CN113408280A

CN113408280A - 负例构造方法、装置、设备和存储介质

Info

Publication number: CN113408280A
Application number: CN202110733355.1A
Authority: CN
Inventors: 卢宇翔; 刘佳祥; 冯仕堃; 黄世维
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-06-30
Filing date: 2021-06-30
Publication date: 2021-09-17
Anticipated expiration: 2041-06-30
Also published as: CN113408280B

Abstract

本公开提供了一种负例构造方法、装置、设备和存储介质，涉及人工智能技术领域，具体涉及自然语言处理、深度学习等技术领域。负例构造方法包括：确定原始查询语句中的待替换词；获取所述待替换词的关联词，所述关联词与所述待替换词的语义不同；用所述关联词替换所述待替换词，以获得替换查询语句，作为所述原始查询语句的负例。本公开可以提高构造负例的效率。

Description

负例构造方法、装置、设备和存储介质

技术领域

本公开涉及计算机技术领域，具体涉及自然语言处理、深度学习等技术领域，尤其涉及一种负例构造方法、装置、设备和存储介质。

背景技术

语义匹配时，可能存在核心词丢失问题，核心词丢失问题会造成匹配结果不准确。为了提高语义匹配模型的准确度，可以在训练模型时，构造一定比例的负例。

相关技术中，一般采用人工构造方式。

发明内容

本公开提供了一种负例构造方法、装置、设备和存储介质。

根据本公开的一方面，提供了一种负例构造方法，包括：确定原始查询语句中的待替换词；获取所述待替换词的关联词，所述关联词与所述待替换词的语义不同；用所述关联词替换所述待替换词，以获得替换查询语句，作为所述原始查询语句的负例。

根据本公开的另一方面，提供了一种负例构造装置，包括：确定模块，用于确定原始查询语句中的待替换词；获取模块，用于获取所述待替换词的关联词，所述关联词与所述待替换词的语义不同；替换模块，用于用所述关联词替换所述待替换词，以获得替换查询语句，作为所述原始查询语句的负例。

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如上述任一方面的任一项所述的方法。

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，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。

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，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。

根据本公开的技术方案，可以提高构造负例的效率。

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，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是用来实现本公开实施例的负例构造方法中任一方法的电子设备的示意图。

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。

语义匹配时，可能存在核心词丢失问题，核心词丢失会造成匹配错误。比如，“养脾胃最有效的7种蔬菜”与“养脾胃最有效的7种水果”，这两条文本仅有一个词的差别，即蔬菜与水果。相关技术中，在采用深层语义匹配模型(例如ERNIE)对这两条文本进行匹配时，会将这两条文本的相似度打分很高。但是，实际上这两条文本只是存在关联并不是同义文本，因此造成了语义匹配错误，出现这种问题的原因在于忽略了核心词，即上述的蔬菜和水果，存在核心词丢失问题。针对该问题，可以构造一定比例的负例加入深层语义匹配模型的训练过程中，使得深层语义匹配模型学习到核心词的重要性，从而解决核心词丢失的问题。

相关技术中，一般采用人工构造负例的方式，但是存在效率差的问题。

为了提高负例构造的效率，本公开提供如下实施例。

图1是根据本公开第一实施例的示意图。该实施例提供一种负例构造方法，包括：

101、确定原始查询语句中的待替换词。

102、获取所述待替换词的关联词，所述关联词与所述待替换词的语义不同。

103、用所述关联词替换所述待替换词，以获得替换查询语句，作为所述原始查询语句的负例。

本实施例的执行主体可以为终端或者服务器等。

用户在搜索引擎中输入的查询语句(query)可以称为原始查询语句。

因此，可以从搜索引擎的日志中获取原始查询语句，之后对该原始查询语句进行处理，以获得该原始查询语句的替换查询语句，替换查询语句作为原始查询语句的负例。

负例还可以称为负样本(negative sample)。

比如，原始查询语句为“跑步加休闲秋冬鞋”，获得的替换查询语句，即该原始查询语句的负例可以包括“跑步加休闲秋冬裤”。

需要说明的是，本公开实施例中，负例构造方法的执行主体可以通过各种公开、合法合规的方式获取用户的原始查询语句，例如可以是从公开数据集处获取的，或者是经过了用户的授权从用户处获取的。通过本公开实施例的负例构造过程是在经用户授权后执行的，其过程符合相关法律法规。本公开实施例中的负例构造方法并不是针对某一特定用户，并不能反映出某一特定用户的个人信息。

另外，用户输入的原始查询语句是大量的，可以在大量的原始查询语句中进行筛选，选择满足预设条件的原始查询语句进行后续处理，即，原始查询语句是指满足预设条件的原始查询语句，预设条件可以是指不满足搜索需求。比如，原始查询语句为“2021年中国GDP是多少”，如搜索结果为“2020年中国GDP”或者“2021年美国GDP”，则该原始查询语句为满足预设条件的查询语句，之后可以对该原始查询语句进行处理，以获得该原始查询语句的负例。

待替换词还可以称为原始查询语句中的核心词，即，对语义影响较大的词，比如，原始查询语句“跑步加休闲秋冬鞋”中的“鞋”可以作为一个待替换词。

一些实施例中，所述确定原始查询语句中的待替换词，包括：对所述原始查询语句进行分词处理，以获得所述原始查询语句中的分词；确定所述分词的重要性得分；基于所述重要性得分选择预设个数的分词，作为所述待替换词。

其中，分词处理可以采用各种相关技术实现。比如，将上述的原始查询语句“跑步加休闲秋冬鞋”分为如下的分词：“跑步”、“加”、“休闲”、“秋冬”、“鞋”。

获得原始查询语句中的分词后，一般该分词为多个，可以获取该多个分词中各个分词的重要性得分。其中，可以采用词排序(work rank)算法计算各个分词的重要性得分。

获得各个分词的重要性得分后，可以按照重要性得分从高到低的顺序，选择预设个数，比如，3个，即top3的分词作为待替换词。

通过基于原始查询语句中的分词的重要性得分确定待替换词，可以选择较为核心的分词作为待替换词，避免核心词丢失问题。

确定出待替换词后，可以对应每个待替换词，获取所述待替换词的关联词。关联词是指与待替换词存在关联关系，但是语义不同的词，或者说，两者并不是同义词。

比如，待替换词为“鞋”，关联词为：“裤”、“上衣”等。

一些实施例中，所述获取所述待替换词的关联词，包括：确定所述待替换词与预设的词语库中的候选词的相似度；选择相似度位于预设范围的候选词，作为所述关联词。

词语库中可以包括多个词，词语库中的词可以称为候选词，对应每个待替换词，可以分别计算该待替换词与每个候选词的相似度，比如，可以采用近似最近邻(ApproximateNearest Neighbor，ANN)，计算待替换词与候选词的相似度。具体地，可以先将待替换词和候选词转换为对应的词向量，再用ANN算法计算词向量之间的相似度，词转换为对应的词向量的方式可以采用各种相关技术实现，比如采用word embedding算法。

获取待替换词与各个候选词的相似度后，可以选择相似度位于预设范围的候选词作为关联词。在选择时，并非选择相似度最高的候选词，按照相似度从高到低的顺序，预设范围一般为相似度排序在第6～9位(top6～top9)，即选择相似度排序在top6～top9的候选词作为关联词，从而可以获得与待替换词存在一定的关联关系，但语义不同的词。

通过选择相似度位于预设范围的候选词，可以选择与待替换词具有不同语义但存在关联的词作为关联词，提高关联词的准确度。

进一步地，通过ANN算法确定待替换词与候选词的相似度，可以简便地确定出相似度，提高相似度的计算效率。

一些实施例中，所述关联词为多个，所述用所述关联词替换所述待替换词，以获得替换查询语句，包括：在所述多个关联词中随机选择一个关联词，用所述随机选择的一个关联词替换所述待替换词，以获得一条替换查询语句。

比如，对应待替换词“鞋”，关联词包括：“裤”、“上衣”等，则“跑步加休闲秋冬裤”作为一条替换查询语句，“跑步加休闲秋冬上衣”作为另一条替换查询语句。

可以理解的是，待替换词为多个词，可以替换原始查询语句中的一个或多个待替换词。比如，替换查询语句还可以包括：“动感单车加休闲秋冬鞋”、“动感单车加休闲秋冬裤”等。

通过随机选择的一个关联词替换待替换词，以获得对应的一条替换查询语句，可以扩展替换查询语句的数量。

另外，待替换词为多个时，对应的词语库可以为同一个。

获取原始查询语句的负例后，可以将其加入到训练集中，以训练更准确的语义匹配模型。

本实施例中，通过用关联词替换原始查询语句中的待替换词，可以避免人工构造负例造成的效率低下问题，可以提高构造负例的效率。

图2是根据本公开第二实施例的示意图。该实施例提供一种负例构造方法，并结合图3所示的结构，该方法包括：

201、获取原始查询语句。

202、对所述原始查询语句进行分词处理，以获得所述原始查询语句中的分词。

203、采用词排序(word rank)算法对所述分词进行重要性打分，基于所述重要性打分确定原始查询语句中的多个待替换词。

204、将多个待替换词中的各个待替换词作为当前待替换词。

205、判断是否存在未被处理的当前待替换词，若是，执行206，否则重复执行204及其后续步骤。

206、对所述当前待替换词进行词向量(word embedding)处理，以获得所述当前待替换词对应的词向量。

207、采用ANN算法，基于所述当前待替换词对应的词向量，以及词语库中候选词对应的词向量，获得所述当前待替换词的关联词。

208、用所述关联词替换所述当前待替换词，以获得替换查询语句，作为原始查询语句的负例。

本实施例中，通过对应各个待替换词确定关联词，以及采用关联词进行待替换词的替换，以获得负例，可以提高负例的构造效率，并扩展负例的数量。

图4是根据本公开第四实施例的示意图，本实施例提供一种负例构造装置。如图4所示，负例构造装置400包括确定模块401、获取模块402和替换模块403。

确定模块401用于确定原始查询语句中的待替换词；获取模块402用于获取所述待替换词的关联词，所述关联词与所述待替换词的语义不同；替换模块403用于用所述关联词替换所述待替换词，以获得替换查询语句，作为所述原始查询语句的负例。

一些实施例中，所述确定模块401具体用于：对所述原始查询语句进行分词处理，以获得所述原始查询语句中的分词；确定所述分词的重要性得分；基于所述重要性得分选择预设个数的分词，作为所述待替换词。

一些实施例中，所述获取模块402具体用于：确定所述待替换词与预设的词语库中的候选词的相似度；选择相似度位于预设范围的候选词，作为所述关联词。

一些实施例中，所述获取模块402进一步具体用于：采用ANN算法，确定所述待替换词与预设的词语库中的候选词的相似度。

一些实施例中，所述关联词为多个，所述替换模块403具体用于：在所述多个关联词中随机选择一个关联词，用所述随机选择的一个关联词替换所述待替换词，以获得一条替换查询语句。

可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。

可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。

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5示出了可以用来实施本公开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、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，个人数字助理、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5所示，电子设备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505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，还可存储电子设备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。

电子设备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允许电子设备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，例如负例构造方法。例如，在一些实施例中，负例构造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/或安装到电子设备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负例构造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)而被配置为执行负例构造方法。

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。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，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也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。

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

1.一种负例构造方法，包括：

确定原始查询语句中的待替换词；

获取所述待替换词的关联词，所述关联词与所述待替换词的语义不同；

用所述关联词替换所述待替换词，以获得替换查询语句，作为所述原始查询语句的负例。

2.根据权利要求1所述的方法，其中，所述确定原始查询语句中的待替换词，包括：

对所述原始查询语句进行分词处理，以获得所述原始查询语句中的分词；

确定所述分词的重要性得分；

基于所述重要性得分选择预设个数的分词，作为所述待替换词。

3.根据权利要求1所述的方法，其中，所述获取所述待替换词的关联词，包括：

确定所述待替换词与预设的词语库中的候选词的相似度；

选择相似度位于预设范围的候选词，作为所述关联词。

4.根据权利要求3所述的方法，其中，所述确定所述待替换词与预设的词语库中的候选词的相似度，包括：

采用ANN算法，确定所述待替换词与预设的词语库中的候选词的相似度。

5.根据权利要求1-4任一项所述的方法，其中，所述关联词为多个，所述用所述关联词替换所述待替换词，以获得替换查询语句，包括：

在所述多个关联词中随机选择一个关联词，用所述随机选择的一个关联词替换所述待替换词，以获得一条替换查询语句。

6.一种负例构造装置，包括：

确定模块，用于确定原始查询语句中的待替换词；

获取模块，用于获取所述待替换词的关联词，所述关联词与所述待替换词的语义不同；

替换模块，用于用所述关联词替换所述待替换词，以获得替换查询语句，作为所述原始查询语句的负例。

7.根据权利要求6所述的装置，其中，所述确定模块具体用于：

确定所述分词的重要性得分；

8.根据权利要求6所述的装置，其中，所述获取模块具体用于：

确定所述待替换词与预设的词语库中的候选词的相似度；

选择相似度位于预设范围的候选词，作为所述关联词。

9.根据权利要求8所述的装置，其中，所述获取模块进一步具体用于：

10.根据权利要求6-9任一项所述的装置，其中，所述关联词为多个，所述替换模块具体用于：

11.一种电子设备，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1-5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，其中，所述计算机指令用于使所述计算机执行根据权利要求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，所述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。