CN112784050A - 主题分类数据集生成方法、装置、设备和介质 - Google Patents
主题分类数据集生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112784050A CN112784050A CN202110128487.1A CN202110128487A CN112784050A CN 112784050 A CN112784050 A CN 112784050A CN 202110128487 A CN202110128487 A CN 202110128487A CN 112784050 A CN112784050 A CN 112784050A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- category
- seed
- keywords
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本申请公开了一种主题分类数据集生成方法、装置、设备、介质和程序产品,涉及人工智能领域,尤其涉及深度学习、NLP、大数据领域。具体实现方案为:对目标主题中各类别下的种子数据集进行数据提纯,得到所述各类别下的中间数据集;响应于所述中间数据集未满足预设的所述目标主题的数据集生成条件,对所述各类别下的中间数据集进行关键词抽取,得到所述各类别的扩充关键词;基于所述扩充关键词召回所述各类别下的扩充数据集;将所述扩充数据集作为新的种子数据集,并重复执行上述操作,直到满足所述数据集生成条件为止,并将满足所述数据集生成条件的中间数据集作为所述目标主题的目标分类数据集。本申请能提高主题分类数据集的数量和质量。
Description
技术领域
本申请涉及人工智能领域,尤其涉及深度学习、NLP、大数据技术,具体涉及一种主题分类数据集生成方法、装置、设备、介质和程序产品。
背景技术
对企业知识进行自动化管理,一方面需要自动归类内部人员产生的专业知识,同时也需要向内部人员提供精炼的知识主题,方便员工有选择性的阅读。知识管理的一个重要组成部分是给不同的知识一个明确的主题分类,以此来确定知识的“身份”,具体是指通过预先定义好的类别集合,对企业的知识进行所属主题类别上的区分,用于企业知识管理与知识推荐。
因此,针对不同的主题以及每种主题下不同的分类,生成具有一定数量且高质量的主题分类数据集,则成为亟待解决的问题。
发明内容
本申请提供一种主题分类数据集生成方法、装置、设备、介质和程序产品,以提高主题分类数据集的数量和质量。
第一方面,本申请提供了一种主题分类数据集生成方法,包括:
对目标主题中各类别下的种子数据集进行数据提纯,得到所述各类别下的中间数据集;
响应于所述中间数据集未满足预设的所述目标主题的数据集生成条件,对所述各类别下的中间数据集进行关键词抽取,得到所述各类别的扩充关键词;
基于所述扩充关键词召回所述各类别下的扩充数据集;
将所述扩充数据集作为新的种子数据集,并重复执行上述操作,直到满足所述数据集生成条件为止,并将满足所述数据集生成条件的中间数据集作为所述目标主题的目标分类数据集。
第二方面,本申请还提供了一种主题分类数据集生成装置,包括:
数据提纯模块,用于对目标主题中各类别下的种子数据集进行数据提纯,得到所述各类别下的中间数据集;
关键词扩充模块,用于响应于所述中间数据集未满足预设的所述目标主题的数据集生成条件,对所述各类别下的中间数据集进行关键词抽取,得到所述各类别的扩充关键词;
扩充召回模块,用于基于所述扩充关键词召回所述各类别下的扩充数据集;
目标分类数据集生成模块,用于将所述扩充数据集作为新的种子数据集,并重复执行上述操作,直到满足所述数据集生成条件为止,并将满足所述数据集生成条件的中间数据集作为所述目标主题的目标分类数据集。
第三方面,本申请还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任意实施例所述的主题分类数据集生成方法。
第四方面,本申请还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本申请任意实施例所述的主题分类数据集生成方法。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本申请任意实施例所述的主题分类数据集生成方法。
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,上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
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是根据本申请实施例的主题分类数据集生成方法的流程示意图;
图2是根据本申请实施例的主题分类数据集生成方法的流程示意图;
图3是根据本申请实施例的主题分类数据集生成装置的结构示意图;
图4是用来实现本申请实施例的主题分类数据集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。
图1是根据本申请实施例的主题分类数据集生成方法的流程示意图,本实施例可适用于生成主题分类数据集的情况,例如,企业知识管理过程中构建主题分类数据集,或者按主题分类构建用于训练深度学习模型的训练数据,涉及人工智能领域,尤其涉及深度学习、NLP(Natural Language Processing,自然语言处理)、大数据领域。该方法可由一种主题分类数据集生成装置来执行,该装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如计算机设备或服务器等。如图1所示,该方法具体包括如下:
S101、对目标主题中各类别下的种子数据集进行数据提纯,得到各类别下的中间数据集。
在企业知识管理过程中会涉及海量的企业内部知识和外部知识,其中,内部知识例如包括技术文档、需求报告、企业新闻和内部资讯等,外部知识例如包括技术论坛、新闻资讯和行业分析等。这些海量的知识囊括了不同的主题,每种主题下又可以划分出不同的类别,就需要从海量知识中按主题生成分类数据集,一方面,可以满足企业知识管理的需要,另一方面,也可以用于构建训练深度学习模型的训练数据。
本申请实施例中以目标主题为例,说明主题数据集的生成方法,所述目标主题可以是任意主题,本申请实施例对目标主题以及该主题下所划分的类别不做任何限定。
在S101中,所述种子数据集可以是按照现有技术中的任一种方法召回的目标主题中各类别下的数据集,例如,基于人工设定的种子关键词和匹配规则进行匹配召回。然而,按照现有技术召回的种子数据集经常出现数据量不足以及质量不高的问题,例如,数据内容本身质量不高,或者数据类别划分不准确等。因此,本申请实施例对这些种子数据进行数据提纯,得到各类别下的中间数据集。数据提纯的作用,就是过滤掉内容本身质量不高、划分类别不准确或者不属于所需领域的数据。经过提纯,避免了数据集中出现的低质、广告、域外和类别交叉等错误情况,得到的中间数据集,相比种子数据集而言,其数据质量更高,数据集分类更加准确。
S102、响应于中间数据集未满足预设的目标主题的数据集生成条件,对各类别下的中间数据集进行关键词抽取,得到各类别的扩充关键词。
S103、基于扩充关键词召回各类别下的扩充数据集。
S104、将扩充数据集作为新的种子数据集,并重复执行上述操作,直到满足数据集生成条件为止,并将满足数据集生成条件的中间数据集作为目标主题的目标分类数据集。
具体的,预先可以设定对目标主题的数据集生成条件,例如,基于对各类别下数据集的数量要求所设定的条件。如果中间数据集已经能够满足当前对数量的要求,那么就可以直接将当前的中间数据集作为目标主题的目标分类数据集。而如果中间数据集未能满足数据集生成条件,则对各类别下的中间数据集进行关键词抽取,得到各类别的扩充关键词,并基于扩充关键词继续召回各类别下的扩充数据集。召回的扩充数据集作为新的种子数据集,重复执行S101-S104,直到满足数据集生成条件为止,并将满足数据集生成条件的中间数据集作为目标主题的目标分类数据集。
也就是说,当中间数据集不满足数据集生成条件时,说明分类数据集的数量不足,这时,利用关键词抽取方式得到各类别的扩充关键词,这些扩充关键词融合了生成种子数据集时用到的种子关键词和重新扩充的新的关键词,不仅在关键词数量上实现了扩充,而且,由于中间数据集经过数据提纯,具有较高的质量,因此,基于中间数据集进行关键词抽取得到的扩充关键词质量也高,更能与相应的类别相匹配。而基于扩充关键词召回的扩充数据集,相比中间数据集而言,不仅能够达到一定的数量,而且质量也能满足要求。此外,还可以设置循环次数限制,避免循环次数过多。
本申请实施例的技术方案,通过数据提纯去除种子数据集中的噪声,设置数据集生成条件作为循环截止条件,通过关键词扩充、扩充数据集召回以及数据提纯的迭代循环,进一步丰富数据集的数量,提高数据集的质量,最终生成目标主题的高质量且数量足够多的目标分类数据集。而且,本申请实施例无需全程进行人工标注,降低了实现的成本,也解决了在不同问题、不同领域人工难以迁移的问题。
图2是根据本申请实施例的主题分类数据集生成方法的流程示意图,本实施例在上述实施例的基础上进一步进行优化。如图2所示,该方法具体包括如下:
S201、对各类别的种子关键词进行相近词扩充,得到初始关键词。
S202、根据目标主题的领域知识,对不属于目标主题所属领域的数据进行过滤。
S203、对过滤后的数据,根据初始关键词和预设的召回规则进行匹配,召回各类别下的种子数据集。
以上是召回种子数据集的过程。具体的,种子关键词可以是由人工配置,但由于人工知识有限,因此需进行相近词扩充,以得到数量更多的初始关键词,例如,关键词“自然语言处理”可以扩充为“自然语言生成”,这样才能充分召回数据。而对于要进行目标主题分类的全网的大量数据,也需要根据目标主题的领域知识,对不属于目标主题所属领域的数据进行过滤,在过滤后数据的基础上再根据初始关键词和预设的召回规则进行匹配,召回各类别下的种子数据集,从而避免引入不必要的噪声。此外,还可以对召回的种子数据集随机进行采样和人工审核,评估数据的质量,改进召回规则等。
S204、对目标主题中各类别下的种子数据集进行数据提纯,得到各类别下的中间数据集。
在一种实施方式中,可以利用预先训练的数据质量打分模型,确定种子数据集中种子数据的质量评分,再对质量评分不满足预设的质量评分条件的种子数据进行过滤。其中,数据质量打分模型可以基于任一种深度学习模型,采用监督训练的方式训练得到。例如,在训练样本中标注出哪些属于高质量数据,哪些属于低质量数据,这样,训练出的模型就可以识别数据的质量,给出质量评分。按照质量评分进行过滤,可以筛选出诸如广告或域外数据等数据内容本身质量不高的数据。
在另一种实施方式中,也可以利用预先训练的置信度评价模型,确定种子数据集中种子数据的置信度,再对置信度不满足预设的置信度条件的种子数据进行过滤。其中,所述置信度用于评价种子数据与其所属类别的匹配程度。例如,若数据中存在类别交叉或分类错误的情况,其置信度分值就会较低,于是可以通过置信度条件筛选出来。所述置信度评价模型则可以结合深度学习和置信度学习的方式训练得到。
在实际应用中,可以采用数据质量打分和置信度评价中的任一种或结合两种方式对数据进行提纯,本申请实施例对此不作任何限定。
S205、判断中间数据集是否满足预设的目标主题的数据集生成条件,如果满足,则执行S206,如果不满足,则执行S207-S208后返回执行S204。
S206、将满足数据集生成条件的中间数据集作为目标主题的目标分类数据集。
S207、通过至少一种关键词抽取算子,从各类别下的中间数据集中提取各类别的扩充关键词。
例如,通过篇章关键词抽取(nlpc-keyphrase-v2)和短文本关键词抽取(nlpc-shorttext-keyphrase)算子,从各类别下的中间数据集中提取各类别的扩充关键词,这些关键词抽取算子会给出不同关键词的置信度,可以根据置信度抽取出最高的预设数量的关键词作为扩充关键词,进一步扩大关键词词库,从而可以召回数量更多、内容更广的数据。
S208、基于扩充关键词召回各类别下的扩充数据集,并将扩充数据集作为新的种子数据集。
本申请实施例的技术方案,通过评价数据的质量和置信度对数据进行提纯,去除种子数据集中的噪声,并设置数据集生成条件作为循环截止条件,通过关键词扩充、扩充数据集召回以及数据提纯的迭代循环,进一步丰富数据集的数量,提高数据集的质量,最终生成目标主题的高质量且数量足够多的目标分类数据集,而丰富多样且高质量的知识分类训练数据集极大的改善了深度模型需要大量有监督样本的问题,助力模型效果的提升。而且,本申请实施例无需全程进行人工标注,降低了实现的成本,也解决了在不同问题、不同领域人工难以迁移的问题。
图3是根据本申请实施例的主题分类数据集生成装置的结构示意图,本实施例可适用于的情况。该装置可实现本申请任意实施例所述的主题分类数据集生成方法。如图3所示,该装置300具体包括:
数据提纯模块301,用于对目标主题中各类别下的种子数据集进行数据提纯,得到所述各类别下的中间数据集;
关键词扩充模块302,用于响应于所述中间数据集未满足预设的所述目标主题的数据集生成条件,对所述各类别下的中间数据集进行关键词抽取,得到所述各类别的扩充关键词;
扩充召回模块303,用于基于所述扩充关键词召回所述各类别下的扩充数据集;
目标分类数据集生成模块304,用于将所述扩充数据集作为新的种子数据集,并重复执行上述操作,直到满足所述数据集生成条件为止,并将满足所述数据集生成条件的中间数据集作为所述目标主题的目标分类数据集。
可选的,所述装置还包括种子数据召回模块,该种子数据召回模块包括:
关键词扩充单元,用于对所述各类别的种子关键词进行相近词扩充,得到初始关键词;
数据过滤单元,用于根据所述目标主题的领域知识,对不属于所述目标主题所属领域的数据进行过滤;
种子数据集召回单元,用于对所述过滤后的数据,根据所述初始关键词和预设的召回规则进行匹配,召回所述各类别下的种子数据集。
可选的,所述数据提纯模块301包括:
质量评分单元,用于利用预先训练的数据质量打分模型,确定所述种子数据集中种子数据的质量评分;
第一过滤单元,用于对所述质量评分不满足预设的质量评分条件的种子数据进行过滤。
可选的,所述数据提纯模块301包括:
置信度评价单元,用于利用预先训练的置信度评价模型,确定所述种子数据集中种子数据的置信度,其中,所述置信度用于评价种子数据与其所属类别的匹配程度;
第二过滤单元,用于对所述置信度不满足预设的置信度条件的种子数据进行过滤。
可选的,所述关键词扩充模块302具体用于:
通过至少一种关键词抽取算子,从所述各类别下的中间数据集中提取各类别的扩充关键词。
本申请实施例提供的主题分类数据集生成装置300可执行本申请任意实施例提供的主题分类数据集生成方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。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/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如主题分类数据集生成方法。例如,在一些实施例中,主题分类数据集生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的主题分类数据集生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行主题分类数据集生成方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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)、区块链网络和互联网。
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服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种主题分类数据集生成方法,包括:
对目标主题中各类别下的种子数据集进行数据提纯,得到所述各类别下的中间数据集;
响应于所述中间数据集未满足预设的所述目标主题的数据集生成条件,对所述各类别下的中间数据集进行关键词抽取,得到所述各类别的扩充关键词;
基于所述扩充关键词召回所述各类别下的扩充数据集;
将所述扩充数据集作为新的种子数据集,并重复执行上述操作,直到满足所述数据集生成条件为止,并将满足所述数据集生成条件的中间数据集作为所述目标主题的目标分类数据集。
2.根据权利要求1所述的方法,其中,所述种子数据集的召回过程包括:
对所述各类别的种子关键词进行相近词扩充,得到初始关键词;
根据所述目标主题的领域知识,对不属于所述目标主题所属领域的数据进行过滤;
对所述过滤后的数据,根据所述初始关键词和预设的召回规则进行匹配,召回所述各类别下的种子数据集。
3.根据权利要求1所述的方法,其中,所述对目标主题中各类别下的种子数据集进行数据提纯,包括:
利用预先训练的数据质量打分模型,确定所述种子数据集中种子数据的质量评分;
对所述质量评分不满足预设的质量评分条件的种子数据进行过滤。
4.根据权利要求1所述的方法,其中,所述对目标主题中各类别下的种子数据集进行数据提纯,包括:
利用预先训练的置信度评价模型,确定所述种子数据集中种子数据的置信度,其中,所述置信度用于评价种子数据与其所属类别的匹配程度;
对所述置信度不满足预设的置信度条件的种子数据进行过滤。
5.根据权利要求1所述的方法,其中,所述对所述各类别下的中间数据集进行关键词抽取,得到所述各类别的扩充关键词,包括:
通过至少一种关键词抽取算子,从所述各类别下的中间数据集中提取各类别的扩充关键词。
6.一种主题分类数据集生成装置,包括:
数据提纯模块,用于对目标主题中各类别下的种子数据集进行数据提纯,得到所述各类别下的中间数据集;
关键词扩充模块,用于响应于所述中间数据集未满足预设的所述目标主题的数据集生成条件,对所述各类别下的中间数据集进行关键词抽取,得到所述各类别的扩充关键词;
扩充召回模块,用于基于所述扩充关键词召回所述各类别下的扩充数据集;
目标分类数据集生成模块,用于将所述扩充数据集作为新的种子数据集,并重复执行上述操作,直到满足所述数据集生成条件为止,并将满足所述数据集生成条件的中间数据集作为所述目标主题的目标分类数据集。
7.根据权利要求6所述的装置,还包括种子数据召回模块,该种子数据召回模块包括:
关键词扩充单元,用于对所述各类别的种子关键词进行相近词扩充,得到初始关键词;
数据过滤单元,用于根据所述目标主题的领域知识,对不属于所述目标主题所属领域的数据进行过滤;
种子数据集召回单元,用于对所述过滤后的数据,根据所述初始关键词和预设的召回规则进行匹配,召回所述各类别下的种子数据集。
8.根据权利要求6所述的装置,其中,所述数据提纯模块包括:
质量评分单元,用于利用预先训练的数据质量打分模型,确定所述种子数据集中种子数据的质量评分;
第一过滤单元,用于对所述质量评分不满足预设的质量评分条件的种子数据进行过滤。
9.根据权利要求6所述的装置,其中,所述数据提纯模块包括:
置信度评价单元,用于利用预先训练的置信度评价模型,确定所述种子数据集中种子数据的置信度,其中,所述置信度用于评价种子数据与其所属类别的匹配程度;
第二过滤单元,用于对所述置信度不满足预设的置信度条件的种子数据进行过滤。
10.根据权利要求6所述的装置,其中,所述关键词扩充模块具体用于:
通过至少一种关键词抽取算子,从所述各类别下的中间数据集中提取各类别的扩充关键词。
11.一种电子设备,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1-5中任一项所述的主题分类数据集生成方法。
12.一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计算机执行权利要求1-5中任一项所述的主题分类数据集生成方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的主题分类数据集生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128487.1A CN112784050A (zh) | 2021-01-29 | 2021-01-29 | 主题分类数据集生成方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128487.1A CN112784050A (zh) | 2021-01-29 | 2021-01-29 | 主题分类数据集生成方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784050A true CN112784050A (zh) | 2021-05-11 |
Family
ID=75759960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110128487.1A Pending CN112784050A (zh) | 2021-01-29 | 2021-01-29 | 主题分类数据集生成方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784050A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535549A (zh) * | 2021-06-22 | 2021-10-22 | 科大讯飞股份有限公司 | 测试数据的扩充方法、装置、设备及计算机可读存储介质 |
CN115718680A (zh) * | 2023-01-09 | 2023-02-28 | 江铃汽车股份有限公司 | 数据读取方法、系统、计算机及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229731A (zh) * | 2017-06-08 | 2017-10-03 | 百度在线网络技术(北京)有限公司 | 用于分类数据的方法和装置 |
CN111831821A (zh) * | 2020-06-03 | 2020-10-27 | 北京百度网讯科技有限公司 | 文本分类模型的训练样本生成方法、装置和电子设备 |
CN111859953A (zh) * | 2020-06-22 | 2020-10-30 | 北京百度网讯科技有限公司 | 训练数据的挖掘方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-29 CN CN202110128487.1A patent/CN112784050A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229731A (zh) * | 2017-06-08 | 2017-10-03 | 百度在线网络技术(北京)有限公司 | 用于分类数据的方法和装置 |
CN111831821A (zh) * | 2020-06-03 | 2020-10-27 | 北京百度网讯科技有限公司 | 文本分类模型的训练样本生成方法、装置和电子设备 |
CN111859953A (zh) * | 2020-06-22 | 2020-10-30 | 北京百度网讯科技有限公司 | 训练数据的挖掘方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535549A (zh) * | 2021-06-22 | 2021-10-22 | 科大讯飞股份有限公司 | 测试数据的扩充方法、装置、设备及计算机可读存储介质 |
CN115718680A (zh) * | 2023-01-09 | 2023-02-28 | 江铃汽车股份有限公司 | 数据读取方法、系统、计算机及可读存储介质 |
CN115718680B (zh) * | 2023-01-09 | 2023-06-06 | 江铃汽车股份有限公司 | 数据读取方法、系统、计算机及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113590645B (zh) | 搜索方法、装置、电子设备及存储介质 | |
CN113918714A (zh) | 一种分类模型训练方法、聚类方法及电子设备 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN113239295A (zh) | 搜索方法、装置、电子设备以及存储介质 | |
CN112784050A (zh) | 主题分类数据集生成方法、装置、设备和介质 | |
CN111861596A (zh) | 一种文本分类方法和装置 | |
CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN112989235B (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN113904943A (zh) | 账号检测方法、装置、电子设备和存储介质 | |
CN112148841B (zh) | 一种对象分类以及分类模型构建方法和装置 | |
US20230052623A1 (en) | Word mining method and apparatus, electronic device and readable storage medium | |
CN113641724B (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
CN114722162A (zh) | 特征类别确定方法、装置、电子设备及存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
CN112528644A (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN112632999A (zh) | 命名实体识别模型获取及命名实体识别方法、装置及介质 | |
CN113743112B (zh) | 关键词的提取方法、装置、电子设备及可读存储介质 | |
CN113377922B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN112527126B (zh) | 信息获取方法、装置以及电子设备 | |
CN113238765B (zh) | 小程序的分发方法、装置、设备和存储介质 | |
CN114492409B (zh) | 文件内容的评价方法、装置、电子设备及程序产品 |
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 |