CN113590822A - 文档标题的处理方法、装置、设备、存储介质及程序产品 - Google Patents
文档标题的处理方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113590822A CN113590822A CN202110859832.9A CN202110859832A CN113590822A CN 113590822 A CN113590822 A CN 113590822A CN 202110859832 A CN202110859832 A CN 202110859832A CN 113590822 A CN113590822 A CN 113590822A
- Authority
- CN
- China
- Prior art keywords
- title
- titles
- document
- label
- free
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了文档标题的处理方法、装置、设备、存储介质及程序产品,涉及计算机技术领域,尤其涉及人工智能领域的机器学习技术。具体实现方案为:将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,所述标题类别为第一类或第二类,且所述无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量;采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题;采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对所述文档标题分类模型进行训练。本公开实施例的技术方案,提升了文档标题分类模型的训练效率和训练效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能领域的机器学习技术,具体涉及一种文档标题的处理方法、装置、设备、存储介质及程序产品。
背景技术
在线互动式文档分享平台中,大量用户均可以上传学术论文、研究报告、行业标准、课后答案以及工作总结等文档,实现在线文档分享。
文档分享平台中包含的文档量级巨大,且文档质量参差不齐,为了使优质文档得到充分展现,需要对低质文档进行剔除,因此,对文档进行质量判定十分重要。
发明内容
本公开提供了一种文档标题的处理的方法、装置、设备、存储介质及程序产品。
根据本公开的一方面,提供了一种文档标题的处理方法,所述方法包括:
将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,所述标题类别为第一类或第二类,且所述无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量;
采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题;
采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对所述文档标题分类模型进行训练。
根据本公开的另一方面,提供了一种文档标题的处理装置,包括:
标题类别确定模块,用于将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,所述标题类别为第一类或第二类,且所述无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量;
第一标题增强模块,用于采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题;
分类模型训练模块,用于采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对所述文档标题分类模型进行训练。
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本公开实施例中任一项所述的文档标题的处理方法。
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本公开实施例中任一项所述的文档标题的处理方法。
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本公开实施例中任一项所述的文档标题的处理方法。
根据本公开的技术,提高了文档标题分类模型的训练效果,并且提升了文档标题分类模型的训练效果。
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是根据本公开实施例提供的一种文档标题的处理方法的示意图;
图2是根据本公开实施例提供的另一种文档标题的处理方法的示意图;
图3是根据本公开实施例提供的又一种文档标题的处理方法的示意图;
图4是根据本公开实施例提供的一种文档标题的处理装置的示意图;
图5是用来实现本公开实施例的文档标题的处理方法的电子设备的框图。
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是本公开实施例中的一种文档标题的处理方法的示意图,本公开实施例的技术方案适用于通过待训练的文档标题分类模型进行无标注文档标题分类,并根据文档分类结果进行模型训练的情况,该方法可以由文档标题的处理装置执行,该装置可以通过软件,和/或硬件的方式实现,并一般可以集成在电子设备中,例如终端设备中,本公开实施例的方法具体包括以下:
S110、将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,标题类别为第一类或第二类,且无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量。
其中,无标注文档标题用于对文档标题分类模型进行训练,无标注文档标题可以是在互动式文档分享平台中在线获取的文档标题,也可以是在互动式文档分享平台的后台数据库中批量获取的文档标题;待训练的文档标题分类模型可以用于对无标注文档标题进行分类,示例性的,文档标题分类模型可以将无标注文档标题划分为优质文档标题和劣质文档标题,为了提高无标注文档标题的分类准确度,进而提升文档标题分类模型的训练效果,文档标题分类模型可以是采用部分有标注文档标题预先训练得到的。
本公开实施例中,对文档标题分类模型进行训练时,为了实现较好的模型训练效果,需要使用大量的有标注的文档标题作为训练样本进行模型训练,但是鉴于互动式文档分享平台中包含的文档标题中大量文档标题都是没有进行标注的,即没有足够的有标注训练样本,因此,将获取到的无标注文档标题输入至待训练的文档标题分类模型中,得到待训练的文档标题分类模型输出的文档标题分类结果,具体的,文档标题分类模型可以将无标注文档标题分为第一类和第二类,在无标注文档标题中,第一类无标注文档标题的数量大于第二类无标注文档标题的数量。其中,由于进行模型训练的样本标签(样本标签即为无标注文档标题的标题类别)是由待训练的文档标题分类模型进行分类得到的,若待训练的文档标题分类模型的分类偏差较大时,会影响模型训练效果,因此,可以预先采用有标注文档标题对分类模型进行训练,得到一个基础的文档标题分类模型作为待训练的文档标题分类模型。
示例性的,将1000项无标注文档标题输入至待训练的文档标题分类模型中,获取文档标题分类模型的输出结果,输出结果具体为,输入的无标注文档标题中包括950项第一类无标注标题和50项第二类无标注标题,其中,第一类无标注标题可以是优质文档标题,第二类无标注标题可以使劣质文档标题。
S120、采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题。
其中,增强无标注标题是采用第二类无标注标题的特征,对第一类无标注标题进行增强处理得到的,用于与无标注文档标题一起输入至文档标题分类模型进行模型训练,增强无标注标题属于第二类无标注标题。示例性的,第一类无标注标题是优质文档标题,共950项,第二类无标注标题是劣质文档标题,共50项,增强无标注标题属于数量较少的劣质文档标题。
本公开实施例中,为了使各类别训练样本的数量保持均衡,提高文档标题分类模型的训练效果,采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题,具体的,可以在第一类无标注标题中增加第二类无标注标题的一个或多个特征,从而得到属于第二类的增强无标注标题,使得第一类和第二类的无标注标题数量级持平,避免过拟合的情况产生。
示例性的,无标注文档标题中包含的第一类无标注标题是优质文档标题,第二类无标注标题是劣质文档标题,且优质文档标题的数量远大于劣质文档标题的数量。若直接将无标注文档标题中的优质文档标题和劣质文档标题输入至待训练的文档标题分类模型中进行模型训练,容易导致过拟合的问题,因此,可以通过在优质文档标题中增加劣质文档标题的特征,获取属于劣质文档标题的增强无标注标题。例如,劣质文档标题特征是包含冗余数字或者符号,则可以在优质文档标题中随机增加数字或者符号来获取增强无标注标题,增强无标注标题属于劣质文档标题。
S130、采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对文档标题分类模型进行训练。
本公开实施例中,在对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题之后,将增强无标注标题、第一类无标注标题和第二类无标注标题一起输入至待训练的文档标题分类模型中进行模型训练,通过在训练样本中加入增强无标注标题,使得各类别训练样本数量保持在相同数量级,提高文档标题分类模型的训练效果。
本公开实施例的技术方案,通过将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别,进而采用分类结果中第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题,最终采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对文档标题分类模型进行训练,采用待训练的文档标题分类模型进行无标注文档标题的分类,无需人工进行样本标注,降低模型训练样本的获取成本,提高了模型训练效率,并且分类结果进行增强处理,保障正负样本均衡,提高模型训练效果。
图2是本公开实施例中的一种文档标题的处理方法的示意图,在上述实施例的基础上进一步细化,提供了在将无标注文档标题输入至待训练的文档标题分类模型之前的具体步骤,以及在继续对文档标题分类模型进行训练之后的具体步骤。下面结合图2对本公开实施例提供的一种文档标题的处理方法进行说明,包括以下:
S210、采用有标注文档标题中第二类有标注标题的特征,对有标注文档标题中第一类有标注标题进行增强处理,得到属于第二类的增强有标注标题;有标注文档标题中第一类有标注标题的数量大于第二类有标注标题的数量。
本公开实施例中,在采用待训练的文档标题分类模型对未标注文档标题进行分类之前,为了保证待训练的文档标题分类模型有一定的准确度,可以采用有标注文档标题对模型进行预先训练,有标注文档标题中第一类有标注标题的数量大于第二类有标注标题的数量,因此,首先采用有标注文档标题中第二类有标注标题的特征,对有标注文档标题中第一类有标注标题进行增强处理,得到属于第二类的增强有标注标题,具体的,可以将第二类有标注标题的特征预先进行配置,使得进行模型训练的设备在样本类别不均衡时,直接将第二类有标注标题的特征添加至第一类有标注标题中,获取属于第二类的增强有标注标题,使得有标注文档标题中第一类有标注标题和第二类有标注标题数量级持平。
示例性的,有标注文档标题中第一类有标注标题是优质文档标题,第二类有标注标题是劣质文档标题,并且优质文档标题的数量大于劣质文档标题的数量,劣质文档标题的特征之一是标点符号使用不正确,例如,成对使用的标点符号中缺失其中一部分,典型的,括号或者书名号只使用了前括号或前书名号,缺失了后括号或后书名号,因此,可以在包含括号的优质文档标题中删除前括号或者后括号,或者在包含书名号的优质文档标题中删除前书名号或者后书名号,得到属于劣质文档标题的增强有标注标题。
S220、采用增强有标注标题、第一类有标注标题和第二类有标注标题,对初始分类模型进行训练,得到文档标题分类模型。
本公开实施例中,在对有标注文档标题中的第一类有标注标题进行增强,得到属于第二类的增强有标注标题后,采用增强有标注标题、第一类有标注标题和第二类有标注标题,对初始分类模型进行训练,得到文档标题分类模型。其中,初始分类模型可以是Albert模型,还可以是传统的机器学习模型,例如,支持向量机(Support VectorMachines,SVM)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型以及逻辑回归(Logistic Regression,LR)模型等,还可以是深度神经网络模型中常用分类模型,例如,FastText模型、TextCNN模型以及BERT模型等。预先对初始分类模型进行训练,使得到的文档标题分类模型在文档标题分类时具有一定准确度,提高模型的训练效果。
S230、将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,标题类别为第一类或第二类,且无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量。
S240、采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题。
S250、采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对文档标题分类模型进行训练。
S260、对训练得到的文档标题分类模型进行测试,获取文档标题分类模型的分类性能评估值。
本公开实施例中,在采用增强无标注标题、第一类无标注标题和第二类无标注标题,对文档标题分类模型进行训练后,可以对训练后的文档标题分类模型进行测试,获取文档标题分类模型的分类性能评估值,其中,分类性能评估值可以是模型的准确率和/或召回率。示例性的,将用于进行模型测试的测试样本输入至训练后的文档标题分类模型中,并根据文档标题分类模型的输出结果,以及测试样本的标签,计算当前文档标题分类模型的准确率和召回率。
S270、当分类性能评估值不满足预先设定的性能评估条件时,将本轮训练得到的文档标题分类模型作为新的待训练的文档标题分类模型,并返回执行将无标注文档标题输入至待训练的文档标题分类模型的操作,直至文档标题分类模型的分类性能评估值满足性能评估条件,获取训练完毕的文档标题分类模型。
本公开实施例中,在计算得到文档标题分类模型的分类性能评估值之后,判断分类性能评估值是否满足预先设定的性能评估条件,如果满足,可以结束训练,如果不满足,则将本轮训练得到的文档标题分类模型作为新的待训练的文档标题分类模型,并返回执行将无标注文档标题输入至待训练的文档标题分类模型的操作,对文档标题分类模型进行迭代训练,直至文档标题分类模型的分类性能评估值满足性能评估条件,获取训练完毕的文档标题分类模型,通过多轮迭代训练,在降低了训练样本获取成本的同时,提高了模型的训练效果。
示例性的,预先设定的性能评估条件为当训练得到的文档标题分类模型的准确率达到90%,并且召回率达到80%时,确定文档标题分类模型满足结束训练条件。计算得到当前文档标题分类模型的准确率为85%,召回率为80%,由于准确率未达到设定条件,则需要将本轮训练得到的文档标题分类模型作为新的待训练的文档标题分类模型,并返回执行将无标注文档标题输入至待训练的文档标题分类模型的操作,对文档标题分类模型进行下一次训练,直至文档标题分类模型的准确率和召回率均满足性能评估条件,则获取训练完毕的文档标题分类模型。
本公开实施例的技术方案,采用有标注文档标题中第二类有标注标题的特征,对有标注文档标题中第一类有标注标题进行增强处理,得到属于第二类的增强有标注标题,然后采用增强有标注标题、第一类有标注标题和第二类有标注标题,对初始分类模型进行训练,得到文档标题分类模型,进一步的,将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别,采用分类结果中第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题,并采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对文档标题分类模型进行训练,进一步的,对训练得到的文档标题分类模型进行测试,获取文档标题分类模型的分类性能评估值,当分类性能评估值不满足预先设定的性能评估条件时,返回执行将无标注文档标题输入至待训练的文档标题分类模型的操作,直至文档标题分类模型的分类性能评估值满足性能评估条件,一方面对标题进行增强处理,可以使得各类别样本数量均衡,提高模型训练效果,另一方面,采用待训练的文档标题分类模型对无标注文档标题进行分类,无需人工标注,节省了获取样本的人力成本。
图3是本公开实施例中的一种文档标题的处理方法的示意图,在上述实施例的基础上进一步细化,提供了采用第二类无标注标题的特征,对第一类无标注标题进行增强处理的具体步骤。下面结合图3对本公开实施例提供的一种文档标题的处理方法进行说明,包括以下:
S310、将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,标题类别为第一类或第二类,且无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量。
可选的,第一类无标注标题为优质文档标题,第二类无标注标题为劣质文档标题。
本可选的实施例中,第一类无标注标题为优质文档标题,第二类无标注标题为劣质文档标题,其中,优质文档标题是指没有格式或者内容错误的标题,劣质文档标题是包含格式错误或者内容错误的标题。
S320、采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,得到属于劣质文档标题的增强无标注标题。
本公开实施例中,当第一类无标注标题为优质文档标题,第二类无标注标题为劣质文档标题时,采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,得到属于劣质文档标题的增强无标注标题,具体的,在优质文档标题中增加劣质文档标题的特征,获得基于优质文档标题构造的劣质文档标题,使得优质文档标题和劣质文档标题数量级持平,提高模型训练效果,避免过拟合的情况产生。
示例性的,劣质文档标题的特征包括:文档标题中包含冗余的数字或者符号;文档标题中成对使用的标点符号部分缺失;标题不完整。基于上述劣质文档标题的特征,对优质文档标题进行变化,例如,在优质文档标题中随机增加数字或者符号,将优质文档标题中成对使用的标点符号的一部分进行删除,或者删除优质文档标题中的一个或者多个词语等,最终可以得到属于劣质文档标题的增强无标注标题。
可选的,采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,并对文本变换结果中设定数量的词语进行近义词替换,得到属于劣质文档标题的增强无标注标题。
本可选的实施例中,还可以采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,在得到文本变换后,对文本变换结果中设定数量的词语进行近义词替换,得到属于劣质文档标题的增强无标注标题,提高劣质文档标题的丰富性,进而提高文档标题分类模型的泛化能力。
可选的,采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,包括下述至少一项:
在优质文档标题中随机选取一个截断位置对优质文档标题进行截断;
在优质文档标题中插入随机数字或者标点符号;
在优质文档标题中随机截取一个标题片段,并将所述标题片段插入至所述优质文档标题中除所述标题片段初始所在位置外的其他位置;
在包括标点符号对的优质文档标题中删除标点符号对中的第一标点符号或第二标点符号。
本可选的实施例中,提供了采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换的多种方式,可以选择下述一种或者多种文本变换方式进行文本变化:
1)在优质文档标题中随机选取一个截断位置对优质文档标题进行截断,例如,优质文档标题为“江苏省连云港市灌云县四队中学七年级语文下册《人民英雄永垂不朽》”,可以随机选取一个位置对该优质文档标题进行截断,得到文本变换结果为“江苏省连云港市灌云县四队中学七年级语文下册《人民英”;
2)在优质文档标题中插入随机数字或者标点符号,例如,优质文档标题为“30课《我是什么》教学设计成稿”,可以在其中随机增加数字或者符号,得到文本变换结果为“30课《我是什么》教学设计成稿_1484976181”;
3)在优质文档标题中随机截取一个标题片段,并将标题片段插入至优质文档标题中除标题片段初始所在位置外的其他位置,例如,优质文档标题为“小学下学期语文教研组工作计划范文”,可以随机截取一个标题片段进行前移或者后移,得到文本变换结果为“工作计划小学下学期语文教研组范文”;
4)在包括标点符号对的优质文档标题中删除标点符号对中的第一标点符号或第二标点符号,例如,优质文档标题为“30课《我是什么》教学设计成稿”,删除标点符号对中的第一标点符号或者第二标点符号,得到文本变换结果“30课《我是什么教学设计成稿”;
5)在包含英文的优质文档标题中,删除英文单词之间的至少一个空格,例如,优质文档标题为“New Senior English for China专项测试同步训练”,删除英文单词之间的空格,得到文本变换结果为“NewSeniorEnglishforChina专项测试同步训练”。
采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,得到劣质文档标题,提高劣质文档标题在训练样本中的占比,避免过拟合的情况产生,提高模型的训练效果。
在对优质文档标题进行文本变换后,为了进一步丰富劣质文档标题的丰富性,可以对文本变换结果中一个或者多个词语进行近义词替换操作,提高模型的泛化性能。示例性的,优质文档标题为“小学下学期语文教研组工作计划范文”,采用上述第2种方式进行文本变换的结果为“小学下学期语文教研组~~工作计划范文”,进一步的,可以对文本变换的结果进行近义词替换,得到替换结果为“小学上学期语文教研组~~教学计划范文”。
S330、采用增强无标注标题、优质文档标题和劣质文档标题,继续对所述文档标题分类模型进行训练。
本公开实施例中,在获取到增强无标注标题后,采用增强无标注标题、优质文档标题和劣质文档标题,继续对所述文档标题分类模型进行训练,通过在训练样本中加入增强无标注标题,使得各类别训练样本数量保持在相同数量级,提高文档标题分类模型的训练效果。
本公开实施例的技术方案,通过将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别,采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,得到属于劣质文档标题的增强无标注标题,最终采用增强无标注标题、优质文档标题和劣质文档标题,继续对所述文档标题分类模型进行训练,无需人工进行样本标注,降低模型训练样本的获取成本,提高了模型训练效率,并且分类结果进行增强处理,保障正负样本均衡,提高模型训练效果。
图4是本公开实施例中的一种文档标题的处理装置的结构示意图,该文档标题的处理装置400,包括:标题类别确定模块410、第一标题增强模块420和分类模型训练模块430。
标题类别确定模块410,用于将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,所述标题类别为第一类或第二类,且所述无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量;
第一标题增强模块420,用于采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题;
分类模型训练模块430,用于采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对所述文档标题分类模型进行训练。
本公开实施例的技术方案,通过将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别,进而采用分类结果中第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题,最终采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对文档标题分类模型进行训练,采用待训练的文档标题分类模型进行无标注文档标题的分类,无需人工进行样本标注,降低模型训练样本的获取成本,提高了模型训练效率,并且分类结果进行增强处理,保障正负样本均衡,提高模型训练效果。
可选的,所述文档标题的处理装置400,还包括:
第二标题增强模块,用于在将无标注文档标题输入至待训练的文档标题分类模型之前,采用有标注文档标题中第二类有标注标题的特征,对有标注文档标题中第一类有标注标题进行增强处理,得到属于第二类的增强有标注标题;所述有标注文档标题中第一类有标注标题的数量大于第二类有标注标题的数量;
待训练分类模型获取模块,用于采用增强有标注标题、第一类有标注标题和第二类有标注标题,对初始分类模型进行训练,得到文档标题分类模型。
可选的,所述第一类无标注标题为优质文档标题,第二类无标注标题为劣质文档标题;
所述第一标题增强模块420,包括:
标题增强单元,用于采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,得到属于劣质文档标题的增强无标注标题。
可选的,所述标题增强单元,具体用于执行下述至少一项操作:
在优质文档标题中随机选取一个截断位置对优质文档标题进行截断;
在优质文档标题中插入随机数字或者标点符号;
在优质文档标题中随机截取一个标题片段,并将所述标题片段插入至所述优质文档标题中除所述标题片段初始所在位置外的其他位置;
在包括标点符号对的优质文档标题中删除标点符号对中的第一标点符号或第二标点符号。
可选的,所述文档标题的处理装置400,还包括:
性能评估值获取模块,用于在继续对所述文档标题分类模型进行训练之后,对训练得到的文档标题分类模型进行测试,获取所述文档标题分类模型的分类性能评估值;
分类模型获取模块,用于当所述分类性能评估值不满足预先设定的性能评估条件时,将本轮训练得到的文档标题分类模型作为新的待训练的文档标题分类模型,并返回执行将无标注文档标题输入至待训练的文档标题分类模型的操作,直至文档标题分类模型的分类性能评估值满足性能评估条件,获取训练完毕的文档标题分类模型。
本公开实施例所提供的文档标题的处理装置可执行本公开任意实施例所提供的文档标题的处理方法,具备执行方法相应的功能模块和有益效果。
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,且不违背公序良俗。
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、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/或者要求的本公开的实现。
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,例如文档标题的处理方法。例如,在一些实施例中,文档标题的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文档标题的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)而被配置为执行文档标题的处理方法。
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。服务器可以是云服务器,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 (13)
1.一种文档标题的处理方法,包括:
将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,所述标题类别为第一类或第二类,且所述无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量;
采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题;
采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对所述文档标题分类模型进行训练。
2.根据权利要求1所述的方法,在将无标注文档标题输入至待训练的文档标题分类模型之前,还包括:
采用有标注文档标题中第二类有标注标题的特征,对有标注文档标题中第一类有标注标题进行增强处理,得到属于第二类的增强有标注标题;所述有标注文档标题中第一类有标注标题的数量大于第二类有标注标题的数量;
采用增强有标注标题、第一类有标注标题和第二类有标注标题,对初始分类模型进行训练,得到文档标题分类模型。
3.根据权利要求1所述的方法,其中,所述第一类无标注标题为优质文档标题,第二类无标注标题为劣质文档标题;
采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题,包括:
采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,得到属于劣质文档标题的增强无标注标题;
采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对所述文档标题分类模型进行训练,包括:
采用增强无标注标题、优质文档标题和劣质文档标题,继续对所述文档标题分类模型进行训练。
4.根据权利要求3所述的方法,其中,采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,包括下述至少一项:
在优质文档标题中随机选取一个截断位置对优质文档标题进行截断;
在优质文档标题中插入随机数字或者标点符号;
在优质文档标题中随机截取一个标题片段,并将所述标题片段插入至所述优质文档标题中除所述标题片段初始所在位置外的其他位置;
在包括标点符号对的优质文档标题中删除标点符号对中的第一标点符号或第二标点符号。
5.根据权利要求1所述的方法,在继续对所述文档标题分类模型进行训练之后,还包括:
对训练得到的文档标题分类模型进行测试,获取所述文档标题分类模型的分类性能评估值;
当所述分类性能评估值不满足预先设定的性能评估条件时,将本轮训练得到的文档标题分类模型作为新的待训练的文档标题分类模型,并返回执行将无标注文档标题输入至待训练的文档标题分类模型的操作,直至文档标题分类模型的分类性能评估值满足性能评估条件,获取训练完毕的文档标题分类模型。
6.一种文档标题的处理装置,包括:
标题类别确定模块,用于将无标注文档标题输入至待训练的文档标题分类模型,得到无标注文档标题所属的标题类别;其中,所述标题类别为第一类或第二类,且所述无标注文档标题中第一类无标注标题的数量大于第二类无标注标题的数量;
第一标题增强模块,用于采用第二类无标注标题的特征,对第一类无标注标题进行增强处理,得到属于第二类的增强无标注标题;
分类模型训练模块,用于采用增强无标注标题、第一类无标注标题和第二类无标注标题,继续对所述文档标题分类模型进行训练。
7.根据权利要求6所述的装置,还包括:
第二标题增强模块,用于在将无标注文档标题输入至待训练的文档标题分类模型之前,采用有标注文档标题中第二类有标注标题的特征,对有标注文档标题中第一类有标注标题进行增强处理,得到属于第二类的增强有标注标题;所述有标注文档标题中第一类有标注标题的数量大于第二类有标注标题的数量;
待训练分类模型获取模块,用于采用增强有标注标题、第一类有标注标题和第二类有标注标题,对初始分类模型进行训练,得到文档标题分类模型。
8.根据权利要求6所述的装置,其中,所述第一类无标注标题为优质文档标题,第二类无标注标题为劣质文档标题;
所述第一标题增强模块,包括:
标题增强单元,用于采用无标注文档标题中劣质文档标题的特征,对优质文档标题进行文本变换,得到属于劣质文档标题的增强无标注标题。
9.根据权利要求8所述的装置,其中,所述标题增强单元,具体用于执行下述至少一项操作:
在优质文档标题中随机选取一个截断位置对优质文档标题进行截断;
在优质文档标题中插入随机数字或者标点符号;
在优质文档标题中随机截取一个标题片段,并将所述标题片段插入至所述优质文档标题中除所述标题片段初始所在位置外的其他位置;
在包括标点符号对的优质文档标题中删除标点符号对中的第一标点符号或第二标点符号。
10.根据权利要求6所述的装置,还包括:
性能评估值获取模块,用于在继续对所述文档标题分类模型进行训练之后,对训练得到的文档标题分类模型进行测试,获取所述文档标题分类模型的分类性能评估值;
分类模型获取模块,用于当所述分类性能评估值不满足预先设定的性能评估条件时,将本轮训练得到的文档标题分类模型作为新的待训练的文档标题分类模型,并返回执行将无标注文档标题输入至待训练的文档标题分类模型的操作,直至文档标题分类模型的分类性能评估值满足性能评估条件,获取训练完毕的文档标题分类模型。
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中任一项所述的文档标题的处理方法。
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中任一项所述的文档标题的处理方法。
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中任一项所述的文档标题的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859832.9A CN113590822B (zh) | 2021-07-28 | 2021-07-28 | 文档标题的处理方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859832.9A CN113590822B (zh) | 2021-07-28 | 2021-07-28 | 文档标题的处理方法、装置、设备、存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113590822A true CN113590822A (zh) | 2021-11-02 |
CN113590822B CN113590822B (zh) | 2023-08-08 |
Family
ID=78251435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110859832.9A Active CN113590822B (zh) | 2021-07-28 | 2021-07-28 | 文档标题的处理方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113590822B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017032427A1 (en) * | 2015-08-27 | 2017-03-02 | Longsand Limited | Identifying augmented features based on a bayesian analysis of a text document |
CN108595704A (zh) * | 2018-05-10 | 2018-09-28 | 成都信息工程大学 | 一种基于软分类模型的新闻情感和重要性分类方法 |
CN110110080A (zh) * | 2019-03-29 | 2019-08-09 | 平安科技(深圳)有限公司 | 文本分类模型训练方法、装置、计算机设备及存储介质 |
KR20190131631A (ko) * | 2018-04-19 | 2019-11-27 | 한밭대학교 산학협력단 | 딥러닝과 문자인식으로 구현한 시각주의 모델 기반의 문서 종류 자동 분류 장치 및 방법 |
CN111400499A (zh) * | 2020-03-24 | 2020-07-10 | 网易(杭州)网络有限公司 | 文档分类模型的训练方法、文档分类方法、装置及设备 |
CN112487814A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
CN112766246A (zh) * | 2021-04-09 | 2021-05-07 | 上海旻浦科技有限公司 | 基于深度学习的文档标题识别方法、系统、终端及介质 |
WO2021135446A1 (zh) * | 2020-06-19 | 2021-07-08 | 平安科技(深圳)有限公司 | 文本分类方法、装置、计算机设备及存储介质 |
-
2021
- 2021-07-28 CN CN202110859832.9A patent/CN113590822B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017032427A1 (en) * | 2015-08-27 | 2017-03-02 | Longsand Limited | Identifying augmented features based on a bayesian analysis of a text document |
KR20190131631A (ko) * | 2018-04-19 | 2019-11-27 | 한밭대학교 산학협력단 | 딥러닝과 문자인식으로 구현한 시각주의 모델 기반의 문서 종류 자동 분류 장치 및 방법 |
CN108595704A (zh) * | 2018-05-10 | 2018-09-28 | 成都信息工程大学 | 一种基于软分类模型的新闻情感和重要性分类方法 |
CN110110080A (zh) * | 2019-03-29 | 2019-08-09 | 平安科技(深圳)有限公司 | 文本分类模型训练方法、装置、计算机设备及存储介质 |
CN111400499A (zh) * | 2020-03-24 | 2020-07-10 | 网易(杭州)网络有限公司 | 文档分类模型的训练方法、文档分类方法、装置及设备 |
WO2021135446A1 (zh) * | 2020-06-19 | 2021-07-08 | 平安科技(深圳)有限公司 | 文本分类方法、装置、计算机设备及存储介质 |
CN112487814A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
CN112766246A (zh) * | 2021-04-09 | 2021-05-07 | 上海旻浦科技有限公司 | 基于深度学习的文档标题识别方法、系统、终端及介质 |
Non-Patent Citations (5)
Title |
---|
MD. MAJHARUL HAQUE等: "Enhancement of keyphrase-based approach of automatic Bangla text summarization", 2016 IEEE REGION 10 CONFERENCE (TENCON) * |
冯建周;马祥聪;: "基于迁移学习的细粒度实体分类方法的研究", 自动化学报, no. 08 * |
卢玲;杨武;唐继强;: "伪相关反馈的文本情感分类方法", 计算机仿真, no. 11 * |
徐建良;姜亦宏;张巍;王秋红;: "一种基于Co-Training的海洋文献分类方法", 中国海洋大学学报(自然科学版), no. 02 * |
范新;沈闻;丁泉勋;沈洁;: "基于正例和未标文档的半监督分类研究", 计算机技术与发展, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN113590822B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7127106B2 (ja) | 質問応答処理、言語モデルの訓練方法、装置、機器および記憶媒体 | |
US10147020B1 (en) | System and method for computational disambiguation and prediction of dynamic hierarchical data structures | |
US8918404B1 (en) | Displaying content in a user interface in a social network system | |
CN112966081B (zh) | 处理问答信息的方法、装置、设备和存储介质 | |
JP7430820B2 (ja) | ソートモデルのトレーニング方法及び装置、電子機器、コンピュータ可読記憶媒体、コンピュータプログラム | |
CN114218951B (zh) | 实体识别模型的训练方法、实体识别方法及装置 | |
CN112989235A (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN113657395A (zh) | 文本识别方法、视觉特征提取模型的训练方法及装置 | |
CN115168562A (zh) | 一种智能问答系统的构建方法、装置、设备及介质 | |
CN114020904A (zh) | 试题文件筛选方法、模型训练方法、装置、设备及介质 | |
CN113836316A (zh) | 三元组数据的处理方法、训练方法、装置、设备及介质 | |
CN112270318A (zh) | 自动阅卷方法和装置、电子设备和存储介质 | |
CN113641823B (zh) | 文本分类模型训练、文本分类方法、装置、设备及介质 | |
CN111737472A (zh) | 文本分类模型的更新方法及系统、电子设备及存储介质 | |
CN116311300A (zh) | 表格生成方法、装置、电子设备以及存储介质 | |
CN113051396B (zh) | 文档的分类识别方法、装置和电子设备 | |
CN114461665B (zh) | 用于生成语句转换模型的方法、装置及计算机程序产品 | |
CN113590822A (zh) | 文档标题的处理方法、装置、设备、存储介质及程序产品 | |
CN115600592A (zh) | 文本内容的关键信息提取方法、装置、设备及介质 | |
CN115510212A (zh) | 一种文本事件抽取方法、装置、设备及存储介质 | |
CN115048523A (zh) | 文本分类方法、装置、设备以及存储介质 | |
CN115238070A (zh) | 一种敏感信息的检测方法、装置、电子设备及存储介质 | |
CN114187081A (zh) | 估值表处理方法、装置、电子设备及计算机可读存储介质 | |
CN111444315A (zh) | 纠错词组候选项的筛选方法、装置、设备及存储介质 | |
CN112241454B (zh) | 一种处理样本倾斜的文本分类方法 |
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 |