CN112560459B - 用于模型训练的样本筛选方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种用于模型训练的样本筛选方法、装置、设备及存储介质，涉及自然语言处理领域。其中，模型用于识别各样本中包含的预测实体词，以及识别预测实体词分别属于各实体类别的概率，具体实现方案为：通过获取实体词的集合，对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，以根据实体词属于预测类别的第一概率与属于标注类别的第二概率之间的差值，从集合中确定噪声词，以删除噪声词所属的样本，由此，基于模型输出的实体词属于预测类别的第一概率和属于标注类别的第二概率，筛选出集合中的噪声词，以筛选出包含有噪声词的样本，从而有利于提高了模型训练的准确度。

Description

用于模型训练的样本筛选方法、装置、设备及存储介质

技术领域

本申请公开了一种用于模型训练的样本筛选方法、装置、设备及存储介质，涉及自然语言处理技术领域。

背景技术

实体识别任务的目的在于从文本中提取出感兴趣的字段，比如人名，地名等。特别地，在医疗领域可能关注于症状、疾病、药品等字段。目前，基于深度学习的实体识别方法，取得了很好的提取效果，而深度学习模型好的识别效果依赖于高质量的人工标注数据。

但是，在较为复杂的领域，比如医疗，由于需要较强的医学背景知识等原因，标注难度较大，人工标注的样本中各实体词的类别往往存在错误，即噪声。在这种情况下，会导致深度学习模型被噪声影响，从而无法得到期望的效果。为此，提供一种有效的发现文本中噪声的方法，以对错误的文本进行纠正，对于提高模型训练样本的质量具有重大的意义。

发明内容

本申请提供了一种用于模型训练的样本筛选方法、装置、设备以及存储介质。

本申请第一方面实施例提供了一种用于模型训练的样本筛选方法，所述模型用于识别各样本中包含的预测实体词，以及识别所述预测实体词分别属于各实体类别的概率，所述方法包括：

获取实体词的集合，所述集合中的实体词为所述模型识别各样本所得到的所述预测实体词，和/或，各所述样本的标注实体词；

对所述集合中的实体词，根据所述模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于所述预测类别的第一概率，以及属于所述标注类别的第二概率；

根据所述第一概率和所述第二概率之间的差值，从所述集合中确定噪声词；

删除所述噪声词所属的样本。

本申请第二方面实施例提供了一种用于模型训练的样本筛选装置，所述模型用于识别各样本中包含的预测实体词，以及识别所述预测实体词分别属于各实体类别的概率，所述装置包括：

获取模块，用于获取实体词的集合，所述集合中的实体词为所述模型识别各样本所得到的所述预测实体词，和/或，各所述样本的标注实体词；

第一确定模块，用于对所述集合中的实体词，根据所述模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率；

第二确定模块，用于根据所述第一概率和所述第二概率之间的差值，从所述集合中确定噪声词；

删除模块，用于删除所述噪声词所属的样本。

本申请第三方面实施例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第一方面实施例所述的用于模型训练的样本筛选方法。

本申请第四方面实施例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，所述计算机指令用于使所述计算机执行第一方面实施例所述的用于模型训练的样本筛选方法。

本申请第五方面实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述实施例中所述的用于模型训练的样本筛选方法。

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为本申请实施例一提供的用于模型训练的样本筛选方法的流程示意图；

图2为本申请实施例二提供的用于模型训练的样本筛选方法的流程示意图；

图3为本申请实施例三提供的用于模型训练的样本筛选方法的流程示意图；

图4为本申请实施例提供的一种目标矩阵的示例图；

图5为本申请实施例四提供的用于模型训练的样本筛选装置的结构示意图

图6是用来实现本申请实施例的用于模型训练的样本筛选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。

相关技术中，通常采用置信学习算法发现数据中的噪声，但是，采用置信学习算法识别数据中噪声，仅能在图像分类、文本分类等问题上取得较好效果，无法识别出实体词中的噪声词。

举例来说，假设待识别文本为“王小明今天去北海公园放风筝了，北海公园位于北京市中心区。”，在该文本中，“王小明”应该被标注为PER，即人物，而“北海公园”、“北京市”应该被标注为LOC，即地名。同时，标注人员识别出了“北海公园”并且正确的标注了他的类别，但是漏标了“北京市”，还错误的把“王小明”标成了LOC，模型识别出了“北京市”、“王小明”并且正确预测了他们的类别，但是漏预测了“北海公园”。

此外，对于一个词语，其可能不属于任何一个实体类别，比如，“位于”这个词就不能被标注为PER或者LOC。

鉴于此，本申请提出了一种用于模型训练的样本筛选方法，该模型用于识别各样本中包含的预测实体词，以及识别预测实体词分别属于各实体类别的概率，通过获取实体词的集合，对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率，根据第一概率和第二概率之间的差值，从集合中确定噪声词，以删除噪声词所属的样本。

下面参考附图描述本申请实施例的用于模型训练的样本筛选方法、装置、设备及存储介质。

图1为本申请实施例一提供的用于模型训练的样本筛选方法的流程示意图。

本申请实施例以该用于模型训练的样本筛选方法被配置于用于模型训练的样本筛选装置中来举例说明，该用于模型训练的样本筛选装置可以应用于任一电子设备中，以使该电子设备可以执行用于模型训练的样本筛选功能。

其中，电子设备可以为个人电脑(Personal Computer，简称PC)、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统的硬件设备。

如图1所示，该用于模型训练的样本筛选方法，可以包括以下步骤：

步骤101，获取实体词的集合。

其中，集合中的实体词为模型识别各样本所得到的预测实体词，和/或，各样本的标注实体词。

本申请实施例中，模型用于识别各样本中包含的预测实体词，以及识别预测实体词分别属于各实体类别的概率。

作为一种示例，假设样本为“王小明今天去北海公园放风筝了，北海公园位于北京市中心区。”，将该样本输入模型，该模型可以识别出样本中包含的预测实体词为“王小明”、“北海公园”、“北京市”。预测实体词对应的实体类别为人物和地点，模型可以识别出预测实体词分别属于各实体类别的概率。例如，模型可以识别出“王小明”属于人物的概率为95％，“王小明”属于地点的概率为5％。

在一种可能的情况下，获取到的实体词的集合中包含的实体词，可以为模型识别各样本多得到的预测实体词。例如，上述示例中模型识别样本得到的预测实体词为“王小明”、“北海公园”、“北京市”。预测实体词“王小明”、“北海公园”、“北京市”可以组成一个实体词集合。

需要解释的是，集合中的实体词可以为模型识别多个样本所得到预测实体词，不限于模型对一个样本进行识别得到的预测实体词。

在另一种可能的情况下，获取到的实体词的集合中包含的实体词，还可以为各样本的标注实体词。

可以理解为，获取到各样本后，可以对各样本中的实体词进行人工标注，得到各样本的标注实体词，进而，将各样本的标注实体词组成一个实体词的集合。

在又一种可能的情况下，获取到的实体词的集合中包括的实体词，可以为模型识别各样本所得到的预测实体词和各样本的标注实体词。

可以理解为，获取到各样本后，可以将各样本输入模型，得到模型识别各样本输出的预测实体词，并且对各样本中的实体词进行人工标注，得到各样本的标注实体词，进而，将预测实体词和标注实体词组成一个实体词的集合。

步骤102，对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率。

为了便于区别，将集合中的实体词属于预测类别的概率称为第一概率，实体词属于标注类别的概率称为第二概率。

本申请实施例中，获取到各样本后，将各样本输入模型，模型可以识别出各样本中包含的预测实体词，以及预测实体词分别属于各实体类别的概率。其中，实体类别可以包括预测类别和标注类别。

可以理解为，对于集合中的每一个实体词，可以根据模型输出的实体词属于预测类别和标注类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率。

继续以上述示例为例，假设实体词为“北海公园”，该实体词被正确标注为地点，但是模型未预测出该实体词为一个实体。这种情况下，模型输出该实体词属于预测类别的第一概率为90％，属于标注类别的第二概率为10％。

步骤103，根据第一概率和第二概率之间的差值，从集合中确定噪声词。

本申请实施例中，对于集合中的每一个实体词，确定各实体词属于预测类别的第一概率以及属于标注类别的第二概率后，计算各实体词对应的第一概率和第二概率之间的差值。进而，根据各实体词属于预测类别的第一概率和属于标注类别的第二概率之间的差值，确定该实体词是否为噪声词。

在一种可能的情况下，可以预先设定第一概率和第二概率之间的差值阈值，确定各实体词属于预测类别的第一概率以及属于标注类别的第二概率后，确定第一概率和第二概率之间的差值。若某一实体词的第一概率与第二概率之间的差值小于设定的差值阈值，则确定该实体词不为噪声词。

在另一种可能的情况下，若某一实体词的第一概率与第二概率之间的差值大于设定的差值阈值，则确定该实体词为噪声词。

可以理解为，对于集合中的实体词，模型输出的对应实体词属于预测类别的第一概率和属于标注类别的第二概率之间的差值较大时，这种情况下，人工标注的实体词类别与模型预测的实体词类别不一致，为了提高模型的准确率，可以将实体词属于预测类别的第一概率和属于标注类别的第二概率之间的差值较大的实体词，确定为噪声词。

步骤104，删除噪声词所属的样本。

本申请实施例中，从集合中确定噪声词后，进一步地，确定噪声词所属的样本，以删除噪声词所属的样本。由此，可以筛选出包含有噪声词的样本，从而提高了模型训练的准确度。

作为一种示例，假设从实体词的集合中确定实体词a为噪声词，实体词a属于样本A，则可以删除样本A。

本申请实施例的用于模型训练的样本筛选方法，该模型用于识别各样本中包含的预测实体词，以及识别预测实体词分别属于各实体类别的概率，通过获取实体词的集合，对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，以根据实体词属于预测类别的第一概率与属于标注类别的第二概率之间的差值，从集合中确定噪声词，以删除噪声词所属的样本，由此，基于模型输出的实体词属于预测类别的第一概率和属于标注类别的第二概率，筛选出集合中的噪声词，以筛选出包含有噪声词的样本，从而有利于提高了模型训练的准确度。

在上述实施例的基础上，在一种可能的场景下，实体词的预测类别和标注类别可能为非实体词类别。这种情况下，并不能直接根据模型的输出确定实体词属于预测类别的第一概率和属于标注类别的第二概率，此时，确定实体词的第一概率和第二概率时，需要考虑设定概率上限。下面结合图2进行详细介绍，图2为本申请实施例二提供的用于模型训练的样本筛选方法的流程示意图。

如图2所示，该用于模型训练的样本筛选方法，还可以包括以下步骤：

步骤201，获取实体词的集合。

其中，集合中的实体词为模型识别各样本所得到的预测实体词，和/或，各样本的标注实体词。

本申请实施例中，步骤201的实现过程，可以参见上述实施例中步骤101的实现过程，在此不再赘述。

步骤202，对集合中的实体词，若实体词的预测类别为非实体词类别，则对应的第二概率为模型输出的属于标注类别的概率，第一概率为设定概率上限与第二概率之差。

本申请实施例中，模型输出的实体词的预测类别和标注类别均包含非实体词类别和各实体类别。

其中，非实体词类别，可以指不属于实体的词所属的类别，例如“位于”、“在哪里”，等等。

在一种可能的情况下，对于集合中的实体词，若模型输出的对应实体词的预测类别为非实体词类别，这种情况下，实体词属于标注类别的第二概率为模型输出的实体词属于标注类别的概率。实体词属于预测类别的第一概率为设定概率上限与第二概率之差。

其中，设定概率上限可以为1。

作为一种示例，假设集合中的实体词B的预测类别为非实体词类别，实体词B属于标注类别的第二概率，可以模型输出实体词B属于标注类别的概率，实体词B属于预测类别的第一概率，可以为1减去第二概率的差值。

步骤203，对集合中的实体词，若实体词的标注类别为非实体词类别，则对应的第一概率为模型输出的预测类别的概率，第二概率为设定概率上限与第一概率之差。

在一种可能的情况下，对于集合中的实体词，若模型输出的对应实体词的标注类别为非实体词类别，这种情况下，实体词属于预测类别的第一概率为模型输出的预测类别的概率，实体词属于标注类别的第二概率为设定概率上限与第一概率之差。

可以理解的是，由于人工是不会将某一词语标注为非实体词类别，若模型输出的某一实体词的标注类别为非实体词类别，这种情况下，模型输出的实体词为标注类别的概率可以根据设定概率上限与第一概率之差确定。

作为一种示例，假设集合中的实体词C的标注类别为非实体词类别，实体词C属于预测类别的第一概率，可以模型输出实体词C属于预测类别的概率，实体词C属于标注类别的第二概率，可以为1减去第一概率的差值。

步骤204，根据第一概率和第二概率之间的差值，从集合中确定噪声词。

步骤205，删除噪声词所属的样本。

本申请实施例中，步骤204和步骤205的实现过程，可以参见上述实施例中步骤103和步骤104的实现过程，在此不再赘述。

本申请实施例中的用于模型训练的样本筛选方法，获取到实体词的集合后，对集合中的实体词，若实体词的预测类别为非实体词类别，则对应的第二概率为模型输出的属于标注类别的概率，第一概率为设定概率上限与第二概率之差；若实体词的标注类别为非实体词类别，则对应的第一概率为模型输出的预测类别的概率，第二概率为设定概率上限与第一概率之差，进而，根据第一概率与第二概率之间的差值，确定噪声词，以删除噪声词所属的样本。由此，实现了对集合中的非实体词进行筛选，以筛选出噪声词为非实体的样本。

在上述实施例的基础上，在上述步骤103中，根据第一概率和第二概率之间的差值，从集合中确定噪声词时，可以根据模型输出的实体词的各实体类别，生成目标矩阵，以根据第一概率和第二概率之间的差值，从目标元素表征的实体词中，确定噪声词。下面结合图3进行详细介绍，图3为本申请实施例三提供的用于模型训练的样本筛选方法的流程示意图。

如图3所示，该用于模型训练的样本筛选方法，还可以包括以下步骤：

步骤301，获取实体词的集合。

其中，集合中的实体词为模型识别各样本所得到的预测实体词，和/或，各样本的标注实体词。

步骤302，对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率。

本申请实施例中，步骤301和步骤302的实现过程，可以参见上述实施例中步骤101和步骤102的实现过程，在此不再赘述。

步骤303，根据集合中的实体词，生成目标矩阵。

其中，目标矩阵中的行对应标注类别，列对应预测类别，目标矩阵中的元素表征符合行对应的标注类别，且符合列对应的预测类别的实体词。

可以理解为，对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率和属于标注类别的第二概率后，确定各实体词所属的类别后，根据各实体词所属的类别，生成目标矩阵。

作为一种示例，如图4所示，假设目标矩阵中的行对应标注类别，列对应预测类别，实体词“王小明”被人工错误标注为LOC类别，但是模型预测为PER类别，所以目标矩阵的第二行第一列的元素为1。即第二行第二列的实体词符合行对应的标注类别，且符合列对应的预测类别。对于实体词“北海公园”，被人工正确标注为LOC类别，但是模型没有预测出其为一个实体，因此目标矩阵第二行第三列的元素为1。即实体词“北海公园”被人工标注为LOC类型，但是没有被模型识别出来。对于实体词“北京市”，标注人员没有识别出其为一个实体，但是模型正确预测出了其为LOC类别，所以第三行第二列的元素为1。即实体词“北京市”未被人工标注为实体，但是模型却预测其为某个类型的实体。

步骤304，从目标矩阵中，获取目标元素。

其中，目标元素为行对应的标注类别与列对应的预测类别不匹配的元素。

本申请实施例中，根据集合中的实体词，生成目标矩阵后，可以从目标矩阵中获取行对应的标注类别与列对应的预测类别不匹配的元素，以作为目标元素。

可以理解为，目标矩阵中行对应的标注类别与列对应的预测类别不匹配的元素表征的实体词，可能为噪声词。

继续以图4中示例为例，从图4中的矩阵可知，第二行第一列、第二行第三列以及第三行第二列的行对应的标注类别与列对应的预测类别不匹配，因此，可以获取第二行第一列、第二行第三列以及第三行第二列的元素，作为目标元素。

步骤305，根据第一概率和第二概率之间的差值，从目标元素表征的实体词中，确定噪声词。

本申请实施例中，从目标矩阵中，获取行对应的标注类别与列对应的预测类别不匹配的目标元素后，可以根据模型输出的实体词属于预测类别的第一概率，以及属于标注类别的第二概率，确定第一概率和第二概率之间的差值，以从目标元素表征的实体词中，确定噪声词。

作为一种可能的实现方式，可以确定目标元素表征的实体词属于预测类别的第一概率与属于标注类别的第二概率之间的差值，若差值大于设定阈值，则可以确定该目标元素表征的实体词为噪声词。

作为另一种可能的实现方式，可以从目标矩阵中，获取行对应的标注类别与列对应的预测类别匹配的元素作为参考元素，根据参考元素表征的实体词所属预测类别的第一概率，统计各预测类别的第一概率的均值，将各预测类别的第一概率的均值作为对应预测类别的概率阈值。进一步地，从目标元素表征的实体词中，确定所属预测类别的第一概率大于对应概率阈值的第一候选实体词，以根据第一概率和第二概率之间的差值，从第一候选实体词中，确定噪声词。

继续以图4中的示例为例，从图4中的矩阵可知，矩阵对角线上的元素的行对应的标注类别与列对应的预测类别匹配，可以将对角线上的元素作为参考元素。

本申请实施例中，确定各预测类别的概率阈值后，将目标元素表征的实体词中所属预测类别的第一概率大于对应概率阈值的实体词，作为第一候选实体词。进而，根据模型输出的第一候选实体词中各实体词的属于预测类别的第一概率与属于标注类别的第二概率之间的差值，从第一候选实体词中确定噪声词。由此，可以筛选出模型输出的实体词的预测类别与标注类别不同的词作为噪声词。

本申请实施例中，从目标矩阵中，获取行对应的标注类别与列对应的预测类别匹配的元素作为参考元素后，还可以从参考元素表征的实体词中，确定所属预测类别的第一概率大于对应概率阈值的第二候选实体词。进一步地，根据目标元素表征的第一候选实体词的个数，和参考元素表征的第二候选实体词的个数，生成计数矩阵。

其中，计数矩阵用于指示对应目标矩阵中各元素所表征的第一候选词或第二候选词的个数。

进而，根据计数矩阵，生成预测类别和标注类别之间的联合概率分布，以根据联合概率分布，确定噪声词的占比，以确定参考元素表征的实体词中的噪声词。

例如，在计数矩阵中，对于每个非对角线的矩阵位置对应的元素，即行对应的标注类别与列对应的预测类别不匹配的元素，可以根据模型输出的对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率，生成预测类别和标注类别之间的联合概率分布。

步骤306，删除噪声词所属的样本。

本申请实施例中，步骤306的实现过程，可以参见上述实施例中步骤104的实现过程，在此不再赘述。

本申请实施例的用于模型训练的样本筛选方法，对于标注类别与预测类别不一致的实体词，根据模型输出的对应实体词属于预测类别的第一概率与属于标注类别的第二概率之间的差值，确定该实体词是否属于噪声词。由此，能够识别出标注类别与预测类别不一致的实体词，以使得标注人员可以对标注错误的实体词所属的类别进行纠正，从而有利于提高数据的质量。

为了实现上述实施例，本申请提出了一种用于模型训练的样本筛选装置。

图5为本申请实施例四提供的用于模型训练的样本筛选装置的结构示意图。

其中，模型用于识别各样本中包含的预测实体词，以及识别预测实体词分别属于各实体类别的概率。

如图5所示，该用于模型训练的样本筛选装置500，可以包括：获取模块510、第一确定模块520、第二确定模块530以及删除模块540。

其中，获取模块510，用于获取实体词的集合，集合中的实体词为模型识别各样本所得到的预测实体词，和/或，各样本的标注实体词。

第一确定模块520，用于对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率。

第二确定模块530，用于根据第一概率和第二概率之间的差值，从集合中确定噪声词；

删除模块540，用于删除噪声词所属的样本。

作为一种可能的情况，预测类别和标注类别中均包含非实体词类别和各实体类别；第一确定模块520，还可以用于：

若实体词的预测类别为非实体词类别，则对应的第二概率为模型输出的属于标注类别的概率，第一概率为设定概率上限与第二概率之差；若实体词的标注类别为非实体词类别，则对应的第一概率为模型输出的预测类别的概率，第二概率为设定概率上限与第一概率之差。

作为另一种可能的情况，第二确定模块530，还可以包括：

生成单元，用于根据集合中的实体词，生成目标矩阵；其中，目标矩阵中的行对应标注类别，列对应预测类别，目标矩阵中的元素表征符合行对应的标注类别，且符合列对应的预测类别的实体词。

获取单元，用于从目标矩阵中，获取目标元素，其中，目标元素为行对应的标注类别与列对应的预测类别不匹配的元素。

确定单元，用于根据第一概率和第二概率之间的差值，从目标元素表征的实体词中，确定噪声词。

作为另一种可能的情况，确定单元，还可以用于：

从目标矩阵中，获取参考元素，其中，参考元素为行对应的标注类别与列对应的预测类别匹配的元素；根据参考元素表征的实体词所属预测类别的第一概率，统计各预测类别的第一概率的均值，将各预测类别的第一概率的均值作为对应预测类别的概率阈值；从目标元素表征的实体词中，确定所属预测类别的第一概率大于对应概率阈值的第一候选实体词；根据第一概率和第二概率之间的差值，从第一候选实体词中，确定噪声词。

作为另一种可能的情况，确定单元，还可以用于：

从参考元素表征的实体词中，确定所属预测类别的第一概率大于对应概率阈值的第二候选实体词；根据目标元素表征的第一候选实体词的个数，和参考元素表征的第二候选实体词的个数，生成计数矩阵；其中，计数矩阵用于指示对应目标矩阵中各元素所表征的第一候选词或第二候选词的个数；根据计数矩阵，生成预测类别和标注类别之间的联合概率分布；根据联合概率分布，确定噪声词的占比。

需要说明的是，前述对用于模型训练的样本筛选方法实施例的解释说明也适用于该用于模型训练的样本筛选装置，此处不再赘述。

本申请实施例的用于模型训练的样本筛选装置，该模型用于识别各样本中包含的预测实体词，以及识别预测实体词分别属于各实体类别的概率，通过获取实体词的集合，对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，以根据实体词属于预测类别的第一概率与属于标注类别的第二概率之间的差值，从集合中确定噪声词，以删除噪声词所属的样本，由此，基于模型输出的实体词属于预测类别的第一概率和属于标注类别的第二概率，筛选出集合中的噪声词，以筛选出包含有噪声词的样本，从而有利于提高了模型训练的准确度。

为了实现上述实施例，本申请还提出了一种服务器。

本申请提出的服务器，可以包括：

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上述实施例中的用于模型训练的样本筛选方法。

为了实现上述实施例，本申请还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。

本申请实施例提出的存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使所述计算机执行上述实施例中所述的用于模型训练的样本筛选方法。

为了实现上述实施例，本申请还提出了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述实施例中所述的用于模型训练的样本筛选方法。

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的用于模型训练的样本筛选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用于模型训练的样本筛选方法。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用于模型训练的样本筛选方法。

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用于模型训练的样本筛选方法对应的程序指令/模块(例如，附图5所示的获取模块510、第一确定模块520、第二确定模块530以及删除模块540)。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用于模型训练的样本筛选方法。

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。

用于模型训练的样本筛选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)、互联网和区块链网络。

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(VirtualPrivate Server，虚拟专用服务器)中，存在的管理难度大，业务扩展性弱的缺陷。

根据本申请实施例的技术方案，通过获取实体词的集合，对集合中的实体词，根据模型输出的对应实体词属于各实体类别的概率，以根据实体词属于预测类别的第一概率与属于标注类别的第二概率之间的差值，从集合中确定噪声词，以删除噪声词所属的样本，由此，基于模型输出的实体词属于预测类别的第一概率和属于标注类别的第二概率，筛选出集合中的噪声词，以筛选出包含有噪声词的样本，从而有利于提高了模型训练的准确度。

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 (8)

1.一种用于模型训练的样本筛选方法，所述模型用于识别各样本中包含的预测实体词，以及识别所述预测实体词分别属于各实体类别的概率，所述方法包括：

获取实体词的集合，所述集合中的实体词为所述模型识别各样本所得到的所述预测实体词，和/或，各所述样本的标注实体词；

对所述集合中的实体词，根据所述模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率；

根据所述第一概率和所述第二概率之间的差值，从所述集合中确定噪声词；

删除所述噪声词所属的样本；

其中，所述预测类别和所述标注类别中均包含非实体词类别和所述各实体类别；

所述对所述集合中的实体词，根据所述模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率，包括：

若所述实体词的预测类别为所述非实体词类别，则对应的第二概率为所述模型输出的属于所述标注类别的概率，所述第一概率为设定概率上限与所述第二概率之差；

若所述实体词的标注类别为所述非实体词类别，则对应的第一概率为所述模型输出的所述预测类别的概率，所述第二概率为所述设定概率上限与所述第一概率之差；

其中，所述根据所述第一概率和所述第二概率之间的差值，从所述集合中确定噪声词，包括：

根据所述集合中的实体词，生成目标矩阵；其中，所述目标矩阵中的行对应所述标注类别，列对应所述预测类别，所述目标矩阵中的元素表征符合行对应的标注类别，且符合列对应的预测类别的实体词；

从所述目标矩阵中，获取目标元素，其中，所述目标元素为行对应的标注类别与列对应的预测类别不匹配的元素；

根据所述第一概率和所述第二概率之间的差值，从所述目标元素表征的实体词中，确定所述噪声词。

2.根据权利要求1所述的样本筛选方法，其中，所述根据所述第一概率和所述第二概率之间的差值，从所述目标元素表征的实体词中，确定所述噪声词，包括：

从所述目标矩阵中，获取参考元素，其中，所述参考元素为行对应的标注类别与列对应的预测类别匹配的元素；

根据所述参考元素表征的实体词所属预测类别的第一概率，统计各所述预测类别的第一概率的均值，将各所述预测类别的第一概率的均值作为对应预测类别的概率阈值；

从所述目标元素表征的实体词中，确定所属预测类别的第一概率大于对应概率阈值的第一候选实体词；

根据所述第一概率和所述第二概率之间的差值，从所述第一候选实体词中，确定所述噪声词。

3.根据权利要求2所述的样本筛选方法，其中，所述根据所述第一概率和所述第二概率之间的差值，从所述第一候选实体词中，确定所述噪声词之前，还包括：

从所述参考元素表征的实体词中，确定所属预测类别的第一概率大于对应概率阈值的第二候选实体词；

根据所述目标元素表征的所述第一候选实体词的个数，和所述参考元素表征的第二候选实体词的个数，生成计数矩阵；其中，所述计数矩阵用于指示对应目标矩阵中各元素所表征的第一候选词或第二候选词的个数；

根据所述计数矩阵，生成所述预测类别和所述标注类别之间的联合概率分布；

根据所述联合概率分布，确定所述噪声词的占比。

4.一种用于模型训练的样本筛选装置，所述模型用于识别各样本中包含的预测实体词，以及识别所述预测实体词分别属于各实体类别的概率，所述装置包括：

获取模块，用于获取实体词的集合，所述集合中的实体词为所述模型识别各样本所得到的所述预测实体词，和/或，各所述样本的标注实体词；

第一确定模块，用于对所述集合中的实体词，根据所述模型输出的对应实体词属于各实体类别的概率，确定对应实体词属于预测类别的第一概率，以及属于标注类别的第二概率；

第二确定模块，用于根据所述第一概率和所述第二概率之间的差值，从所述集合中确定噪声词；

删除模块，用于删除所述噪声词所属的样本；

其中，所述预测类别和所述标注类别中均包含非实体词类别和所述各实体类别；所述第一确定模块，还用于：

若所述实体词的预测类别为所述非实体词类别，则对应的第二概率为所述模型输出的属于所述标注类别的概率，所述第一概率为设定概率上限与所述第二概率之差；

若所述实体词的标注类别为所述非实体词类别，则对应的第一概率为所述模型输出的所述预测类别的概率，所述第二概率为所述设定概率上限与所述第一概率之差；

其中，所述第二确定模块，包括：

生成单元，用于根据所述集合中的实体词，生成目标矩阵；其中，所述目标矩阵中的行对应所述标注类别，列对应所述预测类别，所述目标矩阵中的元素表征符合行对应的标注类别，且符合列对应的预测类别的实体词；

获取单元，用于从所述目标矩阵中，获取目标元素，其中，所述目标元素为行对应的标注类别与列对应的预测类别不匹配的元素；

确定单元，用于根据所述第一概率和所述第二概率之间的差值，从所述目标元素表征的实体词中，确定所述噪声词。

5.根据权利要求4所述的样本筛选装置，其中，所述确定单元，还用于：

从所述目标矩阵中，获取参考元素，其中，所述参考元素为行对应的标注类别与列对应的预测类别匹配的元素；

根据所述参考元素表征的实体词所属预测类别的第一概率，统计各所述预测类别的第一概率的均值，将各所述预测类别的第一概率的均值作为对应预测类别的概率阈值；

从所述目标元素表征的实体词中，确定所属预测类别的第一概率大于对应概率阈值的第一候选实体词；

根据所述第一概率和所述第二概率之间的差值，从所述第一候选实体词中，确定所述噪声词。

6.根据权利要求5所述的样本筛选装置，其中，所述确定单元，还用于：

从所述参考元素表征的实体词中，确定所属预测类别的第一概率大于对应概率阈值的第二候选实体词；

根据所述目标元素表征的所述第一候选实体词的个数，和所述参考元素表征的第二候选实体词的个数，生成计数矩阵；其中，所述计数矩阵用于指示对应目标矩阵中各元素所表征的第一候选词或第二候选词的个数；

根据所述计数矩阵，生成所述预测类别和所述标注类别之间的联合概率分布；

根据所述联合概率分布，确定所述噪声词的占比。

7.一种电子设备，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1-3中任一项所述的用于模型训练的样本筛选方法。

8.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的用于模型训练的样本筛选方法。