CN112860681A - 数据清洗方法及装置、计算机设备和介质 - Google Patents

Abstract

本公开提供了一种数据清洗方法及装置、计算机设备和介质，涉及人工智能技术领域，尤其涉及深度学习和数据处理技术领域。实现方案为：获取多个待清洗数据，其中，多个待清洗数据中每个待清洗数据具有对应的类别标签；针对多个待清洗数据中每个待清洗数据，执行以下操作：在多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据；以及针对一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签不一致，将该召回数据与该待清洗数据确定为纠缠数据对；以及对基于多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理。

Description

数据清洗方法及装置、计算机设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习和数据处理技术领域，具体涉及一种数据清洗的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人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如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等领域；人工智能软件技术主要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机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。一般而言，基于人工智能技术的任务需要依赖于经过训练的模型来完成，用于训练模型所采用的数据的质量对模型的训练效果有着很大的影响。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种数据清洗的方法、装置、计算设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种数据清洗方法，包括：获取多个待清洗数据，其中，多个待清洗数据中每个待清洗数据具有对应的类别标签；针对多个待清洗数据中每个待清洗数据，执行以下操作：在多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据；以及针对一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签不一致，将该召回数据与该待清洗数据确定为纠缠数据对；以及对基于多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理。

根据本公开的另一方面，提供了一种意图识别方法，包括：获取输入数据；基于输入数据，在数据库中检索与输入数据相似的至少一个样本数据，其中，数据库包括多个样本数据，每个样本数据具有意图标签，多个样本数据为采用上述的数据清洗方法对多个待清洗数据进行清洗而得到；以及基于检索到的至少一个样本数据中每个样本数据所对应的意图标签，确定输入数据的意图。

根据本公开的另一方面，提供了一种意图识别网络模型的训练方法，包括：获取多个样本数据及其意图标签，其中，多个样本数据为采用如上述的数据清洗方法对多个待清洗数据进行清洗而得到；以及利用多个样本数据及其意图标签，对意图识别网络模型进行训练。

根据本公开的另一方面，提供了一种数据清洗装置，包括：第一获取单元，被配置用于获取多个待清洗数据，其中，多个待清洗数据中每个待清洗数据具有对应的类别标签；第一确定单元，被配置用于针对多个待清洗数据中每个待清洗数据，执行以下操作：在多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据；以及针对一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签不一致，将该召回数据与该待清洗数据确定为纠缠数据对；以及清洗单元，被配置用于对基于多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理。

根据本公开的另一方面，提供了一种意图识别装置，包括：第二获取单元，被配置用于获取输入数据；检索单元，被配置用于基于输入数据，在数据库中检索与输入数据相似的至少一个样本数据，其中，数据库包括多个样本数据，每个样本数据具有意图标签，多个样本数据为采用如上述的数据清洗方法对多个待清洗数据进行清洗而得到；以及第二确定单元，被配置用于基于检索到的至少一个样本数据中每个样本数据所对应的意图标签，确定输入数据的意图。

根据本公开的另一方面，提供了一种意图识别网络模型的训练装置，包括：第三获取单元，被配置用于获取多个样本数据及其意图标签，其中，多个样本数据为采用如上述的数据清洗方法对多个待清洗数据进行清洗而得到；以及训练单元，被配置用于利用多个样本数据及其意图标签，对意图识别网络模型进行训练。

根据本公开的另一方面，提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现上述的方法的步骤。

根据本公开的另一方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述的方法的步骤。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序被处理器执行时实现上述的方法的步骤。

根据本公开的一个或多个实施例，能够在数据端即发现待清洗数据中存在的类别纠缠的问题，并且能够在大量的待清洗数据中快速、准确地查找出需要执行清洗处理的数据，有效减低了数据清洗的成本，提升了数据清洗的效率。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的数据清洗方法的流程图；

图3示出了根据本公开的实施例的另一种数据清洗方法的流程图；

图4示出了根据本公开的实施例的意图识别方法的流程图；

图5示出了根据本公开的实施例的意图识别网络模型的训练方法的流程图；

图6示出了根据本公开的实施例的数据清洗装置的结构框图；

图7示出了根据本公开的实施例的意图识别装置的结构框图；

图8示出了根据本公开的实施例的意图识别网络模型的训练装置的结构框图；

图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

一般而言，用于模型训练的数据通过多种方式收集汇总而成，类别众多且数量巨大，其中往往存在许多难以发现的类别纠缠的问题。例如，数据所对应的类别标签不准确，或者相似的数据被对应于不同的类别标签。基于这样的数据训练得到的模型常常难以在实际应用中获得理想的处理效果。

相关技术中，通常将获取的大量数据及其所对应的类别标签直接应用于对模型的训练之中，再根据训练好的模型在应用过程中所反馈的问题，对训练数据进行排查、修正。这种对数据的清洗方式依赖于训练后的模型的处理结果，不仅成本高而且效率低下。另一方面，模型的处理结果仅能够提供给数据端的数据清洗操作非常粗糙的指引，例如，当多次出现将应当识别为第一类别的输入数据识别为第二类别时，可以指引数据端对类别标签分别为第一类别和第二类别的所有训练数据进行排查，发现其中的问题数据进行清洗。在这样的指引下，数据端仍然需要耗费大量的人力和时间成本进行数据排查才能确定需要清洗的数据。

基于此，本公开提出一种数据清洗方法，针对多个待清洗数据中每个待清洗数据，在多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据，并针对一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签不一致，将该召回数据与该待清洗数据确定为纠缠数据对，进而对基于多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理。

本公开通过比对多个待清洗数据中每一对相似的待清洗数据的类别标签，可以确定需要执行清洗处理的数据，并对其执行清洗处理，由此，能够在数据端即发现待清洗数据中存在的类别纠缠的问题，并且能够在大量的待清洗数据中快速、准确地查找出需要执行清洗处理的数据，有效减低了数据清洗的成本，提升了数据清洗的效率。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行数据清洗的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取多个待清洗数据，或者显示纠缠数据对并获取用户针对所显示的纠缠数据对的控制操作。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2是示出根据本公开示例性实施例的一种数据清洗方法，该方法可以包括：步骤S201、获取多个待清洗数据，其中，多个待清洗数据中每个待清洗数据具有对应的类别标签；步骤S202、针对多个待清洗数据中每个待清洗数据，执行以下操作：在多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据；以及针对一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签不一致，将该召回数据与该待清洗数据确定为纠缠数据对；以及步骤S203、对基于多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理。

由此，通过比对多个待清洗数据中每一对相似的待清洗数据的类别标签，可以确定需要执行清洗处理的数据，并对其执行清洗处理，进而在数据端即发现待清洗数据中存在的类别纠缠的问题，并且能够在大量的待清洗数据中快速、准确地查找出需要执行清洗处理的数据，有效减低了数据清洗的成本，提升了数据清洗的效率。

针对步骤S202，根据一些实施例，在多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据可以包括：获取多个待清洗数据中每个待清洗数据的特征向量；以及基于多个待清洗数据的特征向量，确定与该待清洗数据相似的一个或多个召回数据。由此，可以基于每个待清洗数据的特征向量，在多个待清洗数据中准确、快速地确定相似的召回数据。

根据一些实施例，可以通过深度学习的神经网络模型来获取每个待清洗数据的特征向量。

根据一些实施例，获取多个待清洗数据中每个待清洗数据的特征向量可以包括：响应于确定该待清洗数据为文本，获取该待清洗数据的句向量。由此，可以通过不同的特征向量表示相应的文本，提升对文本的搜索效率。

根据一些实施例，句向量可以为SIF语义向量。由于SIF语义向量是一种快速、有效的无监督句向量生成方式，可以提升生成句向量的效率。

根据一些实施例，在基于多个待清洗数据的特征向量，确定与该待清洗数据相似的一个或多个召回数据之前，对多个待清洗数据的特征向量执行归一化处理。由此，可以利用归一化处理后的单位向量确定与该待清洗数据相似的一个或多个召回数据，提升了所确定的召回数据的准确性。

根据一些实施例，基于多个待清洗数据的特征向量，确定与该待清洗数据相似的一个或多个召回数据包括：基于相应的特征向量，生成多个待清洗数据中每个待清洗数据的向量索引；以及基于相应的向量索引，在多个待清洗数据中搜索与该待清洗数据相似的一个或多个召回数据。由此，通过基于向量索引的向量检索能够在多个待清洗数据中快速地搜索到与该待清洗数据相似的一个或多个召回数据。

根据一些实施例，可以通过KD树(k-dimensional tree)、哈希算法或矢量量化算法生成多个待清洗数据中每个待清洗数据的向量索引。优选地，可以通过乘积量化(Product Quantization)算法，生成每个待清洗数据的向量索引。

根据一些实施例，在多个待清洗数据中搜索与该待清洗数据相似的一个或多个召回数据可以包括：在多个待清洗数据中执行基于GPU的并行搜索，以得到与该待清洗数据相似的一个或多个召回数据。由此，可以实现同时对多个待清洗数据的批量搜索，充分发挥了GPU的计算优势，提升了检索的效率。

针对步骤S203，根据一些实施例，对基于多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理可以包括：确定一个或多个纠缠数据对中每个纠缠数据对的纠缠程度；根据每个纠缠数据对的纠缠程度，从一个或多个纠缠数据对中确定至少一个纠缠数据对；以及对至少一个纠缠数据对进行清洗处理。

基于每个纠缠数据对的纠缠程度对至少一个纠缠数据对进行清洗处理，能够在处理资源不足的情况下，有针对性地选择所确定的一个或多个纠缠数据对中纠缠程度较高的部分纠缠数据对进行优先清洗，由此能够在处理资源所能允许的范围内，最大程度地实现对待清洗数据的优化。

根据一些实施例，每个纠缠数据对的纠缠程度为根据余弦相似度来确定的。由此，能够方便地计算每个纠缠数据对的纠缠程度。

根据一些实施例，对基于多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理包括：针对一个或多个纠缠数据对中的每个纠缠数据对，基于该纠缠数据对中的两个待清洗数据所分别对应的类别标签，从一个或多个纠缠数据对中除去该纠缠数据对的剩余纠缠数据对中确定该纠缠数据对的至少一个相关纠缠数据对，其中，每个相关纠缠数据对所对应的两个类别标签的组合与该纠缠数据对所对应的两个类别标签的组合相同；至少基于相应的相关纠缠数据对的数量，从一个或多个纠缠数据对中确定至少一个纠缠数据对；以及对至少一个纠缠数据对进行清洗处理。

对于多个待清洗数据及其所对应的类别标签，其中任意两个类别标签的组合可以对应于零个或多个纠缠数据对。如果两个类别标签的组合没有对应的纠缠数据对，或者对应的纠缠数据对数量非常少，表示这两个类别标签的纠缠程度较低；如果两个类别标签的组合对应的纠缠数据对很多，则表示这两个类别标签的纠缠程度较高。由此，至少基于相应的相关纠缠数据对的数量，从一个或多个纠缠数据对中确定至少一个纠缠数据对执行清洗处理，能够有针对性地选择纠缠程度较高的两个类别标签所对应的部分纠缠数据对进行优先清洗，能够在处理资源所能允许的范围内，最大程度地实现对待清洗数据的优化。

根据一些实施例，至少基于相应的相关纠缠数据对的数量，从一个或多个纠缠数据对中确定至少一个纠缠数据对包括：针对一个或多个纠缠数据对中每个纠缠数据对所对应的两个类别标签，从多个待清洗数据中获取两个类别标签中的其中一个所对应的待清洗数据的第一数量，以及两个类别标签中的另一个所对应的待清洗数据的第二数量；以及针对一个或多个纠缠数据对中每个纠缠数据，基于该纠缠数据对的相关纠缠数据对的数量和该纠缠数据对相应的第一数量和第二数量，从一个或多个纠缠数据对中确定至少一个纠缠数据对。

两个类别标签的纠缠程度还与其中每个类别标签所对应的待清洗数据的数量有关。在两个类别标签的组合所对应的纠缠数据对的数量一定的情况下，该两个类别标签的组合中两个类别标签所分别对应的待清洗数据的第一数据和第二数据之和越大，则表示这两个类别标签的纠缠程度越低；反之，则表示这两个类别标签的纠缠程度越高。由此，针对一个或多个纠缠数据对中每个纠缠数据，基于该纠缠数据对的相关纠缠数据对的数量和该纠缠数据对相应的第一数量和第二数量，从一个或多个纠缠数据对中确定至少一个纠缠数据对，能够提升对两个类别标签的纠缠程度的判断的准确性。

例如，待清洗数据A和待清洗数据a为纠缠数据对，其中，待清洗数据A所对应的类别标签为X1，待清洗数据a所对应的类别标签为Y1。在一个或多个纠缠数据对中还包括纠缠数据对B和b、C和c，以及D和d，其中，纠缠数据对B和b所分别对应的两个类别标签为X1和Y1，纠缠数据对C和c所分别对应的两个类别标签为X1和Y1，纠缠数据对D和d所分别对应的两个类别标签为X2和Y2。由此，纠缠数据对B和b以及C和c构成纠缠数据对A和a的相关纠缠数据对，类别标签X1和Y1所对应纠缠数据对共有包括A和a、B和b以及C和c在内的N对。

类别标签X2和Y2所对应纠缠数据对包括M对，在一种实施方式中，如果M>>N，可以认为类别标签X2和Y2的纠缠程度相对更严重，优先将类别标签X2和Y2所对应纠缠数据对进行清洗。在另一种实施方式中，可以在X1、Y1、X2和Y2每个类别标签所对应的待清洗数据的数量的基础上，进一步判断类别标签X1和Y1以及类别标签X2和Y2的相对纠缠程度。比如，类别标签X1、Y1、X2和Y2所对应的待清洗数据的数量分别为x1、y1、x2和y2，可以通过2N/(x1+y1)的方式来表示类别标签X1和Y1的纠缠程度，通过2M/(x2+y2)的方式来表示类别标签X2和Y2的纠缠程度，基于比较结果，可以对纠缠程度更为严重的类别标签所对应纠缠数据对进行优先清洗。

可以理解，上述计算方式仅仅是一种示例性的计算方法，还可以采用其它计算方式确定两个类别标签的纠缠程度，在此不作限定。

根据一些实施例，至少基于相应的相关纠缠数据对的数量，从一个或多个纠缠数据对中确定至少一个纠缠数据对还可以包括：针对一个或多个纠缠数据对中每个纠缠数据，基于该纠缠数据对的相关纠缠数据对的数量、该纠缠数据对相应的第一数量和第二数量，以及该纠缠数据对和其相关纠缠数据对中每个纠缠数据对的纠缠程度，从一个或多个纠缠数据对中确定至少一个纠缠数据对。

其中，可以根据余弦相似度确定每个纠缠数据对的纠缠程度。

根据一些实施例，通过以下至少一种方式对至少一个纠缠数据对中每个纠缠数据对进行清洗处理包括：删除该纠缠数据对中的至少一个待清洗数据；以及修改该纠缠数据对中的至少一个待清洗数据所对应的类别标签。由此，能够有效地对多个待清洗数据中的每个纠缠数据对执行清洗。

根据一些实施例，删除该纠缠数据对中的至少一个待清洗数据可以包括删除该纠缠数据对中的任意一个待清洗数据，以消除该纠缠数据对。

根据一些实施例，修改该纠缠数据对中的至少一个待清洗数据所对应的类别标签可以包括将该纠缠数据对中其中一个待清洗数据的类别标签修改为其中另一个待清洗数据的类别标签，以消除该纠缠数据对。

根据一些实施例，修改该纠缠数据对中的至少一个待清洗数据所对应的类别标签还可以包括将该纠缠数据对中两个待清洗数据所分别对应的类别标签修改为统一的类别标签，以消除该纠缠数据对。

根据一些实施例，在对至少一个纠缠数据对进行清洗处理之前，在终端设备显示至少一个纠缠数据对；以及响应于接收到用户在终端设备输入的控制操作，确定针对至少一个纠缠数据对中每个纠缠数据对的清洗方式。由此，能够直观地向用户展示纠缠数据对，便于用户对每个纠缠数据对进行分析和处理。

根据一些实施例，可以在终端设备上显示按照类别标签组合的纠缠程度的高低依次排列的多个类别标签组合，其中，每个类别标签组合包括两个类别标签。响应于用户选择其中一个类别标签组合，可以进一步在终端设备上显示该类别标签组合所对应的每一个纠缠数据对。

根据一些实施例，可以在终端设备上显示按照纠缠数据对的纠缠程度的高低依次排列的多个纠缠数据对。

根据一些实施例，可以在终端设备上显示分别对应于不同的清洗方式的控制键。用户通过选择在终端设备上显示的纠缠数据对和控制键，可以对所选择的纠缠数据对执行该控制键所对应的清洗操作。

根据一些实施例，该方法还包括：针对一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签一致，将该召回数据与该待清洗数据确定为冗余数据对；以及对基于多个待清洗数据所确定的一个或多个冗余数据对中的至少一个冗余数据对进行清洗处理。由此，可以减少待清洗数据的数据量，降低对数据的存储压力。

根据一些实施例，针对至少一个冗余数据对中每个冗余数据对，可以通过删除该冗余数据对中的其中一个待清洗数据，实现对该冗余数据对的清洗。

图3是示出根据本公开示例性实施例的一种数据清洗流程图。如图3所示，数据清洗流程可以为：

S301、获取多个待清洗数据中每个待清洗数据的特征向量，并根据获取的多个待清洗数据中每个待清洗数据的特征向量，构建向量索引库；

S302、从多个待清洗数据中选择其中一个待清洗数据Q；

S303、在向量索引库中搜索与待清洗数据Q相似的召回数据，获取一个或多个召回数据；

S304、在一个或多个召回数据中选择其中一个召回数据P；

S305、比对待清洗数据Q所对应的类别标签与召回数据P所对应的类别标签是否一致，如果待清洗数据Q所对应的类别标签与召回数据P所对应的类别标签不一致，则执行步骤S306；如果待清洗数据Q所对应的类别标签与召回数据P所对应的类别标签一致，则执行步骤S307；

S306、将待清洗数据Q和召回数据P确定为纠缠数据对；

S307、将待清洗数据Q和召回数据P确定为冗余数据对；

S308、判断是否遍历步骤S303中获取的一个或多个召回数据中的每一个召回数据，如果已经遍历完毕，执行步骤S309；如果未遍历完毕，则执行步骤S304，在所获取的一个或多个召回数据中选择另一个召回数据P；

S309、判断是否遍历多个待清洗数据中的每一个待清洗数据，如果未遍历完毕，则执行步骤S302，在多个待清洗数据中选择另一个待清洗数据Q；如果已经遍历完毕，则流程结束。

可以理解，由于每个待清洗数据的特征向量与该待清洗数据唯一的对应，因此，在图3所示的数据清洗流程中，可以直接基于每个待清洗数据的特征向量执行相应的步骤。

在根据步骤S306和步骤S307分别确定纠缠数据对和冗余数据对后，可以根据所确定的每个纠缠数据对和冗余数据对执行清洗处理，也可以对所确定的纠缠数据对和冗余数据对进行统计，并在上述如图3所示的流程结束后，根据纠缠程度确定要执行清洗处理的数据，在此不作限定。

在意图识别应用场景中，可以采用本公开的数据清洗方法对用于意图识别的样本数据及其所对应的意图标签进行清洗处理。其中，用于意图识别的样本数据可以包括各种形式的文本。

根据本公开的另一方面，还公开了一种意图识别方法，如图4所示，该方法包括：步骤S401、获取输入数据；步骤S402、基于输入数据，在数据库中检索与输入数据相似的至少一个样本数据，其中，数据库包括多个样本数据，每个样本数据具有意图标签，多个样本数据为采用上述的数据清洗方法对多个待清洗数据进行清洗而得到；以及基于检索到的至少一个样本数据中每个样本数据所应的意图标签，确定输入数据的意图。由此，基于经过清洗处理的样本数据，可以通过检索到的与输入数据相似的样本数据所对应的意图标签，准确地获知用户所要表达的意图。

根据本公开的另一方面，还公开了一种意图识别网络模型的训练方法，如图5所示，该方法包括：步骤S501、获取多个样本数据及其意图标签，其中，多个样本数据为采用上述的数据清洗方法对多个待清洗数据进行清洗而得到；以及步骤S502、利用所述多个样本数据及其意图标签，对意图识别网络模型进行训练。由此，基于经过清洗处理的样本数据，能够提升意图识别网络模型的训练效果，提高基于训练完成的意图识别网络模型的识别准确率。

根据本公开的另一方面，还公开了一种数据清洗装置600，如图6所示，该装置600包括：第一获取单元601，被配置用于获取多个待清洗数据，其中，多个待清洗数据中每个待清洗数据具有对应的类别标签；第一确定单元602，被配置用于针对多个待清洗数据中每个待清洗数据，执行以下操作：在多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据；以及针对一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签不一致，将该召回数据与该待清洗数据确定为纠缠数据对；以及清洗单元603，被配置用于对基于多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理。

根据本公开的另一方面，还公开了一种意图识别装置700，如图7所示，该装置700包括：第二获取单元701，被配置用于获取输入数据；检索单元702，被配置用于基于输入数据，在数据库中检索与输入数据相似的至少一个样本数据，其中，数据库包括多个样本数据，每个样本数据具有意图标签，多个样本数据为采用如上述的数据清洗方法对多个待清洗数据进行清洗而得到；以及第二确定单元703，被配置用于基于检索到的至少一个样本数据中每个样本数据所应的意图标签，确定输入数据的意图。

根据本公开的另一方面，还公开了一种意图识别网络模型的训练装置800，如图8所示，该装置800包括：第三获取单元801，被配置用于获取多个样本数据及其意图标签，其中，多个样本数据为采用如上述的数据清洗方法对多个待清洗数据进行清洗而得到；以及训练单元802，被配置用于利用多个样本数据及其意图标签，对意图识别网络模型进行训练。

根据本公开的另一方面，还提供一种计算机设备，包括：存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现上述的方法的步骤。

根据本公开的另一方面，还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述的方法的步骤。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，计算机程序被处理器执行时实现上述的方法的步骤。

根据本公开的实施例，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。

参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备，输入单元906可以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和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许设备900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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元901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901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901执行上文所描述的各个方法和处理，例如数据清洗方法、意图识别方法或意图识别网络模型的训练方法。例如，在一些实施例中，数据清洗方法、意图识别方法或意图识别网络模型的训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的数据清洗方法、意图识别方法或意图识别网络模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据清洗方法、意图识别方法或意图识别网络模型的训练方法。

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)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。

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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (21)

1.一种数据清洗方法，包括：

获取多个待清洗数据，其中，所述多个待清洗数据中每个待清洗数据具有对应的类别标签；

针对所述多个待清洗数据中每个待清洗数据，执行以下操作：

在所述多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据；以及

针对所述一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签不一致，将该召回数据与该待清洗数据确定为纠缠数据对；以及

对基于所述多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理。

2.根据权利要求1所述的方法，其中，所述在所述多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据包括：

获取所述多个待清洗数据中每个待清洗数据的特征向量；以及

基于所述多个待清洗数据的特征向量，确定与该待清洗数据相似的一个或多个召回数据。

3.根据权利要求2所述的方法，其中，所述获取所述多个待清洗数据中每个待清洗数据的特征向量包括：

响应于确定该待清洗数据为文本，获取该待清洗数据的句向量。

4.根据权利要求2或3所述的方法，还包括：

在基于所述多个待清洗数据的特征向量，确定与该待清洗数据相似的一个或多个召回数据之前，对所述多个待清洗数据的特征向量执行归一化处理。

5.根据权利要求2至4中任一项所述的方法，其中，所述基于所述多个待清洗数据的特征向量，确定与该待清洗数据相似的一个或多个召回数据包括：

基于相应的特征向量，生成所述多个待清洗数据中每个待清洗数据的向量索引；以及

基于相应的向量索引，在所述多个待清洗数据中搜索与该待清洗数据相似的一个或多个召回数据。

6.根据权利要求5所述的方法，其中，所述在所述多个待清洗数据中搜索与该待清洗数据相似的一个或多个召回数据包括：

在所述多个待清洗数据中执行基于GPU的并行搜索，以得到与该待清洗数据相似的一个或多个召回数据。

7.根据权利要求1所述的方法，其中，所述对基于所述多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理包括：

确定一个或多个纠缠数据对中每个纠缠数据对的纠缠程度；

根据每个纠缠数据对的纠缠程度，从一个或多个纠缠数据对中确定所述至少一个纠缠数据对；以及

对所述至少一个纠缠数据对进行清洗处理。

8.根据权利要求7所述的方法，其中，每个纠缠数据对的纠缠程度为根据余弦相似度来确定的。

9.根据权利要求1所述的方法，其中，所述对基于所述多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理包括：

针对一个或多个纠缠数据对中的每个纠缠数据对，基于该纠缠数据对中的两个待清洗数据所分别对应的类别标签，从所述一个或多个纠缠数据对中除去该纠缠数据对的剩余纠缠数据对中确定该纠缠数据对的至少一个相关纠缠数据对，其中，每个相关纠缠数据对所对应的两个类别标签的组合与该纠缠数据对所对应的两个类别标签的组合相同；

至少基于相应的相关纠缠数据对的数量，从一个或多个纠缠数据对中确定至少一个纠缠数据对；以及

对所述至少一个纠缠数据对进行清洗处理。

10.根据权利要求9所述的方法，其中，所述至少基于相应的相关纠缠数据对的数量，从一个或多个纠缠数据对中确定至少一个纠缠数据对包括：

针对所述一个或多个纠缠数据对中每个纠缠数据对所对应的两个类别标签，从多个待清洗数据中获取所述两个类别标签中的其中一个所对应的待清洗数据的第一数量，以及所述两个类别标签中的另一个所对应的待清洗数据的第二数量；以及

针对所述一个或多个纠缠数据对中每个纠缠数据，基于该纠缠数据对的相关纠缠数据对的数量和该纠缠数据对相应的所述第一数量和所述第二数量，从一个或多个纠缠数据对中确定所述至少一个纠缠数据对。

11.根据权利要求1至10中任一项所述的方法，其中，通过以下至少一种方式对所述至少一个纠缠数据对中每个纠缠数据对进行清洗处理：

删除该纠缠数据对中的至少一个待清洗数据；以及

修改该纠缠数据对中的至少一个待清洗数据所对应的类别标签。

12.根据权利要求1至11中任一项所述的方法，还包括：

在对所述至少一个纠缠数据对进行清洗处理之前，在终端设备显示所述至少一个纠缠数据对；以及

响应于接收到用户在终端设备输入的控制操作，确定针对所述至少一个纠缠数据对中每个纠缠数据对的清洗方式。

13.根据权利要求1至12中任一项所述的方法，还包括：

针对所述一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签一致，将该召回数据与该待清洗数据确定为冗余数据对；以及

对基于所述多个待清洗数据所确定的一个或多个冗余数据对中的至少一个冗余数据对进行清洗处理。

14.一种意图识别方法，包括：

获取输入数据；

基于所述输入数据，在数据库中检索与所述输入数据相似的至少一个样本数据，其中，所述数据库包括多个样本数据，每个样本数据具有意图标签，所述多个样本数据为采用如权利要求1至13中任一项所述的数据清洗方法对多个待清洗数据进行清洗而得到；以及

基于检索到的所述至少一个样本数据中每个样本数据所对应的意图标签，确定所述输入数据的意图。

15.一种意图识别网络模型的训练方法，包括：

获取多个样本数据及其意图标签，其中，所述多个样本数据为采用如权利要求1至13中任一项所述的数据清洗方法对多个待清洗数据进行清洗而得到；以及

利用所述多个样本数据及其意图标签，对所述意图识别网络模型进行训练。

16.一种数据清洗装置，包括：

第一获取单元，被配置用于获取多个待清洗数据，其中，所述多个待清洗数据中每个待清洗数据具有对应的类别标签；

第一确定单元，被配置用于针对所述多个待清洗数据中每个待清洗数据，执行以下操作：

在所述多个待清洗数据中除去该待清洗数据的剩余待清洗数据中确定与该待清洗数据相似的一个或多个召回数据；以及

针对所述一个或多个召回数据中每个召回数据，响应于该召回数据所对应的类别标签与该待清洗数据所对应的类别标签不一致，将该召回数据与该待清洗数据确定为纠缠数据对；以及

清洗单元，被配置用于对基于所述多个待清洗数据所确定的一个或多个纠缠数据对中的至少一个纠缠数据对进行清洗处理。

17.一种意图识别装置，包括：

第二获取单元，被配置用于获取输入数据；

检索单元，被配置用于基于所述输入数据，在数据库中检索与所述输入数据相似的至少一个样本数据，其中，所述数据库包括多个样本数据，每个样本数据具有意图标签，所述多个样本数据为采用如权利要求1至13中任一项所述的数据清洗方法对多个待清洗数据进行清洗而得到；以及

第二确定单元，被配置用于基于检索到的所述至少一个样本数据中每个样本数据所对应的意图标签，确定所述输入数据的意图。

18.一种意图识别网络模型的训练装置，包括：

第三获取单元，被配置用于获取多个样本数据及其意图标签，其中，所述多个样本数据为采用如权利要求1至13中任一项所述的数据清洗方法对多个待清洗数据进行清洗而得到；以及

训练单元，被配置用于利用所述多个样本数据及其意图标签，对意图识别网络模型进行训练。

19.一种计算机设备，包括：

存储器、处理器以及存储在所述存储器上的计算机程序，

其中，所述处理器被配置为执行所述计算机程序以实现权利要求1至15中任一项所述的方法的步骤。

20.一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1至15中任一项所述的方法的步骤。

21.一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1至15中任一项所述的方法的步骤。

Images