CN111666751A - 训练文本扩充方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请实施例公开了训练文本扩充方法、装置、设备以及存储介质，涉及自然语言处理、深度学习、知识图谱技术领域。该方法的一具体实施方式包括：识别第一训练文本中存在的实体集合；从所存在的实体集合中选取第一实体；查找第一实体所属的概念下的实体集合；从概念下的实体集合中选取第二实体，其中，第一实体与第二实体不同；利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。该实施方式通过实体替换策略，利用同一概念下的不同实体对训练文本进行实体替换，引入了结构化人工知识的强噪声，从而实现了利用外部知识对训练文本的信息补充，提升了任务所需信息的完整性。

Description

训练文本扩充方法、装置、设备以及存储介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及自然语言处理、深度学习、知识图谱技术领域，尤其涉及训练文本扩充方法、装置、设备以及存储介质。

背景技术

在大规模文本上训练的预训练语言模型在多项NLP(Natural LanguageProcessing，自然语言处理)任务上都表现出极佳的效果。预训练过程可以使模型学习到语言中的语法和语义信息，而这些语法和语义信息可以迁移到其他任务上。此外，预训练语言模型在需要关于现实世界描述和知识推理的任务上也表现的很好。例如，在许多阅读理解任务，信息抽任务中使用预训练模型的系统往往达到了业界较优的效果。然而，现有的预训练语言模型只是隐式的学习无结构文本中包含的知识，缺乏结构化人工知识。

发明内容

本申请实施例提出了训练文本扩充方法、装置、设备以及存储介质。

第一方面，本申请实施例提出了一种训练文本扩充方法，包括：识别第一训练文本中存在的实体集合；从所存在的实体集合中选取第一实体；查找第一实体所属的概念下的实体集合；从概念下的实体集合中选取第二实体，其中，第一实体与第二实体不同；利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。

第二方面，本申请实施例提出了一种训练文本扩充装置，包括：识别模块，被配置成识别第一训练文本中存在的实体集合；第一选取模块，被配置成从所存在的实体集合中选取第一实体；查找模块，被配置成查找第一实体所属的概念下的实体集合；第二选取模块，被配置成从概念下的实体集合中选取第二实体，其中，第一实体与第二实体不同；替换模块，被配置成利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。

第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

本申请实施例提供的训练文本扩充方法、装置、设备以及存储介质，首先识别第一训练文本中存在的实体集合；之后从所存在的实体集合中选取第一实体；然后查找第一实体所属的概念下的实体集合；最后从概念下的实体集合中选取第二实体，以及利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。通过实体替换策略，利用同一概念下的不同实体对训练文本进行实体替换，引入了结构化人工知识的强噪声，从而实现了利用外部知识对训练文本的信息补充，提升了任务所需信息的完整性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

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。附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的训练文本扩充方法的一个实施例的流程图；

图3是根据本申请的训练文本扩充方法的又一个实施例的流程图；

图4是可以实现本申请实施例的训练文本扩充方法的场景图；

图5是根据本申请的训练文本扩充装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的训练文本扩充方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

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。

图1示出了可以应用本申请的训练文本扩充方法或训练文本扩充装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括数据库101、网络102和服务器103。网络102用以在数据库101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

数据库101可以用于存储第一训练文本。

服务器103可以提供各种服务。例如，服务器103可以对从数据库101获取到的第一训练文本等数据进行分析等处理，生成处理结果(例如第二训练文本)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的训练文本扩充方法一般由服务器103执行，相应地，训练文本扩充装置一般设置于服务器103中。

应该理解，图1中的数据库、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的数据库、网络和服务器。在服务器103中存储有第一训练文本的情况下，系统架构100可以不设置数据库101和网络102。

继续参考图2，其示出了根据本申请的训练文本扩充方法的一个实施例的流程200。该训练文本扩充方法包括以下步骤：

步骤201，识别第一训练文本中存在的实体集合。

在本实施例中，训练文本扩充方法的执行主体(例如图1所示的服务器103)可以利用实体识别技术识别第一训练文本中存在的实体集合。

其中，第一训练文本可以是海量真实世界知识。真实世界知识可以是对真实世界进行描述的知识。在通常情况下，第一训练文本是正样本。实体识别技术指从文本中识别具有特定类别的实体(通常是名词)，例如人名、地名、机构名、专有名词等。实体技术采用的方法可以包括但不限于传统方法和基于深层神经网络的方法。传统方法可以例如是序列标注方法，序列标注方法是指对文本中每个符号赋予一个特定的标签。对文本中的每个词给出一个特定的标签来表明是某个特定类型的开始，结束和中间词等。基于深层神经网络的方法可以利用例如基于窗口的深层神经网络模型。该模型第一层抽取文本中的每个词的特征，第二层从词窗口中抽取特征，并将其看做一系列的局部和全局结构，后面的层和经典的神经网络一样。

步骤202，从所存在的实体集合中选取第一实体。

在本实施例中，上述执行主体可以从第一训练文本中所存在的实体集合中选取第一实体。其中，选取方式可以包括但不限于随机选取。第一实体可以是实体集合中的部分实体，其选取比例可以根据需求预先设定，例如5％。

步骤203，查找第一实体所属的概念下的实体集合。

在本实施例中，上述执行主体可以首先确定第一实体所属的概念，然后查找该概念下的实体集合。

其中，概念是把一些实体的共同本质特点抽象出来，加以概括，是自我认知意识的一种表达，形成概念式思维惯性。概念与实体之间存在类属关系，概念是实体的上位词，实体是概念的下位词。例如，“美国”、“英国”、“德国”、“中国”、“意大利”等实体的共同本质特点是“国家”，因此这些实体所属的概念就可以是“国家”。若第一实体是“美国”，其所属的概念就是“国家”，概念“国家”下的实体集合可以包括但不限于“美国”、“英国”、“德国”、“中国”、“意大利”等实体。

同一概念下的实体，即使文字上较为不同，含义往往是非常接近。例如“复旦大学”和“上海交通大学”，虽然字面信息丝毫不同，但实际上都是代表大学，所以语义上是相似的。

在本实施例的一些可选的实现方式中，上述执行主体可以从概念图谱中查找第一实体所属的概念下的实体集合，以使更加便捷的获取概念下的实体集合。通常，通过实体链接能够在概念图谱中查找到实体所属的概念。其中，概念图谱可以是由实体、概念、实体与概念之间的类属关系、概念与概念之间的子类关系组成的图谱。类属关系和子类关系又可以统称为isA关系。如果AisA B，那么A为B的下位词，B为A的上位词。例如，“刘德华”isA“演员”，那么实体“刘德华”与概念“演员”之间存在类属关系。又例如“电影演员”isA“演员”，那么概念“电影演员”与概念“演员”之间存在子类关系。

步骤204，从概念下的实体集合中选取第二实体。

在本实施例中，上述执行主体可以从第一实体所属的概念下的实体集合中选取第二实体。其中，选取方式可以包括但不限于随机选取。此外，第一实体与第二实体不同。也就是说，从第一实体所属的概念下的实体集合中随机选取除第一实体之外的实体。例如，若第一实体是“美国”，其所属的概念“国家”下的实体集合除了包括实体“美国”之外，还可以包括但不限于“英国”、“德国”、“中国”、“意大利”等其他实体，这里会从其他实体中随机选取例如“意大利”作为第二实体。

步骤205，利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。

在本实施例中，上述执行主体可以利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。第二训练文本与第一训练文本相比，从外部知识引入新的实体进行信息补充。由于第二训练文本中的第二实体是第一实体所属概念下的其他实体，因此第二训练文本通过可以被认为是真实世界知识对应的负样本。

在本实施例的一些可选的实现方式中，上述执行主体还可以在第二实体的两端分别增加至少一个预设符号，来隐藏实体的真实长度。例如，在第二实体的两端随机增加一到两个空白符号。例如，对于文本“__是一个北美国家”，若从概念“国家”下的实体“美国”、“加拿大”、“墨西哥”中选取实体对文本空白处进行填充，由于文本中仅有两个空白符号，实体“美国”是两个字，而实体“加拿大”和实体“墨西哥”都是三个字，因此文本空白处只能填充实体“美国”。可见，实体的真实长度会降低实体知识学习的难度。在实体的两端分别增加至少一个空白符号，就隐藏了实体的真实长度，文本空白处不仅可以填充实体“美国”，还可以填充实体“加拿大”或实体“墨西哥”。

本申请实施例提供的训练文本扩充方法，首先识别第一训练文本中存在的实体集合；之后从所存在的实体集合中选取第一实体；然后查找第一实体所属的概念下的实体集合；最后从概念下的实体集合中选取第二实体，以及利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。通过实体替换策略，利用同一概念下的不同实体对训练文本进行实体替换，引入了结构化人工知识的强噪声，从而实现了利用外部知识对训练文本的信息补充，提升了任务所需信息的完整性。

进一步参考图3，其示出了根据本申请的训练文本扩充方法的又一个实施例的流程300。该训练文本扩充方法包括以下步骤：

步骤301，识别第一训练文本中存在的实体集合。

步骤302，从所存在的实体集合中选取第一实体。

步骤303，查找第一实体所属的概念下的实体集合。

步骤304，从概念下的实体集合中选取第二实体。

步骤305，利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。

在本实施例中，步骤301-305具体操作已在图2所示的实施例中步骤201-205进行了详细的介绍，在此不再赘述。

步骤306，将第二训练文本输入至预训练语言模型，学习得到第二训练文本中的每个字的知识表示。

在本实施例中，训练文本扩充方法的执行主体(例如图1所示的服务器103)可以将第二训练文本输入至预训练语言模型。预训练语言模型能够学习到第二训练文本中的每个字(Token)的知识表示。

其中，预训练语言模型可以例如是ELMo、BERT和XLNet等等。预训练语言模型的训练过程可以包括预训练(Pre-training)阶段和微调(Fine-tuning)阶段。其中，在预训练阶段，使用大量无监督语料进行预训练语言模型训练。在微调阶段，使用少量标注语料进行微调来完成具体NLP任务。这里，利用第二训练文本训练预训练语言模型属于预训练阶段。

在大规模文本上训练的预训练语言模型在多项NLP任务上都表现出极佳的效果。预训练过程可以使模型学习到语言中的语法和语义信息，而这些语法和语义信息可以迁移到其他任务上。此外，预训练语言模型在需要关于现实世界描述和知识推理的任务上也表现的很好。例如，在许多阅读理解任务，信息抽任务中使用预训练模型的系统往往达到了业界较优的效果。这些任务单单依靠输入第一训练文本本身并不能表达出任务所需要的完整信息，因此需要扩充的第二训练文本来补充信息。

利用概念图谱去构建预训练语言模型使用的训练文本中的强噪声信息，可以使得预训练语言模型更好的学习海量文本中蕴含的真实世界知识。并且，在NLP研究中通过引入强噪声来提高预训练语言模型的效果是十分有效的。

步骤307，利用分类器对第二训练文本中的每个字的知识表示进行分类，得到第二训练文本中的每个字的替换标签。

在本实施例中，上述执行主体可以利用分类器对第二训练文本中的每个字的知识表示进行分类，得到第二训练文本中的每个字的替换标签。

其中，分类器可以是全连接层，用于判断每个字是否被替换。通常，若该字被替换，其对应的替换标签的值是1，若该字没有被替换，其对应的替换标签的值为0。也就是说，第二训练文本中的第二实体的每个字对应的替换标签的值均为1，其余字对应的替换标签的值均为0。

步骤308，基于第二训练文本和第二训练文本中的每个字的替换标签，生成真实世界知识。

在本实施例中，上述执行主体可以基于第二训练文本和第二训练文本中的每个字的替换标签，生成真实世界知识。通常，基于第二训练文本中的每个字的替换标签，即可查找到第二实体。在第二训练文本中的第二实体前增加否定信息(包括但不限于非、不是)，即可生成真实世界知识。

从图3中可以看出，与图2对应的实施例相比，本实施例中的训练文本扩充方法的流程300增加了预训练语言模型学习步骤和真实世界知识生成步骤。由此，在本实施例描述的方案中，通过实体替换策略和实体长度隐藏策略，使得预训练语言模型进一步学习以实体为重心的信息，而不是字级别的信息。同时，通过应用概念图谱的实体替换策略，引入了结构化人工知识的强噪音，提高了预训练语言模型对真实世界知识的获取能力。基于分类器确定训练文本中的每个字的替换标签，基于替换标签生成真实世界知识，使得预训练语言模型能够隐式获取真实世界知识。

为了便于理解，下面提供可以实现本申请实施例的训练文本扩充方法的场景图。如图4所示，对于文本“XX是美国高科技公司YY公司的创始人”，从中识别出“XX”、“美国”、“高科技公司”和“YY”等实体。随机挑选实体“美国”，通过实体链接在概念知识图谱中查找实体“美国”所属的概念“国家”，以及概念“国家”下包括“美国”、“英国”、“德国”、“中国”、“意大利”等实体的实体集合。从概念国家”下的实体结合中随机选取不同于实体“美国”的实体“意大利”，以及利用实体“意大利”替换文本中的实体“美国”，并且在实体“意大利”的两端分别增加一个空白符号，得到新文本“XX是_意大利_高科技公司YY公司的创始人”。将新文本输入至预训练语言模型，学习得到新文本中的每个字的知识表示，基于将新文本中的每个字的知识表示输入至分类器，得到新文本中的每个字的替换标签。其中，新文本中“意大利”三个字对应的替换标签的值是1，其与字对应的替换标签的值都是0。此时，基于新文本和新文本中的每个字的替换标签，即可生成真实世界知识“XX不是意大利高科技公司YY公司的创始人”。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种训练文本扩充装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的训练文本扩充装置500可以包括：识别模块501、第一选取模块502、查找模块503、第二选取模块504和替换模块505。其中，识别模块501，被配置成识别第一训练文本中存在的实体集合；第一选取模块502，被配置成从所存在的实体集合中选取第一实体；查找模块503，被配置成查找第一实体所属的概念下的实体集合；第二选取模块504，被配置成从概念下的实体集合中选取第二实体，其中，第一实体与第二实体不同；替换模块505，被配置成利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。

在本实施例中，训练文本扩充装置500中：识别模块501、第一选取模块502、查找模块503、第二选取模块504和替换模块505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，查找模块503进一步被配置成：从概念图谱中查找第一实体所属的概念下的实体集合，其中，概念图谱是由实体、概念、实体与概念之间的类属关系、概念与概念之间的子类关系组成的图谱。

在本实施例的一些可选的实现方式中，替换模块505进一步被配置成：在第二实体的两端分别增加至少一个预设符号。

在本实施例的一些可选的实现方式中，训练文本扩充装置500还包括：学习模块(图中未示出)，被配置成将第二训练文本输入至预训练语言模型，学习得到第二训练文本中的每个字的知识表示。

在本实施例的一些可选的实现方式中，训练文本扩充装置500还包括：分类模块(图中未示出)，被配置成利用分类器对第二训练文本中的每个字的知识表示进行分类，得到第二训练文本中的每个字的替换标签；生成模块(图中未示出)，被配置成基于第二训练文本和第二训练文本中的每个字的替换标签，生成真实世界知识。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例训练文本扩充方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的训练文本扩充方法。本申请的非瞬时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计算机执行本申请所提供的训练文本扩充方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的训练文本扩充方法对应的程序指令/模块(例如，附图5所示的识别模块501、第一选取模块502、查找模块503、第二选取模块504和替换模块505)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的训练文本扩充方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据训练文本扩充方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至训练文本扩充方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

训练文本扩充方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与训练文本扩充方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请的技术方案，首先识别第一训练文本中存在的实体集合；之后从所存在的实体集合中选取第一实体；然后查找第一实体所属的概念下的实体集合；最后从概念下的实体集合中选取第二实体，以及利用第二实体替换第一训练文本中的第一实体，得到第二训练文本。通过实体替换策略，利用同一概念下的不同实体对训练文本进行实体替换，引入了结构化人工知识的强噪声，从而实现了利用外部知识对训练文本的信息补充，提升了任务所需信息的完整性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种训练文本扩充方法，包括：

识别第一训练文本中存在的实体集合；

从所存在的实体集合中选取第一实体；

查找所述第一实体所属的概念下的实体集合；

从所述概念下的实体集合中选取第二实体，其中，所述第一实体与所述第二实体不同；

利用所述第二实体替换所述第一训练文本中的所述第一实体，得到第二训练文本。

2.根据权利要求1所述的方法，其中，所述查找所述第一实体所属的概念下的实体集合，包括：

从概念图谱中查找所述第一实体所属的概念下的实体集合，其中，所述概念图谱是由实体、概念、实体与概念之间的类属关系、概念与概念之间的子类关系组成的图谱。

3.根据权利要求1所述的方法，其中，在所述利用所述第二实体替换所述第一训练文本中的所述第一实体之后，还包括：

在所述第二实体的两端分别增加至少一个预设符号。

4.根据权利要求1-3之一所述的方法，其中，所述方法还包括：

将所述第二训练文本输入至预训练语言模型，学习得到所述第二训练文本中的每个字的知识表示。

5.根据权利要求4所述的方法，其中，所述方法还包括：

利用分类器对所述第二训练文本中的每个字的知识表示进行分类，得到所述第二训练文本中的每个字的替换标签；

基于所述第二训练文本和所述第二训练文本中的每个字的替换标签，生成真实世界知识。

6.一种训练文本扩充装置，包括：

识别模块，被配置成识别第一训练文本中存在的实体集合；

第一选取模块，被配置成从所存在的实体集合中选取第一实体；

查找模块，被配置成查找所述第一实体所属的概念下的实体集合；

第二选取模块，被配置成从所述概念下的实体集合中选取第二实体，其中，所述第一实体与所述第二实体不同；

替换模块，被配置成利用所述第二实体替换所述第一训练文本中的所述第一实体，得到第二训练文本。

7.根据权利要求6所述的装置，其中，所述查找模块进一步被配置成：

从概念图谱中查找所述第一实体所属的概念下的实体集合，其中，所述概念图谱是由实体、概念、实体与概念之间的类属关系、概念与概念之间的子类关系组成的图谱。

8.根据权利要6所述的装置，其中，替换模块进一步被配置成：

在所述第二实体的两端分别增加至少一个预设符号。

9.根据权利要求6-8之一所述的装置，其中，所述装置还包括：

学习模块，被配置成将所述第二训练文本输入至预训练语言模型，学习得到所述第二训练文本中的每个字的知识表示。

10.根据权利要求9所述的装置，其中，所述装置还包括：

分类模块，被配置成利用分类器对所述第二训练文本中的每个字的知识表示进行分类，得到所述第二训练文本中的每个字的替换标签；

生成模块，被配置成基于所述第二训练文本和所述第二训练文本中的每个字的替换标签，生成真实世界知识。

11.一种电子设备，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1-5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，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images