CN112861512A - 数据处理方法、装置、设备以及存储介质 - Google Patents
数据处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112861512A CN112861512A CN202110161764.9A CN202110161764A CN112861512A CN 112861512 A CN112861512 A CN 112861512A CN 202110161764 A CN202110161764 A CN 202110161764A CN 112861512 A CN112861512 A CN 112861512A
- Authority
- CN
- China
- Prior art keywords
- data
- category
- sub
- parameter
- nlp
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000003058 natural language processing Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000008451 emotion Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种数据处理方法、装置、设备以及存储介质，涉及自然语言处理和深度学习等人工智能领域。具体实现方案为：根据数据集中每个类别的数据的数量和聚类类数，对每个类别的数据进行聚类，得到每个类别的子类别的数据；根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理；利用平衡处理后的数据，训练NLP模型，所述NLP模型用于执行NLP任务。根据本公开的技术对同一类别内的不同子类别的数据进行平衡处理，使得同一类别内的不同子类别的数据的数量差异减小，实现对数据集的优化，从而提高使用优化的数据集的模型的精度和泛化能力。
Description
技术领域
本公开涉及人工智能领域，具体涉及自然语言处理和深度学习技术。
背景技术
随着人工智能技术的发展，基于大量数据的深度学习模型等表现出了极好的效果，在自然语言处理(Natural Language Processing，NLP)的各个任务领域具有很好的表现，在整个算法的构建过程中，模型起到了非常关键的作用，但是模型的数据更是决定了模型的上限。合理的数据至关重要。
发明内容
本公开提供了一种用于数据处理方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种数据处理方法，应用于自然语言处理NLP模型，所述方法包括：
根据数据集中每个类别的数据的数量和聚类类数，对每个类别的数据进行聚类，得到每个类别的子类别的数据；
根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理；
利用平衡处理后的数据，训练NLP模型，所述NLP模型用于执行NLP任务。
根据本公开的另一方面，提供了一种数据处理装置，应用于自然语言处理NLP模型，所述装置包括：
聚类模块，用于根据数据集中每个类别的数据的数量和聚类类数，对每个类别的数据进行聚类，得到每个类别的子类别的数据；
平衡模块，用于根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理；
训练模块，用于利用平衡处理后的数据，训练NLP模型，所述NLP模型用于执行NLP任务。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，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，该计算机指令用于使计算机执行本公开任一实施例中的方法。
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，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术对同一类别内的不同子类别的数据进行平衡处理，使得同一类别内的不同子类别的数据的数量差异减小，实现对数据集的优化，从而提高使用优化的数据集的模型的精度和泛化能力。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开一实施例的数据处理方法的流程示意图。
图2是根据本公开另一实施例的数据处理方法的流程示意图。
图3是根据本公开另一实施例的数据处理方法的流程示意图。
图4是根据本公开一实施例的数据处理装置的框图。
图5是根据本公开另一实施例数据处理装置的框图。
图6示出可以用来实施本公开的实施例的示例电子设备的示意性框图。
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是根据本公开一实施例的数据处理方法的流程示意图。该方法可以包括：
S11.根据数据集中每个类别的数据的数量和聚类类数，对每个类别的数据进行聚类，得到每个类别的子类别的数据；
S12.根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理；
S13.利用平衡处理后的数据，训练NLP模型，所述NLP模型用于执行NLP任务。
示例性地，数据集中可以包括大量的数据。例如，人工智能领域的模型例如深度学习模型的训练需要的大量数据可以为一种数据集。对模型的数据集可以先进行初步的分类，分类的方式可以基于模型所要执行的任务不同而不同。
示例性地，NLP模型可以包括多种类型，例如，长短期记忆网络(LSTM，Long Short-Term Memory)模型、来自变换器的双向编码器表征量(Bidirectional EncoderRepresentations from Transformers，BERT)模型等。利用平衡处理后的数据，训练NLP模型，有利于提高模型的NLP精度和泛化能力。利用训练好的NLP模型执行NLP任务，可以提高分类结果的准确性。
在NLP领域中的语言分类任务可以称为NLP任务或NLP分类任务。NLP任务可以包括多种类型，具体可以根据实际场景确定。例如，情感分类任务、内容来源分类任务、意图分类任务、年龄分类任务、文本纠错任务、字音转换任务、机器翻译任务、信息抽取任务等。具体例如，情感分类任务可以对表示积极、消极等情感的数据进行分类，将数据集初始分类为积极类别和消极类别。再如，内容来源分类任务可以对来源于体育、金融、教育等领域的数据进行分类，将数据集初始分类为体育类别、金融类别、教育类别等。
对于不同分类的数据，可以进一步进行聚类得到每个子类别的数据。例如，积极的情感可以分为喜悦、感激、激励、希望、自信等子类别。如果积极的情感的数据的数量为1000条，聚类类数为5个，则可以对积极的情感的数据进行聚类得到5个子类别的数据。
对某个类别的数据进行聚类之后，得到的每个子类别的数据的数量可能不同。有的子类别数据量多，有的子类别数据量少。例如，喜悦为300条、感激为230条、激励为270条、希望为120条、自信为80条。
由于不同子类别的数据的数量可能差异较大，不利于模型的精度和泛化能力。因此，可以对同一类别内的不同子类别的数据进行平衡处理，使得同一类别内的不同子类别的数据的数量差异减小，实现对数据集的优化，从而提高使用优化的数据集的模型的精度和泛化能力。例如，使用优化的数据集训练得到的NLP模型的精度高，泛化能力强。利用训练好的NLP模型执行NLP任务，可以提高NLP模型分类结果的准确性。
图2是根据本公开另一实施例的数据处理方法的流程示意图。该实施例的数据处理方法可以包括上述实施例的各步骤。在一种实施方式中，所述方法还包括：
S21.根据每个类别的数据的数量确定每个类别的聚类类数。
示例性地，模型的数据集初步分类后，每个类别的数据的数量可能不同。如果某个类别的数据的数量较多，可以增加该类别的聚类类数。如果某个类别的数据的数量较少，可以减少该类别的聚类类数。此外，除了某个类别的数据的数量之外，也可以综合该类别能够合理划分的子类别的数量，来确定聚类类数。根据每个类别的数据的数量，有利于合理的确定聚类类数，有利于后续进行类内数据的平衡处理。
在一种实施方式中，每个类别的数据的特征包括句向量。句向量的获取方式可以包括多种。例如，某个类别的数据包括文本内容，文本内容中包括句子，可以通过句子中每个词的词向量得到这个句子的句向量。
利用句向量可以对每个类别的数据进行聚类，得到每个类别的子类别的数据。通过对以句向量为特征的类内数据的聚类，有利于适用于各种NLP任务。
在一种实施方式中，S12根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理，包括：根据所述子类别的数据的数量，第一参数以及第二参数，对所述子类别的数据进行平衡处理。其中，所述第一参数为所述数据集的数据总量与需要保留的数据的数量的比值，所述第二参数是根据每个类别的数据的数量和聚类类数以及所述第一参数确定的。
示例性地，第一参数也可以称为精简参数、精简倍数等。第一参数可以确定需要精简的数据量。例如，第一参数可以为模型的数据集的数据总量与需要保留的数据的数量的比值。具体例如，如果数据集的数据总量为5000条，需要保留的数据的数量为2500条，第一参数为2，即精简倍数为2倍。再如，如果数据集的数据总量为5000条，需要保留的数据的数量为1000条，第一参数为5，即精简倍数为5倍。
示例性地，第二参数也可以称为平衡参数、平衡阈值等。第二参数可以确定子类别的数据的数量。第二参数可以根据每个类别的数据的数量和聚类类数，以及所述第一参数来确定。例如，第二参数可以等于每个类别的数据的数量除以聚类类数，再除以第一参数(精简倍数)。
如果数据集初始分类后包括多个类别，每个类别的数据的数量不同，每个类别进行平衡处理所采用的第二参数也可能不同。例如，数据集初始分类后得到3个类别。第一个类别的数据的数量为1000，聚类类数为5；第二个类别的数据的数量为2000，聚类类数为10；第三个类别的数据的数量为3000，聚类类数为20。并且，精简倍数为2。这种情况下，第一个类别所采用的第二参数为1000/(5*2)＝100。第二个类别所采用的第二参数为2000/(10*2)＝100。第三个类别所采用的第二参数为3000/(20*2)＝75。
对于每个类别的所有子类别的数据，可以采用该类别对应的第二参数进行平衡处理。例如，第一个类别包括5个子类别，对这5个子类别采用第二参数100进行平衡处理。再如，第二个类别包括10个子类别，对这10个子类别采用第二参数100进行平衡处理。再如，第三个类别包括20个子类别，对这20个子类别采用第二参数75进行平衡处理。
通过第一参数可以对数据集进行精简，有利于提高使用优化后的数据集的模型的算法优化的效率。通过第二参数可以对数据集进行平衡，可以平衡每个类别内部(类内)不同子类别(分布点)的数据，有利于提高使用优化后的数据集的模型的精度和泛化能力。
在一种实施方式中，在S12中，根据所述子类别的数据的数量以及第二参数，对所述子类别的数据进行平衡处理，包括以下方式的至少之一：
方式一：在所述子类别的数据的数量小于所述第二参数的情况下，对所述子类别的数据进行过采样。
每个类别的多个子类别的数据的数量可能具有差别。如果某个类别的某个子类别的数据的数量小于该类别对应的第二参数，可以对该子类别的数据进行过采样。例如，第一个类别包括5个子类别，其中更有2个子类别的数据的数量小于100条，对这2个子类别进行过采样，使得这2个子类别的数据量增加到100条。过采样的方式可以为随机采样。过采样之后，可以使得子类别的数据的数量增加到第二参数所表示的数量。
方式二：在所述子类别的数据的数量大于所述第二参数的情况下，对所述子类别的数据进行降采样。
如果某个类别的某个子类别的数据的数量大于该类别对应的第二参数，可以对该子类别的数据进行降采样。例如，第三个类别包括20个子类别，其中有3个子类别的数据的数量大于75条，对这3个子类别进行降采样，使得这3个子类别的数据量减少到75条。降采样的方式可以为随机采样。降采样之后，可以使得子类别的数据的数量减少到第二参数所表示的数量。
通过对数据集的类别内的子类别进行降采样或过采样，可以平衡每个类别内部(类内)不同子类别(分布点)的数据，有利于提高使用优化后的数据集的模型的精度和泛化能力。
本公开实施例的数据处理方法，既可以精简数据集，又可以平衡类内不同分布点的数据。利用优化后的数据集执行NLP任务，不仅能够在提高算法优化的效率，还能够提高模型的精度和泛化能力。本公开实施例的数据处理方法优化的数据集对多个NLP任务都适用。
在一种示例中，为了提高模型的精度和泛化能力，模型的一个数据集可能会包含大量的数据。但是在模型的算法调优过程中，需要反复的进行训练，数据集过大会严重影响调优的效率。而且，未经处理的大的数据集，通常只注重类间的数据的平衡，但是并没有注意到类内的样本的平衡，这样会导致模型对类内的各个数据域的分类能力的不均衡性，从而影响模型的整体精度。
本公开实施例的数据处理方法，可以精简大的数据集，并且平衡数据集类内的样本分布。处理后的数据可以应用于例如各种NLP分类任务等。
如图3所示，该数据处理方法可以包括以下步骤：
S31.统计数据集中的单个类别的数据的数量为num_oneclass。
S32.确定合适的数据集精简倍数(即第一参数的示例)为num_multi。
S33.根据单个类别的数据的数量num_oneclass，确定一个类别的数据集的数据的聚类类数num_cluster。
S34.对每个类别的数据进行k均值聚类，得到聚类结果。其中，聚类类数为num_cluster，数据的聚类特征为句向量。例如通过句向量中的数字可以表示的句子中特征，聚类过程中，对数据中包括的句向量进行k均值聚类。如果聚类类数为num_cluster为k，聚类结果可以包括k个聚类类别，或称为子类别。
S35.根据聚类结果，处理每个类别中的数据。由于聚类结果包括的每个子类别包括的数据的数量可能不同，可以利用第二参数对聚类结果进行平衡处理。
例如，每个类别的每个聚类类别(子类别)中需要保留的数据量num_oneclass_onecluster为num_oneclass/(num_multi*num_cluster)。
如果某个聚类类别中的数据量大于num_oneclass_onecluster，对该聚类类别中的数据进行随机采样，使得该聚类类别中的数据量能够减少到需要保留的数据量num_oneclass_onecluster个样本。该过程属于降采样的过程，能够减少数据量较多的聚类类别中的数据量。
如果某个聚类类别中的数据量小于num_oneclass_onecluster的，对聚类类别中的数据进行随机采样，使得该聚类类别中的数据量能够增加到需要保留的数据量num_oneclass_onecluster个样本。该过程属于过采样的过程，能够增加数据量较少的聚类类别中的数据量。过采样得到的聚类类别中的数据可能有重复的数据。
S36.使用得到精简后的数据集进行后续的任务。
通过以句向量为特征的类内数据的聚类技术，在精简数据集的同时，平衡了类内不同分布点的数据。能够在提高算法优化的效率的同时，提高模型的精度和泛化能力，并且对多个NLP任务都适用。
图4是根据本公开一实施例的数据处理装置的框图。该装置可以包括：
聚类模块41，用于根据数据集中每个类别的数据的数量和聚类类数，对每个类别的数据进行聚类，得到每个类别的子类别的数据；
平衡模块42，用于根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理；
训练模块43，用于利用平衡处理后的数据，训练NLP模型，所述NLP模型用于执行NLP任务。
示例性地，数据集中可以包括大量的数据。例如，人工智能领域的模型例如深度学习模型的训练需要的大量数据可以为一种数据集。对模型的数据集可以先进行初步的分类，分类的方式可以基于模型所要执行的任务不同而不同。聚类模块41可以根据模型的数据集中每个类别的数据的数量和聚类类数，对每个类别的数据进行聚类，得到每个类别的子类别的数据。平衡模块42可以根据同一类别内的不同子类别的数据的数量，对同一类别内的不同子类别的数据进行平衡处理，使得同一类别内的不同子类别的数据的数量差异减小。这样，可以实现对数据集的优化，从而提高使用优化的数据集的模型的精度和泛化能力。
进一步地，训练模块43可以利用平衡处理后的数据，训练NLP模型，然后，还可以利用训练好的NLP模型执行各种NLP任务。例如，NLP任务包括但不限于情感分析、意图识别、文本纠错、字音转换、机器翻译、信息抽取等。NLP模型可以包括多种类型，例如，LSTM模型、BERT模型等。利用平衡处理后的数据，训练NLP模型，有利于提高模型的NLP精度和泛化能力。利用训练好的NLP模型执行NLP任务，可以提高分类结果的准确性。
在NLP领域中的语言分类任务可以称为NLP任务或NLP分类任务。NLP任务可以包括多种类型，具体可以根据实际场景确定。例如，情感分类任务、内容来源分类任务、意图分类任务、年龄分类任务、文本纠错任务、字音转换任务、机器翻译任务、信息抽取任务等。
图5是根据本公开另一实施例数据处理装置的框图。该实施例数据处理装置可以包括上述装置实施例的各组件。在本实施例中，在一种实施方式中，所述装置还包括：
确定模块51，用于根据每个类别的数据的数量确定每个类别的聚类类数。
示例性地，模型的数据集初步分类后，每个类别的数据的数量可能不同。如果某个类别的数据的数量较多，确定模块51可以增加该类别的聚类类数。如果某个类别的数据的数量较少，确定模块51可以减少该类别的聚类类数。此外，除了某个类别的数据的数量之外，也可以综合该类别能够合理划分的子类别的数量，来确定聚类类数。根据每个类别的数据的数量，有利于合理的确定聚类类数，有利于后续进行类内数据的平衡处理。
在一种实施方式中，每个类别的数据的特征包括句向量。
在一种实施方式中，所述平衡模块42具体用于根据所述子类别的数据的数量，第一参数以及第二参数，对所述子类别的数据进行平衡处理；
其中，所述第一参数为所述数据集的数据总量与需要保留的数据的数量的比值，所述第二参数是根据每个类别的数据的数量和聚类类数以及所述第一参数确定的。
示例性地，第一参数也可以称为精简参数、精简倍数等。第一参数可以确定需要精简的数据量。具体地，第一参数可以为模型的数据集的数据总量与需要保留的数据的数量的比值。第二参数也可以称为平衡参数、平衡阈值等。第二参数可以确定子类别的数据的数量。第二参数可以根据每个类别的数据的数量和聚类类数，以及所述第一参数来确定。例如，第二参数可以等于每个类别的数据的数量除以聚类类数，再除以第一参数(精简倍数)。如果数据集初始分类后包括多个类别，每个类别的数据的数量不同，每个类别进行平衡处理所采用的第二参数也可能不同。对于每个类别的所有子类别的数据，平衡模块可以采用该类别对应的第二参数进行平衡处理。
在一种实施方式中，所述平衡模块42具体用于包括：
过采样子模块421，用于在所述子类别的数据的数量小于所述第二参数的情况下，对所述子类别的数据进行过采样；和/或
降采样子模块422，用于在所述子类别的数据的数量大于所述第二参数的情况下，对所述子类别的数据进行降采样。
每个类别的多个子类别的数据的数量可能具有差别。如果某个类别的某个子类别的数据的数量小于该类别对应的第二参数，过采样子模块421可以对该子类别的数据进行过采样。过采样的方式可以为随机采样。过采样之后，可以使得子类别的数据的数量增加到第二参数所表示的数量。如果某个类别的某个子类别的数据的数量大于该类别对应的第二参数，降采样子模块422可以对该子类别的数据进行降采样。降采样的方式可以为随机采样。降采样之后，可以使得子类别的数据的数量减少到第二参数所表示的数量。
例如，NLP任务包括但不限于情感分析、意图识别、文本纠错、字音转换、机器翻译、信息抽取等。本公开实施例的数据处理装置，既可以精简数据集，又可以平衡类内不同分布点的数据。利用优化后的数据集执行NLP任务，不仅能够在提高算法优化的效率，还能够提高模型的精度和泛化能力。本公开实施例的数据处理方法优化的数据集对多个NLP任务都适用。
本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述数据处理方法中的对应描述，在此不再赘述。
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6示出了可以用来实施本公开的实施例的示例电子设备800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/或要求的本公开的实现。
如图6所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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801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801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801执行上文所描述的各个方法和处理，例如数据处理方法。例如，在一些实施例中，数据处理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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801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处理方法。
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)
1.一种数据处理方法，应用于自然语言处理NLP模型，所述方法包括：
根据数据集中每个类别的数据的数量和聚类类数，对每个类别的数据进行聚类，得到每个类别的子类别的数据；
根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理；
利用平衡处理后的数据，训练NLP模型，所述NLP模型用于执行NLP任务。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据每个类别的数据的数量确定每个类别的聚类类数。
3.根据权利要求1所述的方法，其特征在于，每个类别的数据的特征包括句向量。
4.根据权利要求1至3中任一项所述的方法，其特征在于，根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理，包括：
根据所述子类别的数据的数量，第一参数以及第二参数，对所述子类别的数据进行平衡处理；
其中，所述第一参数为所述数据集的数据总量与需要保留的数据的数量的比值，所述第二参数是根据每个类别的数据的数量和聚类类数以及所述第一参数确定的。
5.根据权利要求4所述的方法，其特征在于，根据所述子类别的数据的数量以及第二参数，对所述子类别的数据进行平衡处理，包括：
在所述子类别的数据的数量小于所述第二参数的情况下，对所述子类别的数据进行过采样；和/或
在所述子类别的数据的数量大于所述第二参数的情况下，对所述子类别的数据进行降采样。
6.一种数据处理装置，应用于自然语言处理NLP模型，所述装置包括：
聚类模块，用于根据数据集中每个类别的数据的数量和聚类类数，对每个类别的数据进行聚类，得到每个类别的子类别的数据；
平衡模块，用于根据所述子类别的数据的数量，对所述子类别的数据进行平衡处理；
训练模块，用于利用平衡处理后的数据，训练NLP模型，所述NLP模型用于执行NLP任务。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
确定模块，用于根据每个类别的数据的数量确定每个类别的聚类类数。
8.根据权利要求6所述的装置，其特征在于，每个类别的数据的特征包括句向量。
9.根据权利要求6至8中任一项所述的装置，其特征在于，所述平衡模块具体用于根据所述子类别的数据的数量，第一参数以及第二参数，对所述子类别的数据进行平衡处理；
其中，所述第一参数为所述数据集的数据总量与需要保留的数据的数量的比值，所述第二参数是根据每个类别的数据的数量和聚类类数以及所述第一参数确定的。
10.根据权利要求9所述的装置，其特征在于，所述平衡模块具体用于包括：
过采样子模块，用于在所述子类别的数据的数量小于所述第二参数的情况下，对所述子类别的数据进行过采样；和/或
降采样子模块，用于在所述子类别的数据的数量大于所述第二参数的情况下，对所述子类别的数据进行降采样。
11.一种电子设备，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1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110161764.9A CN112861512A (zh) | 2021-02-05 | 2021-02-05 | 数据处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110161764.9A CN112861512A (zh) | 2021-02-05 | 2021-02-05 | 数据处理方法、装置、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112861512A true CN112861512A (zh) | 2021-05-28 |
Family
ID=75989278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110161764.9A Pending CN112861512A (zh) | 2021-02-05 | 2021-02-05 | 数据处理方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861512A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114428677A (zh) * | 2022-01-28 | 2022-05-03 | 北京百度网讯科技有限公司 | 任务处理方法、处理装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145937A (zh) * | 2018-06-25 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种模型训练的方法及装置 |
| CN110163261A (zh) * | 2019-04-28 | 2019-08-23 | 平安科技（深圳）有限公司 | 不平衡数据分类模型训练方法、装置、设备及存储介质 |
-
2021
- 2021-02-05 CN CN202110161764.9A patent/CN112861512A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145937A (zh) * | 2018-06-25 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种模型训练的方法及装置 |
| CN110163261A (zh) * | 2019-04-28 | 2019-08-23 | 平安科技（深圳）有限公司 | 不平衡数据分类模型训练方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114428677A (zh) * | 2022-01-28 | 2022-05-03 | 北京百度网讯科技有限公司 | 任务处理方法、处理装置、电子设备及存储介质 |
| CN114428677B (zh) * | 2022-01-28 | 2023-09-12 | 北京百度网讯科技有限公司 | 任务处理方法、处理装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
| CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
| CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
| EP3920074A2 (en) | Method for industry text increment, related apparatus, and computer program product | |
| CN115222444A (zh) | 用于输出模型信息的方法、装置、设备、介质和产品 | |
| CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
| CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
| CN112861512A (zh) | 数据处理方法、装置、设备以及存储介质 | |
| CN116737928B (zh) | 平台用户需求的文本挖掘方法、系统及云平台 | |
| CN112948584A (zh) | 短文本分类方法、装置、设备以及存储介质 | |
| CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
| CN113254578B (zh) | 用于数据聚类的方法、装置、设备、介质和产品 | |
| CN114490969B (zh) | 基于表格的问答方法、装置以及电子设备 | |
| CN113743127B (zh) | 任务型对话的方法、装置、电子设备及存储介质 | |
| CN113239273B (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN114139798A (zh) | 企业风险预测方法、装置及电子设备 | |
| CN113240082A (zh) | 一种迁移学习的方法及装置 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN113361621A (zh) | 用于训练模型的方法和装置 | |
| CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
| CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
| CN113240304B (zh) | 特征构建方法、装置、设备以及存储介质 |
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 |