CN113360346A - 用于训练模型的方法和装置 - Google Patents

Abstract

本申请公开了用于训练模型的方法和装置，涉及深度学习、知识图谱技术领域。该方法包括：获取样本数据集，根据样本文本的语义，获取增量样本文本，并根据样本文本的标签，确定增量样本文本的标签；采用增量样本文本以及增量样本文本的标签，构建增量样本数据集；采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。采用该方法可以基于训练完成的目标信息确定模型确定输入文本中的文本信息，提高确定文本信息的效率。

Description

用于训练模型的方法和装置

技术领域

本公开涉及计算机技术领域，具体涉及深度学习、知识图谱技术领域，尤其涉及用于训练模型的方法和装置。

背景技术

对设备的故障现象信息进行准确的描述，有利于准确的确定出发生故障的原因，以及确定出故障的解决方案。现有的确定设备的故障现象信息的方法是：由运维人员对故障进行初步描述后、再由技术专家根据运维人员的初步描述确定出设备的故障现象信息。

现有的确定设备的故障现象信息的方法存在效率低的问题。

发明内容

本公开提供了一种用于训练模型的方法、装置、电子设备以及计算机可读存储介质。

根据第一方面，提供了一种用于训练模型的方法，该方法包括：获取样本数据集，其中，样本数据集中包括样本文本、以及样本文本的标签；根据样本文本的语义，获取增量样本文本，并根据样本文本的标签，确定增量样本文本的标签；采用增量样本文本以及增量样本文本的标签，构建增量样本数据集；采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

根据第二方面，提供了一种用于确定设备故障信息的方法，该方法包括：获取针对设备故障的初始描述信息；采用初始描述信息以及目标信息确定模型，确定设备的故障信息，其中，目标信息确定模型采用如第一方面提供的用于训练模型的方法训练得到。

根据第三方面，提供了一种用于训练模型的装置，该装置包括：第一获取单元，被配置为获取样本数据集，其中，样本数据集中包括样本文本、以及样本文本的标签；确定单元，被配置为根据样本文本的语义，获取增量样本文本，并根据样本文本的标签，确定增量样本文本的标签；构建单元，被配置为采用增量样本文本以及增量样本文本的标签，构建增量样本数据集；训练单元，被配置为采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

根据第四方面，提供了一种用于确定设备故障信息的装置，该装置包括：第二获取单元，被配置为获取针对设备故障的初始描述信息；预测单元，被配置为采用初始描述信息以及目标信息确定模型，确定设备的故障信息，其中，目标信息确定模型采用如第三方面提供的用于训练模型的装置训练得到。

根据第五方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器：存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的用于训练模型的方法，或者实现如第二方面提供的用于确定设备故障信息的方法。

根据第六方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的用于训练模型的方法，或者实现如第二方面提供的用于确定设备故障信息的方法。

本公开提供的用于训练模型的方法、装置，获取样本数据集，根据样本文本的语义，获取增量样本文本，并根据样本文本的标签，确定增量样本文本的标签；采用增量样本文本以及增量样本文本的标签，构建增量样本数据集；采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型，可以基于训练完成的目标信息确定模型确定输入文本中的文本信息，提高确定文本信息的效率。

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是本申请的实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于训练模型的方法的一个实施例的流程图；

图3是根据本申请的用于训练模型的方法的另一个实施例的流程图；

图4是根据本申请的用于训练模型的方法的又一个实施例的流程图；

图5是根据本申请的用于确定设备故障信息的方法的一个实施例的流程图；

图6是根据本申请的用于训练模型的装置的一个实施例的结构示意图；

图7是根据本申请的用于确定设备故障信息的装置的一个实施例的结构示意图；

图8是用来实现本申请实施例的用于训练模型的方法的电子设备的框图。

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。

图1示出了可以应用本申请的用于验证系统的方法或用于验证系统的装置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上可以安装各种仿真类进程或者对系统进行测试的进程。终端设备101、102、103上还可以安装有各种客户端应用，例如，信息输入类应用、视频类应用、播放类应用、音频类应用、搜索类应用、购物类应用、金融类应用等。

终端设备101、102、103可以是具有显示屏并且支持接收服务器消息的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、电子播放器、膝上型便携计算机和台式计算机等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种待验证的硬件模组或者电子设备，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(例如用来提供分布式服务的多个软件模块)，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可以通过终端设备获取样本数据集，样本数据集中包括样本文本以及样本文本的标签，根据样本文本的语义获取增量样本文本，并根据样本文本的标签确定增量样本文本的标签，以及采用增量样本文本以及增量样本文本的标签构建增量样本数据集，之后，采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

需要说明的是，本公开的实施例所提供的用于验证系统的方法一般由服务器105执行，相应地，用于验证系统的装置一般设置于服务器105中。

应该理解，图1中的设备、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设备、网络和服务器。

继续参考图2，示出了根据本公开的用于训练模型的方法的一个实施例的流程200。用于训练模型的方法，包括以下步骤：

步骤201，获取样本数据集，其中，样本数据集中包括样本文本、以及样本文本的标签。

在本实施例中，用于训练模型的方法的执行主体(例如图1所示的服务器)可以通过有线或者无线的方式从终端设备或者云存储获取样本数据集，其中，样本数据中包括至少一条样本文本、以及至少一条样本文本中每一条样本文本的标签，样本文本的标签可以包含样本文本中的文本信息。例如，样本文本可以是针对目标对象的描述信息，样本文本的标签可以是针对目标对象的描述信息的摘要。又如，样本文本可以是用户针对目标对象描述信息，样本文本的标签可以是针对目标对象的、与用户的描述信息对应的专家的描述信息/标准化描述文档。

步骤202，根据样本文本的语义，获取增量样本文本，并根据样本文本的标签，确定增量样本文本的标签。

在本实施例中，可以根据样本文本的语义，获取增量样本文本。具体地，可以采用自然语言识别方法、词语识别方法或者词语匹配方法确定出样本文本中的至少一个目标词语，并根据样本文本中的至少一个目标词语的语义或者词语所表征的文本主题，采用与目标词语的语义或者所表征的文本主题相同的词语替换该样本文本中的目标词语，以生成一条增量样本文本。以及，将该样本文本的标签作为所生成的增量样本文本的标签，或者将与该样本文本的标签相似的标签，作为该增量样本文本的标签。

步骤203，采用增量样本文本以及增量样本文本的标签，构建增量样本数据集。

在本实施例中，可以采用基于至少一条样本文本生成的至少一条增量样本文本、以及至少一条增量样本文本中每一条增量样本文本的标签，构建增量样本数据集。

步骤204，采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

在本实施例中，可以采用样本数据集中的样本文本作为初始信息确定模型的输入，将样本文本的标签作为初始信息确定模型的期望输出，训练初始信息确定模型，以及将增量样本数据集中的增量样本文本作为初始信息确定模型的输入，将增量样本文本的标签作为初始信息确定模型的期望输出，训练初始信息确定模型，并得到训练完成的目标信息确定模型。该训练完成的目标信息确定模型可以基于输入文本，确定该输入文本的标签，即该输入文本中的文本信息。其中，初始信息确定模型可以是服务器通过本地存储、终端设备或者互联网获得的任意类型的模型，例如深度学习模型，神经网络模型或者线性回归模型等。

本实施例提供的用于训练模型的方法，获取样本数据集，根据样本文本的语义，获取增量样本文本，并根据样本文本的标签，确定增量样本文本的标签；采用增量样本文本以及增量样本文本的标签，构建增量样本数据集；采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型，可以基于训练完成的目标信息确定模型确定输入文本中的文本信息，提高确定文本信息的效率。

继续参考图3，示出了根据本公开的用于训练模型的方法的另一个实施例的流程300。用于训练模型的方法，包括以下步骤：

步骤301，获取样本数据集，其中，样本数据集中包括样本文本、以及样本文本的标签。

步骤302，对样本文本中的词语进行同义词替换，并将同义词替换后的样本文本确定为增量样本文本。

在本实施例中，可以采用自然语言识别方法、词语识别方法或者词语匹配方法确定出样本文本中的至少一个目标词语，并采用目标词语的近义词替换该样本文本中的目标词语，以生成一条增量样本文本。

步骤303，将样本文本的标签确定为增量样本文本的标签。

在本实施例中，可以将生成增量样本文本所基于的样本文本的标签，作为该增量样本文本的标签。可以理解，增量样本文本是将样本文本中的词语进行同义词替换后所得到的文本，增量样本文本所表达的语义、所表征的含义或者所属类别与样本文本所表达的语义、所表征的含义或者所属类别相同，因此，可以将样本文本的标签同样作为增量样本文本的标签。

步骤304，采用增量样本文本以及增量样本文本的标签，构建增量样本数据集。

步骤305，采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

本实施例中对步骤301、步骤304、步骤305的描述与步骤201、步骤203、步骤204的描述一致，此处不再赘述。

本实施例提供的用于训练模型的方法，相比于图2描述的实施例，对样本文本中的词语进行同义词替换，以及将同义词替换后的样本文本作为增量样本文本，将该样本文本的标签作为增量样本文本的标签，可以扩充用于训练模型的样本数据的数据量，提高所训练的模型的准确性。

继续参考图4，示出了根据本公开的用于训练模型的方法的又一个实施例的流程400。用于训练模型的方法，包括以下步骤：

步骤401，获取样本数据集，其中，样本数据集中包括样本文本、以及样本文本的标签。

步骤402，对样本文本中的词语进行反义词替换，并将反义词替换后的样本文本确定为增量样本文本。

在本实施例中，可以采用自然语言识别方法、词语识别方法或者词语匹配方法确定出样本文本中的至少一个目标词语，并采用目标词语的反义词替换该样本文本中的目标词语，以生成一条增量样本文本。

步骤403，将与样本文本的标签所表征的类别相反的标签，确定为增量样本文本的标签。

在本实施例中，可以将生成增量样本文本所基于的样本文本的标签所表征的类别相反的标签，作为该增量样本文本的标签。可以理解，增量样本文本是将样本文本中的词语进行反义词替换后所得到的文本，增量样本文本所表达的语义、所表征的含义或者所属类别与样本文本所表达的语义、所表征的含义或者所属类别相对/相反，因此，可以将与样本文本的标签所表征的类别相反的标签作为增量样本文本的标签。

步骤404，采用增量样本文本以及增量样本文本的标签，构建增量样本数据集。

步骤405，采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

本实施例中对步骤401、步骤404、步骤405的描述与步骤201、步骤203、步骤204的描述一致，此处不再赘述。

本实施例提供的用于训练模型的方法，相比于图2描述的实施例，对样本文本中的词语进行反义词替换，以及将反义词替换后的样本文本作为增量样本文本，与将该样本文本的标签所表征的类别相反的标签作为增量样本文本的标签，可以扩充用于训练模型的样本数据的数据量，提高所训练的模型的准确性。

在上述结合图2、图3和图4描述的实施例的一些可选的实现方式中，样本文本包括针对设备故障的初始描述信息，样本文本的标签包括以下至少一项：针对设备故障的标准化描述信息、针对设备故障的解决方案。

在本实施例中，样本文本是针对设备故障的初始描述信息，例如，设备出现故障时，现场的用户或者运维人员所描述的故障现象，样本文本的标签是针对设备故障的标准化描述信息，样本文本的标签中还可以包括针对设备故障的初始描述信息所描述的设备故障的解决方案。例如，样本文本可以是“电梯门在人进入电梯后长时间不能关好”(即，口语化现象描述)，对应的样本文本的标签可以是“电梯关门时厅/轿门锁不通，超时关门”(即，标准化现象描述)，对应的样本文本的标签还可以是“将电梯置于端站后，对厅/轿门进行校正，对门锁信号进行复位”(即，针对设备故障的解决方案)。

本实施例中，采用针对设备故障的初始描述信息作为初始信息确定模型的输入，将针对设备故障的标准化描述信息和/针对设备故障的解决方案，作为初始信息确定模型的期望输出，训练该初始信息确定模型，可以使训练所得的目标信息确定模型，能够基于用户或者运维人员采用非专业表述或者口语化表述，生成标准化的故障描述信息，有利于提高生成标准化故障工单的效率，以及提高生成故障工单的准确性，另外，可以提高获得针对设备故障的解决方案的效率。

继续参考图5，示出了根据本公开的用于确定设备故障信息的方法的一个实施例的流程500。用于确定设备故障信息的方法，包括以下步骤：

步骤501，获取针对设备故障的初始描述信息。

在本实施例中，用于确定设备故障信息的方法的执行主体(例如图1所示的服务器)可以获取针对设备故障的初始描述信息，该初始描述信息是指用户或者运维人员/设备售后服务人员在发生故障的设备的现场所确定的针对故障现象的描述信息或者描述文本。

步骤502，采用初始描述信息以及目标信息确定模型，确定设备的故障信息，其中，目标信息确定模型采用如图2、图3或者图4描述的实施例中的方法训练得到。

在本实施例中，可以将初始描述信息输入目标信息确定模型中，以获得目标信息确定模型输出的设备的故障信息，目标信息确定模型输出的设备的故障信息是根据用户或者运维人员针对故障现象的描述信息所确定的针对故障现象的标准化描述文本，或者标准化故障工单，目标信息确定模型输出的设备的故障信息也可以是基于用户或者运维人员针对故障现象的描述信息所确定的针对故障的解决方案。其中，目标信息确定模型的训练方法与图2、图3或者图4描述的实施例中的方法相同，此处不再赘述。

本实施例提供的用于确定设备故障信息的方法，获取针对设备故障的初始描述信息，采用初始描述信息以及目标信息确定模型，确定设备的故障信息，可以根据口语化/非标准化的故障描述信息自动生成标准化的故障工单，以及确定故障解决方案，提高生成标准化信息的效率。

可选地，用于确定设备故障信息的方法还包括：接收用户针对故障信息的反馈信息；采用初始描述信息以及反馈信息，更新目标信息确定模型。

在本实施例中，在采用目标信息确定模型获得设备的故障信息后，可以接收用户针对所获得的故障信息的反馈信息，例如，用户人工检测模型输出的故障信息后，对该故障信息准确程度的评价结果，或者用户对模型输出的故障信息的修正/校准结果等。之后，可以采用初始描述信息以及用户针对模型输出的故障信息的反馈信息，对目标信息确定模型进行优化训练，以基于人工反馈结果提高目标信息确定模型的预测准确性。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于训练模型的装置的一个实施例，该装置实施例与图2、图3和图4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6所示，本实施例的用于训练模型的装置600包括：第一获取单元601、确定单元602、构建单元603、训练单元604。其中，第一获取单元，被配置为获取样本数据集，其中，样本数据集中包括样本文本、以及样本文本的标签；确定单元，被配置为根据样本文本的语义，获取增量样本文本，并根据样本文本的标签，确定增量样本文本的标签；构建单元，被配置为采用增量样本文本以及增量样本文本的标签，构建增量样本数据集；训练单元，被配置为采用样本数据集以及增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

在一些实施例中，确定单元，包括：第一生成模块，被配置为对样本文本中的词语进行同义词替换，并将同义词替换后的样本文本确定为增量样本文本；第一标注模块，被配置为将样本文本的标签确定为增量样本文本的标签。

在一些实施例中，确定单元，包括：第二生成模块，被配置为对样本文本中的词语进行反义词替换，并将反义词替换后的样本文本确定为增量样本文本；第二标注模块，被配置为将与样本文本的标签所表征的类别相反的标签，确定为增量样本文本的标签。

在一些实施例中，样本文本包括针对设备故障的初始描述信息，样本文本的标签包括以下至少一项：针对设备故障的标准化描述信息、针对设备故障的解决方案。

上述装置600中的各单元与参考图2、图3和图4描述的方法中的步骤相对应。由此上文针对用于训练模型的方法描述的操作、特征及所能达到的技术效果同样适用于装置600及其中包含的单元，在此不再赘述。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于训练模型的装置的一个实施例，该装置实施例与图5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7所示，本实施例的用于确定设备故障信息的装置700包括：第二获取单元701、预测单元702。其中，第二获取单元，被配置为获取针对设备故障的初始描述信息；预测单元，被配置为采用初始描述信息以及目标信息确定模型，确定设备的故障信息，其中，目标信息确定模型采用图6描述的实施例中的装置训练得到。

在一些实施例中，用于确定设备故障信息的装置还包括：反馈单元，被配置为接收用户针对故障信息的反馈信息；优化单元，被配置为采用初始描述信息以及反馈信息，更新目标信息确定模型。

上述装置700中的各单元与参考图5描述的方法中的步骤相对应。由此上文针对用于训练模型的方法描述的操作、特征及所能达到的技术效果同样适用于装置700及其中包含的单元，在此不再赘述。

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8示出了可以用来实施本申请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/或者要求的本申请的实现。

如图8所示，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，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM803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。

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805，例如网卡、调制解调器、无线通信收发机等。通信单元805允许设备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，例如用于训练模型的方法。例如，在一些实施例中，用于训练模型的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805而被载入和/或安装到设备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用于训练模型的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)而被配置为执行用于训练模型的方法。

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。

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，本申请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数据，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)

1.一种用于训练模型的方法，包括：

获取样本数据集，其中，所述样本数据集中包括样本文本、以及所述样本文本的标签；

根据所述样本文本的语义，获取增量样本文本，并根据所述样本文本的标签，确定所述增量样本文本的标签；

采用所述增量样本文本以及所述增量样本文本的标签，构建增量样本数据集；

采用所述样本数据集以及所述增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

2.根据权利要求1所述的方法，其中，所述根据所述样本文本的语义，获取增量样本文本，并根据所述样本文本的标签，确定所述增量样本文本的标签，包括：

对所述样本文本中的词语进行同义词替换，并将同义词替换后的样本文本确定为所述增量样本文本；

将所述样本文本的标签确定为所述增量样本文本的标签。

3.根据权利要求1所述的方法，其中，所述根据所述样本文本的语义，获取增量样本文本，并根据所述样本文本的标签，确定所述增量样本文本的标签，包括：

对所述样本文本中的词语进行反义词替换，并将反义词替换后的样本文本确定为所述增量样本文本；

将与所述样本文本的标签所表征的类别相反的标签，确定为所述增量样本文本的标签。

4.根据权利要求1所述的方法，其中，所述样本文本包括针对设备故障的初始描述信息，所述样本文本的标签包括以下至少一项：针对所述设备故障的标准化描述信息、针对所述设备故障的解决方案。

5.一种用于确定设备故障信息的方法，包括：

获取针对设备故障的初始描述信息；

采用所述初始描述信息以及目标信息确定模型，确定所述设备的故障信息，其中，所述目标信息确定模型采用如权利要求1-4任一项所述的方法训练得到。

6.根据权利要求5所述的方法，其中，所述方法还包括：

接收用户针对所述故障信息的反馈信息；

采用所述初始描述信息以及所述反馈信息，更新所述目标信息确定模型。

7.一种用于训练模型的装置，包括：

第一获取单元，被配置为获取样本数据集，其中，所述样本数据集中包括样本文本、以及所述样本文本的标签；

确定单元，被配置为根据所述样本文本的语义，获取增量样本文本，并根据所述样本文本的标签，确定所述增量样本文本的标签；

构建单元，被配置为采用所述增量样本文本以及所述增量样本文本的标签，构建增量样本数据集；

训练单元，被配置为采用所述样本数据集以及所述增量样本数据集，训练初始信息确定模型，并得到目标信息确定模型。

8.根据权利要求7所述的装置，其中，所述确定单元，包括：

第一生成模块，被配置为对所述样本文本中的词语进行同义词替换，并将同义词替换后的样本文本确定为所述增量样本文本；

第一标注模块，被配置为将所述样本文本的标签确定为所述增量样本文本的标签。

9.根据权利要求7所述的装置，其中，所述确定单元，包括：

第二生成模块，被配置为对所述样本文本中的词语进行反义词替换，并将反义词替换后的样本文本确定为所述增量样本文本；

第二标注模块，被配置为将与所述样本文本的标签所表征的类别相反的标签，确定为所述增量样本文本的标签。

10.根据权利要求7所述的装置，其中，所述样本文本包括针对设备故障的初始描述信息，所述样本文本的标签包括以下至少一项：针对所述设备故障的标准化描述信息、针对所述设备故障的解决方案。

11.一种用于确定设备故障信息的装置，包括：

第二获取单元，被配置为获取针对设备故障的初始描述信息；

预测单元，被配置为采用所述初始描述信息以及目标信息确定模型，确定所述设备的故障信息，其中，所述目标信息确定模型采用如权利要求7-10任一项所述的装置训练得到。

12.根据权利要求7所述的装置，其中，所述装置还包括：

反馈单元，被配置为接收用户针对所述故障信息的反馈信息；

优化单元，被配置为采用所述初始描述信息以及所述反馈信息，更新所述目标信息确定模型。

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1-4或者权利要求5-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-4或者权利要求5-6中任一项所述的方法。

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1-4或者权利要求5-6中任一项所述的方法。

Images