CN111754984A - 文本选取的方法、装置、设备和计算机可读介质 - Google Patents

文本选取的方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN111754984A
CN111754984A CN202010579028.0A CN202010579028A CN111754984A CN 111754984 A CN111754984 A CN 111754984A CN 202010579028 A CN202010579028 A CN 202010579028A CN 111754984 A CN111754984 A CN 111754984A
Authority
CN
China
Prior art keywords
target text
index value
determining
target
index
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.)
Granted
Application number
CN202010579028.0A
Other languages
English (en)
Other versions
CN111754984B (zh
Inventor
蔡建伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010579028.0A priority Critical patent/CN111754984B/zh
Publication of CN111754984A publication Critical patent/CN111754984A/zh
Application granted granted Critical
Publication of CN111754984B publication Critical patent/CN111754984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G10L15/142—Hidden Markov Models [HMMs]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施例公开了文本选取的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对于目标文本集中的每个目标文本：使用第一方式确定上述目标文本的预设指标的第一指标值；使用第二方式确定上述目标文本的上述预设指标的第二指标值；基于上述第一指标值和上述第二指标值，确定上述目标文本对应的差异值；基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集。该实施方式综合两种方式得出的，得到的差异值。按照差异值，选择合适文本，进一步的，将所选择的这些文本用于模型的训练，可以使得模型的预测结果更加准确。

Description

文本选取的方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及文本选取的方法、装置、设备和计算机可读介质。
背景技术
在视频场景中进行语音识别，根据语音识别的结果，自动标注字幕是一个很常用的需求。语音识别中模型所使用的训练数据好坏，往往会影响语音识别的准确度。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于文本选取的方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种文本选取的方法，该方法包括：对于目标文本集中的每个目标文本：使用第一方式确定上述目标文本的预设指标的第一指标值；使用第二方式确定上述目标文本的上述预设指标的第二指标值；基于上述第一指标值和上述第二指标值，确定上述目标文本对应的差异值；基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集。
第二方面，本公开的一些实施例提供了一种文本选取的装置，装置包括：文本处理单元，被配置成对于目标文本集中的每个目标文本：使用第一方式确定上述目标文本的预设指标的第一指标值；使用第二方式确定上述目标文本的上述预设指标的第二指标值；基于上述第一指标值和上述第二指标值，确定上述目标文本对应的差异值；选择单元，被配置成基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集。
第三方面，本公开的一些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如第一方面中任一的方法。
第四方面，本公开的一些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，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：对于目标文本集中的每个目标文本，采用两种方式，分别得到该目标文本的预设指标的第一指标值和第二指标值。然后，根据第一指标值和第二指标值，确定出该文本的差异值。采取两种方式可以从多个角度来确定出目标文本的指标信息。这里，融合两种方式的结果确定出的差异值，可以更全面的反映出目标文本的指标信息。然后，基于差异值，在目标文本集中选择至少一个目标文本，得到第一目标文本集。从而使得通过上述第一目标文本集训练的模型有更好的预测结果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的文本选取的方法的一个应用场景的示意图；
图2是根据本公开的文本选取的方法一些实施例的流程图；
图3是根据本公开的文本选取的方法另一些实施例的流程图；
图4是根据本公开的文本选取的装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的文本选取的方法的一个应用场景的示意图100。
如图100所示，现有一目标文本集，如图1中所示。目标文本集可以包括目标文本1、目标文本2、目标文本3、目标文本4、目标文本5、目标文本6、目标文本7和目标文本8。对于目标文本集中的每个目标文本。这里，以目标文本1为例，电子设备101可以使用第一方式102确定出目标文本1的预设指标的第一指标值104。电子设备101还可以使用第二方式103确定出目标文本1的预设指标的第二指标值105。然后，基于第一指标值104和上述第二指标值105，电子设备101可以确定出目标文本1对应的差异值106。类似的，可以将目标文本集中其余目标文本的差异值确定出来。例如，目标文本1、目标文本2、目标文本3、目标文本4、目标文本5、目标文本6、目标文本7和目标文本8，所对应的差异值分别为差异值1、差异值2、差异值3、差异值4、差异值5、差异值6、差异值7和差异值8。这里，根据所得到8个差异值，在目标文本集中选择至少一个目标文本，得到第一目标文本集。如图中所示，最终电子设备101选择了目标文本1，目标文本2，目标文本4和目标文本6这四个目标文本，最终，得到了第一目标文本集。
可以理解的是，文本选取的方法可以是由上述电子设备101来执行。其中，电子设备101可以是硬件，也可以是软件。当电子设备101为硬件时，可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机、服务器等等。当电子设备101为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的电子设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。
继续参考图2，示出了根据本公开的文本选取的方法的一些实施例的流程200。该文本选取的方法，包括以下步骤：
对于目标文本集中的每个目标文本执行以下步骤：
步骤201，使用第一方式确定出目标文本的预设指标的第一指标值。
在一些实施例中，上述执行主体(例如，图1中的电子设备)可以使用第一方式确定出该目标文本的预设指标的第一指标值。这里，第一指标值用于表征该目标文本的相关信息。实践中，作为示例，第一指标值可以是该目标文本对应的困惑度。这里，困惑度可以用来度量概率模型预测该目标文本的好坏程度。其中，上述概率模型可以是以下之一：DBN(Dynamic Bayesian Networks，动态贝叶斯网络)、HMM(Hidden Markov Model，隐马尔科夫模型)。上述第一方式可以包括多种。作为示例，上述执行主体可以通过HMM来确定出该目标文本的预设指标的第一指标值。此外，上述执行主体还可以通过DBN来确定出该目标文本的预设指标的第一指标值。
在一些实施例的一些可选的实现方式中，上述使用第一方式确定上述目标文本的预设指标的第一指标值，包括如下步骤：
第一步：上述执行主体可以将上述目标文本输入预先训练的第二语言模型，得到上述目标文本的被配。这里，第二语言模型可以是统计语言模型(例如，N-gram)。上述第一得分是指第二语言模型的输出结果，是一个概率值。实践中，第一得分往往用来表示目标文本是一个句子的概率值。
第二步：基于上述第一得分，上述执行主体可以确定出上述第一指标值。这里，可以对上述第一得分经过一些转化，最终得到第一指标值。实践中，可以为第一得分添加指数项，最终得到第一指标值。
步骤202，使用第二方式确定目标文本的预设指标的第二指标值。
在一些实施例中，上述执行主体可以使用第二方式确定出该目标文本的预设指标的第二指标值。这里，第二指标值同样用于表征该文本的相关信息。实践中，第二指标值可以是该目标文本对应的困惑度。上述第二方式可以包括多种。作为示例，上述执行主体可以通过HMM来确定出该目标文本的预设指标的第二指标值。此外，上述执行主体还可以通过DBN来确定出该目标文本的预设指标的第二指标值。
在一些实施例的一些可选的实现方式中，使用第二方式确定目标文本的预设指标的第二指标值，包括如下步骤：
第一步：上述执行主体可以将目标文本输入预先训练的第三语言模型，得到上述目标文本的第二得分。这里，第三语言模型可以是神经网络语言模型。例如，transformer-xl。上述目标文本的第二得分是指第三语言模型的输出结果，是一个概率值。实践中，第二得分往往用来表示目标文本是一个句子的概率值。
第二步：基于上述第二得分，上述执行主体可以确定出上述第二指标值。这里，可以对上述第二得分经过一些转化，最终得到第二指标值。实践中，可以为第二得分添加指数项，最终得到第二指标值。
在这些可选的实现方式中，神经网络语言模型可以考虑更长的上文，特别的transformer模型在语言模型建模上具有特别好的性能，因此通过transformer得到的第二指标值的准确度会更高。
步骤203，基于第一指标值和第二指标值，确定目标文本对应的差异值。
在一些实施例中，基于第一指标值和第二指标值，上述执行主体可以确定出目标文本对应的差异值。这里，确定的方法有多种，可以将第一指标值与第二指标值所包括的概率值做运算，进而确定出目标文本对应的差异值。例如，上述执行主体通过相对熵和JS
(Jensen-Shannon divergence)散度来确定目标文本对应的差异值。
在一些实施例的一些可选的实现方式中，基于上述第一指标值和上述第二指标值，确定出上述目标文本对应的差异值，包括：根据上述第一指标值和上述第二指标值，上述执行主体可以使用交叉熵损失函数来确定出上述目标文本对应的差异值。
步骤204，基于所得到多个差异值，在目标文本集中选择至少一个目标文本，得到第一目标文本集。
在一些实施例中，基于所得到多个差异值，上述执行主体可以在目标文本集中选择至少一个目标文本，得到第一目标文本集。这里，对于目标文本集中的目标文本，在经过上述步骤后，目标文本集中的每个目标文本都会有对应的差异值。这里，基于所得到多个差异值，可以使用多种方法来从目标文本集中选择至少一个目标文本。例如，使用一些排序算法来对差异值排序，得到差异值从小到大的排序结果。按照排序结果从前往后的顺序，选择预定数目个差异值，将这预定数目个差异值对应的目标文本作为第一目标文本集。此外，还可以求出多个差异值的均值，选择小于均值的差异值所对应的目标文本，得到第一目标文本集。
在一些实施例的一些可选的实现方式中，基于所得到多个差异值，在目标文本集中选择至少一个目标文本，得到第一目标文本集，包括：
第一步：上述执行主体可以对所得到多个差异值进行排序，得到排序结果。这里，上述执行主体可以按照差异值从小到大的顺序，将所得到多个差异值进行排序，得到排序结果。其中，排序结果可以是从小到大的差异值序列。
第二步：基于排序结果，按照预设比例，上述执行主体可以在目标文本集中选择至少一个目标文本，得到上述第一目标文本集。这里，预设比例可以是至少一个目标文本与目标文本集的比值。是根据实际需要设定的。实践中，可以设置为1:10。
作为示例，排序结果包括从小到大100个差异值，按照1：10的比例，从排序结果中选择前10个差异值所对应的目标文本，最终，得到第一目标文本集。
在一些实施例的一些可选的实现方式中，上述第二语言模型是通过上述目标文本集训练得到的。
在一些实施例的一些可选的实现方式中，上述第三语言模型是通过上述目标文本集训练得到的。
本公开的上述各个实施例中的一个实施例具有如下有益效果：对于目标文本集中的每个目标文本，采用两种方式，分别得到该目标文本的预设指标的第一指标值和第二指标值。然后，根据第一指标值和第二指标值，确定出该文本的差异值。采取两种方式可以从多个角度来确定出目标文本的指标信息。这里，融合两种方式的结果确定出的差异值，可以更全面的反映出目标文本的指标信息。然后，基于差异值，在目标文本集中选择至少一个目标文本，得到第一目标文本集。从而使得通过上述第一目标文本集训练的模型有更好的预测结果。
进一步参考图3，其示出了文本选取的方法的另一些实施例的流程300。该文本选取的方法的流程300，包括以下步骤：
对于目标文本集中的每个目标文本执行以下步骤：
步骤301，使用第一方式确定出目标文本的预设指标的第一指标值。
步骤302，使用第二方式确定目标文本的预设指标的第二指标值。
步骤303，基于第一指标值和第二指标值，确定目标文本对应的差异值。
步骤304，基于所得到多个差异值，在目标文本集中选择至少一个目标文本，得到第一目标文本集。
在一些实施例中，步骤301至步骤304的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201至步骤204，在此不再赘述。
步骤305，使用第一目标文本集，对初始第一语言模型进行训练，得到第一语言模型。
在一些实施例中，上述执行主体可以使用上述第一目标文本集，对初始第一语言模型进行训练，进而得到第一语言模型。这里，第一语言模型可以是统计语言模型(例如，N-gram)。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的文本选取的方法的流程300增加了使用所得到第一目标文本集来对初始第一语言模型进行训练，进而得到第一语言模型。这里，因为第一目标文本集中的第一目标文本是经过筛选的，是更加符合实际场景(例如，视频场景)需求的。进一步的，使用第一目标文本集训练后的模型去做语音识别任务，可以使得预测的结果更加准确，更加贴合实际场景。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种文本选取的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的文本选取的装置400包括：文本处理单元401和选择单元402。其中，文本处理单元401，被配置成对于目标文本集中的每个目标文本，使用第一方式确定上述目标文本的预设指标的第一指标值；使用第二方式确定上述目标文本的上述预设指标的第二指标值；基于上述第一指标值和上述第二指标值，确定上述目标文本对应的差异值；选择单元402，被配置成基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集。
在一些实施例的一些可选的实现方式中，上述装置还包括：生成单元。其中，生成单元可以被配置成基于上述第一目标文本集，对初始第一语言模型进行训练，生成第一语言模型。
在一些实施例的一些可选的实现方式中，文本处理单元401可以进一步被配置成：将上述目标文本输入预先训练的第二语言模型，得到上述目标文本的第一得分；基于上述第一得分，确定上述第一指标值。
在一些实施例的一些可选的实现方式中，文本处理单元401可以进一步被配置成：将上述目标文本输入预先训练的第三语言模型，得到上述目标文本的第二得分；基于上述第二得分，确定上述第二指标值。
在一些实施例的一些可选的实现方式中，选择单元402可以进一步被配置成：对所得到多个差异值进行排序，得到排序结果；基于排序结果，按照预设比例，在上述目标文本集中选择至少一个目标文本，得到上述第一目标文本集。
在一些实施例的一些可选的实现方式中，上述第二语言模型是通过上述目标文本集训练得到的。
在一些实施例的一些可选的实现方式中，上述第三语言模型是通过上述目标文本集训练得到的。
在一些实施例的一些可选的实现方式中，文本处理单元401可以进一步被配置成：基于上述第一指标值和上述第二指标值，使用交叉熵损失函数确定上述目标文本对应的差异值。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置505加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；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：对于目标文本集中的每个目标文本：使用第一方式确定上述目标文本的预设指标的第一指标值；使用第二方式确定上述目标文本的上述预设指标的第二指标值；基于上述第一指标值和上述第二指标值，确定上述目标文本对应的差异值；基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集。
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一些实施例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。
描述于本公开的一些实施例中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，例如，可以描述为：一种处理器包括文本处理单元和选择单元。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，例如，选择单元还可以被描述为“基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种文本选取方法，包括：对于目标文本集中的每个目标文本：使用第一方式确定上述目标文本的预设指标的第一指标值；使用第二方式确定上述目标文本的上述预设指标的第二指标值；基于上述第一指标值和上述第二指标值，确定上述目标文本对应的差异值；基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集。
根据本公开的一个或多个实施例，上述方法还包括：基于上述第一目标文本集，对初始第一语言模型进行训练，生成第一语言模型。
根据本公开的一个或多个实施例，上述使用第一方式确定上述目标文本的预设指标的第一指标值，包括：将上述目标文本输入预先训练的第二语言模型，得到上述目标文本的第一得分；基于上述第一得分，确定上述第一指标值。
根据本公开的一个或多个实施例，上述使用第二方式确定上述目标文本的上述预设指标的第二指标值，包括：将上述目标文本输入预先训练的第三语言模型，得到上述目标文本的第二得分；基于上述第二得分，确定上述第二指标值。
根据本公开的一个或多个实施例，上述基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集，包括：对所得到多个差异值进行排序，得到排序结果；基于排序结果，按照预设比例，在上述目标文本集中选择至少一个目标文本，得到上述第一目标文本集。
根据本公开的一个或多个实施例，上述第二语言模型是通过上述目标文本集训练得到的。
根据本公开的一个或多个实施例，上述第三语言模型是通过上述目标文本集训练得到的。
根据本公开的一个或多个实施例，上述基于上述第一指标值和上述第二指标值，确定上述目标文本对应的差异值，包括：基于上述第一指标值和上述第二指标值，使用交叉熵损失函数确定上述目标文本对应的差异值。
根据本公开的一个或多个实施例，提供了一种文本选取装置，包括：文本处理单元和选择单元。其中，文本处理单元，被配置成对于目标文本集中的每个目标文本，使用第一方式确定上述目标文本的预设指标的第一指标值；使用第二方式确定上述目标文本的上述预设指标的第二指标值；基于上述第一指标值和上述第二指标值，确定上述目标文本对应的差异值；选择单元，被配置成基于所得到多个差异值，在上述目标文本集中选择至少一个目标文本，得到第一目标文本集。
根据本公开的一个或多个实施例，上述装置还包括：生成单元。其中，生成单元可以被配置成基于上述第一目标文本集，对初始第一语言模型进行训练，生成第一语言模型。
在一些实施例的一些可选的实现方式中，文本处理单元可以进一步被配置成：将上述目标文本输入预先训练的第二语言模型，得到上述目标文本的第一得分；基于上述第一得分，确定上述第一指标值。
根据本公开的一个或多个实施例，文本处理单元可以进一步被配置成：将上述目标文本输入预先训练的第三语言模型，得到上述目标文本的第二得分；基于上述第二得分，确定上述第二指标值。
根据本公开的一个或多个实施例，选择单元可以进一步被配置成：对所得到多个差异值进行排序，得到排序结果；基于排序结果，按照预设比例，在上述目标文本集中选择至少一个目标文本，得到上述第一目标文本集。
根据本公开的一个或多个实施例，上述第二语言模型是通过上述目标文本集训练得到的。
根据本公开的一个或多个实施例，上述第三语言模型是通过上述目标文本集训练得到的。
根据本公开的一个或多个实施例，文本处理单元可以进一步被配置成：基于上述第一指标值和上述第二指标值，使用交叉熵损失函数确定上述目标文本对应的差异值
根据本公开的一个或多个实施例，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如上述任一实施例描述的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (11)

1.一种文本选取的方法，包括：
对于目标文本集中的每个目标文本：
使用第一方式确定所述目标文本的预设指标的第一指标值；
使用第二方式确定所述目标文本的所述预设指标的第二指标值；
基于所述第一指标值和所述第二指标值，确定所述目标文本对应的差异值；
基于所得到多个差异值，在所述目标文本集中选择至少一个目标文本，得到第一目标文本集。
2.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述第一目标文本集，对初始第一语言模型进行训练，生成第一语言模型。
3.根据权利要求1所述的方法，其中，所述使用第一方式确定所述目标文本的预设指标的第一指标值，包括：
将所述目标文本输入预先训练的第二语言模型，得到所述目标文本的第一得分；
基于所述第一得分，确定所述第一指标值。
4.根据权利要求1所述的方法，其中，所述使用第二方式确定所述目标文本的所述预设指标的第二指标值，包括：
将所述目标文本输入预先训练的第三语言模型，得到所述目标文本的第二得分；
基于所述第二得分，确定所述第二指标值。
5.根据权利要求1所述的方法，其中，所述基于所得到多个差异值，在所述目标文本集中选择至少一个目标文本，得到第一目标文本集，包括：
对所得到多个差异值进行排序，得到排序结果；
基于排序结果，按照预设比例，在所述目标文本集中选择至少一个目标文本，得到所述第一目标文本集。
6.根据权利要求3所述的方法，其中，所述第二语言模型是通过所述目标文本集训练得到的。
7.根据权利要求4所述的方法，其中，所述第三语言模型是通过所述目标文本集训练得到的。
8.根据权利要求1所述的方法，其中，所述基于所述第一指标值和所述第二指标值，确定所述目标文本对应的差异值，包括：
基于所述第一指标值和所述第二指标值，使用交叉熵损失函数确定所述目标文本对应的差异值。
9.一种文本选取的装置，包括：
文本处理单元，被配置成对于目标文本集中的每个目标文本：
使用第一方式确定所述目标文本的预设指标的第一指标值；
使用第二方式确定所述目标文本的所述预设指标的第二指标值；
基于所述第一指标值和所述第二指标值，确定所述目标文本对应的差异值；
选择单元，被配置成基于所得到多个差异值，在所述目标文本集中选择至少一个目标文本，得到第一目标文本集。
10.一种电子设备，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1-8中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN202010579028.0A 2020-06-23 2020-06-23 文本选取的方法、装置、设备和计算机可读介质 Active CN111754984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010579028.0A CN111754984B (zh) 2020-06-23 2020-06-23 文本选取的方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010579028.0A CN111754984B (zh) 2020-06-23 2020-06-23 文本选取的方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN111754984A true CN111754984A (zh) 2020-10-09
CN111754984B CN111754984B (zh) 2023-08-08

Family

ID=72677050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010579028.0A Active CN111754984B (zh) 2020-06-23 2020-06-23 文本选取的方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN111754984B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051400A (zh) * 2021-03-31 2021-06-29 北京字节跳动网络技术有限公司 标注数据确定方法、装置、可读介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130018650A1 (en) * 2011-07-11 2013-01-17 Microsoft Corporation Selection of Language Model Training Data
US20170212890A1 (en) * 2016-01-26 2017-07-27 International Business Machines Corporation Generation of a natural language resource using a parallel corpus
CN108287821A (zh) * 2018-01-23 2018-07-17 北京奇艺世纪科技有限公司 一种高质量文本筛选方法、装置及电子设备
CN109284367A (zh) * 2018-11-30 2019-01-29 北京字节跳动网络技术有限公司 用于处理文本的方法和装置
CN110910864A (zh) * 2019-10-24 2020-03-24 深圳追一科技有限公司 训练样本的选取方法、装置、计算机设备和存储介质
CN111081221A (zh) * 2019-12-23 2020-04-28 合肥讯飞数码科技有限公司 训练数据选择方法、装置、电子设备及计算机存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130018650A1 (en) * 2011-07-11 2013-01-17 Microsoft Corporation Selection of Language Model Training Data
US20170212890A1 (en) * 2016-01-26 2017-07-27 International Business Machines Corporation Generation of a natural language resource using a parallel corpus
CN108287821A (zh) * 2018-01-23 2018-07-17 北京奇艺世纪科技有限公司 一种高质量文本筛选方法、装置及电子设备
CN109284367A (zh) * 2018-11-30 2019-01-29 北京字节跳动网络技术有限公司 用于处理文本的方法和装置
CN110910864A (zh) * 2019-10-24 2020-03-24 深圳追一科技有限公司 训练样本的选取方法、装置、计算机设备和存储介质
CN111081221A (zh) * 2019-12-23 2020-04-28 合肥讯飞数码科技有限公司 训练数据选择方法、装置、电子设备及计算机存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051400A (zh) * 2021-03-31 2021-06-29 北京字节跳动网络技术有限公司 标注数据确定方法、装置、可读介质及电子设备
WO2022206413A1 (zh) * 2021-03-31 2022-10-06 北京字节跳动网络技术有限公司 标注数据确定方法、装置、可读介质及电子设备

Also Published As

Publication number Publication date
CN111754984B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN108630190B (zh) 用于生成语音合成模型的方法和装置
CN110688528B (zh) 生成视频的分类信息的方法、装置、电子设备和介质
CN109981787B (zh) 用于展示信息的方法和装置
CN110084317B (zh) 用于识别图像的方法和装置
CN111681661B (zh) 语音识别的方法、装置、电子设备和计算机可读介质
CN111340220A (zh) 用于训练预测模型的方法和装置
CN112259079A (zh) 语音识别的方法、装置、设备和计算机可读介质
CN115801980A (zh) 视频生成方法和装置
CN110232920B (zh) 语音处理方法和装置
CN110009101B (zh) 用于生成量化神经网络的方法和装置
CN111968657B (zh) 语音处理方法、装置、电子设备和计算机可读介质
CN111754984B (zh) 文本选取的方法、装置、设备和计算机可读介质
CN110956127A (zh) 用于生成特征向量的方法、装置、电子设备和介质
CN112017685B (zh) 语音生成方法、装置、设备和计算机可读介质
CN115272760A (zh) 适用于森林火灾烟雾检测的小样本烟雾图像细分类方法
CN111652002B (zh) 文本划分方法、装置、设备和计算机可读介质
CN109857838B (zh) 用于生成信息的方法和装置
CN111949860B (zh) 用于生成相关度确定模型的方法和装置
CN112365046A (zh) 用户信息生成方法、装置、电子设备和计算机可读介质
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN112632241A (zh) 智能会话的方法、装置、设备和计算机可读介质
CN111709784A (zh) 用于生成用户留存时间的方法、装置、设备和介质
CN115328811B (zh) 用于工控网络仿真的程序语句测试方法、装置、电子设备
CN113077353B (zh) 用于生成核保结论的方法、装置、电子设备和介质
CN115204150B (zh) 信息校验方法、装置、电子设备和计算机可读介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: Tiktok vision (Beijing) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant