CN112084764B - 数据检测方法、装置、存储介质及设备 - Google Patents

数据检测方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN112084764B
CN112084764B CN202010910557.4A CN202010910557A CN112084764B CN 112084764 B CN112084764 B CN 112084764B CN 202010910557 A CN202010910557 A CN 202010910557A CN 112084764 B CN112084764 B CN 112084764B
Authority
CN
China
Prior art keywords
data
sample data
sample
abnormal
text similarity
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
Application number
CN202010910557.4A
Other languages
English (en)
Other versions
CN112084764A (zh
Inventor
张贺
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 CN202010910557.4A priority Critical patent/CN112084764B/zh
Publication of CN112084764A publication Critical patent/CN112084764A/zh
Application granted granted Critical
Publication of CN112084764B publication Critical patent/CN112084764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • 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
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例公开了数据检测方法、装置、存储介质及设备。该方法包括：针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据所述文本相似度确定所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据；将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。通过采用上述技术方案，可以更加快速准确地识别异常数据。

Description

数据检测方法、装置、存储介质及设备
技术领域
本公开实施例涉及计算机技术领域，尤其涉及数据检测方法、装置、存储介质及设备。
背景技术
人机对话系统一般包括自动语音识别、自然语言理解、对话管理、自然语言生成和语音合成等子系统。自然语言理解子系统主要用于理解用户输入的查询语句，一般负责垂直领域分类、领域意图识别和槽位抽取三个任务，其中的垂直领域分类和领域意图识别都属于文本分类任务。通常一个人机对话系统包含用于垂直领域分类和领域意图识别的多个文本分类模型，影响分类模型的效果的一个关键因素就是模型使用的样本数据的质量。
在人机对话系统的生命周期中，有多种数据来源，通常包括用户日志数据、众包采集数据、众包标注数据以及自动生成数据等。无论哪种数据来源，都会掺杂异常数据，异常数据不等同于错误数据，对于单类别的数据集而言，异常数据可包含不属于当前类别的数据，即模型预测或者人工标注导致的分类错误，使该数据被误划分至当前类别，成为当前类别下的异常数据。在对分类模型进行训练时，若采用的数据集中包含异常数据，则会对训练结果产生影响，进而导致训练得到的分类模型不够准确，因此，需要检测出数据集中的异常数据。现有的检测方案一般包含三种：第一种是完全人工标注，标注人员需要经过专业培训，人工成本和时间成本消耗大；第二种是模型辅助人工标注；第三种是完全模型标注。第二种和第三种均涉及模型，无论是复用线上分类模型，还是单独训练离线分类模型，都要依赖具体应用场景对应的分类模型，迁移性差，随着标注任务数量增加，模型数量和维护成本也会增加。因此，现有的异常数据检测方案不够完善，需要改进。
发明内容
本公开实施例提供了数据检测方法、装置、存储介质及设备，可以优化现有的异常数据检测方案。
第一方面，本公开实施例提供了一种数据检测方法，包括：
针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据所述文本相似度确定所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据；
将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。
第二方面，本公开实施例提供了一种数据检测装置，包括：
正常度评分计算模块，用于针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据所述文本相似度确定所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据；
异常数据检测模块，用于将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。
第三方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例提供的数据检测方法。
第四方面，本公开实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本公开实施例提供的数据检测方法。
本公开实施例中提供的异常数据检测方案，针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与其他样本数据的文本相似度，并根据文本相似度确定当前样本数据对应的正常度评分，将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。通过采用上述技术方案，对于单类别的分类数据集来说，在进行异常数据检测时，不需要依赖其他类别的分类数据，也不需要依赖具体的某个分类模型，可以根据基于样本数据之间的文本相似度得到的正常度评分来快速准确地识别出异常数据，节省人工成本和时间成本，且维护成本低，普适性好，采用针对异常数据进行处理后的分类数据集对分类模型进行优化，可有利于提升分类模型的效果和优化效率。
附图说明
图1为本公开实施例提供的一种数据检测方法的流程示意图；
图2为本公开实施例提供的一种数据检测方法的流程示意图；
图3为本公开实施例提供的一种数据检测方法的流程示意图；
图4为本公开实施例提供的一种数据检测方法的流程示意图；
图5为本公开实施例提供的一种数据检测装置的结构框图；
图6为本公开实施例提供的一种电子设备的结构框图。
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。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
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”。
下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。
图1为本公开实施例提供的一种数据检测方法的流程示意图，该方法可以由数据检测装置执行，其中该装置可由软件和/或硬件实现，一般可集成在电子设备中。如图1所示，该方法包括：
步骤101、针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据所述文本相似度确定所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据。
示例性的，分类数据集可以理解为预设数据来源的原始数据经过类别划分后得到的数据集，一个分类数据集可以对应一个类别。其中，预设数据来源可以包括用户日志数据、众包采集数据、众包标注数据以及自动生成数据等。类别划分的具体方式不做限定，例如可以是由分类模型进行划分，若预设数据来源的原始数据已经是明确类别的数据(例如带有类别标签等)，则可直接根据已明确类别将原始数据归入相应的分类数据集中，不需要再借助分类模型等手段进行分类。以用户日志数据为例，可以是用户在使用人机对话设备(如智能音箱)过程中产生的日志数据，例如包含用户向人机对话设备说出的语句，又如可以包含用户向人机对话设备说出的语句以及人机对话设备采用内置在线分类模型对该语句进行分类后的类别标签。
可选的，目标类别可以是任意一种类别。例如，可以根据实际的类别划分策略(如划分粒度)等确定原始数据中的所有类别，目标类别可以是该所有类别中的任意一种类别；又如，可以根据原始数据中已包含的类别信息(如类别标签)等确定原始数据中的所有类别，目标类别可以是该所有类别中的任意一种类别。
示例性的，对于目标类别对应的分类数据集来说，其中包含的每个样本数据对应的类别目前均为目标类别，但其中可能存在异常数据，如本不应该属于目标类别的数据被划分到了该分类数据集中。
本公开实施例中，针对分类数据集中的每个样本数据分别进行正常度评分的计算，计算过程可以是同步的，也可以是异步的，具体不做限定。正常度评分可以用于衡量一个样本数据成为正常样本(也即正确的类别为目标类别)的概率，或者可以说用于衡量一个样本数据被正确划分的准确度。
对于当前需要计算正常度评分的当前样本数据，分类数据集中的其他样本数据被称为第一样本数据。例如，若分类数据集中包含样本数据a、样本数据b、样本数据c和样本数据d，若当前样本数据为样本数据a，则样本数据b、样本数据c和样本数据d均被称为第一样本数据。可以分别计算当前样本数据与每个第一样本数据之间的文本相似度，所得到的文本相似度的数量与第一样本数据的数量相同。例如，样本数据a和样本数据b的文本相似度记为Sab，样本数据a和样本数据c的文本相似度记为Sac，样本数据a和样本数据d的文本相似度记为Sad。随后，再根据文本相似度确定当前样本数据对应的正常度评分，例如根据Sab、Sac和Sad确定样本数据a对应的正常度评分。
其中，文本相似度的具体计算方式不做限定，例如可以是基于字符的文本相似度计算方式，还可以是基于向量的文本相似度计算方式，还可以是其他计算方式。根据文本相似度确定当前样本数据对应的正常度评分的具体方式也不做限定，例如可以将所述文本相似度的总和或平均值确定为所述当前样本数据对应的正常度评分。例如，将Sab+Sac+Sad作为样本数据a对应的正常度评分；或者，将(Sab+Sac+Sad)/3作为样本数据a对应的正常度评分。此外，还可以有其他计算方式，如均方差等，具体可根据实际需求进行选取。
步骤102、将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。
示例性的，如前文所述，正常度评分可以用于衡量一个样本数据成为正常样本的概率，若正常度评分越高，则其为正常样本的可能性越高，若正常度评分越低，则其为异常样本的可能性越高。因此，可以将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。其中，第一数量可以根据实际需求进行设置，可以是固定数值，也可以是动态确定的数值。
示例性的，第一数量可以是分类数据集中样本总量与预设比例(取值在0到1之间)的乘积，预设比例也可以自由设置，可以是预设百分比阈值，例如30％，如上述举例，样本总量为4，则第一数量由4*30％确定，但计算结果为1.2，对于这种情况来说，可以采用四舍五入、向上取整或向下取整的方式确定最终的第一数量。以向下取整为例，则第一数量为1，则将4个样本数据中正常度评分最低的样本数据确定为异常数据；以向上取整为例，则第一数量为2，则将4个样本数据中正常度评分最低的和第二低的样本数据确定为异常数据。
示例性的，第一数量还可以根据预设正常度评分阈值确定，将正常度评分小于或等于预设正常度评分阈值的样本数据确定为异常数据，正常度评分小于或等于预设正常度评分阈值的样本数据的数量也即第一数量。其中，预设正常度评分阈值可以是预设归一化正常度评分阈值。例如，当将文本相似度的总和确定为当前样本数据对应的正常度评分时，正常度评分可能大于1，因此，可以将正常度评分进行归一化处理，随后，将归一化处理后的正常度评分与预设归一化正常度评分阈值进行比较，若小于或等于预设归一化正常度评分阈值，则将对应的样本数据确定为异常数据。归一化方法包括但不限于线性比例变换法、极差变换法以及0均值标准化等。
可选的，为了便于快速确定异常数据，可以根据正常度评分对分类数据集中的各样本数据进行排列，具体的排序方式不做限定，可以是升序也可以是降序。以升序为例，将正常度评分较低的第一数量的样本数据确定为检测到的异常数据，可包括：根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列，将所述第一序列中所对应的序号小于或等于预设序号阈值的样本数据确定为检测到的异常数据，其中，所述预设序号阈值与所述第一数量对应。此处的第一数量可以采用上述方式确定，也可以采用其他方式确定，具体不做限定。升序排列的好处在于，一般异常数据的数量不会很多，因此可以快速地针对排名在前的样本数据进行判断，提升异常数据检测效率。
可选的，除被确定为检测到的异常数据之外的样本数据，可被确定为正常数据，然后将正常数据的集合作为目标类别对应的训练集。
可选的，对于检测到的异常数据，还可进行有针对性的相关处理。例如，若当前异常数据所对应的分类模型为二分类模型，可以将其加入到分类模型的负例训练集中，用于优化分类模型；又如，若当前异常数据所对应的分类模型为多分类模型，可以将其加入到正确类别对应的训练集中，用于优化分类模型。
本公开实施例中提供的异常数据检测方案，针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与其他样本数据的文本相似度，并根据文本相似度确定当前样本数据对应的正常度评分，将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。通过采用上述技术方案，对于单类别的分类数据集来说，在进行异常数据检测时，不需要依赖其他类别的分类数据，也不需要依赖具体的某个分类模型，可以根据基于样本数据之间的文本相似度得到的正常度评分来快速准确地识别出异常数据，节省人工成本和时间成本，且维护成本低，普适性好，采用针对异常数据进行处理后的分类数据集对分类模型进行优化，可有利于提升分类模型的效果和优化效率。
图2为本公开实施例提供的一种数据检测方法的流程示意图，本公开实施例以上述实施例中各个可选方案为基础进行优化，在所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列之后，还可包括：针对所述分类数据集中的样本数据，将当前样本数据对应的第一样本数据按照所述文本相似度进行降序排序，得到第二序列，将所述第二序列作为人工标注参考信息进行保存。这样设置的好处在于，可以形成丰富的可解释性参考信息，为人工标注提供有价值的参考，从而得到更加准确的异常数据检测结果。
对于异常数据来说，除了上文所述的类别划分有误的样本数据外，还可能存在另一种类型的异常数据，例如，一个样本数据确实属于目标类别(也即分类正确)，但在分类数据集中与该样本相似的样本数据的数量占比很小，这样会形成长尾数据或者数据集存在分布不均衡问题，同样使得训练集不够合理，不利于提升分类模型的效果和优化效率。因此，本公开实施例中，可以将样本数据对应的其他样本数据按照文本相似度进行降序排列，形成人工标注参考信息，帮助工作人员进行快速人工标注。
其中，针对所述分类数据集中的样本数据，具体可以是针对被确定为检测到的异常数据的样本数据，这样设置的好处在于，对于被确定为正常数据的样本数据来说，一般不需要再进行人工标注，因此，可以不生成对应的第二序列，从而减少排序操作，进一步提升异常数据检测效率。
进一步的，在将所述第一序列中所对应的序号小于预设序号阈值的样本数据确定为检测到的异常数据之后，还包括：展示所述人工标注参考信息；接收用户输入的异常数据调整操作，根据所述异常数据调整操作确定所述分类数据集中最终的异常数据。这样设置的好处在于，可以向工作人员展示人工标注参考信息，例如具体可以是展示异常数据对应的人工标注参考信息，工作人员可以参考人工标注参考信息进一步核对是否需要将对应的异常数据进行调整。
可选的，该方法包括如下步骤：
步骤201、针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据文本相似度的和确定当前样本数据对应的正常度评分。
其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据。
可选的，在步骤之前还可包括：获取目标类别对应的分类数据集。
步骤202、根据正常度评分对分类数据集中的各样本数据进行升序排列，得到第一序列。
步骤203、将第一序列中所对应的序号小于或等于预设序号阈值的样本数据确定为检测到的异常数据。
步骤204、针对分类数据集中的被确定为检测到的异常数据的样本数据，将当前样本数据对应的第一样本数据按照文本相似度进行降序排序，得到第二序列，将第二序列作为人工标注参考信息。
步骤205、展示人工标注参考信息。
示例性的，可以在每个初步被确定为异常数据的样本数据附近显示其他样本数据的排序，也即第二序列，进一步还可在第二序列中附加显示对应的文本相似度的具体数值。具体的显示布局和显示方式等不做限定。可以由人工查看该参考信息，进一步确定异常数据是否真的不应该被加入目标类别对应的训练集中。
步骤206、接收用户根据人工标注参考信息输入的异常数据调整操作，根据所述异常数据调整操作确定所述分类数据集中最终的异常数据。
示例性的，异常数据调整操作例如可以包括将当前异常数据调整为正常数据，例如针对上文所述的长尾数据类型的异常数据，可通过人工方式将其调整为正常数据。在确定出最终的异常数据后，可根据正常数据形成目标类别对应的训练集。例如，可以为异常数据设置对应的调整选项，选项中包括如变更为正常数据，由工作人员触发该选项后，检测到相应的触发操作后，将对应的异常数据变更为正常数据。
本公开实施例中提供的数据检测方法，在根据正常度评分检测异常数据的基础上，还结合了人工标注的方式来确保异常数据检测的准确性，并且还利用文本相似度针对每个样本数据给出其他样本数据的排序，为人工标注提供有价值的参考，从而得到更加准确的异常数据检测结果。
在上述实施例基础上，在所述接收用户输入的异常数据调整操作之后，还包括：若根据所述异常数据调整操作确定第一异常数据被调整为正常数据，则对所述第一异常数据进行语义分析和句式结构分析；根据分析结果生成第二数量的样本数据，并作为正常数据添加至所述分类数据集中。这样设置的好处在于，对于长尾数据类型的样本数据来说，由于相似样本较少，训练得出的分类模型难以准确对该类型的样本数据进行分类，因此，可对通过人工标注方式从异常数据调整为正常数据的样本数据进行进一步分析，并根据分析结果生成第二数量的样本数据，来提升该类型样本数据的数量，进而使得训练集更加合理，解决数据集的分布不均衡问题。
其中，根据分析结果生成样本数据的具体过程不做限定，可以由设备自动根据分析结果生成，也可以由人工参考分析结果输入语句，并由设备根据人工输入的语句生成对应的样本数据。当然，也可不需要分析，而是由人工直接根据第一异常数据进行语句输入，进而生成对应的样本数据。
示例性的，根据分析结果生成第二数量的样本数据可具体包括：根据句式结构分析结果生成对应的样本模板，样本模板中包含多个句子成分占位；对于每个句子成分占位，确定第一异常数据中与当前句子成分占位对应的目标词，根据语义分析结果获取所述目标词对应的近义词，将所述近义词填入所述当前句子成分占位中；将所有句子成分占位填入完毕后得到的样本作为根据分析结果生成的样本数据。其中，当一个句子成分占位在第一异常数据中对应的字较多时，还可先进行分词处理，得到对应的目标词。可选的，确定第一异常数据中与当前句子成分占位对应的目标词，包括：根据语义分析结果对第一异常数据中与当前句子成分占位对应的文本进行分词，得到一个或多个目标词。可选的，目标词为语气助词等虚词时，可将目标词自身填入对应的句子成分占位中。
可选的，第二数量的具体数值可自由设置，例如，第二数量与第一异常数据对应的正常度评分负相关。对于第一异常数据来说，若其正常度评分很低，但仍然被人工调整为正常数据，则说明与第一异常数据相关的样本数据量很少，需要增加更多类似的样本到训练集中，有利于分类模型的训练。
图3为本公开实施例提供的一种数据检测方法的流程示意图，本公开实施例以上述实施例中各个可选方案为基础对文本相似度的计算过程进行优化，可选的，该方法包括：
步骤301、针对目标类别对应的分类数据集中的每个样本数据，基于字符的计算方式计算当前样本数据与第一样本数据的第一文本相似度，基于向量的计算方式计算当前样本数据与第一样本数据的第二文本相似度，根据第一文本相似度和第二文本相似度确定当前样本数据与第一样本数据的文本相似度，并根据文本相似度的和确定当前样本数据对应的正常度评分。
示例性的，基于字符的文本相似度算法可包括杰卡德距离、莱文斯坦距离、最长公共子串以及最长公共子序列等算法。基于向量的文本相似度算法一般由向量表示方法和相似度度量方法两个主要部分组成，向量表示方法包括独热编码、词频逆文本频率指数(termfrequency–inverse document frequency，TF-IDF)向量、辛哈什(Simhash)、平均词嵌入、最大词嵌入以及句子嵌入等。相似度度量方法包括余弦相似度、欧几里得距离以及曼哈顿距离等，在基于距离的相似度算法中，距离越大表示相似度越低。
本公开实施例中，可以结合两种方式计算得到的第一文本相似度和第二文本相似度来更加准确地确定两个样本数据的文本相似度。其中，根据第一文本相似度和第二文本相似度确定当前样本数据与第一样本数据的文本相似度，具体可以是加权求和的方式。例如，文本相似度记为S，第一文本相似度记为S1，第二文本相似度记为S2，则可表示为S＝k1S1+k2S2，其中，k1为S1对应的权重系数(第一系数)，k2为S2对应的权重系数(第二系数)，k1和k2的具体数值可根据实际情况进行设置。
步骤302、根据正常度评分对分类数据集中的各样本数据进行升序排列，得到第一序列。
步骤303、将第一序列中所对应的序号小于或等于预设序号阈值的样本数据确定为检测到的异常数据。
步骤304、针对分类数据集中的每个样本数据，将当前样本数据对应的第一样本数据按照文本相似度进行降序排序，得到第二序列，将第二序列作为人工标注参考信息。
步骤305、展示人工标注参考信息。
步骤306、接收用户根据人工标注参考信息输入的异常数据调整操作，根据异常数据调整操作确定分类数据集中最终的异常数据。
步骤307、在确定第一异常数据被调整为正常数据后，对第一异常数据进行语义分析和句式结构分析，根据分析结果生成第二数量的样本数据，并作为正常数据添加至分类数据集中。
步骤308、根据分类数据集中的正常数据形成目标类别对应的训练集，并基于训练集对目标类别对应的分类模型进行训练。
本公开实施例提供的数据检测方法，将基于字符的文本相似度计算方式和基于向量的文本相似度计算方式相结合，可以更加准确的计算当前样本数据与其他样本数据的文本相似度，进而更加合理准确地计算得到当前样本数据的正常度评分，从而得到更加准确的异常数据检测结果。
图4为本公开实施例提供的一种数据检测方法的流程示意图，如图4所示，该方法可包括：
步骤401、从数据来源中选取单类别分类数据集，作为目标类别对应的分类数据集。
其中，数据来源可以是用户日志数据、众包采集数据、众包标注数据以及自动生成数据。
下面以5条天气领域分类数据作为示例数据集：
编号 数据
1 明天北京天气怎么样
2 今天上海天气如何
3 播放晴天
4 看下天气好不好
5 武汉下雨了吗
步骤402、针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度。
示例性的，可以text2vec工具包提供的计算平均词嵌入之间余弦相似度的方法为例，可以计算上述举例的数据集中每条数据与其他数据的文本相似度。计算结果如下：
编号\相似度\编号 1 2 3 4 5
1 - 0.3102 0.0012 0.2981 0.0023
2 0.3102 - 0.0004 0.3002 0.0011
3 0.0012 0.0004 - 0.0001 0.0004
4 0.2981 0.3002 0.0001 - 0.0009
5 0.0023 0.0011 0.0004 0.0009 -
步骤403、针对目标类别对应的分类数据集中的每个样本数据，根据文本相似度的和确定当前样本数据对应的正常度评分。
示例性的，将步骤402中每条数据与其他数据的相似度进行累加，作为该数据的正常度评分。计算结果如下：
编号 数据 正常度评分
1 明天北京天气怎么样 0.6118
2 今天上海天气如何 0.6119
3 播放晴天 0.0021
4 看下天气好不好 0.5993
5 武汉下雨了吗 0.0047
步骤404、根据正常度评分对分类数据集中的各样本数据进行升序排列，得到第一序列。
示例性的，将数据集中的数据按步骤403所得正常度评分升序排序，排序结果如下：
排名 编号 数据 正常度评分
1 3 播放晴天 0.0021
2 5 武汉下雨了吗 0.0047
3 4 看下天气好不好 0.5993
4 1 明天北京天气怎么样 0.6118
5 2 今天上海天气如何 0.6119
其中，排名指第一序列中的序号，而编号表示样本对应的标识序号。数据的排名越靠前，属于异常数据的可能性越高。例如“播放晴天”排在第一位，晴天是一首歌曲，该数据不属于天气领域；“武汉下雨了吗”排在第二位，属于天气领域，但数据集中缺少与之相似的数据，也即该数据属于前文所述的长尾类型的异常数据。
步骤405、针对分类数据集中的每个样本数据，将当前样本数据对应的第一样本数据按照文本相似度进行降序排序，得到第二序列，将第二序列作为人工标注参考信息。
示例性的，根据步骤402所得文本相似度，将每条数据对应的其他数据按相似度降序排序，作为该数据正常度评分的可解释性参考信息，排序结果如下：
Figure BDA0002663095240000161
步骤406、将第一序列中所对应的序号小于或等于预设序号阈值的样本数据确定为检测到的异常数据。
示例性的，根据预设阈值划分为优质数据和异常数据，预设阈值可以采取以下两种策略：(1)预设百分比阈值，该阈值处于0到1之间，用数据集数据的总数与该阈值乘积的向上取整结果或向下取整结果作为优质数据与异常数据的分界值，将排序小于或小于等于该分界值作为异常数据，将排序大于等于或大于该分界值作为优质数据；(2)预设正常度评分阈值(或归一化正常度评分阈值)，将正常度评分(或归一化正常度评分)小于或小于等于该预设正常度评分阈值(或归一化正常度评分阈值)的数据作为异常数据，将正常度评分(或归一化正常度评分)大于等于或大于该预设正常度评分阈值(或归一化正常度评分阈值)的数据作为优质数据。
示例性的，假设预设序号阈值为2，则前2个为异常数据，其余为正常数据，也称为优质数据，划分结果如下：
Figure BDA0002663095240000171
步骤407、根据分类数据集中的正常数据形成目标类别对应的训练集。
示例性的，将优质数据加入到分类模型训练集，用于优化分类模型，提高模型对该类别数据的准确率。
步骤408、展示人工标注参考信息，接收用户根据人工标注参考信息输入的异常数据调整操作，根据异常数据调整操作更新训练集。
示例性的，针对异常数据进行人工标注，分析每条异常数据是否属于该类别：若属于该类，可以将数据加入到分类模型训练集，用于优化分类模型，提高模型对该类别数据的召回率。若不属于该类别则需要分两种情况考虑：(1)分类模型为二分类模型，可以将数据加入到分类模型的负例训练集，用于优化分类模型；(2)分类模型为多分类模型，可以将数据加入到对应的正确分类训练集，用于优化分类模型。以所得异常数据和分类模型为二分类模型的情况为例，“播放晴天”不属于天气领域，应作为二分类模型的负例训练数据，“武汉下雨了吗”属于天气领域，应作为二分类模型的正例训练数据，也即加入训练集，最后重新训练模型，达到优化分类模型目的。
示例性的，调整结果如下：
Figure BDA0002663095240000181
示例性的，“武汉下雨了吗”属于天气领域，也即属于上文所述的第一异常数据，根据句式结构分析结果确定其为主谓结构，且为疑问句，生成对应的主谓结构的疑问句的样本模板，样本模板包含主语占位和谓语占位。对于主语占位，根据语义分析结果可以确定“武汉”是城市名称，获取对应的近义词，如“北京”，填入主语占位中；对于谓语占位，根据语义分析结果可以确定“下雨了吗”包含两个目标词“下雨了”和“吗”，其中，“下雨了”是天气相关的动词，获取对应的近义词，如“下雪了”，填入谓语占位中，对于疑问词“吗”，可以直接将“吗”填入谓语占位中的“下雪了”之后，也可以换一个近义词“没”谓语占位中的“下雪了”之后，最后得到的样本数据为“北京下雪了没”。
本公开实施例提供的数据检测方法，针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与其他样本数据的文本相似度，并根据文本相似度确定当前样本数据对应的正常度评分，根据正常度评分的排序来确定异常数据，还结合了人工标注的方式来确保异常数据检测的准确性，利用文本相似度针对每个样本数据给出其他样本数据的排序，为人工标注提供有价值的参考，从而得到更加准确的异常数据检测结果。且该方案仅需使用单个类别的数据，不依赖其他类别的数据，也不依赖多个分类模型，维护成本低，普适性好，能够自动选择优质数据以及辅助人工标注异常数据，降低数据质检、数据清理的人工成本消耗和时间成本消耗，提升模型效果和优化效率，另外能够提供每条数据的正常度评分和与其他数据的文本相似度，具有可解释性。
图5为本公开实施例提供的一种数据检测装置的结构框图，该装置可由软件和/或硬件实现，一般可集成在电子设备中，可通过执行数据检测方法来进行异常数据检测。如图5所示，该装置包括：
正常度评分计算模块501，用于针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据所述文本相似度确定所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据；异常数据检测模块502，用于将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。
本公开实施例中提供的数据检测装置，对于单类别的分类数据集来说，在进行异常数据检测时，不需要依赖其他类别的分类数据，也不需要依赖具体的某个分类模型，可以根据基于样本数据之间的文本相似度得到的正常度评分来快速准确地识别出异常数据，节省人工成本和时间成本，且维护成本低，普适性好，采用针对异常数据进行处理后的分类数据集对分类模型进行优化，可有利于提升分类模型的效果和优化效率。
可选的，所述第一数量为所述分类数据集中样本总量与预设比例的乘积，或者，所述第一数量为正常度评分小于或等于预设正常度评分阈值的样本数据的数量；所述将正常度评分较低的第一数量的样本数据确定为检测到的异常数据，包括：根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列；将所述第一序列中所对应的序号小于或等于预设序号阈值的样本数据确定为检测到的异常数据，其中，所述预设序号阈值与所述第一数量对应。
可选的，所述预设正常度评分阈值为预设归一化正常度评分阈值；在所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列之前，还包括：对所述正常度评分进行归一化处理，得到归一化正常度评分，其中，所述归一化处理包括线性比例变换法、极差变换法以及0均值标准化中的任意一种；所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列，包括：根据所述归一化正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列。
可选的，所述根据所述文本相似度确定所述当前样本数据对应的正常度评分，包括：将所述文本相似度的总和或平均值确定为所述当前样本数据对应的正常度评分。
可选的，该装置还包括：参考信息保存模块，用于在所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列之后，针对所述分类数据集中的样本数据，将当前样本数据对应的第一样本数据按照所述文本相似度进行降序排序，得到第二序列，将所述第二序列作为人工标注参考信息进行保存。
可选的，该装置还包括：参考信息展示模块，用于在将所述第一序列中所对应的序号小于预设序号阈值的样本数据确定为检测到的异常数据之后，展示所述人工标注参考信息；异常数据调整模块，用于接收用户根据所述人工标注参考信息输入的异常数据调整操作，根据所述异常数据调整操作确定所述分类数据集中最终的异常数据。
可选的，该装置还包括：分析模块，用于在所述接收用户输入的异常数据调整操作之后，若根据所述异常数据调整操作确定第一异常数据被调整为正常数据，则对所述第一异常数据进行语义分析和句式结构分析；样本添加模块，用于根据分析结果生成第二数量的样本数据，并作为正常数据添加至所述分类数据集中。
可选的，所述计算当前样本数据与第一样本数据的文本相似度，包括：基于字符的计算方式计算当前样本数据与第一样本数据的第一文本相似度；基于向量的计算方式计算所述当前样本数据与所述第一样本数据的第二文本相似度；根据所述第一文本相似度和所述第二文本相似度确定所述当前样本数据与所述第一样本数据的文本相似度。
可选的，所述基于字符的计算方式包括杰卡德距离、莱文斯坦距离、最长公共子串以及最长公共子序列中的一个或多个；所述基于向量的计算方式中的向量表示方法包括独热编码、词频逆文本频率指数向量、辛哈什、平均词嵌入、最大词嵌入以及句子嵌入中的一个或多个，相似度度量方法包括余弦相似度、欧几里得距离以及曼哈顿距离中的一个或多个。
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600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600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600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、摄像头、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600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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，其包括承载在非暂态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：针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据所述文本相似度确定所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据；将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。
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但不限于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模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，异常数据检测模块还可以被描述为“将正常度评分较低的第一数量的样本数据确定为检测到的异常数据的模块”。
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。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，提供了一种数据检测方法，包括：
针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据所述文本相似度确定所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据；
将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。
进一步的，所述第一数量为所述分类数据集中样本总量与预设比例的乘积，或者，所述第一数量为正常度评分小于或等于预设正常度评分阈值的样本数据的数量；所述将正常度评分较低的第一数量的样本数据确定为检测到的异常数据，包括：根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列；将所述第一序列中所对应的序号小于或等于预设序号阈值的样本数据确定为检测到的异常数据，其中，所述预设序号阈值与所述第一数量对应。
进一步的，所述预设正常度评分阈值为预设归一化正常度评分阈值；在所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列之前，还包括：对所述正常度评分进行归一化处理，得到归一化正常度评分，其中，所述归一化处理包括线性比例变换法、极差变换法以及0均值标准化中的任意一种；所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列，包括：根据所述归一化正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列。
进一步的，所述根据所述文本相似度确定所述当前样本数据对应的正常度评分，包括：将所述文本相似度的总和或平均值确定为所述当前样本数据对应的正常度评分。
进一步的，在所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列之后，还包括：针对所述分类数据集中的样本数据，将当前样本数据对应的第一样本数据按照所述文本相似度进行降序排序，得到第二序列，将所述第二序列作为人工标注参考信息进行保存。
进一步的，在将所述第一序列中所对应的序号小于预设序号阈值的样本数据确定为检测到的异常数据之后，还包括：展示所述人工标注参考信息；接收用户根据所述人工标注参考信息输入的异常数据调整操作，根据所述异常数据调整操作确定所述分类数据集中最终的异常数据。
进一步的，在所述接收用户输入的异常数据调整操作之后，还包括：若根据所述异常数据调整操作确定第一异常数据被调整为正常数据，则对所述第一异常数据进行语义分析和句式结构分析；根据分析结果生成第二数量的样本数据，并作为正常数据添加至所述分类数据集中。
进一步的，所述计算当前样本数据与第一样本数据的文本相似度，包括：基于字符的计算方式计算当前样本数据与第一样本数据的第一文本相似度；基于向量的计算方式计算所述当前样本数据与所述第一样本数据的第二文本相似度；根据所述第一文本相似度和所述第二文本相似度确定所述当前样本数据与所述第一样本数据的文本相似度。
进一步的，所述基于字符的计算方式包括杰卡德距离、莱文斯坦距离、最长公共子串以及最长公共子序列中的一个或多个；所述基于向量的计算方式中的向量表示方法包括独热编码、词频逆文本频率指数向量、辛哈什、平均词嵌入、最大词嵌入以及句子嵌入中的一个或多个，相似度度量方法包括余弦相似度、欧几里得距离以及曼哈顿距离中的一个或多个。
根据本公开的一个或多个实施例，提供了一种数据检测装置，包括：
正常度评分计算模块，用于针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并根据所述文本相似度确定所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据；
异常数据检测模块，用于将正常度评分较低的第一数量的样本数据确定为检测到的异常数据。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (8)

1.一种数据检测方法，其特征在于，包括：
针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并将所述文本相似度的总和或平均值确定为所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据，所述正常度评分用于衡量所述当前样本数据被正确划分的准确度，正确的类别为所述目标类别；
将正常度评分较低的第一数量的样本数据确定为检测到的异常数据；
针对所述分类数据集中被确定为检测到的异常数据的样本数据，将当前样本数据对应的第一样本数据按照所述文本相似度进行降序排序，得到第二序列，将所述第二序列作为人工标注参考信息进行保存；
展示所述人工标注参考信息；
接收用户根据所述人工标注参考信息输入的异常数据调整操作，根据所述异常数据调整操作确定所述分类数据集中最终的异常数据；
其中，在所述接收用户输入的异常数据调整操作之后，还包括：
若根据所述异常数据调整操作确定第一异常数据被调整为正常数据，则对所述第一异常数据进行语义分析和句式结构分析；
根据分析结果生成第二数量的样本数据，并作为正常数据添加至所述分类数据集中；
其中，根据分析结果生成第二数量的样本数据包括：
根据句式结构分析结果生成对应的样本模板，所述样本模板中包含多个句子成分占位；对于每个句子成分占位，确定第一异常数据中与当前句子成分占位对应的目标词，根据语义分析结果获取所述目标词对应的近义词，将所述近义词填入所述当前句子成分占位中；将所有句子成分占位填入完毕后得到的样本作为根据分析结果生成的样本数据。
2.根据权利要求1所述的方法，其特征在于，所述第一数量为所述分类数据集中样本总量与预设比例的乘积，或者，所述第一数量为正常度评分小于或等于预设正常度评分阈值的样本数据的数量；
所述将正常度评分较低的第一数量的样本数据确定为检测到的异常数据，包括：
根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列；
将所述第一序列中所对应的序号小于或等于预设序号阈值的样本数据确定为检测到的异常数据，其中，所述预设序号阈值与所述第一数量对应。
3.根据权利要求2所述的方法，其特征在于，所述预设正常度评分阈值为预设归一化正常度评分阈值；
在所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列之前，还包括：
对所述正常度评分进行归一化处理，得到归一化正常度评分，其中，所述归一化处理包括线性比例变换法、极差变换法以及0均值标准化中的任意一种；
所述根据所述正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列，包括：
根据所述归一化正常度评分对所述分类数据集中的各样本数据进行升序排列，得到第一序列。
4.根据权利要求1-3任一所述的方法，其特征在于，所述计算当前样本数据与第一样本数据的文本相似度，包括：
基于字符的计算方式计算当前样本数据与第一样本数据的第一文本相似度；
基于向量的计算方式计算所述当前样本数据与所述第一样本数据的第二文本相似度；
根据所述第一文本相似度和所述第二文本相似度确定所述当前样本数据与所述第一样本数据的文本相似度。
5.根据权利要求4所述的方法，其特征在于，所述基于字符的计算方式包括杰卡德距离、莱文斯坦距离、最长公共子串以及最长公共子序列中的一个或多个；所述基于向量的计算方式中的向量表示方法包括独热编码、词频逆文本频率指数向量、辛哈什、平均词嵌入、最大词嵌入以及句子嵌入中的一个或多个，相似度度量方法包括余弦相似度、欧几里得距离以及曼哈顿距离中的一个或多个。
6.一种数据检测装置，其特征在于，包括：
正常度评分计算模块，用于针对目标类别对应的分类数据集中的每个样本数据，计算当前样本数据与第一样本数据的文本相似度，并将所述文本相似度的总和或平均值确定为所述当前样本数据对应的正常度评分，其中，所述第一样本数据包括所述分类数据集中除所述当前样本数据之外的样本数据，所述正常度评分用于衡量所述当前样本数据被正确划分的准确度，正确的类别为所述目标类别；
异常数据检测模块，用于将正常度评分较低的第一数量的样本数据确定为检测到的异常数据；
参考信息保存模块，用于针对所述分类数据集中被确定为检测到的异常数据的样本数据，将当前样本数据对应的第一样本数据按照所述文本相似度进行降序排序，得到第二序列，将所述第二序列作为人工标注参考信息进行保存；
参考信息展示模块，用于展示所述人工标注参考信息；
异常数据调整模块，用于接收用户根据所述人工标注参考信息输入的异常数据调整操作，根据所述异常数据调整操作确定所述分类数据集中最终的异常数据；
分析模块，用于在所述接收用户输入的异常数据调整操作之后，若根据所述异常数据调整操作确定第一异常数据被调整为正常数据，则对所述第一异常数据进行语义分析和句式结构分析；
样本添加模块，用于根据分析结果生成第二数量的样本数据，并作为正常数据添加至所述分类数据集中；
其中，根据分析结果生成第二数量的样本数据包括：
根据句式结构分析结果生成对应的样本模板，所述样本模板中包含多个句子成分占位；对于每个句子成分占位，确定第一异常数据中与当前句子成分占位对应的目标词，根据语义分析结果获取所述目标词对应的近义词，将所述近义词填入所述当前句子成分占位中；将所有句子成分占位填入完毕后得到的样本作为根据分析结果生成的样本数据。
7.一种计算机可读存储介质，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1-5任一项所述的方法。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的方法。
CN202010910557.4A 2020-09-02 2020-09-02 数据检测方法、装置、存储介质及设备 Active CN112084764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910557.4A CN112084764B (zh) 2020-09-02 2020-09-02 数据检测方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910557.4A CN112084764B (zh) 2020-09-02 2020-09-02 数据检测方法、装置、存储介质及设备

Publications (2)

Publication Number Publication Date
CN112084764A CN112084764A (zh) 2020-12-15
CN112084764B true CN112084764B (zh) 2022-06-17

Family

ID=73731799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910557.4A Active CN112084764B (zh) 2020-09-02 2020-09-02 数据检测方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN112084764B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668857A (zh) * 2020-12-23 2021-04-16 深圳壹账通智能科技有限公司 分阶段质检的数据分类方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670039A (zh) * 2018-11-20 2019-04-23 华南师范大学 基于三部图和聚类分析的半监督电商评论情感分析方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10671812B2 (en) * 2018-03-22 2020-06-02 Equifax Inc. Text classification using automatically generated seed data
CN109657947B (zh) * 2018-12-06 2021-03-16 西安交通大学 一种面向企业行业分类的异常检测方法
CN109885685A (zh) * 2019-02-01 2019-06-14 珠海世纪鼎利科技股份有限公司 情报数据处理的方法、装置、设备及存储介质
CN110175329B (zh) * 2019-05-28 2023-07-18 度小满科技(北京)有限公司 一种样本扩充的方法、装置、电子设备与存储介质
CN110245132B (zh) * 2019-06-12 2023-10-31 腾讯科技（深圳）有限公司 数据异常检测方法、装置、计算机可读存储介质和计算机设备
CN110674858B (zh) * 2019-09-16 2023-06-09 长沙理工大学 一种基于时空关联与大数据挖掘的交通舆情检测方法
CN110929524A (zh) * 2019-10-16 2020-03-27 平安科技（深圳）有限公司 数据筛选方法、装置、设备及计算机可读存储介质
CN111401031A (zh) * 2020-03-05 2020-07-10 支付宝(杭州)信息技术有限公司 一种目标文本确定方法、装置及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670039A (zh) * 2018-11-20 2019-04-23 华南师范大学 基于三部图和聚类分析的半监督电商评论情感分析方法

Also Published As

Publication number Publication date
CN112084764A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN107992596B (zh) 一种文本聚类方法、装置、服务器和存储介质
CN109241524B (zh) 语义解析方法及装置、计算机可读存储介质、电子设备
CN110334209B (zh) 文本分类方法、装置、介质及电子设备
WO2018196798A1 (zh) 用户客群分类方法和装置
CN112016304A (zh) 文本纠错方法、装置、电子设备及存储介质
WO2022160449A1 (zh) 文本分类方法、装置、电子设备及存储介质
CN108629043A (zh) 网页目标信息的提取方法、装置及存储介质
CN112328909B (zh) 信息推荐方法、装置、计算机设备及介质
CN108090216B (zh) 一种标签预测方法、装置及存储介质
CN106708929B (zh) 视频节目的搜索方法和装置
CN110334186B (zh) 数据查询方法、装置、计算机设备及计算机可读存储介质
CN113268615A (zh) 资源标签生成方法、装置、电子设备及存储介质
CN111143556A (zh) 软件功能点自动计数方法、装置、介质及电子设备
CN115457982A (zh) 情感预测模型的预训练优化方法、装置、设备及介质
CN115952800A (zh) 命名实体识别方法、装置、计算机设备及可读存储介质
CN112084764B (zh) 数据检测方法、装置、存储介质及设备
CN117390173B (zh) 一种语义相似度匹配的海量简历筛选方法
CN110019556B (zh) 一种话题新闻获取方法、装置及其设备
CN107908649B (zh) 一种文本分类的控制方法
CN111460224B (zh) 评论数据的质量标注方法、装置、设备及存储介质
CN117216275A (zh) 一种文本处理方法、装置、设备以及存储介质
CN104615620A (zh) 地图搜索类型识别方法及装置、地图搜索方法及系统
CN108733702B (zh) 用户查询上下位关系提取的方法、装置、电子设备和介质
CN114201607B (zh) 一种信息处理的方法和装置
WO2022141838A1 (zh) 模型置信度分析方法、装置、电子设备及计算机存储介质

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
GR01 Patent grant
GR01 Patent grant