CN112784589A - 一种训练样本的生成方法、装置及电子设备 - Google Patents
一种训练样本的生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112784589A CN112784589A CN202110129801.8A CN202110129801A CN112784589A CN 112784589 A CN112784589 A CN 112784589A CN 202110129801 A CN202110129801 A CN 202110129801A CN 112784589 A CN112784589 A CN 112784589A
- Authority
- CN
- China
- Prior art keywords
- synonymous
- sample
- enhanced
- training sample
- training
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种训练样本的生成方法、装置及电子设备,涉及自然语言处理、深度学习等人工智能技术领域。该方案为:获取原始同义训练样本;对所述原始同义训练样本进行实体概念识别,以生成概念模板同义样本;根据所述概念模板同义样本生成增强同义训练样本;以及根据所述原始同义训练样本和所述增强同义训练样本确定同义判断模型的目标训练样本,提高了训练样本的生成过程中的效率和可靠性,并确保了目标训练样本对低频数据的覆盖,从而确保了同义判断模型的预测效果。
Description
技术领域
本申请的实施例总体上涉及数据处理技术领域,并且更具体地涉及自然语言处理、深度学习等人工智能技术领域。
背景技术
近年来,通过抽取线上展现的query(查询词)和关键词的方式来获取训练样本,以对同义判断模型进行训练的方式,受到了越来越多的关注。
相关技术中,在根据现有训练样本的生成方法进行训练样本的生成时,通常要依赖人工标注的方式,标注一定数量的数据作为训练样本。
然而,由于人工标注数据有限,无法实现海量数据的标记,这样一来,势必导致训练样本的生成过程中存在的耗时久、成本高、训练样本覆盖不全面等问题,导致同义判断模型的训练效果不佳。因此,如何提高训练样本的生成过程中的效率和可靠性,并确保训练样本能够覆盖低频数据,已成为了重要的研究方向之一。
发明内容
本申请提供了一种训练样本的生成方法、装置及电子设备。
根据第一方面,提供了一种训练样本的生成方法,包括:
获取原始同义训练样本;
对所述原始同义训练样本进行实体概念识别,以生成概念模板同义样本;
根据所述概念模板同义样本生成增强同义训练样本;以及
根据所述原始同义训练样本和所述增强同义训练样本确定同义判断模型的目标训练样本。
根据第二方面,提供了一种训练样本的生成装置,包括:
获取模块,用于获取原始同义训练样本;
第一生成模块,用于对所述原始同义训练样本进行实体概念识别,以生成概念模板同义样本;
第二生成模块,用于根据所述概念模板同义样本生成增强同义训练样本;以及
确定模块,用于根据所述原始同义训练样本和所述增强同义训练样本确定同义判断模型的目标训练样本。
根据第三方面,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所述的训练样本的生成方法。
根据第四方面,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,所述计算机指令用于使所述计算机执行本申请第一方面所述的训练样本的生成方法。
根据第五方面,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根据本公开第一方面所述的训练样本的生成方法。
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是根据本申请第一实施例的示意图;
图2是一种原始同义样本的示意图;
图3是一种概念模板同义样本的示意图;
图4是根据本申请第二实施例的示意图;
图5是一种槽位及槽位的值的示意图;
图6是根据本申请第三实施例的示意图;
图7是根据本申请第四实施例的示意图;
图8是根据本申请第五实施例的示意图;
图9是根据本申请第六实施例的示意图;
图10是根据一种负例来源的示意图;
图11是用来实现本申请实施例的训练样本的生成方法的训练样本的生成装置的框图;
图12是用来实现本申请实施例的训练样本的生成方法的训练样本的生成装置的框图;
图13是用来实现本申请实施例的训练样本的生成的电子设备的框图。
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。
以下对本申请的方案涉及的技术领域进行简要说明:
数据处理(DataProcessing),包括对数据的采集、存储、检索、加工、变化和传输等处理,旨从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的用户来说有价值、有意义的数据。
AI(Artificial Intelligence,人工智能),是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术,也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
DL(Deep Learning,深度学习),是ML机器学习(Machine Learning,机器学习)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
NLP(Natural Language Processing,自然语言处理),是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。自然语言处理并不是一般地研究自然语言,而在于研制能有效地实现自然语言通信的计算机系统,特别是其中的软件系统。因而它是计算机科学的一部分。
下面参考附图描述本申请实施例的一种训练样本的生成方法、装置及电子设备。
图1是根据本申请第一实施例的示意图。其中,需要说明的是,本实施例的训练样本的生成方法的执行主体为训练样本的生成装置,训练样本的生成装置具体可以为硬件设备,或者硬件设备中的软件等。其中,硬件设备例如终端设备、服务器等。如图1所示,本实施例提出的训练样本的生成方法,包括如下步骤:
S101、获取原始同义训练样本。
其中,原始同义训练样本,可以包括:查询词(query)和与之同义的关键词(Keyword)。
举例而言,如图2所示,原始同义训练样本2-1包括query2-2和关键词2-3。
S102、对原始同义训练样本进行实体概念识别,以生成概念模板同义样本。
需要说明的是,本公开中对于对原始同义训练样本进行实体概念识别,以生成概念模板同义样本的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以基于知识图谱(Knowledge Graph),对原始同义训练样本进行实体概念识别,以生成概念模板同义样本。
举例而言,如图3所示,针对原始同义训练样本3-1,可以基于知识图谱,对原始同义训练样本3-1进行实体概念识别,以生成概念模板同义样本3-2。
S103、根据概念模板同义样本生成增强同义训练样本。
需要说明的是,一般情况下,搜索引擎通常会为广告主会提供以下3种关键词匹配服务,以满足广告主不同的推广需求:精确匹配,短语匹配和宽泛匹配。
其中,精确匹配,指的是query和关键词或者其同义变体字面完全一致的匹配服务;短语匹配,指的是关键词或者其同义变体作为短语包含在query中的匹配服务;宽泛匹配,指的是query和关键词语义相关的匹配服务。
相关技术中,在采用人工标注的方式对训练数据进行标记,进而基于标记的训练数据训练同义判断模型。然而,由于人工标注数据有限,很难标注极大量的数据,而线上对同义的要求较高,若使用点击样本等弱标注数据,会让模型学习到的同义语义发生偏差。进一步地,由于数据量有限,势必很难抽取到低频的数据,导致低频样本极少,造成模型对于低频的数据识别产生困难。
由此,本公开中,可以基于概念模板同义样本来生成新的低频概念增强数据,即增强同义训练样本。
S104、根据原始同义训练样本和增强同义训练样本确定同义判断模型的目标训练样本。
可选地,可以根据预先设定的筛选策略,对新生成的增强同义训练样本进行筛选,并与原始同义训练样本进行合并,以作为同义判断模型的目标训练样本。
根据本申请实施例的训练样本的生成方法,可以获取原始同义训练样本,并对原始同义训练样本进行实体概念识别,以生成概念模板同义样本,然后根据概念模板同义样本生成增强同义训练样本,进而根据原始同义训练样本和增强同义训练样本确定同义判断模型的目标训练样本,提高了训练样本的生成过程中的效率和可靠性,并确保了目标训练样本对低频数据的覆盖,从而确保了同义判断模型的预测效果。
需要说明的是,本申请中,在试图对原始同义训练样本进行实体概念识别,以生成概念模板同义样本时,可以根据槽位和原始同义训练样本生成概念模板同义样本。
图4是根据本申请第二实施例的示意图。如图4所示,在上一实施例的基础上,本实施例提出的训练样本的生成方法,包括如下步骤:
S401、获取原始同义训练样本。
该步骤S401与上一实施例中的步骤S101相同,此处不再赘述。
上一实施例中的步骤S102具体可包括以下步骤S402~S404。
S402、对原始同义训练样本中的分词进行概念识别。
S403、将识别出的概念中的实体概念确定为槽位。
需要说明的是,在试图对原始同义训练样本中的分词进行概念识别时,可以进行概念标注处理。
可选地,可以基于预先存储的概念树体系以及序列标注工具,对一个字符串序列中的每一个分词对应的概念进行标记。
其中,预先存储的概念树体系,可以为覆盖全行业的概念树体系。此种情况下,针对整个概念树体系,可以根据预设挑选策略,挑选重点的实体类概念,例如美容项目、医疗、地名、游戏名等,并将其作为槽位(slot)来进行泛化。
需要说明的是,本公开中,为了扩大泛化的范围,在基于对应的叶子概念的基础上,结合了人工等多种方式的调整。例如,若一个分词被标记为婴幼儿科室对应的皮肤类目,此种情况下,可以使用上位的疾病类目来进行泛化。
需要说明的是,概念标注能够将句子中的地名、疾病、人物、机构、游戏名、医疗美容项目等实体,识别为对应的概念槽位,而对应的实体值则为这个槽位的值(Slot-Value)。
S404、根据槽位和原始同义训练样本生成概念模板同义样本。
可选地,可以采用槽位替换原始同义训练样本中与槽位对应的分词,得到概念模板同义样本。
举例而言,如图5所示,针对“乌鲁木齐纹眉多钱”进行概念识别时,“乌鲁木齐”被识别为是一个地名的概念槽位,对应的值是乌鲁木齐,记为【地名:乌鲁木齐】;“纹眉”被识别成为【美容项目:纹眉】,“多钱”则被识别为是一个疑问词。此种情况下,还可以根据实际需求,确定是否确定其对应的槽位。例如,针对疑问词“多钱”,若不属于重点关注的实体类概念,则可以不通过槽位处理进行泛化。
S405、根据概念模板同义样本生成增强同义训练样本。
其中,概念模板同义样本,可以包括:概念模板同义样本正例和概念模板同义样本负例。
作为一种可能的实现方式,如图6所示,在上述步骤的基础上,上述步骤S405中根据概念模板同义样本生成增强同义训练样本的具体过程,包括以下步骤:
S601、获取概念模板同义样本中的槽位对应的实体词集合,实体词集合中包括多个频次小于预设频次阈值的实体词。
可选地,可以基于线上数据,对实体词词库中的词进行频次统计,得到不同槽位下的包括低频实体词的实体词集合,即得到不同槽位下的包括频次小于预设频次阈值的实体词。
其中,预设频次阈值可以根据实际情况进行设定。
S602、根据概念模板同义样本正例和实体词集合,生成增强同义训练样本正例和第一增强同义训练样本负例。
其中,概念模板同义样本正例,可以包括:第一查询词概念模板同义样本和第一关键词概念模板同义样本,第一查询词概念模板同义样本和第一关键词概念模板同义样本中的槽位相同且实体语义匹配。
作为一种可能的实现方式,如图7所示,在上述步骤的基础上,上述步骤S602中根据概念模板同义样本正例和实体词集合,生成增强同义训练样本正例和第一增强同义训练样本负例的具体过程,包括以下步骤:
S701、将实体词集合中的同一实体词分别填充至第一查询词概念模板同义样本和第一关键词概念模板同义样本中对应的槽位中,得到增强同义训练样本正例。
可选地,可以随机抽取对应槽位的相同的低频实体词并进行填充,以作为新的正例,即增强同义训练样本正例。
S702、将实体词集合中的不同实体词分别填充至第一查询词概念模板同义样本和第一关键词概念模板同义样本中对应的槽位中,得到第一增强同义训练样本负例。
可选地,可以随机抽取对应槽位的不同的低频实体词并进行填充,以作为新的负例,即第一增强同义训练样本负例。
S603、根据概念模板同义样本负例和实体词集合,生成第二增强同义训练样本负例和第三增强同义训练样本负例。
其中,概念模板同义样本负例,可以包括:第二查询词概念模板同义样本和第二关键词概念模板同义样本,第二查询词概念模板同义样本和第二关键词概念模板同义样本中的槽位相同且实体语义不匹配。
作为一种可能的实现方式,如图8所示,在上述步骤的基础上,上述步骤S603中根据概念模板同义样本负例和实体词集合,生成第二增强同义训练样本负例和第三增强同义训练样本负例的具体过程,包括以下步骤:
S801、将实体词集合中的同一实体词分别填充至第二查询词概念模板同义样本和第二关键词概念模板同义样本中对应的槽位中,得到第二增强同义训练样本负例。
可选地,可以随机抽取对应槽位相同的低频实体词并进行填充,以作为新的负例,即第二增强同义训练样本负例。
S802、将实体词集合中的不同实体词分别填充至第二查询词概念模板同义样本和第二关键词概念模板同义样本中对应的槽位中,得到第三增强同义训练样本负例。
可选地,可以随机抽取对应槽位的不同的低频实体词并进行填充,以作为新的负例,即第三增强同义训练样本负例。
其中,第二增强同义训练样本负例与第三增强同义训练样本负例的数量相同。
其中,增强同义训练样本正例的数量,与第一增强同义训练样本负例、第二增强同义训练样本负例和第三增强同义训练样本负例的数量之和相同。
S604、将增强同义训练样本正例、第一增强同义训练样本负例、第二增强同义训练样本负例和第三增强同义训练样本负例,确定为增强同义训练样本。
S406、根据原始同义训练样本和增强同义训练样本确定同义判断模型的目标训练样本。
作为一种可能的实现方式,如图9所示,在上述步骤的基础上,上述步骤S406中将增强同义训练样本正例、第一增强同义训练样本负例、第二增强同义训练样本负例和第三增强同义训练样本负例,确定为增强同义训练样本的具体过程,包括以下步骤:
S901、根据原始同义训练样本中原始同义训练样本正例和原始同义训练样本负例的比例,从增强同义训练样本中抽取对应数量的增强同义训练样本正例、第一增强同义训练样本负例、第二增强同义训练样本负例和第三增强同义训练样本负例。
需要说明的是,针对负例,其可以通过多种不同的方式进行获取。举例而言,如图10所示,负例共有3个不同的来源。其中,Bidword指的是广告主可以进行购买的词。
S902、将原始同义训练样本和抽取出的增强同义训练样本正例、第一增强同义训练样本负例、第二增强同义训练样本负例、第三增强同义训练样本负例,确定为目标训练样本。
可选地,可以以原始同义训练样本中的正负例比例为依据,从新生成的数据中随机抽取低频的正负例增强数据,与原始数据进行合并,以作为目标训练样本对同义判别模型进行训练。
需要说明的是,基于BERT(Bidirectional Encoder Representations fromTransformers,来自变换器的双向编码器表征量)模型进行fine-tune(微调)时,可以直接将目标训练样本作为fine-tune的相关数据。
根据本申请实施例的训练样本的生成方法,可以基于知识图谱概念模板的数据增强方式,产生更多的低频同义训练数据,可以覆盖到更多的模型没有关注到的低频数据,极大的减少了人工标注的成本,同时在很大程度上缓解了数据分布问题所带来模型泛化能力的不足,为模型训练数据增强的方式提供了新的极为有效的思路,进一步提高了训练样本的生成过程中的效率和可靠性。
与上述几种实施例提供的训练样本的生成方法相对应,本申请的一个实施例还提供一种训练样本的生成装置,由于本申请实施例提供的训练样本的生成装置与上述几种实施例提供的训练样本的生成方法相对应,因此在训练样本的生成方法的实施方式也适用于本实施例提供的训练样本的生成装置,在本实施例中不再详细描述。
图11是根据本申请一个实施例的训练样本的生成装置的结构示意图。
如图11所示,该训练样本的生成装置1100,包括:获取模块1110、第一生成模块1120、第二生成模块1130和确定模块1140。其中:
获取模块1110,用于获取原始同义训练样本;
第一生成模块1120,用于对所述原始同义训练样本进行实体概念识别,以生成概念模板同义样本;
第二生成模块1130,用于根据所述概念模板同义样本生成增强同义训练样本;以及
确定模块1140,用于根据所述原始同义训练样本和所述增强同义训练样本确定同义判断模型的目标训练样本。
图12是根据本申请另一个实施例的训练样本的生成装置的结构示意图。
如图12所示,该训练样本的生成装置1200,包括:获取模块1210、第一生成模块1220、第二生成模块1230和确定模块1240。其中:
第一生成模块1220,包括:
识别子模块1221,用于对所述原始同义训练样本中的分词进行概念识别;
确定子模块1222,用于将识别出的概念中的实体概念确定为槽位;以及
生成子模块1223,用于根据所述槽位和所述原始同义训练样本生成所述概念模板同义样本。
其中,生成子模块1223,包括:
替换单元12231,用于采用所述槽位替换所述原始同义训练样本中与所述槽位对应的分词,得到所述概念模板同义样本。
其中,所述概念模板同义样本包括概念模板同义样本正例和概念模板同义样本负例;所述生成子模块1223,包括:
获取单元12232,用于获取所述概念模板同义样本中的所述槽位对应的实体词集合,所述实体词集合中包括多个频次小于预设频次阈值的实体词;
第一生成单元12233,用于根据所述概念模板同义样本正例和所述实体词集合,生成增强同义训练样本正例和第一增强同义训练样本负例;
第二生成单元12234,用于根据所述概念模板同义样本负例和所述实体词集合,生成第二增强同义训练样本负例和第三增强同义训练样本负例;
确定单元12235,用于将所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例,确定为所述增强同义训练样本。
其中,所述概念模板同义样本正例包括第一查询词概念模板同义样本和第一关键词概念模板同义样本,所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中的所述槽位相同且所述实体语义匹配;所述第一生成单元12233,包括:
第一填充子单元122331,用于将所述实体词集合中的同一实体词分别填充至所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中对应的所述槽位中,得到所述增强同义训练样本正例;
第二填充子单元122332,用于将所述实体词集合中的不同实体词分别填充至所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中对应的所述槽位中,得到所述第一增强同义训练样本负例。
其中,所述概念模板同义样本负例包括第二查询词概念模板同义样本和第二关键词概念模板同义样本,所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中的所述槽位相同且所述实体语义不匹配;所述第二生成单元12234,包括:
第三填充子单元122341,用于将所述实体词集合中的同一实体词分别填充至所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中对应的所述槽位中,得到所述第二增强同义训练样本负例;
第四填充子单元122342,用于将所述实体词集合中的不同实体词分别填充至所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中对应的所述槽位中,得到所述第三增强同义训练样本负例。
其中,所述第二增强同义训练样本负例与所述第三增强同义训练样本负例的数量相同。
其中,所述增强同义训练样本正例的数量,与所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例的数量之和相同。
其中,确定单元12235,包括:
抽取子单元122351,用于根据所述原始同义训练样本中原始同义训练样本正例和原始同义训练样本负例的比例,从所述增强同义训练样本中抽取对应数量的所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例;
确定子单元122352,用于将所述原始同义训练样本和抽取出的所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例、所述第三增强同义训练样本负例,确定为所述目标训练样本。
根据本申请实施例的训练样本的生成装置,可以获取原始同义训练样本,并对原始同义训练样本进行实体概念识别,以生成概念模板同义样本,然后根据概念模板同义样本生成增强同义训练样本,进而根据原始同义训练样本和增强同义训练样本确定同义判断模型的目标训练样本,提高了训练样本的生成过程中的效率和可靠性,并确保了目标训练样本对低频数据的覆盖,从而确保了同义判断模型的预测效果。
根据本公开的实施例,本公开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13示出了可以用来实施本公开的实施例的示例电子设备1300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13所示,设备1300包括计算单元1301,其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序,来执行各种适当的动作和处理。在RAM1303中,还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305,包括:输入单元1306,例如键盘、鼠标等;输出单元1307,例如各种类型的显示器、扬声器等;存储单元1308,例如磁盘、光盘等;以及通信单元1309,例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300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1301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1301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1301执行上文所描述的各个方法和处理,例如训练样本的生成方法。例如,在一些实施例中,训练样本的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1308。在一些实施例中,计算机程序的部分或者全部可以经由ROM1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时,可以执行上文描述的训练样本的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1301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行训练样本的生成方法。
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人物图像的修复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)、互联网以及区块链网络。
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。服务端可以是云服务器,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。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,本发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 (21)
1.一种训练样本的生成方法,包括:
获取原始同义训练样本;
对所述原始同义训练样本进行实体概念识别,以生成概念模板同义样本;
根据所述概念模板同义样本生成增强同义训练样本;以及
根据所述原始同义训练样本和所述增强同义训练样本确定同义判断模型的目标训练样本。
2.根据权利要求1所述的生成方法,其中,所述对所述原始同义训练样本进行实体概念识别,以生成概念模板同义样本,包括:
对所述原始同义训练样本中的分词进行概念识别;
将识别出的概念中的实体概念确定为槽位;以及
根据所述槽位和所述原始同义训练样本生成所述概念模板同义样本。
3.根据权利要求2所述的生成方法,其中,所述根据所述槽位和所述原始同义训练样本生成所述概念模板同义样本,包括:
采用所述槽位替换所述原始同义训练样本中与所述槽位对应的分词,得到所述概念模板同义样本。
4.根据权利要求2所述的生成方法,其中,所述概念模板同义样本包括概念模板同义样本正例和概念模板同义样本负例;所述根据所述概念模板同义样本生成增强同义训练样本,包括:
获取所述概念模板同义样本中的所述槽位对应的实体词集合,所述实体词集合中包括多个频次小于预设频次阈值的实体词;
根据所述概念模板同义样本正例和所述实体词集合,生成增强同义训练样本正例和第一增强同义训练样本负例;
根据所述概念模板同义样本负例和所述实体词集合,生成第二增强同义训练样本负例和第三增强同义训练样本负例;
将所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例,确定为所述增强同义训练样本。
5.根据权利要求4所述的生成方法,其中,所述概念模板同义样本正例包括第一查询词概念模板同义样本和第一关键词概念模板同义样本,所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中的所述槽位相同且所述实体语义匹配;所述根据所述概念模板同义样本正例和所述实体词集合,生成增强同义训练样本正例和第一增强同义训练样本负例,包括:
将所述实体词集合中的同一实体词分别填充至所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中对应的所述槽位中,得到所述增强同义训练样本正例;
将所述实体词集合中的不同实体词分别填充至所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中对应的所述槽位中,得到所述第一增强同义训练样本负例。
6.根据权利要求4所述的生成方法,其中,所述概念模板同义样本负例包括第二查询词概念模板同义样本和第二关键词概念模板同义样本,所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中的所述槽位相同且所述实体语义不匹配;所述根据所述概念模板同义样本负例和所述实体词集合,生成第二增强同义训练样本负例和第三增强同义训练样本负例,包括:
将所述实体词集合中的同一实体词分别填充至所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中对应的所述槽位中,得到所述第二增强同义训练样本负例;
将所述实体词集合中的不同实体词分别填充至所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中对应的所述槽位中,得到所述第三增强同义训练样本负例。
7.根据权利要求4所述的生成方法,其中,所述第二增强同义训练样本负例与所述第三增强同义训练样本负例的数量相同。
8.根据权利要求4所述的生成方法,其中,所述增强同义训练样本正例的数量,与所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例的数量之和相同。
9.根据权利要求4所述的生成方法,其中,所述根据所述原始同义训练样本和所述增强同义训练样本确定同义判断模型的目标训练样本,包括:
根据所述原始同义训练样本中原始同义训练样本正例和原始同义训练样本负例的比例,从所述增强同义训练样本中抽取对应数量的所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例;
将所述原始同义训练样本和抽取出的所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例、所述第三增强同义训练样本负例,确定为所述目标训练样本。
10.一种训练样本的生成装置,包括:
获取模块,用于获取原始同义训练样本;
第一生成模块,用于对所述原始同义训练样本进行实体概念识别,以生成概念模板同义样本;
第二生成模块,用于根据所述概念模板同义样本生成增强同义训练样本;以及
确定模块,用于根据所述原始同义训练样本和所述增强同义训练样本确定同义判断模型的目标训练样本。
11.根据权利要求10所述的生成装置,其中,所述第一生成模块,包括:
识别子模块,用于对所述原始同义训练样本中的分词进行概念识别;
确定子模块,用于将识别出的概念中的实体概念确定为槽位;以及
生成子模块,用于根据所述槽位和所述原始同义训练样本生成所述概念模板同义样本。
12.根据权利要求11所述的生成装置,其中,所述生成子模块,包括:
替换单元,用于采用所述槽位替换所述原始同义训练样本中与所述槽位对应的分词,得到所述概念模板同义样本。
13.根据权利要求11所述的生成装置,其中,所述概念模板同义样本包括概念模板同义样本正例和概念模板同义样本负例;所述生成子模块,包括:
获取单元,用于获取所述概念模板同义样本中的所述槽位对应的实体词集合,所述实体词集合中包括多个频次小于预设频次阈值的实体词;
第一生成单元,用于根据所述概念模板同义样本正例和所述实体词集合,生成增强同义训练样本正例和第一增强同义训练样本负例;
第二生成单元,用于根据所述概念模板同义样本负例和所述实体词集合,生成第二增强同义训练样本负例和第三增强同义训练样本负例;
确定单元,用于将所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例,确定为所述增强同义训练样本。
14.根据权利要求13所述的生成装置,其中,所述概念模板同义样本正例包括第一查询词概念模板同义样本和第一关键词概念模板同义样本,所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中的所述槽位相同且所述实体语义匹配;所述第一生成单元,包括:
第一填充子单元,用于将所述实体词集合中的同一实体词分别填充至所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中对应的所述槽位中,得到所述增强同义训练样本正例;
第二填充子单元,用于将所述实体词集合中的不同实体词分别填充至所述第一查询词概念模板同义样本和所述第一关键词概念模板同义样本中对应的所述槽位中,得到所述第一增强同义训练样本负例。
15.根据权利要求13所述的生成方法,其中,所述概念模板同义样本负例包括第二查询词概念模板同义样本和第二关键词概念模板同义样本,所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中的所述槽位相同且所述实体语义不匹配;所述第二生成单元,包括:
第三填充子单元,用于将所述实体词集合中的同一实体词分别填充至所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中对应的所述槽位中,得到所述第二增强同义训练样本负例;
第四填充子单元,用于将所述实体词集合中的不同实体词分别填充至所述第二查询词概念模板同义样本和所述第二关键词概念模板同义样本中对应的所述槽位中,得到所述第三增强同义训练样本负例。
16.根据权利要求13所述的生成装置,其中,所述第二增强同义训练样本负例与所述第三增强同义训练样本负例的数量相同。
17.根据权利要求13所述的生成装置,其中,所述增强同义训练样本正例的数量,与所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例的数量之和相同。
18.根据权利要求13所述的生成装置,其中,所述确定单元,包括:
抽取子单元,用于根据所述原始同义训练样本中原始同义训练样本正例和原始同义训练样本负例的比例,从所述增强同义训练样本中抽取对应数量的所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例和所述第三增强同义训练样本负例;
确定子单元,用于将所述原始同义训练样本和抽取出的所述增强同义训练样本正例、所述第一增强同义训练样本负例、所述第二增强同义训练样本负例、所述第三增强同义训练样本负例,确定为所述目标训练样本。
19.一种电子设备,其特征在于,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1-9中任一项所述的训练样本的生成。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的训练样本的生成方法。
21.一种计算机程序产品,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1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129801.8A CN112784589B (zh) | 2021-01-29 | 2021-01-29 | 一种训练样本的生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129801.8A CN112784589B (zh) | 2021-01-29 | 2021-01-29 | 一种训练样本的生成方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784589A true CN112784589A (zh) | 2021-05-11 |
CN112784589B CN112784589B (zh) | 2022-09-30 |
Family
ID=75759971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110129801.8A Active CN112784589B (zh) | 2021-01-29 | 2021-01-29 | 一种训练样本的生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784589B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408280A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 负例构造方法、装置、设备和存储介质 |
CN113938188A (zh) * | 2021-09-02 | 2022-01-14 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
CN116205217A (zh) * | 2023-05-05 | 2023-06-02 | 北京邮电大学 | 一种小样本关系抽取方法、系统、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170098173A1 (en) * | 2011-08-08 | 2017-04-06 | Gravity.Com, Inc. | Entity analysis system |
CN108153853A (zh) * | 2017-12-22 | 2018-06-12 | 齐鲁工业大学 | 基于Wikipedia链接结构的中文概念向量生成方法和装置 |
CN110019749A (zh) * | 2018-09-28 | 2019-07-16 | 北京百度网讯科技有限公司 | 生成vqa训练数据的方法、装置、设备和计算机可读介质 |
CN111241248A (zh) * | 2020-01-20 | 2020-06-05 | 苏州思必驰信息科技有限公司 | 同义问句生成模型训练方法及系统、同义问句生成方法 |
CN111401066A (zh) * | 2020-03-12 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 基于人工智能的词分类模型训练方法、词处理方法及装置 |
CN111435362A (zh) * | 2019-01-15 | 2020-07-21 | 国际商业机器公司 | 用于生成相关响应的对抗性训练数据增强 |
CN112015866A (zh) * | 2020-08-28 | 2020-12-01 | 北京百度网讯科技有限公司 | 用于生成同义文本的方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-29 CN CN202110129801.8A patent/CN112784589B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170098173A1 (en) * | 2011-08-08 | 2017-04-06 | Gravity.Com, Inc. | Entity analysis system |
CN108153853A (zh) * | 2017-12-22 | 2018-06-12 | 齐鲁工业大学 | 基于Wikipedia链接结构的中文概念向量生成方法和装置 |
CN110019749A (zh) * | 2018-09-28 | 2019-07-16 | 北京百度网讯科技有限公司 | 生成vqa训练数据的方法、装置、设备和计算机可读介质 |
CN111435362A (zh) * | 2019-01-15 | 2020-07-21 | 国际商业机器公司 | 用于生成相关响应的对抗性训练数据增强 |
CN111241248A (zh) * | 2020-01-20 | 2020-06-05 | 苏州思必驰信息科技有限公司 | 同义问句生成模型训练方法及系统、同义问句生成方法 |
CN111401066A (zh) * | 2020-03-12 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 基于人工智能的词分类模型训练方法、词处理方法及装置 |
CN112015866A (zh) * | 2020-08-28 | 2020-12-01 | 北京百度网讯科技有限公司 | 用于生成同义文本的方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王晓东等: "本体驱动的文本虚拟样本构造方法研究", 《计算机科学》, no. 03, 25 March 2008 (2008-03-25) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408280A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 负例构造方法、装置、设备和存储介质 |
CN113408280B (zh) * | 2021-06-30 | 2024-03-22 | 北京百度网讯科技有限公司 | 负例构造方法、装置、设备和存储介质 |
CN113938188A (zh) * | 2021-09-02 | 2022-01-14 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
CN113938188B (zh) * | 2021-09-02 | 2022-09-27 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
CN116205217A (zh) * | 2023-05-05 | 2023-06-02 | 北京邮电大学 | 一种小样本关系抽取方法、系统、电子设备及存储介质 |
CN116205217B (zh) * | 2023-05-05 | 2023-09-01 | 北京邮电大学 | 一种小样本关系抽取方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112784589B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220004714A1 (en) | Event extraction method and apparatus, and storage medium | |
CN112784589B (zh) | 一种训练样本的生成方法、装置及电子设备 | |
US10755048B2 (en) | Artificial intelligence based method and apparatus for segmenting sentence | |
US9672476B1 (en) | Contextual text adaptation | |
WO2019118007A1 (en) | Domain-specific natural language understanding of customer intent in self-help | |
CN107861954B (zh) | 基于人工智能的信息输出方法和装置 | |
CN113590645B (zh) | 搜索方法、装置、电子设备及存储介质 | |
US11636376B2 (en) | Active learning for concept disambiguation | |
CN112507706B (zh) | 知识预训练模型的训练方法、装置和电子设备 | |
CN112528677B (zh) | 一种语义向量提取模型的训练方法、装置及电子设备 | |
CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
CN112507118A (zh) | 信息分类抽取方法、装置和电子设备 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
US20230005283A1 (en) | Information extraction method and apparatus, electronic device and readable storage medium | |
US20230103728A1 (en) | Method for sample augmentation | |
CN114579104A (zh) | 数据分析场景的生成方法、装置、设备及存储介质 | |
JP7369228B2 (ja) | ユーザ興味画像の生成方法、装置、電子機器及び記憶媒体 | |
JP7357114B2 (ja) | 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体 | |
JP2023517518A (ja) | ヌル値又は同等の値を有するリレーショナル・テーブルのためのベクトル埋込モデル | |
CN116257690A (zh) | 一种资源推荐方法、装置、电子设备和存储介质 | |
CN113033179B (zh) | 知识获取方法、装置、电子设备及可读存储介质 | |
CN113051396B (zh) | 文档的分类识别方法、装置和电子设备 | |
CN115510247A (zh) | 一种电碳政策知识图谱构建方法、装置、设备及存储介质 | |
CN111930916B (zh) | 对话生成方法、装置、电子设备和存储介质 |
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 |