CN112446192A - 用于生成文本标注模型的方法、装置、电子设备和介质 - Google Patents

Abstract

本公开的实施例公开了一种用于生成文本标注模型的方法、装置、电子设备和介质。该方法的一具体实施方式包括：获取样本集；从样本集中选取样本，以及执行以下训练步骤：将上述选取的样本的样本待标注文本输入到初始模型中，得到已标注文本；将上述得到的已标注文本与对应的样本已标注文本进行分析，确定标注损失值，以及将标注损失值与目标值进行比较；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将初始模型确定为文本标注模型。该实施方式让医生的工作效率大幅度提升。

Description

用于生成文本标注模型的方法、装置、电子设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成文本标注模型的方法、装置、电子设备和介质。

背景技术

现如今，科学技术在不断创新，智能模型开始广泛应用到我国的各个领域中。智能模型也叫“基于知识的软件开发模型”，该模型应用基于规则的系统，采用归纳和推理机制，帮助软件人员完成开发工作，并使维护在系统规格说明一级进行。该模型在实施过程中要建立知识库，将模型本身、软件工程知识与特定领域的知识分别存入数据库。以软件工程知识为基础的生成规则构成的专家系统与含应用领域知识规则的其他专家系统相结合，构成了软件的开发系统。

发明内容

本发明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。本发明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生成文本标注模型的方法、装置、电子设备和介质。

第一方面，本公开的实施例公开了一种用于生成文本标注模型的方法，包括：获取样本集，其中，上述样本集中的样本包括样本文本，上述样本文本包括样本待标注文本和与样本待标注文本对应的样本已标注文本；从上述样本集中选取样本，以及执行以下训练步骤：将上述选取的样本的样本待标注文本输入到初始模型中，得到已标注文本；将上述得到的已标注文本与对应的样本已标注文本进行分析，确定标注损失值，以及将标注损失值与目标值进行比较；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将初始模型确定为文本标注模型。

在一些实施例中，该方法还包括：响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从上述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤。

在一些实施例中，该方法还包括：将上述已标注文本发送终端设备，以及在所述终端设备的显示器上进行显示。

第二方面，本公开的实施例提供了一种用于生成文本标注模型的装置，包括：获取模块，配置用于获取样本集，其中，上述样本集中的样本包括样本文本，上述样本文本包括样本待标注文本和与样本待标注文本对应的样本已标注文本；训练模块，配置用于从上述样本集中选取样本，以及执行以下训练步骤：将上述选取的样本的样本待标注文本输入到初始模型中，得到已标注文本；将上述得到的已标注文本与对应的样本已标注文本进行分析，确定标注损失值，以及将标注损失值与目标值进行比较；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将初始模型确定为文本标注模型。

第三方面，本公开的实施例公开了一种用于生成文本标注的方法，包括：获取文本；将上述文本中的待标注文本输入采用如第一方面中所描述的方法生成的文本标注模型中，生成上述文本信息的已标注文本；对上述已标注文本进行分句操作，得到至少一个语句；将上述至少一个语句中的第一个语句作为已标注文本的名字；将已命名的已标注文本发送到存储设备上。

第四方面，本公开的实施例提供了一种用于生成文本标注的装置，包括：获取单元，配置用于获取文本；生成单元，配置用于将上述文本中的待标注文本输入采用如第一方面中所描述的方法生成的文本标注模型中，生成上述文本信息的已标注文本。

第五方面，本公开的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。

第六方面，本公开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。

本公开的一些实施例提供的文本标注模型的方法、装置、电子设备和介质，通过获取样本集，可以从中选取样本以进行初始模型的训练。其中，上述样本集中的样本包括样本文本，上述样本文本包括样本待标注文本和与样本待标注文本对应的样本已标注文本。这样，将上述选取的样本的样本待标注文本输入到初始模型中，便可以得到已标注文本。之后可以将得到的已标注文本与对应的样本已标注文本进行分析，从而得到标注损失值。将上述标注损失值与目标值进行比较。最后，可以根据比较结果来确定初始模型是否训练完成。如果确定初始模型训练完成，就可以将训练完成的初始模型作为文本标注模型。从而能够得到一种可以用于生成文本标注的文本标注模型。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一些实施例可以应用于其中的示例性系统架构图；

图2是根据本公开实施例的用于生成文本标注模型的方法的一些实施例的流程图。

图3是根据本公开实施例的一种用于生成文本标注的装置的一些实施例的流程图。

图4根据本公开实施例的用于生成文本标注信息的装置的一些实施例的流程图。

图5是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

图6是根据本公开实施例的用于生成文本标注模型的方法的一些实施例的应用场景图。

具体实施方式

下面结合附图和实施例对本公开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公开，而非对该公开的限定。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公开相关的部分。

需要说明的是，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。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开实施例的用于生成文本标注模型的方法的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104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。

用户可以使终端设备101、102、103通过网络104与服务器105、106交互，以发送样本集。终端设备101、102、103上可以安装有各种语音应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持图像识别的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103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。

服务器105可以是提供各种服务的服务器，例如存储训练样本的数据服务器。数据服务器可以存储有样本集合。

服务器106可以是提供各种服务的服务器，例如对终端设备101、102、103上的生成病例文本信息应用提供支持的后台服务器。后台服务器可以利用数据服务器105中存储的样本集合对待训练模型进行训练得到病例输入模型(例如，二次训练的模型)。后台服务器还可以将终端设备提交的信息输入到病例输入模型中生成病例文本。

可选的，后台服务器可以将上述病例文本反馈给终端设备。

需要说明的是，本公开实施例的用于生成提问模型的方法一般由服务器106执行。

需要说明的是，服务器105、106可以是硬件，也可以是软件。当服务器105、106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。

应该理解，图1中的终端设备、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终端设备、网络和服务器。

继续参考图2，示出了根据本公开实施例的用于生成文本标注模型的方法的又一个实施例的流程200。该用于生成文本标注模型的方法，包括以下步骤：

步骤201，获取样本集。

在一些实施例中，用于生成文本标注模型的方法的执行主体(例如图1所示的服务器106)可以通过连接用户用于存储样本集的终端设备来获取样本集。在这里，连接可以是有线连接和无线连接。需要指出的是，无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless Fidelity)无线连接、蓝牙连接、WiMAX(Worldwide Interoperability forMicrowave Access),全球微波互联接入连接、UWB(ultra wideband)无载波通信技术连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，从样本集中选取样本。

在一些实施例中，上述执行主体可以从步骤201中获取的样本集中选取样本，以及执行步骤203至步骤206的训练步骤。其中，样本的选取方式和选取数量在本公开中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取样本病例信息完整度较好(即病人已做完所有检查)的样本。

在这里，样本集中可以包括至少一个样本。其中，上述样本集中的样本包括样本文本，上述样本文本包括样本待标注文本和与样本待标注文本对应的样本已标注文本。这里的样本待标注文本就是没有进行过标注的文本的样本，样本已标注文本就是经过标注的文本的样本。例如，“吃饭之前要先洗手”就是待标注文本，“吃饭之前要‘先’洗手”就是已标注文本。

步骤203，将上述选取的样本的样本待标注文本输入到初始模型中，得到已标注文本。

在一些实施例中，上述执行主体可以将步骤202中选取的样本的样本文本中的待标注文本输入初始模型。对输入的待标注文本进行分析，提取上述待标注文本中的实体与实体关系。对上述提取出来的实体进行红色标注，对上述提取出来的实体关系进行蓝色标注。基于上述标注，得到已标注文本。在这里，初始模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构。初始模型的存储位置在本公开中同样不限制。例如，神经网络结构可以是长短期记忆网络(LongShort-Term Memory，LSTM)。又例如，神经网络结构可以是循环神经网络(RecurrentNeural Network，RNN)。具体地，实体是指自然语言里面的实体。实体就是目标文本中的实体。实体的名称是预先设定的，例如，部位、症状、持续时间和趋势等。分析文本中的实体和实体关系，就是针对一段文本从符合人类语言的角度，分析该段文本各个部分所属于的词性。每一个词性都是实体，实体关系通常是修饰语，例如，副词。例如，给定文本“头部隐痛三天”，其中，“头部、隐痛、三天”都是实体。“头部”是部位，“隐痛”是症状，“三天”是持续时间。实体关系可以是头部修饰隐痛，三天修饰隐痛。提取实体，通常是将分析得出的实体从文本中提取出来。

在一些实施例的可选的一些实现的方式中，将上述选取的样本的样本待标注文本输入到初始模型中，得到已标注文本，还包括：将上述已标注文本发送终端设备，以及在所述终端设备的显示器上进行显示。

步骤204，将上述得到的已标注文本与对应的样本已标注文本进行分析，确定标注损失值，以及将标注损失值与目标值进行比较。

在一些实施例中，执行主体可以将步骤203中得到的已标注文本与对应的样本已标注文本进行分析，从而可以确定标注损失值。然后将标注损失值与目标值进行比较。这个目标值是标注损失值的期望输出值。例如，将步骤203中得到的已标注文本的文本信息与样本已标注文本的文本信息作为参数，输入指定的损失函数(loss function)中，从而确定两者之间损失值。上述标注损失值可以是将上述得到的已标注文本信息与对应的样本已标注文本信息作为参数，输入指定的损失函数中得到的值。在这里，损失函数(例如平方损失函数、指数损失函数等)通常是用来估量模型的预测值(如样本文本中的样本已标注文本)与真实值(如通过步骤203得到的已标注文本)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。

可以理解的是，目标值可以是根据实际需求预先人为设置的。

步骤205，根据比较结果确定初始模型是否训练完成。

在一些实施例中，执行主体可以基于步骤204中将标注损失值与目标值的比较，得到比较结果。响应于上述比较结果病例文本损失值小于目标值，确定初始模型训练完成。

步骤206，确定满足上述结束训练条件，将初始模型确定为文本标注模型。

在一些实施例中，上述执行主体可以确定是否满足预设的结束训练条件。其中，上述结束训练条件可以是技术人员预先确定的用于结束上述训练步骤的条件。例如，上述结束训练条件可以包括但不限于以下至少一项：训练次数达到或超过预设次数；训练时间达到或超过预设时长；预先确定的损失函数的函数值小于预设阈值等等。

在一些实施例的一些可选的实现方式中，响应于上述比较结果标注损失值大于目标值，确定初始模型训练未完成。响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从上述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行包括步骤203至步骤206的训练步骤。

继续参考图3，其示出了用于生成文本标注模型的装置的结构示意图300。包括：获取模块301和训练模块302。

在一些实施例中，获取模块301，配置用于获取样本集，其中，上述样本集中的样本包括样本文本，上述样本文本包括样本待标注文本和与样本待标注文本对应的样本已标注文本。

在一些实施例中，训练模块302，配置用于从上述样本集中选取样本，以及执行以下训练步骤：将上述选取的样本的样本待标注文本输入到初始模型中，得到已标注文本；将上述得到的已标注文本与对应的样本已标注文本进行分析，确定标注损失值，以及将标注损失值与目标值进行比较；根据比较结果确定上述初始模型是否训练完成；响应于确定上述初始模型训练完成，将初始模型确定为文本标注模型。

继续参考图4，一些实施例的用于生成文本标注信息的装置400包括：获取单元401和生成单元402。其中，显示单元403获取单元401，配置用于获取文本；生成单元402，配置用于将上述文本中的待标注文本输入采用如第一方面中所描述的方法生成的文本标注模型中，生成上述文本信息的已标注文本。

在一些实施例的一些可选的实现方式中对上述已标注文本进行分句操作，得到至少一个语句；将上述至少一个语句中的第一个语句作为已标注文本的名字；将已命名的已标注文本发送到存储设备上。在这里，分句操作就是将文本分割成一个个完整的句子。这里的存储设备可以是终端设备自带的存储设备，也可以是硬盘。

继续参考图5，示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图500。图5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508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RAM 503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：获取样本集，其中，样本集中的样本信息包括样本病例信息，样本病例信息包括样本病人的基本信息，样本病人的症状信息，样本医生的处理信息和样本病人的病例文本信息；从样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本病例信息中的样本病人的基本信息，样本病人的症状信息和样本医生的处理信息输入到初始模型中，得到病例文本信息；将上述得到的病例文本信息与对应的样本病人的病例文本信息进行分析，确定病例文本损失值，以及将病例文本损失值与目标值进行比较；根据比较结果确定上述初始模型是否训练完成；响应于确定初始模型训练完成，将初始模型确定为病例输入模型。

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)。

继续参考图6，示出了根据本公开实施例的用于生成文本标注模型的方法的一个应用场景的流程600。

图6示出了生成文本标注模型的应用场景。首先，准备标注数据。其次，定标注标准。再次，组织人员进行标注。然后，将标注好的数据导出。通过使用标注数据训练模型去标注更多数据。而后，人工审核更正错误数据，结合更正后数据再次训练。最后，产出最终结构化模型。就可以结构化全量数据。

需要说明的是，本公开实施例的用于生成文本标注模型的方法可以用于测试上述各实施例所生成的文本标注模型。进而根据测试结果可以不断地优化文本标注模型。该方法也可以是上述各实施例所生成的文本标注模型的实际应用方法。

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。

Claims (9)

1.一种用于生成文本标注模型的方法，包括：

获取样本集，其中，所述样本集中的样本包括样本文本，所述样本文本包括样本待标注文本和与样本待标注文本对应的样本已标注文本；

从所述样本集中选取样本，以及执行以下训练步骤：将所选取的样本的样本待标注文本输入到初始模型中，得到已标注文本；将所述得到的已标注文本与对应的样本已标注文本进行分析，确定标注损失值，以及将标注损失值与目标值进行比较；根据比较结果确定所述初始模型是否训练完成；响应于确定所述初始模型训练完成，将初始模型确定为文本标注模型。

2.根据权利要求1所述的方法，其中，所述方法还包括：

响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从所述样本集中重新选取样本，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。

3.根据权利要求1所述的方法，其中，将所选取的样本的样本待标注文本输入到初始模型中，得到已标注文本，还包括：

将所述已标注文本发送终端设备，以及在所述终端设备的显示器上进行显示。

4.一种用于生成文本标注信息模型的装置，包括：

获取模块，配置用于获取样本集，其中，所述样本集中的样本包括样本文本，所述样本文本包括样本待标注文本和与样本待标注文本对应的样本已标注文本；

训练模块，配置用于从所述样本集中选取样本，以及执行以下训练步骤：将所述选取的样本的样本待标注文本输入到初始模型中，得到已标注文本；将所述得到的已标注文本与对应的样本已标注文本进行分析，确定标注损失值，以及将标注损失值与目标值进行比较；根据比较结果确定所述初始模型是否训练完成；响应于确定所述初始模型训练完成，将初始模型确定为文本标注模型。

5.一种用于生成文本标注的方法，包括：

获取文本；

将所述文本中的待标注文本输入采用如权利要求1-3之一所述的方法生成的文本标注模型中，生成所述文本信息的已标注文本；

对所述已标注文本进行分句操作，得到至少一个语句；

将所述至少一个语句中的第一个语句作为已标注文本的名字；

将已命名的已标注文本发送到存储设备上。

6.根据权利要求5所述的方法，其中，所述方法还包括：

将所述已标注文本发送终端设备，以及在所述终端设备的显示器上进行显示。

7.一种用于生成文本标注的装置，包括：

获取单元，配置用于获取文本；

生成单元，配置用于将所述文本中的待标注文本输入采用如权利要求1-3之一所述的方法生成的文本标注模型中，生成所述文本信息的已标注文本。

8.一种电子设备，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1-3,5-6中任一所述的方法。

9.一种计算机可读介质，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1-3,5-6中任一所述的方法。

Images