扩充装置，该装置包括：

编码模块，所述编码模块对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码；

聚类模块，对所述词汇编码进行聚类以获得多个词汇聚类集合，其中每个词汇聚类集合包含一个或者多个词汇；

获得模块，所述获得模块获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合，其中所述图像集合为与所述词汇聚类集合所包含的一个或者多个词汇对应的图像的集合；

剔除模块，所述剔除模块根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，其中所述词汇集合是所述词汇聚类集合中的词汇的子集；以及

组合模块，所述组合模块组合所述合格的词汇集合中的任一元素与所述图像集合中的任一元素，以获得扩充的图文数据。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的图文数据扩充方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的图文数据扩充方法。

第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的图文数据扩充方法。

本公开实施例中的图像质量评估方案，包括对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码；对所述词汇编码进行聚类以获得多个词汇聚类集合，其中每个词汇聚类集合包含一个或者多个词汇；获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合，其中所述图像集合为与所述词汇聚类集合所包含的一个或者多个词汇对应的图像的集合；根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，其中所述词汇集合是所述词汇聚类集合中的词汇的子集；以及组合所述合格的词汇集合中的任一元素与所述图像集合中的任一元素，以获得扩充的图文数据。通过本公开的方案，提高了高置信度的图文数据的数量，缓解了图文相关的弱标签数据不足的问题，并且利用本公开的方案搜集的数据，可用于后续的模型训练、数据分析、算法调整等环节。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种图文数据扩充方法的流程示意图；

图2为本公开实施例提供的处理除了语料库中的词汇之外的新词汇的流程图；

图3为本公开实施例提供的获得与词汇聚类集合对应的图像集合的流程示意图；

图4为本公开实施例提供的剔除不合格的词汇集合的流程示意图；

图5为本公开实施例提供的一种图文数据扩充装置的结构示意图；

图6为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种图文数据扩充方法。本实施例提供的图文数据扩充方法估方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。

参见图1，本公开实施例提供的一种图文数据扩充方法，包括：

S100：对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码。

一般而言，语料库中存放着在语言的实际使用中真实出现过的语言材料。语料库具有多种形式，例如包括异质的语料库，其中没有特定的语料收集原则，广泛收集并原样存储各种语料；同质的语料库，其中只收集同一类内容的语料；系统的语料库，其中根据预先确定的原则和比例收集语料，使语料具有平衡性和系统性，能够代表某一范围内的语言事实；以及专用的语料库，其中只收集用于某一特定用途的语料。

在本公开实施例中，对语料库中的词汇进行编码向量化，编码向量化的方法例如包括word2vec算法、bert算法等等。但是应当理解，对词汇进行编码向量化的方法还可以包括除了word2vec算法和bert算法之外的其他算法，只要这些算法能够将语料库中的词汇向量化即可。

在对语料库中的词汇进行向量化之后，即可获得与语料库中的词汇对应的词汇编码。例如，在word2vec算法中，词汇编码可以是与该词汇对应的向量表示。其具体示例在稍后进行描述。

S200：对所述词汇编码进行聚类以获得多个词汇聚类集合。

在通过步骤S100获得了语料库中的所有词汇的词汇编码之后，对这些词汇编码进行聚类。聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。在本公开实施例中，对词汇编码进行聚类，以分成由类似的词汇编码组成的多个类。

聚类例如可以采用KMeans(K均值)聚类、均值漂移聚类、基于密度的聚类方法(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类、凝聚层次聚类以及图团体检测等等。这些聚类方法的详细描述可参见https://blog.csdn.net/Katherine_hsr/article/ details/79382249，其全部内容通过引用结合于此。

如此，通过如上所述的这些聚类方法，对语料库中的词汇的词汇编码进行聚类，可以获得多个词汇聚类集合，并且所获得的词汇聚类集合包含有一个或者多个词汇。

S300：获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合。

在本公开实施例中，在通过步骤S200获得了多个词汇聚类集合之后，还需要获得这些词汇聚类集合所对应的图像。例如，对于通过步骤S200所获得的词汇聚类集合A，通过查找对应的图像，从而形成与词汇聚类集合A对应的图像集合B。

获得与词汇聚类集合对应的图像集合可以采用多种方法来实现。例如，可以通过点击行为来确定图像集合B。具体地，在用户输入文字(词汇)的情况下，向用户推荐候选图像(例如，一般图像或gif图像)，用户从这些候选图像中进行选择，则选中的图像即可被认为是与该词汇对应的图像。对于通过步骤S200获得的多个词汇聚类集合，与该词汇聚类集合中的每个词汇对应的图像的总和即为与该词汇聚类集合对应的图像集合。也就是说，图像集合为与词汇聚类集合所包含的一个或者多个词汇对应的图像的集合。

应当注意，以上描述了通过点击的方式获得与词汇对应的图像，但是本发明不限于此，而是可以采用其他的方式来获得与词汇对应的图像，这要这些方法能够获得与词汇对应的图像即可。

S400：根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合。

一般而言，通过步骤S200的聚类获得的词汇聚类集合对应的图像集合应该具有较好的图像分布性。因此，在本示例性实施例中，还分析图像集合中的图像分布情况，如果图像分布弥散，则说明词汇聚类集合中与这些图像对应的词汇集合的聚类效果较差，因此应当剔除。应当注意，这里的词汇集合是词汇聚类集合中的一部分。

也就是说，在本公开实施例中，通过分析与词汇聚类集合对应的图像集合的分布情况，来判断词汇聚类过程的效果，并且将词汇聚类效果较差的词汇集合删除，从而仅仅保留词汇聚类效果较好的词汇集合。

在本公开实施例中，被删除的词汇集合被称为不合格的词汇集合，并且保留的词汇集合被称为合格的词汇集合。

对于词汇聚类集合是否合格的判断标准，例如可以统计图像集合中图像出现的频次并计算集合熵，并且将集合熵大于预定阈值的图像集合对应的词汇集合确定为不合格的词汇集合，并且将这些不合格的词汇集合从词汇聚类集合中删除，以得到合格的词汇集合。

如上所述，可见不合格的词汇集合以及合格的词汇集合均是所获得的词汇聚类集合中的一部分，即子集。

另外，应当注意，虽然在以上以图像集合的熵为标准确定了不合格的词汇集合以及合格的词汇集合，但是确定方法不限于此，例如还可以使用纯度、准确率、F-测量、召回率等等来进行判断。这些方法的具体描述可以参见https://blog.csdn.net/vernice/ article/details/46467449，其全部内容通过引用结合于此。

S500：组合所述合格的词汇集合中的任一元素与所述图像集合中的任一元素，以获得扩充的图文数据。

在通过步骤S400获得了合格的词汇集合之后，对合格的词汇集合和图像集合执行“笛卡尔积”操作，以生成最终的图文数据扩充集合。

例如，合格的词汇集合为A’，图像集合为B，并且图文数据扩充集合为C，则图文数据扩充集合C的元素为<word，image>的形式，其中word来自集合A’，并且image来自集合B。也就是说，在本公开实施例中，通过组合合格的词汇集合A中的任一元素与图像集合B中的任一元素，即可获得扩充的图文数据。所获得的所有扩充的图文数据即为图文数据扩充集合。

以上，已经参考附图具体描述了根据本公开实施例的对图文数据进行扩充的方法，根据该方法提高了高置信度的图文数据的数量，缓解了图文相关的弱标签数据不足的问题，并且利用本公开的方案搜集的数据，可用于后续的模型训练、数据分析、算法调整等环节。

接下来描述根据本公开实施例的一些具体实现方式。

根据本公开实施例的一种具体实现方式，计算关键词序列的词向量可以采用基于word2vector或bert的计算方法。

其中，word2vector算法将语料库中的词转化成向量，其一般采用counting(计数)编码。表1示出了word2vector算法的一个示例，例如语料库中是如下三句话：

I like deep learning

I like NLP

I enjoy flying

则利用counting编码可以得到表1所示的矩阵：

表1：word2vector算法示例

假设语料库中的单词数量是N，则上图矩阵的大小就是N*N，其中的每一行就代表一个词的向量表示。如第一行

0 2 1 0 0 0 0

是单词I的向量表示，其中的2代表I这个单词与like这个词在语料库中共同出现了2次。

根据word2vector算法，容易地将语料库中的词转化成向量。

word2vector算法在词语数量较大时，向量维度高且稀疏，向量矩阵巨大而难以存储。因此，根据本公开实施例采用bert算法来计算关键词序列的词向量，bert算法的具体细节可参见https://www.cnblogs.com/rucwxb/p/10277217.html，其全部内容通过引用结合于此。

根据本公开实施例的一种具体实现方式，对所述词汇编码进行聚类以获得多个词汇聚类集合后，还获得所述词汇聚类集合的聚类中心。并且在采用K均值聚类的情况下，将每个词汇聚类集合中的所有词汇的平均值作为所述词汇聚类集合的聚类中心。

具体地，如根据步骤S200所描述的，可以采用KMeans(K均值)聚类、均值漂移聚类、基于密度的聚类方法(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类、凝聚层次聚类以及图团体检测等聚类方法。在通过这些聚类方法获得多个词汇聚类集合之后，可以计算这些词汇聚类集合的聚类中心。以KMeans(K均值)聚类为例，根据该方法获得多个词汇聚类集合之后，可以通过求解每个词汇聚类集合中所有元素的平均值来获得该词汇聚类集合的聚类中心。

以上，以KMeans(K均值)聚类为例描述了求解该词汇聚类集合的聚类中心，对于其他的聚类方法，可以采用类似或者不同的方法求解每个词汇聚类集合的聚类中心。

根据本公开实施例的一种具体实现方式，该图文数据扩充方法还可以处理除了语料库中的词汇之外的新词汇。也就是说，根据本公开实施例的方法还可以利用新词汇对所获得的图文数据进行更新或扩充。

具体地，图2示出了根据本公开实施例的处理除了语料库中的词汇之外的新词汇的流程图。如图2所示，该方法包括：

S201：对所述新词汇进行编码向量化以获得所述新词汇的词汇编码。

在本公开实施例中，对于语料库之外的新词汇，首选需要对其进行编码向量化。编码向量化的过程和方法可以与步骤S100中所示的编码方法相同。也就是说，例如可以采用word2vec算法、bert算法等来对新词汇进行编码向量化。

S202：分别计算所述新词汇的词汇编码与所述多个词汇聚类集合中的每个词汇聚类集合的聚类中心的距离。

如上所述，对词汇编码进行聚类以获得多个词汇聚类集合后，还会获得词汇聚类集合的聚类中心。此外，如步骤S201所述，对于新词汇，获得了该新词汇的词汇编码。

因此，在本公开实施例中，分别计算该新词汇的词汇编码与所述多个词汇聚类集合的聚类中心的距离。该距离例如可以包括欧式距离、余弦距离、皮尔斯相关系数、交叉熵等等。这些距离的具体计算方法例如可参见https://www.cnblogs.com/fionacai/p/ 5873975.html，其全部内容通过引用结合于此。

S203：将所述新词汇添加到所述距离最小的词汇聚类集合，并且将与所述新词汇对应的图像添加到与所述词汇聚类集合对应的图像集合，以对图文数据进行更新。

在本公开实施例中，通过步骤S200获得了所述新词汇的词汇编码与所述多个词汇聚类集合的聚类中心的距离之后，将该词汇聚类到距离最小的词汇聚类集合，并且将与该新词汇对应的图像添加到与该词汇聚类集合对应的图像集合中，以实现对图文数据的更新。换句话说，在本公开实施例中，将所述新词汇以及对应的图像分别添加到所述距离最小的词汇聚类集合以及对应的图像集合，以实现对图文数据的更新。

如此，通过如上所述的步骤S201-S203的方法，实现了对于语料库之外的词汇的操作，并且可以使用语料库之外的词汇对图文数据进行扩展和更新，这对于语料库数据较少的情况特别有利。

根据本公开实施例的一种具体实现方式，通过图3所示的步骤获得与所述词汇聚类集合对应的图像集合，该方法包括：

S301：获取所述词汇聚类集合中的词汇。

在通过步骤S200对词汇编码进行聚类从而获得了多个词汇聚类集合之后，可以进一步确定每个词汇聚类集合中所包含的词汇。

S302：获取与所述词汇对应的图像。

在本公开实施例中，在用户输入词汇的情况下，会向用户推荐候选图像，并将用户从所述候选图像中选中的图像作为与所述词汇对应的图像。也就是说，可以通过用户的点击行为来确定与所述词汇对应的图像。

S303:将所述词汇聚类集合中的所有词汇对应的图像的集合作为与所述词汇聚类集合对应的图像集合。在通过步骤S302获得了与词汇对应的图像之后，这些图像的集合即为与所述词汇聚类集合对应的图像集合。

根据本公开实施例的一种具体实现方式，在通过点击的方式获得与词汇对应的图像的过程中，还会统计每张图像被选中的次数，然后根据所述图像集合中每张图像被选中的次数，计算所述图像集合的熵，并且将熵大于预定阈值的图像所对应的词汇剔除以获得合格的词汇集合。

具体地，图像集合中一张图像被点击的次数少，则可以说明该图像的分散性大，如果图像集合中一张图像被点击的次数多，则可以说明该图像的分散性小。则可以通过剔除与点击次数少的图像对应的词汇来提高所获得的标签的置信度。

图4示出了本公开实施例的剔除不合格的词汇集合的一般具体过程，其包括：

S401：获得所述图像集合中的图像的分散度。

除了如上所述的通过统计点击次数来计算图像集合的熵，来确定图像的分散度之外，还可以确定图像集合中的图像的熵、纯度、准确率、F-测量和召回率中的至少一个，并将所述图像的熵、纯度、准确率、F-测量和召回率中的至少一个作为所述图像集合中的图像的分散度的度量。也就是说，不仅仅可以采用熵，而且还可以采用诸如纯度、准确率、F-测量和召回率之类的其他量来度量图像的分散度。

S402：确定分散度大于预定阈值的图像。

在获得了图像的分散度之后，确定阈值，并确定分散度大于预定阈值的图像。

S403：将与所述分散度大于预定阈值的图像对应的词汇集合剔除以获得合格的词汇集合。

也就是说，在本公开实施例中，认为分散度大于预定阈值的图像对应的词汇的聚类效果不好，因此予以剔除，从而留下聚类效果较好的词汇，从而提高所获得的图文数据的置信度。

图5示出了根据本公开实施例的图文数据扩充装置500，其包括：

编码模块501，所述编码模块对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码；

聚类模块502，对所述词汇编码进行聚类以获得多个词汇聚类集合，其中每个词汇聚类集合包含一个或者多个词汇；

获得模块503，所述获得模块获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合，其中所述图像集合为与所述词汇聚类集合所包含的一个或者多个词汇对应的图像的集合；

剔除模块504，所述剔除模块根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，其中所述词汇集合是所述词汇聚类集合中的词汇的子集；以及

组合模块505，所述组合模块组合所述合格的词汇集合中的任一元素与所述图像集合中的任一元素，以获得扩充的图文数据。

该装置50可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的图文数据扩充方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的图文数据扩充方法。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的图文数据扩充方法。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

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电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，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电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

描述于本公开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。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种图文数据扩充方法，其特征在于，包括：

对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码；

对所述词汇编码进行聚类以获得多个词汇聚类集合，其中每个词汇聚类集合包含一个或者多个词汇；

获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合，其中所述图像集合为与所述词汇聚类集合所包含的一个或者多个词汇对应的图像的集合；

根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，其中所述词汇集合是所述词汇聚类集合中的词汇的子集；以及

组合所述合格的词汇集合中的任一元素与所述图像集合中的任一元素，以获得扩充的图文数据。

2.根据权利要求1所述的图文数据扩充方法，其特征在于，所述对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码，包括

采用基于word2vector或bert的计算方法来对语料库中的词汇进行编码向量化，并且其中基于word2vector的计算方法采用计数编码方法。

3.根据权利要求1所述的图文数据扩充方法，其特征在于，所述对所述词汇编码进行聚类，包括：

采用选自由以下方法构成的组的聚类方法对所述词汇编码进行聚类以获得多个词汇聚类集合：K均值聚类、均值漂移聚类、基于密度的聚类方法、用高斯混合模型的最大期望聚类、凝聚层次聚类以及图团体检测；

获得所述多个词汇聚类集合中的每个词汇聚类集合的聚类中心，

其中在采用K均值聚类的情况下，将每个词汇聚类集合中的所有词汇的平均值作为所述词汇聚类集合的聚类中心。

4.根据权利要求3所述的图文数据扩充方法，其特征在于，对于除了语料库中的词汇之外的新词汇，所述方法包括：

对所述新词汇进行编码向量化以获得所述新词汇的词汇编码；

分别计算所述新词汇的词汇编码与所述多个词汇聚类集合中的每个词汇聚类集合的聚类中心的距离；以及

将所述新词汇添加到所述距离最小的词汇聚类集合，并且将与所述新词汇对应的图像添加到与所述词汇聚类集合对应的图像集合，以对图文数据进行更新。

5.根据权利要求1所述的图文数据扩充方法，其特征在于，所述获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合，包括：

获取所述词汇聚类集合中的一个或者多个词汇；

获取与所述词汇对应的图像；以及

将所述词汇聚类集合中的所有词汇对应的图像的集合作为与所述词汇聚类集合对应的图像集合；

其中获取与所述词汇对应的图像包括：

在用户输入所述词汇的情况下，向用户推荐候选图像，并将用户从所述候选图像中选中的图像作为与所述词汇对应的图像。

6.根据权利要求5所述的图文数据扩充方法，其特征在于，所述获取与所述词汇对应的图像，还包括：

统计所述图像集合中每张图像被选中的次数。

7.根据权利要求6所述的图文数据扩充方法，其特征在于，所述根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，包括：

根据所述图像集合中每张图像被选中的次数，计算所述图像集合的熵，以及

将熵大于预定阈值的图像所对应的词汇剔除以获得合格的词汇集合。

8.根据权利要求1所述的图文数据扩充方法，其特征在于，所述根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，包括：

获得所述图像集合中的图像的分散度；

确定分散度大于预定阈值的图像；以及

将与所述分散度大于预定阈值的图像对应的词汇集合剔除以获得合格的词汇集合。

9.根据权利要求8所述的图文数据扩充方法，其特征在于，所述获得所述图像集合中的图像的分散度，包括：

确定所述图像集合中的图像的熵、纯度、准确率、F-测量和召回率中的至少一个，并将所述图像的熵、纯度、准确率、F-测量和召回率中的至少一个作为所述图像集合中的图像的分散度的度量。

10.一种图文数据扩充装置，其特征在于，包括：

编码模块，所述编码模块对语料库中的词汇进行编码向量化以获得与所述词汇对应的词汇编码；

聚类模块，对所述词汇编码进行聚类以获得多个词汇聚类集合，其中每个词汇聚类集合包含一个或者多个词汇；

获得模块，所述获得模块获得与所述多个词汇聚类集合中的每个词汇聚类集合对应的图像集合，其中所述图像集合为与所述词汇聚类集合所包含的一个或者多个词汇对应的图像的集合；

剔除模块，所述剔除模块根据所述图像集合中的图像分布情况剔除不合格的词汇集合以获得合格的词汇集合，其中所述词汇集合是所述词汇聚类集合中的词汇的子集；以及

组合模块，所述组合模块组合所述合格的词汇集合中的任一元素与所述图像集合中的任一元素，以获得扩充的图文数据。

11.一种电子设备，其特征在于，所述电子设备包括：

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执行所述权利要求1-9中任一项所述的图文数据扩充方法。

12.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行所述权利要求1-9中任一项所述的图文数据扩充方法。

Images