CN112988727A - 数据标注方法、装置、设备、存储介质及计算机程序产品 - Google Patents

数据标注方法、装置、设备、存储介质及计算机程序产品 Download PDF

Info

Publication number
CN112988727A
CN112988727A CN202110319604.2A CN202110319604A CN112988727A CN 112988727 A CN112988727 A CN 112988727A CN 202110319604 A CN202110319604 A CN 202110319604A CN 112988727 A CN112988727 A CN 112988727A
Authority
CN
China
Prior art keywords
data
accuracy
labeled
labeling
process monitoring
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
Application number
CN202110319604.2A
Other languages
English (en)
Other versions
CN112988727B (zh
Inventor
杨雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110319604.2A priority Critical patent/CN112988727B/zh
Publication of CN112988727A publication Critical patent/CN112988727A/zh
Priority to KR1020210102898A priority patent/KR102555607B1/ko
Priority to JP2021136090A priority patent/JP7270691B2/ja
Priority to US17/445,875 priority patent/US11604766B2/en
Priority to EP21193091.2A priority patent/EP3933719A3/en
Application granted granted Critical
Publication of CN112988727B publication Critical patent/CN112988727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/169—Annotation, e.g. comment data or footnotes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
    • G06F16/164—File meta data generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2272—Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/226—Validation
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Library & Information Science (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Image Analysis (AREA)
  • User Interface Of Digital Computer (AREA)
  • Document Processing Apparatus (AREA)

Abstract

本申请实施例公开了数据标注方法、装置、电子设备、计算机可读存储介质及计算机程序产品，涉及计算机视觉、自然语言处理、云服务等人工智能技术领域。该方法的一具体实施方式包括：获取对待标注数据的标注正确率要求；确定与待标注数据匹配的过程监控参数；根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，得到综合正确率；响应于综合正确率满足标注正确率要求，输出标注完成的数据。应用该实施方式不仅可以借助综合正确率来更准确的描述实际标注情况，还能够基于对综合正确率的管控及时的避免无效标注工作的产生、提升标注效率。

Description

数据标注方法、装置、设备、存储介质及计算机程序产品
技术领域
本申请涉及数据处理技术领域，具体涉及计算机视觉、自然语言处理、云服务等人工智能技术领域，尤其涉及数据标注方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
人工智能算法逐步落地，需要越来越多的数据来提升算法的精准度，数据的质量直接影响算法的精准度。
各个数据方为了交付更高质量的数据，都需要制定相应的正确率管控方案，从而满足客户提出的各种正确率要求。提升数据质量，提高交付数据的准确度成为诸标注企业在竞争中取胜的关键。
现有的正确率管控方案大多只以客户给出的正确率要求参数进行以结果的管控，仍采用常规的标注方式。
发明内容
本申请实施例提出了一种数据标注方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面，本申请实施例提出了一种数据标注方法，包括：获取对待标注数据的标注正确率要求；确定与待标注数据匹配的过程监控参数；其中，过程监控参数包括层次逐渐上升的多个维度正确率中的至少一项；根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，得到综合正确率；响应于综合正确率满足标注正确率要求，输出标注完成的数据。
第二方面，本申请实施例提出了一种数据标注装置，包括：要求获取单元，被配置成获取对待标注数据的标注正确率要求；过程监控参数确定单元，被配置成确定与待标注数据匹配的过程监控参数；其中，过程监控参数包括层次逐渐上升的多个维度正确率中的至少一项；标注内容加权单元，被配置成根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，得到综合正确率；符合要求输出单元，被配置成响应于综合正确率满足标注正确率要求，输出标注完成的数据。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的数据标注方法。
第四方面，本申请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，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的数据标注方法。
第五方面，本申请实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的数据标注方法。
本申请实施例提供的数据标注方法、装置、电子设备、计算机可读存储介质及计算机程序产品，首先，获取对待标注数据的标注正确率要求；然后，确定与待标注数据匹配的过程监控参数；其中，过程监控参数包括层次逐渐上升的多个维度正确率中的至少一项；下一步，根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，得到综合正确率；最后，响应于综合正确率满足标注正确率要求，输出标注完成的数据。
本申请所提供的技术方案首先确定出合适的过程监控参数来对标注过程进行监控，并在标注过程的监控中结合待标注数据不同内容之间的因果和依赖关系，设置符合因果和依赖关系的加权系数，使得加权后得到的综合正确率能够更加准确的描述实际标注情况，从而基于对综合正确率的管控避免无效标注工作的产生、提升标注效率。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构；
图2为本申请实施例提供的一种数据标注方法的流程图；
图3为本申请实施例提供的另一种数据标注方法的流程图；
图4为本申请实施例提供的一种数据标注装置的结构框图；
图5为本申请实施例提供的一种适用于执行数据标注方法的电子设备的结构示意图。
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。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要的保密措施，且不违背公序良俗。
图1示出了可以应用本申请的数据标注方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如标注任务分配类应用、标注过程监控类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务，以可以提供对待标注数据的标注正确率管控服务的标注管控类应用为例，服务器105在运行该标注管控类应用时可实现如下效果：首先，获取待标注数据的标注正确率要求；然后，确定与待标注数据匹配的过程监控参数；其中，过程监控参数包括层次逐渐上升的多个维度正确率中的至少一项；下一步，根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，得到综合正确率；最后，响应于综合正确率满足标注正确率要求，输出标注完成的数据。
由于标注过程的监控和管控需要占用较多的运算资源和较强的运算能力，因此本申请后续各实施例所提供的数据标注方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，数据标注装置一般也设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
请参考图2，图2为本申请实施例提供的一种数据标注方法的流程图，其中流程200包括以下步骤：
步骤201：获取对待标注数据的标注正确率要求；
本步骤旨在由数据标注方法的执行主体(例如图1所示的服务器105)获取对待标注数据的标注正确率要求。其中，该标注正确率要求通常为针对最终结果的一个要求，例如整体标注正确率应当在90％以上，当然，也可能包含一些中间标注参数正确率的要求，或者一些中间的过程数据。
具体的，待标注数据和对待标注数据的标注正确率要求可以由上述执行主体直接从本地的存储设备获取，也可以从非本地的存储设备(例如图1中未示出的标注需求终端)中获取。本地的存储设备可以是设置在上述执行主体内的一个数据存储模块，例如服务器硬盘，在此种情况下，待标注数据和对待标注数据的标注正确率可以在本地快速读取到；非本地的存储设备还可以为其它任何被设置用于存储数据的电子设备，例如一些用户终端等，在此情况下，上述执行主体可以通过向该电子设备发送获取命令来获取所需的待标注数据和对待标注数据的标注正确率。另外，待标注数据和标注正确率还可以分别存储在不同的位置。
步骤202：确定与待标注数据匹配的过程监控参数；
在步骤201的基础上，本步骤旨在由上述执行主体确定与待标注数据匹配的过程监控参数。其中，过程监控参数是指对待标注数据进行标注的过程中进行正确率监控的参数，该过程监控参数旨在以不同的层次描述待标注数据，从而形成各层级的中间监控参数。而匹配的过程则是根据待标注数据的实际情况(例如类型、要求、特性、实际最大层次差等等)来确定选取多少个、选取哪些作为实际的过程监控参数，来充分的描述中间标注过程，从而实现对中间标注过程的管控。
具体的，过程监控参数可以包括层次逐渐上层的元素维度正确率、数据维度正确率、题目维度正确率、页面维度正确率以及批次维度正确率中的至少一项；其中，元素维度是指最小单位的标注信息，而后一个维度均为多个前一个维度的聚合，也可以理解为后一维度为前一维度的聚合。
例如，元素维度作为待标注数据中的最底层，以标定框为例，元素维度可以标定框的一条边，也可以为标定框本身，而数据维度则可以为该张图片中包含的所有标定框，题目维度则可以为该题目包含的所有图片，页面维度也可以为该页面上所包含的所有题目，批次维度则可以为该批次所提供的所有页面。进而形成一层层、聚合的维度正确率。
步骤203：根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，得到综合正确率；
在步骤202的基础上，本步骤旨在由上述执行主体根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，从而得到能够客观、有效的对正确率进行描述的综合正确率。
应当理解的是，若存在“因果”关系的“因”的一个待标注数据标注错误，那么后面所有依据该“因”进行后续标注的“果”的待标注数据将全部丧失参考意义。
步骤204：响应于综合正确率满足标注正确率要求，输出标注完成的数据。
在步骤203的基础上，本步骤针对综合正确率满足标注正确率要求的情况，旨在由上述执行主体认为标注完成的数据已经满足交付要求，因此可输出标注完成的数据。
本申请所提供的技术方案首先确定出合适的过程监控参数来对标注过程进行监控，并在标注过程的监控中结合待标注数据不同内容之间的因果和依赖关系，设置符合因果和依赖关系的加权系数，使得加权后得到的综合正确率能够更加准确的描述实际标注情况，从而基于对综合正确率的管控避免无效标注工作的产生、提升标注效率。
请参考图3，图3为本申请实施例提供的另一种数据标注方法的流程图，其中流程300包括以下步骤：
步骤301：获取对待标注数据的标注正确率要求；
以上步骤301与图2所示的步骤201一致，相同部分内容请参见上一实施例的相应部分，此处不再进行赘述。
步骤302：判断是否存在与待标注数据类型相同的已标注数据，若是，执行步骤303，否则执行步骤304；
步骤303：根据对与待标注数据类型相同的已标注数据的标注正确率确定目标标注对象；
本步骤旨在由上述执行主体基于标注正确率要求确定合适的对待标注数据进行标注的目标标注对象。由于待标注数据还为经过标注，无法直接得到各标注对象对待标注数据的标注正确率，因此本步骤通过数据类型入手，找到同类型的已标注数据来确定哪些标注对象在过去对同类型数据拥有满足标注正确率的实际标注正确率。其中，标注对象可以为标注员，也可以是拥有不同标注能力的标注模型，或者具有标注能力的各式存在形式。
步骤304：选取与待标注数据的类型相似度超过预设相似度的其它已标注数据，并对其它已标注数据的标注正确率使用与类型相似度成反比的折损系数进行加权；
区别于步骤303，本步骤建立在不存在与待标注数据类型相同的已标注数据的情况下，针对此情况，本步骤提供了一种选取与待标注数据的类型相似度超过预设相似度的其它已标注数据的替代方案，并对其它已标注数据的标注正确率使用折损系数进行加权。
其中，本步骤所使用的折损系数的大小与类型相似度成反比，即其它已标注数据与待标注数据的类型相似度越高，该折损系数越小，反之则越大。而折损系数越小，也就意味着使用其进行加权后的结果与原标注正确率越接近，反之则相差越大。
以类型相似度为80％为例，其折损系数可以为10％，而在实际计算加权方式时，若其它已标注数据的标注正确率为90％，经折损系数加权后的参考标注正确率为：90％×(1-10％)＝81％。
步骤305：基于加权后的参考标注正确率确定目标标注对象；
在步骤304的基础上，本步骤旨在由上述执行主体基于加权后的参考标注正确率确定目标标注对象。假定标注正确率要求为80％，那么在承接步骤304的例子来看，仅能将对其它已标注数据的标注正确率大于89％的标注对象选为目标标注对象。
步骤306：确定待标注数据中包含的不同待标注对象之间的最大层次差；
步骤307：将与最大层次差数量一致的多个维度正确率选作过程监控参数；
在图2所示实施例中的步骤202所提供的上位概念的基础上，本实施例通过步骤306-步骤307提供了一种通过待标注数据中包含的不同待标注对象之间的最大层次差来具体确定出过程监控参数的方案，即将与最大层次差数量一致的多个维度正确率选作过程监控参数。
其中，不同待标注对象之间的最大层次差是指标注对象之间的层次关系的一个参数，例如最小待标注对象为冰箱中的一种食物，而该食物具体位于该冰箱下半部的冷冻区域中的第二格，因此最小待标注对象与最大待标注对象之间的层次差就为4层。此时错最底层的食物的维度对应元素维度正确率，那么这4层就可以分别设定为元素维度正确率、数据维度正确率、题目维度正确率以及页面维度正确率。
步骤308：对于分配给每个目标标注对象的部分待标注数据，根据部分待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，得到综合正确率；
一种包括但不限于的实现方式可以为：响应于呈因果或依赖关系的至少两个标注结果中的在先标注结果错误，将在后标注结果的系数设置为0。即若存在“因果”关系的“因”的一个待标注数据标注错误，那么后面所有依据该“因”进行后续标注的“果”的待标注数据将全部丧失参考意义。
步骤309：响应于综合正确率不满足标注正确率要求，将个人的综合正确率最低的目标标注对象确定为异常标注对象；
步骤310：控制异常标注对象重新对为其分配的部分待标注数据进行标注。
区别于图2所示的实施例所针对的综合正确率满足标注正确率要求的情况，本实施例旨在通过步骤309-步骤3010补充描述综合正确率不满足标注正确率要求的情况，即首先将综合正确率最低的目标标注对象确定为异常标注对象，然后考虑控制异常标注对象重新对为其分配的部分待标注数据进行标注。从而尽可能的通过此种方式来保证综合正确率满足交付要求。如果重新标注仍为得到较好的效果，还可以考虑更换该异常标注对象，例如更换为备选的标注对象来重复对其需要进行重新进行标注的部分数据进行标注。
本实施例中通过步骤302-步骤305提供了如何选取合适的标注对象来进行后续标注的方案；还通过步骤306-步骤307提供了一种基于待标注数据中实际的最大层次差确定出合适的过程监控参数的具体实现方式；同时还通过步骤308-步骤3010提供了区别于图2所示实施例的另一种情况，即当综合正确率不满足交付要求时。
应当理解的是，本实施例所提供的区别于上一实施例的三个具体/分支补充方案之间，并不存在依赖和因果关系，完全可以分别结合图2所示的实施例形成单独的多个实施例，本实施例仅作为同时包含三个具体/分支补充方案的优选实施例存在。
为加深理解，本申请还结合一个具体应用场景，给出了一种具体的实现方案：
1)云端服务器接收到客户发来的待标注数据，以及对其的整体标注正确率不低于90％的标注正确率要求；
2)云端服务器通过自然语言处理技术分析该文本类待标注数据所属的技术领域，得到其属于A技术领域下的技术文本的结论；
3)云端服务器查询A技术领域下之前是否进行过技术文本，发现之前进行过，并因此调用之前对A领域进行过标注的多个标注对象的历史标注正确率；
4)云端服务器将历史标注正确率大于90％的6个标注对象都选为备选标注对象，并按照标注率从高到低的顺序将其中的3个标注对象选取目标标注对象(分别命名为A1、A2、A3)；
5)云端服务器将待标注数据分为3份后分别下发给A1、A2、A3各自所在的终端设备，并同时下发层次为3的过程监控参数要求，以及基于内容因果关系的加权逻辑；
6)终端设备根据接收到的待标注数据、要求、加权逻辑对标注结果进行分析和处理，并在存在异常时上报云端服务器；
7)云端服务器发现A3的标注对象有部分待表述数据的标注正确率为0，并导致其综合正确率低于90％，因此判别其在存在因果关系的不同待标注数据的“因”部分产生了严重标注错误，并给予一次重新标注机会；
8)云端服务器再次对A3的重新标注结果进行分析，发现其这次标注的综合正确率为93％，介于A1和A2之间，并认为整体符合交付要求，并输出标注完成的数据给客户。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种数据标注装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的数据标注装置400可以包括：要求获取单元401、过程监控参数确定单元402、标注内容加权单元403以及符合要求输出单元404。其中，要求获取单元401，被配置成获取对待标注数据的标注正确率要求；过程监控参数确定单元402，被配置成确定与待标注数据匹配的过程监控参数；其中，过程监控参数包括层次逐渐上升的多个维度正确率中的至少一项；标注内容加权单元403，被配置成根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权，得到综合正确率；符合要求输出单元404，被配置成响应于综合正确率满足标注正确率要求，输出标注完成的数据。
在本实施例中，数据标注装置400中：要求获取单元401、过程监控参数确定单元402、标注内容加权单元403以及符合要求输出单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，标注内容加权单元404可以被进一步配置成：
响应于呈因果或依赖关系的至少两个标注结果中的在先标注结果错误，将在后标注结果的系数设置为0。
在本实施例的一些可选的实现方式中，数据标注装置400还可以包括：
目标标注对象确定单元，被配置成在根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权之前，选取与待标注数据类型相同的已标注数据，并根据对已标注数据的标注正确率确定目标标注对象；以及
标注内容加权单元403可以被进一步配置成：
对于分配给每个目标标注对象的部分待标注数据，根据部分待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对过程监控参数进行加权。
在本实施例的一些可选的实现方式中，过程监控参数包括层次逐渐上层的元素维度正确率、数据维度正确率、题目维度正确率、页面维度正确率以及批次维度正确率中的至少一项；其中，元素维度是指最小单位的标注信息，后一个维度均为多个前一个维度的聚合。
在本实施例的一些可选的实现方式中，过程监控参数确定单元402可以被进一步配置成：
确定待标注数据中包含的不同待标注对象之间的最大层次差；
将与最大层次差数量一致的多个维度正确率选作过程监控参数。
在本实施例的一些可选的实现方式中，数据标注装置400还可以包括：
异常标注对象确定单元，被配置成响应于综合正确率不满足标注正确率要求，将个人的综合正确率最低的目标标注对象确定为异常标注对象；
异常处理装置单元，被配置成控制异常标注对象重新对为其分配的部分待标注数据进行标注。
本实施例作为对应于上述方法实施例的装置实施例存在，本实施例所提供的数据标注装置首先确定出合适的过程监控参数来对标注过程进行监控，并在标注过程的监控中结合待标注数据不同内容之间的因果和依赖关系，设置符合因果和依赖关系的加权系数，使得加权后得到的综合正确率能够更加准确的描述实际标注情况，从而基于对综合正确率的管控避免无效标注工作的产生、提升标注效率。
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5示出了可以用来实施本申请的实施例的示例电子设备500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/或者要求的本申请的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如数据标注方法。例如，在一些实施例中，数据标注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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的数据标注方法的一个或多个步骤。备选地，在其他实施例中，计算单元501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标注方法。
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。
用于实施本申请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。
在本申请的上下文中，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。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。
本实施例所提供的技术方案首先确定出合适的过程监控参数来对标注过程进行监控，并在标注过程的监控中结合待标注数据不同内容之间的因果和依赖关系，设置符合因果和依赖关系的加权系数，使得加权后得到的综合正确率能够更加准确的描述实际标注情况，从而基于对综合正确率的管控避免无效标注工作的产生、提升标注效率。
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 (15)

1.一种数据标注方法，包括：
获取对待标注数据的标注正确率要求；
确定与所述待标注数据匹配的过程监控参数；其中，所述过程监控参数包括层次逐渐上升的多个维度正确率中的至少一项；
根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对所述过程监控参数进行加权，得到综合正确率；
响应于所述综合正确率满足所述标注正确率要求，输出标注完成的数据。
2.根据权利要求1所述的方法，其中，所述根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对所述过程监控参数进行加权，包括：
响应于呈因果或依赖关系的至少两个标注结果中的在先标注结果错误，将在后标注结果的系数设置为0。
3.根据权利要求1所述的方法，其中，在根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对所述过程监控参数进行加权之前，还包括：
选取与所述待标注数据类型相同的已标注数据，并根据对所述已标注数据的标注正确率确定目标标注对象；以及
所述根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对所述过程监控参数进行加权，包括：
对于分配给每个所述目标标注对象的部分待标注数据，根据所述部分待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对所述过程监控参数进行加权。
4.根据权利要求1所述的方法，所述过程监控参数包括层次逐渐上层的元素维度正确率、数据维度正确率、题目维度正确率、页面维度正确率以及批次维度正确率中的至少一项；其中，元素维度是指最小单位的标注信息，后一个维度均为多个前一个维度的聚合。
5.根据权利要求4所述的方法，其中，所述确定与所述待标注数据匹配的过程监控参数，包括：
确定所述待标注数据中包含的不同待标注对象之间的最大层次差；
将与所述最大层次差数量一致的多个维度正确率选作所述过程监控参数。
6.根据权利要求1-5任一项所述的方法，还包括：
响应于所述综合正确率不满足所述标注正确率要求，将个人的综合正确率最低的目标标注对象确定为异常标注对象；
控制所述异常标注对象重新对为其分配的部分待标注数据进行标注。
7.一种数据标注装置，包括：
要求获取单元，被配置成获取对待标注数据的标注正确率要求；
过程监控参数确定单元，被配置成确定与所述待标注数据匹配的过程监控参数；其中，所述过程监控参数包括层次逐渐上升的多个维度正确率中的至少一项；
标注内容加权单元，被配置成根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对所述过程监控参数进行加权，得到综合正确率；
符合要求输出单元，被配置成响应于所述综合正确率满足所述标注正确率要求，输出标注完成的数据。
8.根据权利要求7所述的装置，其中，所述标注内容加权单元被进一步配置成：
响应于呈因果或依赖关系的至少两个标注结果中的在先标注结果错误，将在后标注结果的系数设置为0。
9.根据权利要求7所述的装置，还包括：
目标标注对象确定单元，被配置成在根据不同的待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对所述过程监控参数进行加权之前，选取与所述待标注数据类型相同的已标注数据，并根据对所述已标注数据的标注正确率确定目标标注对象；以及
所述标注内容加权单元被进一步配置成：
对于分配给每个所述目标标注对象的部分待标注数据，根据所述部分待标注数据在内容上存在的依赖和因果关系，采用相应大小的系数对所述过程监控参数进行加权。
10.根据权利要求7所述的装置，所述过程监控参数包括层次逐渐上层的元素维度正确率、数据维度正确率、题目维度正确率、页面维度正确率以及批次维度正确率中的至少一项；其中，元素维度是指最小单位的标注信息，后一个维度均为多个前一个维度的聚合。
11.根据权利要求10所述的装置，其中，所述过程监控参数确定单元被进一步配置成：
确定所述待标注数据中包含的不同待标注对象之间的最大层次差；
将与所述最大层次差数量一致的多个维度正确率选作所述过程监控参数。
12.根据权利要求7-11任一项所述的装置，还包括：
异常标注对象确定单元，被配置成响应于所述综合正确率不满足所述标注正确率要求，将个人的综合正确率最低的目标标注对象确定为异常标注对象；
异常处理装置单元，被配置成控制所述异常标注对象重新对为其分配的部分待标注数据进行标注。
13.一种电子设备，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1-6中任一项所述的数据标注方法。
14.一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1-6中任一项所述的数据标注方法。
15.一种计算机程序产品，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1-6中任一项所述的数据标注方法。
CN202110319604.2A 2021-03-25 2021-03-25 数据标注方法、装置、设备、存储介质及计算机程序产品 Active CN112988727B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110319604.2A CN112988727B (zh) 2021-03-25 2021-03-25 数据标注方法、装置、设备、存储介质及计算机程序产品
KR1020210102898A KR102555607B1 (ko) 2021-03-25 2021-08-05 데이터 주석 방법, 장치, 기기, 저장매체 및 컴퓨터 프로그램
JP2021136090A JP7270691B2 (ja) 2021-03-25 2021-08-24 データをラベリングするための方法、装置、電子機器、記憶媒体およびコンピュータプログラム
US17/445,875 US11604766B2 (en) 2021-03-25 2021-08-25 Method, apparatus, device, storage medium and computer program product for labeling data
EP21193091.2A EP3933719A3 (en) 2021-03-25 2021-08-25 Method, apparatus, device, storage medium and computer program product for labeling data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110319604.2A CN112988727B (zh) 2021-03-25 2021-03-25 数据标注方法、装置、设备、存储介质及计算机程序产品

Publications (2)

Publication Number Publication Date
CN112988727A true CN112988727A (zh) 2021-06-18
CN112988727B CN112988727B (zh) 2022-09-16

Family

ID=76334518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110319604.2A Active CN112988727B (zh) 2021-03-25 2021-03-25 数据标注方法、装置、设备、存储介质及计算机程序产品

Country Status (5)

Country Link
US (1) US11604766B2 (zh)
EP (1) EP3933719A3 (zh)
JP (1) JP7270691B2 (zh)
KR (1) KR102555607B1 (zh)
CN (1) CN112988727B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408633A (zh) * 2021-06-29 2021-09-17 北京百度网讯科技有限公司 用于输出信息的方法、装置、设备以及存储介质
CN113449142A (zh) * 2021-06-30 2021-09-28 北京百度网讯科技有限公司 信息处理方法及装置、电子设备、存储介质及产品

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115934675B (zh) * 2022-12-01 2023-10-03 深圳市云积分科技有限公司 动态标签的输出方法及装置、存储介质、电子设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898162A (zh) * 2018-06-08 2018-11-27 东软集团股份有限公司 一种数据标注方法、装置、设备及计算机可读存储介质
CN109190674A (zh) * 2018-08-03 2019-01-11 百度在线网络技术（北京）有限公司 训练数据的生成方法及装置
CN109784381A (zh) * 2018-12-27 2019-05-21 广州华多网络科技有限公司 标注信息处理方法、装置及电子设备
CN109978356A (zh) * 2019-03-15 2019-07-05 平安普惠企业管理有限公司 标注任务分配方法、装置、介质和计算机设备
CN110147852A (zh) * 2019-05-29 2019-08-20 北京达佳互联信息技术有限公司 图像识别的方法、装置、设备及存储介质
US20200026967A1 (en) * 2018-07-23 2020-01-23 International Business Machines Corporation Sparse mri data collection and classification using machine learning
CN111080092A (zh) * 2019-11-29 2020-04-28 北京云聚智慧科技有限公司 数据标注管理方法及装置、电子设备和可读存储介质
CN111274821A (zh) * 2020-02-25 2020-06-12 北京明略软件系统有限公司 一种命名实体识别数据标注质量评估方法及装置
CN111507405A (zh) * 2020-04-17 2020-08-07 北京百度网讯科技有限公司 图片标注方法、装置、电子设备及计算机可读存储介质
CN111680895A (zh) * 2020-05-26 2020-09-18 中国平安财产保险股份有限公司 数据自动标注方法、装置、计算机设备及存储介质
WO2020206850A1 (zh) * 2019-04-09 2020-10-15 华为技术有限公司 基于高维图像的图像标注方法和装置
CN111898489A (zh) * 2020-07-15 2020-11-06 北京百度网讯科技有限公司 用于标注手掌位姿的方法、装置、电子设备及存储介质
CN111966674A (zh) * 2020-08-25 2020-11-20 北京金山云网络技术有限公司 标注数据的合格性判断方法、装置和电子设备
CN112270533A (zh) * 2020-11-12 2021-01-26 北京百度网讯科技有限公司 一种数据处理方法、装置、电子设备以及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105516071B (zh) * 2014-10-13 2019-01-18 阿里巴巴集团控股有限公司 验证业务操作安全性的方法、装置、终端及服务器
US11176423B2 (en) 2016-10-24 2021-11-16 International Business Machines Corporation Edge-based adaptive machine learning for object recognition
JP6946081B2 (ja) 2016-12-22 2021-10-06 キヤノン株式会社 情報処理装置、情報処理方法、プログラム
CN110210624A (zh) * 2018-07-05 2019-09-06 第四范式（北京）技术有限公司 执行机器学习过程的方法、装置、设备以及存储介质
JP2020042386A (ja) 2018-09-07 2020-03-19 株式会社日立製作所 対象データに対して関連付けるラベルを決定する計算機システム
CN111208933B (zh) * 2018-11-21 2023-06-30 昆仑芯(北京)科技有限公司 数据访问的方法、装置、设备和存储介质
US11003859B2 (en) * 2018-11-30 2021-05-11 International Business Machines Corporation Machine-learning automated structural quality analysis
US11562172B2 (en) * 2019-08-08 2023-01-24 Alegion, Inc. Confidence-driven workflow orchestrator for data labeling
US20220147864A1 (en) * 2020-11-11 2022-05-12 International Business Machines Corporation Game-theoretic invariant rationalization of machine-learning results

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898162A (zh) * 2018-06-08 2018-11-27 东软集团股份有限公司 一种数据标注方法、装置、设备及计算机可读存储介质
US20200026967A1 (en) * 2018-07-23 2020-01-23 International Business Machines Corporation Sparse mri data collection and classification using machine learning
CN109190674A (zh) * 2018-08-03 2019-01-11 百度在线网络技术（北京）有限公司 训练数据的生成方法及装置
CN109784381A (zh) * 2018-12-27 2019-05-21 广州华多网络科技有限公司 标注信息处理方法、装置及电子设备
CN109978356A (zh) * 2019-03-15 2019-07-05 平安普惠企业管理有限公司 标注任务分配方法、装置、介质和计算机设备
WO2020206850A1 (zh) * 2019-04-09 2020-10-15 华为技术有限公司 基于高维图像的图像标注方法和装置
CN110147852A (zh) * 2019-05-29 2019-08-20 北京达佳互联信息技术有限公司 图像识别的方法、装置、设备及存储介质
CN111080092A (zh) * 2019-11-29 2020-04-28 北京云聚智慧科技有限公司 数据标注管理方法及装置、电子设备和可读存储介质
CN111274821A (zh) * 2020-02-25 2020-06-12 北京明略软件系统有限公司 一种命名实体识别数据标注质量评估方法及装置
CN111507405A (zh) * 2020-04-17 2020-08-07 北京百度网讯科技有限公司 图片标注方法、装置、电子设备及计算机可读存储介质
CN111680895A (zh) * 2020-05-26 2020-09-18 中国平安财产保险股份有限公司 数据自动标注方法、装置、计算机设备及存储介质
CN111898489A (zh) * 2020-07-15 2020-11-06 北京百度网讯科技有限公司 用于标注手掌位姿的方法、装置、电子设备及存储介质
CN111966674A (zh) * 2020-08-25 2020-11-20 北京金山云网络技术有限公司 标注数据的合格性判断方法、装置和电子设备
CN112270533A (zh) * 2020-11-12 2021-01-26 北京百度网讯科技有限公司 一种数据处理方法、装置、电子设备以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUBHI ISSA: "Knowledge Graph Completeness: A Systematic Literature Review", 《IEEE XPLORE》 *
张迅: "基于迁移学习的小样本心电图时序数据分类的研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408633A (zh) * 2021-06-29 2021-09-17 北京百度网讯科技有限公司 用于输出信息的方法、装置、设备以及存储介质
CN113449142A (zh) * 2021-06-30 2021-09-28 北京百度网讯科技有限公司 信息处理方法及装置、电子设备、存储介质及产品

Also Published As

Publication number Publication date
KR102555607B1 (ko) 2023-07-13
EP3933719A3 (en) 2022-04-06
CN112988727B (zh) 2022-09-16
EP3933719A2 (en) 2022-01-05
US20210406220A1 (en) 2021-12-30
US11604766B2 (en) 2023-03-14
JP7270691B2 (ja) 2023-05-10
JP2022002099A (ja) 2022-01-06
KR20210105315A (ko) 2021-08-26

Similar Documents

Publication Publication Date Title
CN112988727B (zh) 数据标注方法、装置、设备、存储介质及计算机程序产品
CN113378835A (zh) 标注模型训练、样本标注方法及相关装置
CN113378911A (zh) 图像分类模型训练、图像分类方法及相关装置
CN113705362A (zh) 图像检测模型的训练方法、装置、电子设备及存储介质
CN114792355A (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN112990042A (zh) 图像标注审核方法、装置、设备、存储介质及程序产品
CN113378958A (zh) 自动标注方法、装置、设备、存储介质及计算机程序产品
CN113052246A (zh) 用于训练分类模型及图像分类的方法和相关装置
CN116594563A (zh) 分布式存储扩容方法、装置、电子设备和存储介质
CN114329164B (zh) 用于处理数据的方法、装置、设备、介质和产品
CN114757214A (zh) 用于优化翻译模型的样本语料的选取方法、相关装置
CN113326888B (zh) 标注能力信息确定方法、相关装置及计算机程序产品
CN113313195B (zh) 标注任务处理方法、装置、设备、存储介质及程序产品
CN113438428B (zh) 用于视频自动化生成的方法、装置、设备和计算机可读存储介质
CN113408633B (zh) 用于输出信息的方法、装置、设备以及存储介质
CN113313196B (zh) 标注数据处理方法、相关装置及计算机程序产品
CN113326890B (zh) 标注数据处理方法、相关装置及计算机程序产品
CN113961263B (zh) 小程序分发方法、装置、设备和存储介质
CN113378974A (zh) 用于输出信息的方法、装置、设备以及存储介质
CN117081939A (zh) 一种流量数据处理方法、装置、设备及存储介质
CN117395309A (zh) 数据上报方法、装置、计算机设备及存储介质
CN116702042A (zh) 中低压配电系统设备数据特征处理方法及设备
CN112613976A (zh) 逻辑条件判定方法、装置、介质及电子设备
CN114926447A (zh) 用于训练模型的方法、用于检测目标的方法和装置
CN113282571A (zh) 数据转移方法、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