CN113051400A - 标注数据确定方法、装置、可读介质及电子设备 - Google Patents

Abstract

本公开涉及一种标注数据确定方法、装置、可读介质及电子设备，以获得高质量的待标注数据用于模型性能评测。所述方法包括：从候选数据集中获取候选数据；将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得第一文本识别模型输出的第一识别结果和第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

Description

标注数据确定方法、装置、可读介质及电子设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种标注数据确定方法、装置、可读介质及电子设备。

背景技术

一般情况下，对于分类模型来说，可以从多种评测维度对模型的性能进行评测，其中，评测维度可以例如包括精确率(Precision)、召回率(Recall)、F1值(F1-score)、召回量等。举例来说，在线上模型迭代的过程中，需要对前、后两版模型作出评测，在确认后一版模型在多种评测维度上的表现能够优于前一版模型(也就是当前的线上模型)的情况下，才会将后一版模型投入使用。

通常情况下，在对模型进行评测时，可以通过模型在全量标注过的固定测试集上的分类表现给出相应评测维度下的评测值，而后根据各个模型对应的评测值对各模型在指定评测维度下的性能进行评测。但是，固定评测集与线上实时数据并不是同分布的，因此，通过固定评测集进行评测无法准确反映模型上线后的比较效果。基于上述原因，需要利用与线上实时数据同分布的随机评测集对模型进行评测，但是，线上实时数据更新快、且数据量多，同时，评测集内的数据需要在标注后方可用于对模型进行评测，因此，利用随机评测集对模型进行评测存在标注成本大的问题，且评测的准确性也无法保证。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种标注数据确定方法，所述方法包括：

从候选数据集中获取候选数据，其中，所述候选数据集为由多个未标注的文本数据构成的集合；

将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得所述第一文本识别模型输出的第一识别结果和所述第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；

根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，其中，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；

若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

第二方面，本公开提供一种标注数据确定装置，所述装置包括：

第一获取模块，用于从候选数据集中获取候选数据，其中，所述候选数据集为由多个未标注的文本数据构成的集合；

输入模块，用于将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得所述第一文本识别模型输出的第一识别结果和所述第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；

第一确定模块，用于根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，其中，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；

第二确定模块，用于若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

通过上述技术方案，从由多个未标注的文本数据构成的候选数据集中获取候选数据，并将候选数据分别输入至第一文本识别模型和第二文本识别模型，获得第一文本识别模型输出的第一识别结果和第二文本识别模型输出的第二识别结果，之后，根据第一识别结果和第二识别结果，确定候选数据是否符合标注条件，若确定候选数据符合标注条件，将候选数据确定为待标注文本数据。其中，第一文本识别模型和第二文本识别模型均能够识别文本数据是否属于目标类别，并且，标注条件为能够被第一文本识别模型和/或第二文本识别模型识别为属于目标类别。由此，在候选数据集中，能够被第一文本识别模型和/或第二文本识别模型识别为属于目标类别的文本数据才会被确定为待标注数据，并用于对第一文本模型和第二文本模型的模型性能评测中。一方面，由于被第一文本识别模型和第二文本识别模型均识别为不属于目标类别的文本数据对于上述两个模型的模型性能评测起到的作用十分微小，因此，通过本公开提供的方法能够从候选数据集中筛选出能够在模型性能评测方面有较佳表现的文本数据。另一方面，由于被第一文本识别模型和第二文本识别模型均识别为不属于目标类别的文本数据通常占据候选数据集中的较大比例，因此，通过本公开提供的方法能够筛去候选数据集中大量的文本数据，从而避免候选数据集中大量数据被选为待标注数据所导致的标注成本高的问题。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开的一种实施方式提供的标注数据确定方法的流程图；

图2是根据本公开提供的标注数据确定方法中，确定分数阈值的一种示例性的流程图；

图3是根据本公开的一种实施方式提供的标注数据确定装置的框图；

图4示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

如背景技术所述，目前对线上分类模型的评测存在标注成本高、准确率不足的问题。举例来说，目前，在对模型进行评测时，一般会从包含10万～100万条数据的随机测试集中抽样200～1000条进行标注，在标注之后，对模型的精确率、召回率进行估计。针对精确率，会从大于模型阈值(模型分类所使用的阈值)的样本中抽样200～500条进行标注及评测；针对召回率，会从低于模型阈值的样本中抽样200～500条进行标注，推测漏召回数目，进而对召回率进行估计。上述方式在精确率估计方面问题不大，但在估计召回率时，由于采样的波动很大，因此估计出的数值无法作为对两个模型召回率比较的客观依据，从而存在准确性不足的问题。

为了解决上述技术问题，本公开提供一种标注数据确定方法、装置、可读介质及电子设备，以获得高质量的待标注数据用于模型性能评测。

图1是根据本公开的一种实施方式提供的标注数据确定方法的流程图。如图1所示，该方法可以包括以下步骤。

在步骤11中，从候选数据集中获取候选数据；

在步骤12中，将候选数据分别输入至第一文本识别模型和第二文本识别模型，获得第一文本识别模型输出的第一识别结果和第二文本识别模型输出的第二识别结果；

在步骤13中，根据第一识别结果和第二识别结果，确定候选数据是否符合标注条件；

在步骤14中，若确定候选数据符合标注条件，将候选数据确定为待标注文本数据。

其中，候选数据集为由多个未标注的文本数据构成的集合。

需要说明的是，在执行步骤11之前，还可以对候选数据集进行预处理，如对其中的文本数据进行去重处理。示例地，可以比较候选数据集中各文本数据之间的相似程度，对于相似程度较高的多个文本数据，保留其中一个文本数据即可。

基于候选数据集，在步骤11中，首先从候选数据集中获取候选数据，也就是获取候选数据集中的一个文本数据。可以看出，步骤11～步骤14是针对候选数据集中的一个候选数据，确定该候选数据是否可以成为待标注数据。在实际的应用场景中，可以分别将候选数据集中的每一文本数据均作为候选数据，分别确定该文本数据是否可以作为待标注数据，从而，能够从候选数据集中筛选出一批文本数据作为待标注数据，并用作后续的模型评测。

获取到候选数据后，执行步骤12，将候选数据分别输入至第一文本识别模型和第二文本识别模型，获得第一文本识别模型输出的第一识别结果和第二文本识别模型输出的第二识别结果。

其中，第一文本识别模型和第二文本识别模型均能够识别文本数据是否属于目标类别，也就是说，第一文本识别模型和第二文本识别模型均为分类模型(可以为二分类模型，也可以为多分类模型)。如前文所述，第一文本识别模型、第二文本识别模型就是前、后两版模型，它们的功能是相同的。

在一种可能的实施例中，第一文本识别模型和第二文本识别模型均用于基于输入模型中的文本数据进行分类，并输出针对该文本数据的分类结果，因此，第一识别结果和第二识别结果均用于指示候选数据是否属于目标类别。

在另一种可能的实施例中，第一文本识别模型和第二文本识别模型均用于对输入模型中的文本数据进行打分，并输出针对该文本数据的打分结果。而文本数据是否属于目标类别可以通过打分结果所对应的分值确定，例如，若打分结果大于或等于某一分值，可确定输入模型的文本数据属于目标类别，否则认为输入模型的文本数据不属于目标类别。因此，在这一实施例中，第一识别结果可以为第一文本识别模型针对候选数据输出的第一分值，第二识别结果可以为第二文本识别模型针对候选数据输出的第二分值。

在获得第一识别结果和第二识别结果后，可以执行步骤13。在步骤13中，根据第一识别结果和第二识别结果，确定候选数据是否符合标注条件。

其中，标注条件为能够被第一文本识别模型和/或第二文本识别模型识别为属于目标类别。

在一种可能的实施方式中，如上所述，第一识别结果和第二识别结果均可以用于指示候选数据是否属于目标类别。

在这一实施方式中，步骤13可以包括以下步骤：

若第一识别结果指示候选数据属于目标类别，或者，若第二识别结果指示候选数据属于目标类别，确定候选数据符合标注条件。

在另一种可能的实施方式中，如上所述，第一识别结果为第一文本识别模型针对候选数据输出的第一分值，第二识别结果为第二文本识别模型针对候选数据输出的第二分值；

在这一实施方式中，步骤13可以包括以下步骤：

若第一分值大于或等于分数阈值，或者，若第二分值大于或等于分数阈值，确定候选数据符合标注条件。

在一种可能的实施例中，分数阈值可以通过如下步骤21～步骤23确定，如图2所示。

在步骤21中，针对候选数据集中的每一文本数据，根据第一文本识别模型、第二文本识别模型和本次使用的目标分值，确定文本数据是否符合标注条件。

其中，在步骤21中，针对候选数据集中的每一文本数据，可以执行以下步骤：

将文本数据分别输入至第一文本识别模型和第二文本识别模型，获得第一文本识别模型输出的第三分值以及第二文本模型输出的第四分值；

若第三分值大于或等于目标分值，或者，若第四分值大于或等于目标分值，确定文本数据符合标注条件。

通过上述方式，可以确定候选数据集中的每一文本数据是否符合标注条件，从而，可以确定候选数据集中符合标注条件的文本数据的数量。

在步骤22中，若候选数据集中符合标注条件的文本数据的数量大于最高采样数量，增大目标分值，并返回步骤21。

其中，最高采样数量可以基于经验值确定，它用于限定待标注数据的最大数量。由于标注数据需要花费成本，而大量的数据需要标注则会花费过多的标注成本，因此，需要通过最高采样数量对需要标注的数据的数量进行限制。

若经步骤21处理之后，确定候选数据集中符合标注条件的文本数据的数量大于最高采样数量，说明若按照当前的目标分值进行采样，会导致需要标注的文本的数量过多，标注这些数据需要花费大量的时间，对于后续的模型评测存在消极影响。基于这一原因，可以增大目标分值，以提升待标注数据的确定门槛，当目标分值增大，将会有更少的文本数据被选为待标注数据，从而，可以达到减少候选数据集中符合标注条件的文本数据的数量的目的。因此，可以增大目标分值，并基于增大后的目标分值，返回步骤21，当返回步骤21时，增大后的目标分值就是本次(返回步骤21的这一次)所使用的目标分值。

在步骤23中，若候选数据集中符合标注条件的文本数据的数量小于或等于最高采样数量，将本次使用的目标分值确定为分数阈值。

若经步骤21处理之后，确定候选数据集中符合标注条件的文本数据的数量小于或等于最高采样数量，说明若按照当前的目标分值进行采样，需要标注的文本的数量未超过最高采样数量，标注这些数据将不会花费过多的成本，本次使用的目标分值较为适宜，因此，可以将本次使用的目标分值确定为分数阈值。

可选地，在确定分数阈值时，还可参考以下步骤：

若候选数据集中符合标注条件的文本数据的数量小于最低采样数量，减小目标分值，并返回步骤21；

若候选数据集中符合标注条件的文本数据的数量处于最低采样数量和最高采样数量构成的数值区间内，将本次使用的目标分值确定为分数阈值。

其中，最低采样数量可以基于经验值确定，它用于限定待标注数据的最小数量。由于过少的数据对于模型的评测作用不大，因此，需要通过最低采样数量对需要标注的数据的数量进行限制，以保证能够获得足够多的待标注数据。

若经步骤21处理之后，确定候选数据集中符合标注条件的文本数据的数量小于最低采样数量，说明若按照当前的目标分值进行采样，会导致需要标注的文本的数量不足，对于后续的模型评测存在不良影响。基于这一原因，可以减小目标分值，以降低待标注数据的确定门槛，当目标分值减小，将会有更多的文本数据被选为待标注数据，从而，可以达到增加候选数据集中符合标注条件的文本数据的数量的目的。因此，可以减小目标分值，并基于减小后的目标分值，返回步骤21，当返回步骤21时，减小后的目标分值就是本次(返回步骤21的这一次)所使用的目标分值。

而若经步骤21处理之后，确定候选数据集中符合标注条件的文本数据的数量处于最低采样数量和最高采样数量构成的数值区间内，说明若按照当前的目标分值进行采样，需要标注的文本的数量将会处于适宜的数量区间内，既能获得足够的待标注数据，标注这些数据又不会花费过多的成本，本次使用的目标分值较为适宜，因此，可以将本次使用的目标分值确定为分数阈值。

通过上述方式，通过设定分数阈值，能够灵活调整所选择的待标注数据的数量，能够适用于各种评测的需求。

回到图1，在步骤14中，若确定候选数据符合标注条件，将候选数据确定为待标注文本数据。

通过上述技术方案，从由多个未标注的文本数据构成的候选数据集中获取候选数据，并将候选数据分别输入至第一文本识别模型和第二文本识别模型，获得第一文本识别模型输出的第一识别结果和第二文本识别模型输出的第二识别结果，之后，根据第一识别结果和第二识别结果，确定候选数据是否符合标注条件，若确定候选数据符合标注条件，将候选数据确定为待标注文本数据。其中，第一文本识别模型和第二文本识别模型均能够识别文本数据是否属于目标类别，并且，标注条件为能够被第一文本识别模型和/或第二文本识别模型识别为属于目标类别。由此，在候选数据集中，能够被第一文本识别模型和/或第二文本识别模型识别为属于目标类别的文本数据才会被确定为待标注数据，并用于对第一文本模型和第二文本模型的模型性能评测中。一方面，由于被第一文本识别模型和第二文本识别模型均识别为不属于目标类别的文本数据对于上述两个模型的模型性能评测起到的作用十分微小，因此，通过本公开提供的方法能够从候选数据集中筛选出能够在模型性能评测方面有较佳表现的文本数据。另一方面，由于被第一文本识别模型和第二文本识别模型均识别为不属于目标类别的文本数据通常占据候选数据集中的较大比例，因此，通过本公开提供的方法能够筛去候选数据集中大量的文本数据，能够避免候选数据集中大量数据被选为待标注数据所导致的标注成本高的问题。

可选地，在步骤14将候选数据确定为待标注文本数据之后，本公开提供的方法还可以包括以下步骤：

返回步骤11，直至满足以下两个条件中的任一种：

候选数据集中的文本数据全部遍历；

待标注文本数据的数量达到预设采样数量。

也就是说，在确定当前的候选数据是否可以作为待标注数据之后，可以再次从候选数据集中选择新的候选数据，并重复上述过程，直至遍历候选数据集中的全部数据，或者，已经获取到了足够多的待标注文本。

可选地，本公开提供的方法还可以包括以下步骤：

获取针对待标注文本数据的标注信息；

利用标注信息对待标注文本数据进行标注，得到标注后的数据；

将标注后的数据添加至评测数据集，评测数据集用于对第一文本识别模型和第二文本识别模型进行模型评测。

在确定出待标注文本数据之后，可以进一步获取针对待标注文本数据的标注信息。示例地，该标注信息可以由相关用户手动录入。

基于获取到的标注信息，可以对待标注文本数据进行标注，从而得到标注后的数据，进而，还可以将标注后的数据添加至评测数据集。与前文所述的相同，评测数据集可以用于对第一文本识别模型和第二文本识别模型进行模型评测。也就是说，基于上述步骤对评测数据集进行一定程度的填充之后，当评测数据集具备了足够多的标注后的数据，该评测数据集将被用于第一文本识别模型和第二文本识别模型的模型评测，以比较这两个模型的性能。其中，模型评测的评测维度与前文中所给出的一致，并且，评测方式为本领域技术人员的公知常识，此处不赘述。

需要说明的是，上述步骤可以在确定出一个待标注文本数据后就执行，也可以在确定出所有需要的待标注文本数据之后，再针对每一待标注文本数据分别执行，本公开对此的顺序不限定。

图3是根据本公开的一种实施方式提供的标注数据确定装置的框图。如图3所示，该装置30包括：

第一获取模块31，用于从候选数据集中获取候选数据，其中，所述候选数据集为由多个未标注的文本数据构成的集合；

输入模块32，用于将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得所述第一文本识别模型输出的第一识别结果和所述第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；

第一确定模块33，用于根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，其中，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；

第二确定模块34，用于若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

可选地，所述第一识别结果和所述第二识别结果均用于指示所述候选数据是否属于所述目标类别；

所述第一确定模块33包括：

第一确定子模块，用于若所述第一识别结果指示所述候选数据属于所述目标类别，或者，若所述第二识别结果指示所述候选数据属于所述目标类别，确定所述候选数据符合所述标注条件。

可选地，所述第一识别结果为所述第一文本识别模型针对所述候选数据输出的第一分值，所述第二识别结果为所述第二文本识别模型针对所述候选数据输出的第二分值；

所述第一确定模块33包括：

第二确定子模块，用于若所述第一分值大于或等于分数阈值，或者，若所述第二分值大于或等于所述分数阈值，确定所述候选数据符合所述标注条件。

可选地，所述装置30用于通过以下模块确定所述分数阈值：

第三确定模块，用于针对所述候选数据集中的每一文本数据，根据所述第一文本识别模型、所述第二文本识别模型和本次使用的目标分值，确定所述文本数据是否符合所述标注条件；

所述装置30用于若所述候选数据集中符合所述标注条件的文本数据的数量大于最高采样数量，增大目标分值，并返回所述第三确定模块针对所述候选数据集中的每一文本数据，根据所述第一文本识别模型、所述第二文本识别模型和本次使用的目标分值，确定所述文本数据是否符合所述标注条件；

第四确定模块，用于若所述候选数据集中符合所述标注条件的文本数据的数量小于或等于所述最高采样数量，将本次使用的目标分值确定为所述分数阈值。

可选地，所述第三确定模块用于针对所述候选数据集中的每一文本数据，执行如下操作：

将所述文本数据分别输入至所述第一文本识别模型和所述第二文本识别模型，获得所述第一文本识别模型输出的第三分值以及所述第二文本模型输出的第四分值；

若所述第三分值大于或等于所述目标分值，或者，若所述第四分值大于或等于所述目标分值，确定所述文本数据符合所述标注条件。

可选地，所述装置30用于：

在所述第二确定模块将所述候选数据确定为待标注文本数据之后，返回所述第一获取模块从候选数据集中获取候选数据，直至满足以下两个条件中的任一种：

所述候选数据集中的文本数据全部遍历；

待标注文本数据的数量达到预设采样数量。

可选地，所述装置30还包括：

第二获取模块，用于获取针对所述待标注文本数据的标注信息；

标注模块，用于利用所述标注信息对所述待标注文本数据进行标注，得到标注后的数据；

添加模块，用于将所述标注后的数据添加至评测数据集，所述评测数据集用于对所述第一文本识别模型和所述第二文本识别模型进行模型评测。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，服务器可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：从候选数据集中获取候选数据，其中，所述候选数据集为由多个未标注的文本数据构成的集合；将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得所述第一文本识别模型输出的第一识别结果和所述第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，其中，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“从候选数据集中获取候选数据的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

根据本公开的一个或多个实施例，提供了一种标注数据确定方法，所述方法包括：

从候选数据集中获取候选数据，其中，所述候选数据集为由多个未标注的文本数据构成的集合；

将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得所述第一文本识别模型输出的第一识别结果和所述第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；

根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，其中，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；

若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

根据本公开的一个或多个实施例，提供了一种标注数据确定方法，所述第一识别结果和所述第二识别结果均用于指示所述候选数据是否属于所述目标类别；

所述根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，包括：

若所述第一识别结果指示所述候选数据属于所述目标类别，或者，若所述第二识别结果指示所述候选数据属于所述目标类别，确定所述候选数据符合所述标注条件。

根据本公开的一个或多个实施例，提供了一种标注数据确定方法，所述第一识别结果为所述第一文本识别模型针对所述候选数据输出的第一分值，所述第二识别结果为所述第二文本识别模型针对所述候选数据输出的第二分值；

所述根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，包括：

若所述第一分值大于或等于分数阈值，或者，若所述第二分值大于或等于所述分数阈值，确定所述候选数据符合所述标注条件。

根据本公开的一个或多个实施例，提供了一种标注数据确定方法，所述分数阈值通过如下方式确定：

针对所述候选数据集中的每一文本数据，根据所述第一文本识别模型、所述第二文本识别模型和本次使用的目标分值，确定所述文本数据是否符合所述标注条件；

若所述候选数据集中符合所述标注条件的文本数据的数量大于最高采样数量，增大目标分值，并返回所述针对所述候选数据集中的每一文本数据，根据所述第一文本识别模型、所述第二文本识别模型和本次使用的目标分值，确定所述文本数据是否符合所述标注条件的步骤；

若所述候选数据集中符合所述标注条件的文本数据的数量小于或等于所述最高采样数量，将本次使用的目标分值确定为所述分数阈值。

根据本公开的一个或多个实施例，提供了一种标注数据确定方法，所述根据所述第一文本识别模型、所述第二文本识别模型和本次使用的目标分值，确定所述文本数据是否符合所述标注条件，包括：

将所述文本数据分别输入至所述第一文本识别模型和所述第二文本识别模型，获得所述第一文本识别模型输出的第三分值以及所述第二文本模型输出的第四分值；

若所述第三分值大于或等于所述目标分值，或者，若所述第四分值大于或等于所述目标分值，确定所述文本数据符合所述标注条件。

根据本公开的一个或多个实施例，提供了一种标注数据确定方法，在将所述候选数据确定为待标注文本数据的步骤之后，所述方法还包括：

返回所述从候选数据集中获取候选数据的步骤，直至满足以下两个条件中的任一种：

所述候选数据集中的文本数据全部遍历；

待标注文本数据的数量达到预设采样数量。

根据本公开的一个或多个实施例，提供了一种标注数据确定方法，所述方法还包括：

获取针对所述待标注文本数据的标注信息；

利用所述标注信息对所述待标注文本数据进行标注，得到标注后的数据；

将所述标注后的数据添加至评测数据集，所述评测数据集用于对所述第一文本识别模型和所述第二文本识别模型进行模型评测。

根据本公开的一个或多个实施例，提供了一种标注数据确定装置，所述装置包括：

第一获取模块，用于从候选数据集中获取候选数据，其中，所述候选数据集为由多个未标注的文本数据构成的集合；

输入模块，用于将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得所述第一文本识别模型输出的第一识别结果和所述第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；

第一确定模块，用于根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，其中，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；

第二确定模块，用于若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开任一实施例所述的标注数据确定方法的步骤。

根据本公开的一个或多个实施例，提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开任一实施例所述的标注数据确定方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种标注数据确定方法，其特征在于，所述方法包括：

从候选数据集中获取候选数据，其中，所述候选数据集为由多个未标注的文本数据构成的集合；

将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得所述第一文本识别模型输出的第一识别结果和所述第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；

根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，其中，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；

若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

2.根据权利要求1所述的方法，其特征在于，所述第一识别结果和所述第二识别结果均用于指示所述候选数据是否属于所述目标类别；

所述根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，包括：

若所述第一识别结果指示所述候选数据属于所述目标类别，或者，若所述第二识别结果指示所述候选数据属于所述目标类别，确定所述候选数据符合所述标注条件。

3.根据权利要求1所述的方法，其特征在于，所述第一识别结果为所述第一文本识别模型针对所述候选数据输出的第一分值，所述第二识别结果为所述第二文本识别模型针对所述候选数据输出的第二分值；

所述根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，包括：

若所述第一分值大于或等于分数阈值，或者，若所述第二分值大于或等于所述分数阈值，确定所述候选数据符合所述标注条件。

4.根据权利要求3所述的方法，其特征在于，所述分数阈值通过如下方式确定：

针对所述候选数据集中的每一文本数据，根据所述第一文本识别模型、所述第二文本识别模型和本次使用的目标分值，确定所述文本数据是否符合所述标注条件；

若所述候选数据集中符合所述标注条件的文本数据的数量大于最高采样数量，增大目标分值，并返回所述针对所述候选数据集中的每一文本数据，根据所述第一文本识别模型、所述第二文本识别模型和本次使用的目标分值，确定所述文本数据是否符合所述标注条件的步骤；

若所述候选数据集中符合所述标注条件的文本数据的数量小于或等于所述最高采样数量，将本次使用的目标分值确定为所述分数阈值。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一文本识别模型、所述第二文本识别模型和本次使用的目标分值，确定所述文本数据是否符合所述标注条件，包括：

将所述文本数据分别输入至所述第一文本识别模型和所述第二文本识别模型，获得所述第一文本识别模型输出的第三分值以及所述第二文本模型输出的第四分值；

若所述第三分值大于或等于所述目标分值，或者，若所述第四分值大于或等于所述目标分值，确定所述文本数据符合所述标注条件。

6.根据权利要求1所述的方法，其特征在于，在将所述候选数据确定为待标注文本数据的步骤之后，所述方法还包括：

返回所述从候选数据集中获取候选数据的步骤，直至满足以下两个条件中的任一种：

所述候选数据集中的文本数据全部遍历；

待标注文本数据的数量达到预设采样数量。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：

获取针对所述待标注文本数据的标注信息；

利用所述标注信息对所述待标注文本数据进行标注，得到标注后的数据；

将所述标注后的数据添加至评测数据集，所述评测数据集用于对所述第一文本识别模型和所述第二文本识别模型进行模型评测。

8.一种标注数据确定装置，其特征在于，所述装置包括：

第一获取模块，用于从候选数据集中获取候选数据，其中，所述候选数据集为由多个未标注的文本数据构成的集合；

输入模块，用于将所述候选数据分别输入至第一文本识别模型和第二文本识别模型，获得所述第一文本识别模型输出的第一识别结果和所述第二文本识别模型输出的第二识别结果，所述第一文本识别模型和所述第二文本识别模型均能够识别文本数据是否属于目标类别；

第一确定模块，用于根据所述第一识别结果和所述第二识别结果，确定所述候选数据是否符合标注条件，其中，所述标注条件为能够被所述第一文本识别模型和/或所述第二文本识别模型识别为属于所述目标类别；

第二确定模块，用于若确定所述候选数据符合所述标注条件，将所述候选数据确定为待标注文本数据。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。

Images