CN112541076A - 目标领域的扩充语料生成方法、装置和电子设备 - Google Patents

Abstract

本申请公开了一种目标领域的扩充语料生成方法、装置、电子设备和存储介质，涉及自然语言处理领域、语音识别领域及深度学习领域。具体实现方案为：获取目标领域的目标词；获取目标词对应的召回语料；分别计算目标词与召回语料的多种相似度特征；将多种相似度特征输入至相似度模型以生成召回语料与目标词之间的相似度预测值；以及根据相似度预测值将召回语料作为目标领域的扩充语料。本申请可以解决训练语言模型存在语料缺少的问题，可以获得更加准确的目标领域内的扩充语料。

Description

目标领域的扩充语料生成方法、装置和电子设备

技术领域

本申请涉及自然语言处理领域、语音识别领域及深度学习领域，尤其涉及一种目标领域的扩充语料生成方法、装置、电子设备和存储介质。

背景技术

相关技术中，语音识别系统主要包括解码器、声学模型、语言模型三个部分。对于用户输入的音频信号，解码器结合声学模型特征和语言模型特征，在解码器上对可能的识别路径进行扩展，最终选取特征打分结果最高的路径作为最终识别结果。通常而言，语言模型和声学模型是被当做两个独立的模型分别进行优化的。因此语言模型的好坏影响了最终语音识别的准确性，决定了语音识别的效果。语言模型的学习通过训练语料学习词与词之间的相互关系，所以一个好的语言模型需要大量的语料来训练，才能得到正确的词与词之间的关系。通常情况下，一个已经训练好的语言模型在应用于在一个新的领域时，相对于训练的领域在新领域会表现比较差，主要原因是领域之间数据分布差距很大，导致语言模型在不同的领域表现不一致。

在语音识别的场景下，语言模型跨领域后表现不佳的情况很常见，比如应用于输入法领域的语言模型，将其用于通信领域，效果会比较差，因此在垂直领域下都会单独训练一个该领域的语言模型。而在训练该领域的语言模型时，可能面临用户领域数据较少的问题，通过训练语料得到的语言模型在实际场景下表现不好，主要原因是训练语言模型的语料太少的原因。因此，如何获得目标领域的扩充语料已经成为亟待解决的问题。

发明内容

本申请提供了一种目标领域的扩充语料生成方法、装置、电子设备以及存储介质。

根据本申请的第一方面，提供了一种目标领域的扩充语料生成方法，包括：

获取目标领域的目标词；

获取所述目标词对应的召回语料；

分别计算所述目标词与所述召回语料的多种相似度特征；

将所述多种相似度特征输入至相似度模型以生成所述召回语料与所述目标词之间的相似度预测值；以及

根据所述相似度预测值将所述召回语料作为所述目标领域的扩充语料。

根据本申请的第二方面，提供了一种目标领域的扩充语料生成装置，包括：

第一获取模块，用于获取目标领域的目标词；

第二获取模块，用于获取所述目标词对应的召回语料；

计算模块，用于分别计算所述目标词与所述召回语料的多种相似度特征；

生成模块，用于将所述多种相似度特征输入至相似度模型以生成所述召回语料与所述目标词之间的相似度预测值；以及

确定模块，用于根据所述相似度预测值将所述召回语料作为所述目标领域的扩充语料。

根据本申请的第三方面，提供了一种电子设备，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本申请第一方面实施例所述的目标领域的扩充语料生成方法。

根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本申请第一方面实施例所述的目标领域的扩充语料生成方法。

根据本申请的技术方案，先通过召回技术召回一些粗粒度的召回语料，然后，融合多种相似度计算方法分别计算目标词与召回语料的多种相似度特征，然后，将多种相似度特征输入到相似度模型对召回语料进行相似预测，进而根据相似度预测值将召回语料作为目标领域的扩充语料，从而实现目标领域语料的扩充，由于本申请是基于文本相似度计算来实现领域语料的扩充，其与领域无关，因此使得本申请的语料扩充技术可适用于所有需要语料扩充的场景；另外，基于多种相似度特征和相似度模型对召回语料进行相似预测，基于预测结果从召回语料中能够获得与目标领域更为匹配的扩充语料，从而可以提高获得目标领域的扩充语料的准确性。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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

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是现有技术中语音识别系统的示例图；

图2是根据本申请一个实施例的目标领域的扩充语料生成方法的流程图；

图3是根据本申请实施例的相似度模型的训练流程示意图；

图4根据本申请实施例的目标领域的扩充语料生成方法的示例图；

图5是根据本申请一个实施例的目标领域的扩充语料生成装置的结构框图；

图6是根据本申请另一个实施例的目标领域的扩充语料生成装置的结构框图；

图7是用来实现本申请实施例的目标领域的扩充语料生成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，如图1所示，传统的语音识别系统主要包括解码器、声学模型、语言模型三个部分。对于用户输入的音频信号，解码器结合声学模型特征和语言模型特征，在解码器上对可能的识别路径进行扩展，最终选取特征打分结果最高的路径作为最终识别结果。通常而言，语言模型和声学模型是被当做两个独立的模型分别进行优化的。因此语言模型的好坏影响了最终语音识别的准确性，决定了语音识别的效果。语言模型的学习通过训练语料学习词与词之间的相互关系，所以一个好的语言模型需要大量的语料来训练，才能得到正确的词与词之间的关系。通常情况下，一个已经训练好的语言模型在应用于在一个新的领域时，相对于训练的领域在新领域会表现比较差，主要原因是领域之间数据分布差距很大，导致语言模型在不同的领域表现不一致。

在语音识别的场景下，语言模型跨领域后表现不佳的情况很常见，比如应用于输入法领域的语言模型，将其用于通信领域，效果会比较差，因此在垂直领域下都会单独训练一个该领域的语言模型。而在训练该领域的语言模型时，可能面临用户领域数据较少的问题，通过训练语料得到的语言模型在实际场景下表现不好，主要原因是训练语言模型的语料太少的原因。

解决训练语言模型存在语料缺少的问题，目前已经有很多不同的解决方案变化，目前业界对语言模型语料扩充方法主要有以下几种：

1)在特定语法规则的领域识别任务中，将领域特殊的专词基于特定的领域语法规则扩展成训练语料；

2)通过词汇替换的方法，通过替换句中的单词实现语料扩充，主要的词替换方法有基于领域词典的替换，基于词向量的替换，通过寻找在词向量空间上与替换词距离相近的单词；

3)通过神经网络的方式，通过领域数据，微调预训练语言模型，通过句向量进行聚类。

但是上述技术方案存在以下缺点：

1)使用领域专词进行扩充，虽然很直观进行了语料扩充，但是需要准备的领域专词较多，并且语法规则也不能适应口语中复杂的句子顺序，对模型提升效果有限；

2)使用的词汇替换方法扩充语料，不能产生新的领域相关的句式，这样的扩充不能提高语言模型使用领域不同句式的能力；

3)使用神经网络进行扩展的方法，微调后的预训练语言模型不能适用其他领域，并且也依赖于较大的语料进行微调。

为解决现有技术中目标领域扩充语料生成方式存在的普适性差，语料挖掘效率低等问题，本申请提出了一种目标领域的扩充语料生成方法、装置、电子设备和存储介质。因为领域的数据代表领域的数据特征，所以本申请只需要找到领域内数据的相似数据就可实现领域数据的扩充，本申请适用于所有需要语料扩充的场景。例如，在语音识别场景下，通过对垂直领域的语料扩充，可以很好的提高语言模型的效果，从而提高语音识别效果在垂直领域的效果。又如，在自然语言处理NLP领域，比如在垂直领域做预训练模型，需要语料扩充也可以通过本申请所公开的扩充语料生成方法来实现。

图2是根据本申请一个实施例的目标领域的扩充语料生成方法的流程图。需要说明的是，本申请实施例的目标领域的扩充语料生成方法可应用于本申请实施例的目标领域的扩充语料生成装置。该扩充语料生成装置可被配置于电子设备上。

如图2所示，该目标领域的扩充语料生成方法可以包括：

步骤201，获取目标领域的目标词。

可以理解，在本申请实施例中，目标领域可理解为扩充语料欲应用的领域。其中，目标词可理解为该目标领域内的语料。

步骤202，获取目标词对应的召回语料。

在本申请一些实施例中，可利用目标领域内的目标词在通用领域库内召回与该目标领域的目标词相关的句子，将该召回到的句子作为与该目标词对应的召回语料。

作为一种示例，利用搜索引擎技术获取与目标词对应的召回语料。例如，获取目标词对应的搜索条件，并根据该目标词和搜索条件通过搜索引擎获取召回语料。其中，搜索条件可包括同义词和检索得分。

需要说明的是，Elasticsearch(一种搜索服务器，英文简称：ES)是一种分布式的海量数据搜索与分析的技术，让其可以支持海量的、PB (Petabyte，存储单元)级的大数据搜索，具有检索速度快，负载能力强的特点。通过搜索引擎可以显著减小计算的复杂度，提高语料召回速度。

在本申请实施例中，需要预先收集海量的语料存入到ES引擎中，比如，存入输入法的相关数据等。在获取召回语料时，可逐条在ES引擎中进行检索，以获得与目标词对应的召回语料，其中，通过设置同义词和检索得分(如检索得分需大于某一阈值)等条件，可以提高检索语料的质量。经过ES召回的语料，在语义和字面上具有一定的相关性。由此，基于搜索引擎能够快速筛选出与领域相关的一些语料，并且稳定、可靠、快速，能够起到粗筛的作用。

步骤203，分别计算目标词与召回语料的多种相似度特征。

可选地，采用多种相似度计算方法分别计算目标词与召回语料的相似度特征，从而将得到的多个相似度作为目标词与召回语料的多种相似度特征。在本申请一些实施例中，该多种相似度特征包括检索得分、编辑距离、余弦距离和相似系数等中的至少两种。

也就是说，本申请融合多种相似度计算方法分别计算目标词与召回语料的相似度特征，从而得到目标词与召回语料的多种相似度特征。作为一种示例，该多种相似度计算方法包括：ES检索得分、Jaccard(杰卡德) 相似系数、编辑距离、word2vec余弦距离等。

需要说明的是，在计算目标词与召回语料的相似度特征时，所使用的词向量可以通过海量的通用领域训练得到。以上四种相似度计算方法获得的相似度特征都是与领域无关的，并且包含字面特征和语义特征。所以能够很好的融合各种方法的优点。通过以上四种方法计算得到的相似度得分分别作为该目标词与召回语料的相似度特征。例如，以目标词“你的话费就是有点欠费了”，召回语料“话费欠费了”为例，融合ES检索得分、 Jaccard(杰卡德)相似系数、编辑距离、word2vec余弦距离这四种相似度计算方法，计算该目标词与召回语料的四种相似度得分，依次为27.456、 0.5、0.5、0.83，将这四种相似度得分作为该目标词与召回语料的四种相似度特征。

步骤204，将多种相似度特征输入至相似度模型以生成召回语料与目标词之间的相似度预测值。

也就是说，将目标词与召回语料的多种相似度特征作为一个整体输入至相似度模型进行相似预测，得到召回语料与目标词之间的相似度预测值。

其中，在本申请一些实施例中，该相似度模型基于GBDT(Gradient BoostDecision Tree，梯度下降树)模型。也就是说，本申请实施例的相似度模型在模型训练时，可采用在结构化数据表现比较好的GBDT模型进行分类训练。GBDT也是Boosting算法的一种，因其出色的特征自动组合能力和高效的运算在工业界应用广泛，因此相似度的计算采用GBDT做分类训练。因为GBDT拟合的是句子对之间的特征，所以该模型对领域不敏感，这也是该模型在计算相似度时最大的优点。

步骤205，根据相似度预测值将召回语料作为目标领域的扩充语料。

可选地，根据相似度预测值来识别该召回语料是可以作为目标领域的扩充语料，还是将该召回语料舍弃。

在本申请一些实施例中，可将该相似度预测值与一个预设阈值进行大小比对，根据大小比对结果来识别召回语料是否可作为该目标领域的扩充语料。作为一种示例，如果相似度预测值大于或等于预设阈值，则将召回语料作为目标领域的扩充语料；如果相似度预测值小于预设阈值，则将召回语料丢弃。例如，在利用相似度模型对召回语料进行相似预测，预测为 0的句子就可以舍弃，预测为1的句子，说明与目标领域的目标词相似，可以作为该目标领域的扩充语料，即可以实现目标领域数据的扩充。

根据本申请实施例的目标领域的扩充语料生成方法，获取目标领域的目标词，并获取目标词对应的召回语料，分别计算目标词与召回语料的多种相似度特征，并将多种相似度特征输入至相似度模型以生成召回语料与目标词之间的相似度预测值，并根据相似度预测值将召回语料作为目标领域的扩充语料。由此，本申请先通过召回技术召回一些粗粒度的召回语料，然后，融合多种相似度计算方法分别计算目标词与召回语料的多种相似度特征，然后，将多种相似度特征输入到相似度模型对召回语料进行相似预测，进而根据相似度预测值将召回语料作为目标领域的扩充语料，从而实现目标领域语料的扩充，由于本申请是基于文本相似度计算来实现领域语料的扩充，其与领域无关，因此使得本申请的语料扩充技术可适用于所有需要语料扩充的场景；另外，基于多种相似度特征和相似度模型对召回语料进行相似预测，基于预测结果从召回语料中能够获得与目标领域更为匹配的扩充语料，从而可以提高获得目标领域的扩充语料的准确性。

需要说明的是，本申请实施例的相似度模型可以预先训练的。在本申请一些实施例中，如图3所示，相似度模型可通过以下步骤训练得到：

步骤301，获取训练数据，其中，训练数据包括多个句子对以及每个句子对的标签。

在本申请一些实施例中，基于搜索引擎，获取数据样本，并根据数据样本构建相似程度不同的句子对，并根据相似度程度对句子对进行标注，获得句子对的标签，以及将句子对及其标签作为训练数据。

例如，本申请基于搜索引擎的数据样本，构造相似度不同的句子对。通过标注人员进行标注，根据句子的相似或不相似，分为0和1两种标签，其中1代表相似，0代表不相似。共标注句子对10万条，其中8万条做训练集，2万条做测试集。训练数据格式如下表1所示：

表1训练样本格式

句子对	文本1	文本2	标签
				1	你的话费就是有点欠费了	话费欠费了	1
2	我最近有没有话费充值记录	有就充值没有就充话费	1
				3	是存话费赠购物卡吗？	我想要更改套餐	0

步骤302，分别计算每个句子对的多种相似度特征。

针对每个句子对，可融合多种相似度计算方法，包括ES检索得分、 Jaccard(杰卡德)相似系数、编辑距离、word2vec余弦距离四种相似度特征，其中，词向量可以通过海量的通用领域训练得到。以上四种方法获得的特征都是与领域无关的，并且包含字面特征和语义特征。所以能够很好的融合各种方法的优点。

其中，在本申请实施例中，Word2vec词向量采用谷歌提出的word2vec 词向量训练工具，使用Skip-Gram模型，训练方法是用负采样的方法，设置词向量维度为100维。词向量的训练语料使用搜索领域搜索语料，共计 100G。计算句子的平均词向量，首先要对句子进行分词，分词采用开源的 Jieba(一种中文分词工具)工具，比如将“是存话费赠购物卡吗？”分词为[‘是’,’存’,’话费’,’赠’,’购物’,’卡’,’吗’]，按后去掉停止词后，分别得到各个词的词向量，进平均。公式如下：

V＝invin

其中，vi代表第i个词的词向量，n代表词的个数，V为句子的平均词向量。

通过以上四种方法计算得到的相似度得分分别作为训练数据的一个特征。构造的训练集的数据格式如下面表2所示：

表2训练集数据格式

句子对	检索得分	余弦距离	编辑距离	相似系数	标签
						1	27.456	0.83	0.5	0.5	1
2	27.187	0.92	0.263	0.333	1
						3	10.534	0.34	0.0	0.0	0

步骤303，根据每个句子对的多种相似度特征以及每个句子对的标签，对GBDT模型进行分类训练，得到相似度模型。

在本申请实施例中，相似度模型训练采用在结构化数据表现比较好的 GBDT模型，进行分类训练。例如，在得到句子对的多种相似度特征作为模型的输入的特征，表2中的标签为模型的标签，则输入X＝(x1,x2,x3,x4)， x1为ES检索得分，x2为平均词向量得分(即余弦距离)，x3为句子对之间的编辑距离，x4为相似系数得分，如句子对1输入模型的数据为X＝ (27.456,0.83,0.5,0.5)，标签Y＝1。然后，将句子对的多种相似度特征以及句子对的标签作为模型的输入数据，对GBDT模型进行分类训练，将训练好的模型作为该相似度模型。

需要说明的是，在模型训练过程中，可利用损失函数采用深度学习对 GBDT模型进行训练，当使用损失函数计算相似度预测值与模型的标签之间的差值不满足预设条件(其中，满足预设条件为相似度预测值与模型的标签一致)，则调整模型的参数，进而利用训练数据对经过参数调整后的模型继续训练，进而将训练好的模型作为相似度模型。

在本申请实施例中，由于本申请适用的场景是二分类，对于二分类的 GBDT使用的决策树是CART回归树。对于某一棵回归树在回归单个样本 (xi,yi)的损失函数为：

Lθ＝yilogyi-(1-yi)log(1-yi)

其中，yi＝hθ(x)是逻辑回归的结果，假设GBDT第M步迭代后当前学习器为Fx＝m＝0Mhm(x)，将yi替换为Fx带入上式后，可将损失函数写为：

Lyi，Fxi＝yilog1+e-Fxi+1-yi[Fxi+log1+e-Fxi]

由此可见，通过上述步骤301-步骤303即可训练得到相似度模型。

为了方便本领域技术人员更加清楚地了解本申请，下面将结合图4进行详细说明。

举例而言，如图4所示，可基于ES搜索引擎技术，利用领域内的语料在通用语料库(如图4所示的海量语料库)内召回领域相关的句子，作为召回语料。在获得与领域内的目标词对应的召回语料时，可融合多种相似度计算方法分别计算召回语料与目标词之间的多种相似度特征，比如， ES检索得分、Jaccard(杰卡德)相似系数、编辑距离、word2vec余弦距离这四种相似度特征。然后，将这四种相似度特征作为模型的输入参数输入至相似度模型进行相似预测，得到召回语料与目标词之间的相似度预测值。将相似度预测值与预设阈值进行大小比对，如果该相似度预测值大于或等于预设阈值，则将该召回语料作为该目标领域的扩充语料，即可认为该召回语料为该目标领域的相关语料；如果该相似度预测值小于预设阈值，则将该召回语料舍弃。

综上所述，本申请提供的目标领域的扩充语料生成方法与其他语料扩充的方法相比较，本申请实施例的扩充语料生成方法有以下几点的优点：

1)采用搜索ES引擎进行初筛领域相似数据，能够适用不同量级的语料扩充，比如输入法语料是天然的可挖掘，通过ES引擎能够快速的实现相似语料的挖掘，相较于语言模型等方法极大提高了挖掘效率；

2)适用于通用领域；本申请对领域不敏感，不需要做任何训练或者微调等与处理，可以立即用于任何需要扩充的领域中，具有极强的普适性；

3)具有语义相关性扩充；因为GBDT拟合了多种相似度特征，比如词向量、ES得分等语义特征，所以模型具有语义的检索。

由此可见，本申请的语料扩充技术适用于所有需要语料扩充的场景。例如，在语音识别场景下，通过对垂直领域的语料扩充，可以很好的提高语言模型的效果，从而提高语音识别效果在垂直领域的效果。又如，在 NLP领域，比如在垂直领域做预训练模型，需要语料扩充也可以拿来直接用。

图5是根据本申请一个实施例的目标领域的扩充语料生成装置的结构框图。如图5所示，该目标领域的扩充语料生成装置500可以包括：第一获取模块501、第二获取模块502、计算模块503、生成模块504和确定模块505。

具体地，第一获取模块501用于获取目标领域的目标词。

第二获取模块502用于获取目标词对应的召回语料。作为一种示例，第二获取模块502可获取目标词对应的搜索条件；根据目标词和搜索条件通过搜索引擎获取召回语料。

计算模块503用于分别计算目标词与召回语料的多种相似度特征。其中，在本申请一些实施例中，多种相似度特征包括检索得分、编辑距离、余弦距离和相似系数之中的至少两种。

生成模块504用于将多种相似度特征输入至相似度模型以生成召回语料与目标词之间的相似度预测值。作为一种示例，相似度模型基于梯度下降树GBDT模型。

确定模块505用于根据相似度预测值将召回语料作为目标领域的扩充语料。作为一种示例，确定模块505具体用于：如果相似度预测值大于或等于预设阈值，则将召回语料作为目标领域的扩充语料；如果相似度预测值小于预设阈值，则将召回语料丢弃。

在本申请一些实施例中，如图6所示，该目标领域的扩充语料生成装置600还可包括：训练模块606。训练模块606用于训练相似度模型。其中，在本申请实施例中，训练模块606具体用于：获取训练数据，其中，训练数据包括多个句子对以及每个句子对的标签；分别计算每个句子对的多种相似度特征；根据每个句子对的多种相似度特征以及每个句子对的标签，对GBDT模型进行分类训练，得到相似度模型。

作为一种示例，训练模块606获取训练数据的具体实现过程可如下：基于搜索引擎，获取数据样本；根据数据样本构建相似程度不同的句子对；根据相似度程度对句子对进行标注，获得句子对的标签；将句子对及其标签作为训练数据。

其中，图6中601-605和图5中501-505具有相同功能和结构。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

根据本申请实施例的目标领域的扩充语料生成装置，获取目标领域的目标词，并获取目标词对应的召回语料，分别计算目标词与召回语料的多种相似度特征，并将多种相似度特征输入至相似度模型以生成召回语料与目标词之间的相似度预测值，并根据相似度预测值将召回语料作为目标领域的扩充语料。由此，本申请先通过召回技术召回一些粗粒度的召回语料，然后，融合多种相似度计算方法分别计算目标词与召回语料的多种相似度特征，然后，将多种相似度特征输入到相似度模型对召回语料进行相似预测，进而根据相似度预测值将召回语料作为目标领域的扩充语料，从而实现目标领域语料的扩充，由于本申请是基于文本相似度计算来实现领域语料的扩充，其与领域无关，因此使得本申请的语料扩充技术可适用于所有需要语料扩充的场景；另外，基于多种相似度特征和相似度模型对召回语料进行相似预测，基于预测结果从召回语料中能够获得与目标领域更为匹配的扩充语料，从而可以提高获得目标领域的扩充语料的准确性。

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7所示，是根据本申请实施例的用以实现目标领域的扩充语料生成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7所示，该电子设备包括：一个或多个处理器701、存储器702，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7中以一个处理器701 为例。

存储器702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目标领域的扩充语料生成方法。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目标领域的扩充语料生成方法。

存储器702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目标领域的扩充语料生成方法对应的程序指令/模块(例如，附图5所示的第一获取模块501、第二获取模块502、计算模块503、生成模块504和确定模块505)。处理器701通过运行存储在存储器702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目标领域的扩充语料生成方法。

存储器702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用以实现目标领域的扩充语料生成方法的电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至用以实现目标领域的扩充语料生成方法的电子设备。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。

用以实现目标领域的扩充语料生成方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与用以实现目标领域的扩充语料生成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704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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。

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 (16)

1.一种目标领域的扩充语料生成方法，包括：

获取目标领域的目标词；

获取所述目标词对应的召回语料；

分别计算所述目标词与所述召回语料的多种相似度特征；

将所述多种相似度特征输入至相似度模型以生成所述召回语料与所述目标词之间的相似度预测值；以及

根据所述相似度预测值将所述召回语料作为所述目标领域的扩充语料。

2.如权利要求1所述的目标领域的扩充语料生成方法，其中，所述根据所述相似度预测值将所述召回语料作为所述目标领域的扩充语料，包括：

如果所述相似度预测值大于或等于预设阈值，则将所述召回语料作为所述目标领域的扩充语料；

如果所述相似度预测值小于所述预设阈值，则将所述召回语料丢弃。

3.如权利要求1所述的目标领域的扩充语料生成方法，其中，所述多种相似度特征包括检索得分、编辑距离、余弦距离和相似系数之中的至少两种。

4.如权利要求1所述的目标领域的扩充语料生成方法，其中，所述相似度模型基于梯度下降树GBDT模型。

5.如权利要求4所述的目标领域的扩充语料生成方法，其中，所述相似度模型通过以下步骤训练得到：

获取训练数据，其中，所述训练数据包括多个句子对以及每个所述句子对的标签；

分别计算每个所述句子对的多种相似度特征；

根据每个所述句子对的多种相似度特征以及每个句子对的标签，对所述GBDT模型进行分类训练，得到所述相似度模型。

6.如权利要求5所述的目标领域的扩充语料生成方法，其中，所述获取训练数据，包括：

基于搜索引擎，获取数据样本；

根据所述数据样本构建相似程度不同的句子对；

根据相似度程度对所述句子对进行标注，获得所述句子对的标签；

将所述句子对及其标签作为所述训练数据。

7.如权利要求1所述的目标领域的扩充语料生成方法，其中，获取所述目标词对应的召回语料，包括：

获取所述目标词对应的搜索条件；

根据所述目标词和所述搜索条件通过搜索引擎获取所述召回语料。

8.一种目标领域的扩充语料生成装置，包括：

第一获取模块，用于获取目标领域的目标词；

第二获取模块，用于获取所述目标词对应的召回语料；

计算模块，用于分别计算所述目标词与所述召回语料的多种相似度特征；

生成模块，用于将所述多种相似度特征输入至相似度模型以生成所述召回语料与所述目标词之间的相似度预测值；以及

确定模块，用于根据所述相似度预测值将所述召回语料作为所述目标领域的扩充语料。

9.如权利要求8所述的目标领域的扩充语料生成装置，其中，所述确定模块具体用于：

如果所述相似度预测值大于或等于预设阈值，则将所述召回语料作为所述目标领域的扩充语料；

如果所述相似度预测值小于所述预设阈值，则将所述召回语料丢弃。

10.如权利要求8所述的目标领域的扩充语料生成装置，其中，所述多种相似度特征包括检索得分、编辑距离、余弦距离和相似系数之中的至少两种。

11.如权利要求8所述的目标领域的扩充语料生成装置，其中，所述相似度模型基于梯度下降树GBDT模型。

12.如权利要求11所述的目标领域的扩充语料生成装置，还包括：

训练模块，用于训练所述相似度模型；

其中，所述训练模块具体用于：

获取训练数据，其中，所述训练数据包括多个句子对以及每个所述句子对的标签；

分别计算每个所述句子对的多种相似度特征；

根据每个所述句子对的多种相似度特征以及每个句子对的标签，对所述GBDT模型进行分类训练，得到所述相似度模型。

13.如权利要求12所述的目标领域的扩充语料生成装置，其中，所述训练模块具体用于：

基于搜索引擎，获取数据样本；

根据所述数据样本构建相似程度不同的句子对；

根据相似度程度对所述句子对进行标注，获得所述句子对的标签；

将所述句子对及其标签作为所述训练数据。

14.如权利要求8所述的目标领域的扩充语料生成装置，其中，所述第二获取模块具体用于：

获取所述目标词对应的搜索条件；

根据所述目标词和所述搜索条件通过搜索引擎获取所述召回语料。

15.一种电子设备，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权利要求1至7中任一项所述的目标领域的扩充语料生成方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的目标领域的扩充语料生成方法。

Images