CN113656534A - 语料扩充方法、装置、设备和介质 - Google Patents
语料扩充方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113656534A CN113656534A CN202110988897.3A CN202110988897A CN113656534A CN 113656534 A CN113656534 A CN 113656534A CN 202110988897 A CN202110988897 A CN 202110988897A CN 113656534 A CN113656534 A CN 113656534A
- Authority
- CN
- China
- Prior art keywords
- corpus
- perturbation
- vector
- unmarked
- feature vector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 299
- 238000000605 extraction Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 30
- 238000009826 distribution Methods 0.000 description 19
- 238000012360 testing method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 235000013399 edible fruits Nutrition 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 241000219109 Citrullus Species 0.000 description 5
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种语料扩充方法、装置、设备和介质，涉及人工智能技术领域，尤其涉及自然语言处理技术领域。实现方案为：提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量；基于标注语料的第二特征向量，生成标注语料的一个或多个扰动向量；基于标注语料的第二特征向量和一个或多个扰动向量，从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料，其中，相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配；以及将与标注语料匹配的未标注语料保存至标注语料所属的类别的集合，作为标注语料的扩充语料。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及自然语言处理技术领域，具体涉及一种语料扩充方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
文本分类是自然语言分类中常见的一种任务，该任务广泛应用于内容分拣、内容推荐与内容搜索等文本应用场景。文本分类的效果好坏取决于训练的语料。但是，由于文本分类的训练需要大量的训练语料，且不同业务场景的语料具有多样性，对训练语料进行标注的工作量较大。因此，期望提供一种通过机器手段扩充文本分类的训练语料的方法。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种语料扩充方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种语料扩充方法，包括：提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量；基于标注语料的第二特征向量，生成标注语料的一个或多个扰动向量；基于标注语料的第二特征向量和一个或多个扰动向量，从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料，其中，相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配；以及将与标注语料匹配的未标注语料保存至标注语料所属的类别的集合，作为标注语料的扩充语料。
根据本公开的另一方面，提供了一种语料扩充装置，包括：一种语料扩充装置，包括：向量提取模块，被配置为：提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量；扰动模块，被配置为：基于标注语料的第二特征向量，生成标注语料的一个或多个扰动向量；搜索模块，被配置为：基于标注语料的第二特征向量和一个或多个扰动向量，从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料，其中，相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配；以及归类模块，被配置为：将与标注语料匹配的未标注语料保存至标注语料所属的类别的集合，作为标注语料的扩充语料。
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，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开所述的语料扩充方法。
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，计算机指令用于使计算机执行如本公开所述的语料扩充方法。
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，其中，所述计算机程序在被处理器执行时实现如本公开所述的语料扩充方法。
根据本公开的一个或多个实施例，可以准确、高效地对语料进行分类，以通过机器手段扩充文本分类的训练语料。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的语料扩充方法的流程图；
图3示出了根据本公开的实施例的在图2中的方法中提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量的示例性过程的流程图；
图4示出了根据本公开的实施例的在图2中的方法中从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料的示例性过程的流程图；
图5示出了根据本公开的实施例的在图2中的方法中提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量的示例性过程的流程图；
图6示出了根据本公开的实施例的语料扩充装置的结构框图；
图7示出了根据本公开的实施例的向量提取模块的结构框图；
图8示出了根据本公开的实施例的搜索模块的结构框图；
图9示出了根据本公开的实施例的向量提取模块的结构框图；
图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
目前，文本分类广泛地应用于搜索引擎、问答系统、会话系统等信息处理系统中，例如，当接受到文本“她笑得好像一朵花”时，识别该文本对应的情感为“愉快”。用于文本分类的训练语料决定了文本分类的质量。目前，存在以下两种用于标注文本分类的训练语料的方法：
1)基于人工标注的语料扩充方法，即，对无标签的语料进行人工标注。该方法成本较高，且对不同领域内的标注人员要求较大，因此，如果需要扩充大量语料，则需要耗费极高的人力物力。
2)基于规则词表的语料扩充方法，即，首先通过人工分析生成规则或词表，再通过规则或词表挖掘无标签语料并产出其标签。该方法能够产出精准语料，但由于规则和词表的确定性，往往召回语料不足，难以具有很强的泛化能力。
为了高效、准确地扩充用于文本分类的训练语料，本公开提供了一种语料扩充方法，包括：提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量；基于标注语料的第二特征向量，生成标注语料的一个或多个扰动向量；基于标注语料的第二特征向量和一个或多个扰动向量，从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料，其中，相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配；以及将与标注语料匹配的未标注语料保存至标注语料所属的类别的集合，作为标注语料的扩充语料。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行如本公开所述的语料扩充方法、进行文本分类的训练和/或进行文本分类的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来输入文本，例如，输入搜索语句(例如，“苹果是水果吗”)等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLEiOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器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。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的语料扩充方法200的流程图。如图2所示，该方法包括：步骤S201、提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量；步骤S203、基于标注语料的第二特征向量，生成标注语料的一个或多个扰动向量；步骤S205、基于标注语料的第二特征向量和一个或多个扰动向量，从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料，其中，相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配；以及步骤S207、将与标注语料匹配的未标注语料保存至标注语料所属的类别的集合，作为标注语料的扩充语料。
在如本公开的实施例所述的语料扩充方法中，通过标注语料的第二特征向量和扰动向量，召回与该标注语料相匹配的未标注语料，以实现通过机器手段对未标注语料进行分类，提高语料扩充的效率，节省人力和时间，并确保了语料扩充的准确性。另外，由于除了标注语料的第二特征向量之外、还基于标注语料的扰动向量召回未标注语料，提高了语料扩充的泛化能力。
在步骤S201处，提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量。
根据一些实施例，使用相同的特征提取网络，从至少一条未标注语料和标注语料中分别提取特征向量。根据一些实施例，特征向量可以是语料中的关键词的词向量(例如，对于语料“西瓜是什么水果”，分别提取关键词“西瓜”和“水果”，再分别提取关键词“西瓜”和“水果”的词向量)。根据一些实施例，特征向量可以是语料的句向量(例如，对于语料“西瓜是什么水果”，直接提取该句的句向量)。
在步骤S203处，基于标注语料的第二特征向量，生成标注语料的一个或多个扰动向量。
根据一些实施例，一个或多个扰动向量中的每个扰动向量具有一个或多个扰动维度，并且其中，对于每个扰动向量的每个扰动维度，该扰动向量的相应维度值为第二特征向量的相应维度值与该扰动维度所对应的扰动值之和，其中，扰动值为第二特征向量的相应维度值与预设扰动比率的乘积。
根据另一些实施例，一个或多个扰动向量中的每个扰动向量具有一个或多个非扰动维度，并且其中，对于每个扰动向量的每个非扰动维度，该扰动向量的相应维度值为第二特征向量的相应维度值。
例如，当第二特征向量为A0＝(x0,y0,z0)时，第一扰动向量为A1＝(x0+Δx,y0,z0)，其中，第一扰动向量的扰动维度为第一维度，非扰动维度为第二维度和第三维度，第一维度所对应的扰动值为Δx；第二扰动向量为A2＝(x0,y0+Δy,z0+Δz)，其中，第二扰动向量的扰动维度为第二维度和第三维度，非扰动维度为第一维度，第二维度所对应的扰动值为Δy，第三维度所对应的扰动值为Δz。
根据一些实施例，扰动向量的维度值可以为正值或负值，以实现不同方向的扰动。
通过将扰动维度所对应的扰动值设定为该扰动维度上的维度值与扰动比率的乘积，可以避免扰动值太小而降低召回语料的丰富度，也可以避免扰动值太大而降低召回语料的精确度。
根据一些实施例，一个或多个扰动向量中的每个扰动向量仅具有一个扰动维度，并且，不同扰动向量的扰动维度不同。通过分别扰动第二特征向量的各个维度，召回各个维度上的相匹配语料，以保证召回语料的丰富度和准确度。
例如，当第二特征向量为A0＝(x0,y0,z0)时，生成三个扰动向量。其中，第一扰动向量为A1＝(x0+Δx,y0,z0)，第一扰动向量的扰动维度为第一维度；第二扰动向量为A2＝(x0,y0+Δy,z0)，第二扰动向量的扰动维度为第二维度；第三扰动向量为A3＝(x0,y0,z0+Δz)，第三扰动向量的扰动维度为第三维度。
在步骤S205处，基于标注语料的第二特征向量和一个或多个扰动向量，从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料，其中，相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配。
根据一些实施例，相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与标注语料的第二特征向量或一个或多个扰动向量中的任一个相匹配，或者，与标注语料的第二特征向量和一个或多个扰动向量中的多个向量相匹配。
根据一些实施例，可以计算向量之间的距离(例如，向量余弦距离)来判断两向量之间(例如，未标注语料的第一特征向量与标注语料的第二特征向量，或者，未标注语料的第一特征向量与标注语料的扰动向量)是否相匹配，其中，如果向量之间的距离小于预定距离阈值，则判断为两向量相匹配。
在步骤S207处，将与标注语料匹配的未标注语料保存至标注语料所属的类别的集合，作为标注语料的扩充语料。
例如，当标注语料为“苹果的营养成分”且被标注为“水果”时，与该标注语料匹配的未标注语料“西瓜什么时候上市”也被保存至“水果”所属的类别的集合，即，相当于也被标注为“水果”。
根据一些实施例，提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量包括：提取至少一条未标注语料中的每条未标注语料的关键词和标注语料的关键词；对于至少一条未标注语料中的每条未标注语料，提取该条未标注语料的关键词的第一特征向量，作为该未标注语料的第一特征向量；以及提取标注语料的关键词的第二特征向量，作为标注语料的第二特征向量。
图3示出了根据本公开的实施例的在图2中的方法中提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量(步骤S201)的示例性过程的流程图。
在步骤S301处，提取至少一条未标注语料中的每条未标注语料的关键词和标注语料的关键词。
根据一些实施例，在从语料中提取到多个关键词时，从这些关键词中选择首要关键词(例如，根据关键词的词频或词性选取首要关键词)；在从语料中仅提取到一个关键词时，该关键词即为该语料的首要关键词。
在步骤S303处，对于至少一条未标注语料中的每条未标注语料，提取该条未标注语料的关键词的第一特征向量，作为该未标注语料的第一特征向量。
根据一些实施例，提取该条未标注语料的每个关键词的第一特征向量，作为该未标注语料的第一特征向量。根据另一些实施例，提取该条未标注语料的首要关键词的第一特征向量。
在步骤S305处，提取标注语料的关键词的第二特征向量，作为标注语料的第二特征向量。
根据一些实施例，提取标注语料的一个或多个关键词，并提取一个或多个关键词的每个关键词的第二特征向量。
根据一些实施例，从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料包括：搜索至少一条未标注语料的第一特征向量中与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配的目标向量；以及选择至少一条未标注语料中具有目标向量所对应的关键词的语料，作为至少一条未标注语料中与标注语料匹配的未标注语料。
图4示出了根据本公开的实施例的在图2中的方法中从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料(步骤S205)的示例性过程的流程图。
在步骤S401处，搜索至少一条未标注语料的第一特征向量中与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配的目标向量。
根据一些实施例，如上所述，可以计算向量之间的距离(来判断两向量之间是否相匹配，其中，如果向量之间的距离小于预定距离阈值。
在步骤S403处，选择至少一条未标注语料中具有目标向量所对应的关键词的语料，作为至少一条未标注语料中与标注语料匹配的未标注语料。
根据一些实施例，在确定目标向量后，获取目标向量所对应的关键词，并且，根据目标向量所对应的关键词，查询未标注语料，以确定具有目标向量所对应的关键词的语料。例如，当目标向量对应的关键词为“苹果”时，查询具有关键词“苹果”的语料。
根据一些实施例，提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量包括：对于至少一条未标注语料中的每条未标注语料，提取该条未标注语料的句向量，作为该未标注语料的第一特征向量；以及提取标注语料的句向量，作为标注语料的第二特征向量。
图5示出了根据本公开的实施例的在图2中的方法中提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量(步骤S201)的示例性过程的流程图。
在步骤S501处，对于至少一条未标注语料中的每条未标注语料，提取该条未标注语料的句向量，作为该未标注语料的第一特征向量。例如，使用BERT模型生成token级句向量。
在步骤503处，提取标注语料的句向量，作为标注语料的第二特征向量。例如，使用BERT模型生成token级句向量。
在如参考图5所描述的提取语料的句向量作为特征向量的方法中，搜索至少一条未标注语料的第一特征向量中与标注语料的第二特征向量和一个或多个扰动向量中的至少一个匹配的目标向量，以及选择至少一条未标注语料中目标向量所对应的语料，作为至少一条未标注语料中与标注语料匹配的未标注语料。
根据一些实施例，可以对全部已标注的语料进行分层抽样，以将已标注的语料分为原始训练集和测试集。
根据一些实施例，使用如本公开所述的语料扩充方法，对原始训练集中的语料进行语料扩充，以得到扩充训练集，其中，扩充训练集包括原始训练集中的语料和原始训练集中的语料的扩充语料。
根据一些实施例，将原始训练集中的语料作为如图2所述的标注语料，而原始训练集中的语料的扩充语料为如图2所述的与原始训练集中的语料相匹配的未标注语料。
根据一些实施例，计算测试集中的类别分布，并且，通过采样，将扩充训练集中的类别分布调整为与测试集中的类别分布相同。
根据一些实施例，可以根据测试集中的语料的被标注的类别，计算测试集中的类别分布。根据一些实施例，根据训练集中的语料的被标注的类别(例如，由人工标注或如上所述由机器标注)，计算训练集中的类别分布。根据一些实施例，如果训练集中的类别分布于测试集中的类别分布不同，则对训练集中的类别占比过高的类别进行采样，以将训练集中的类别分布调整为与测试集中的类别分布相同。
根据一些实施例，可以提取测试集中的语料的关键词，并根据语料的关键词计算测试集中的类别分布。根据一些实施例，可以提取训练集中的语料的关键词，并根据语料的关键词计算训练集中的类别分布。根据一些实施例，对于测试集中存在的关键词，将训练集中的这些关键词对应的类别分布调整为与测试集中的关键词对应的类别分布相同，例如，如果测试集中的关键词为“水果”、“汽车”、“动物”，而这三个关键词对应的类别分布为6：3：1，则将训练集中对应于“水果”、“汽车”和“动物”的类别分布也调整为6：3：1。根据一些实施例，对于测试集中不存在的关键词(例如，由于基于扰动向量召回语料，训练集中的语料具有测试集中不存在的关键词)，计算测试集中存在的关键词对应的类别占比的均值，以对测试集中不存在的关键词进行抽样，例如，如果测试集中的关键词为“水果”、“汽车”和“动物”，而这三个关键词对应的类别分布为6：3：1，训练集中包括关键词“水果”、“汽车”、“动物”和“蔬菜”，则将将训练集中对应于“水果”、“汽车”、“动物”和“蔬菜”的类别分布调整为6：3：1：3.33。
在如本公开的实施例所述的语料扩充方法，由于将扩充后的训练集中的类别分布调整为与测试集中的类别分布相同，确保了将扩充后的训练集用于文本分类时的训练和测试性能。
图6示出了根据本公开的实施例的语料扩充装置600的结构框图。
如图6所示，语料扩充装置600包括：向量提取模块601，被配置为：提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量；扰动模块602，被配置为：基于标注语料的第二特征向量，生成标注语料的一个或多个扰动向量；搜索模块603，被配置为：基于标注语料的第二特征向量和一个或多个扰动向量，从至少一条未标注语料中确定与标注语料相匹配的一个或多个未标注语料，其中，相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与标注语料的第二特征向量或者一个或多个扰动向量中的至少一个扰动向量相匹配；以及归类模块604，被配置为：将与标注语料匹配的未标注语料保存至标注语料所属的类别的集合。
根据一些实施例，一个或多个扰动向量中的每个扰动向量具有一个或多个扰动维度，并且其中，对于每个扰动向量的每个扰动维度，该扰动向量的相应维度值为第二特征向量的相应维度值与该扰动维度所对应的扰动值之和，其中，扰动值为第二特征向量的相应维度值与预设扰动比率的乘积。
根据一些实施例，一个或多个扰动向量中的每个扰动向量具有一个或多个非扰动维度，并且其中，对于每个扰动向量的每个非扰动维度，该扰动向量的相应维度值为第二特征向量的相应维度值。
根据一些实施例，其中，所述一个或多个扰动向量中的每个扰动向量仅具有一个扰动维度，并且，不同扰动向量的扰动维度不同。
图7示出了根据本公开的实施例的向量提取模块601的结构框图。
根据一些实施例，如图7所示，向量提取模块601包括：关键词提取模块7011，被配置为：提取至少一条未标注语料中的每条未标注语料的关键词和标注语料的关键词；第一词向量提取模块7012，被配置为：对于至少一条未标注语料中的每条未标注语料，提取该条未标注语料的关键词的第一特征向量，作为该未标注语料的第一特征向量；以及第二词向量提取模块7013，被配置为：提取标注语料的关键词的第二特征向量，作为标注语料的第二特征向量。
图8示出了根据本公开的实施例的搜索模块603的结构框图。
根据一些实施例，如图8所示，搜索模块603包括：目标向量匹配模块8031，被配置为：搜索至少一条未标注语料的第一特征向量中与一个或多个扰动向量和标注语料的第二特征向量中的至少一个相匹配的目标向量；以及语料选择模块8032，被配置为：选择至少一条未标注语料中具有目标向量所对应的关键词的语料，作为至少一条未标注语料中与标注语料匹配的未标注语料。
图9示出了根据本公开的实施例的向量提取模块601的结构框图。
根据一些实施例，如图9所示，向量提取模块601包括：第一句向量提取模块9011，被配置为：对于所述至少一条未标注语料中的每条未标注语料，提取该条未标注语料的句向量，作为该未标注语料的第一特征向量；以及第二句向量提取模块9012，被配置为：提取所述标注语料的句向量，作为所述标注语料的第二特征向量。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，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。
根据本公开的实施例，还提供了一种电子设备，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，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开所述的语料扩充方法。
根据本公开的实施例，还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，计算机指令用于使计算机执行根据本公开所述的语料扩充方法。
根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现本公开所述的语料扩充方法。
参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许设备1000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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001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1001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1001执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种语料扩充方法，包括：
提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量；
基于所述标注语料的第二特征向量，生成所述标注语料的一个或多个扰动向量；
基于所述标注语料的第二特征向量和所述一个或多个扰动向量，从所述至少一条未标注语料中确定与所述标注语料相匹配的一个或多个未标注语料，其中，所述相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与所述一个或多个扰动向量和所述标注语料的第二特征向量中的至少一个相匹配；以及
将与所述标注语料匹配的未标注语料保存至所述标注语料所属的类别的集合，作为所述标注语料的扩充语料。
2.根据权利要求1所述的方法，其中，所述一个或多个扰动向量中的每个扰动向量具有一个或多个扰动维度，并且其中，
对于每个扰动向量的每个扰动维度，该扰动向量的相应维度值为所述第二特征向量的相应维度值与该扰动维度所对应的扰动值之和，其中，所述扰动值为所述第二特征向量的所述相应维度值与预设扰动比率的乘积。
3.根据权利要求2所述的方法，其中，所述一个或多个扰动向量中的每个扰动向量具有一个或多个非扰动维度，并且其中，
对于每个扰动向量的每个非扰动维度，该扰动向量的相应维度值为所述第二特征向量的相应维度值。
4.根据权利要求2或3所述的方法，其中，所述一个或多个扰动向量中的每个扰动向量仅具有一个扰动维度，并且，不同扰动向量的扰动维度不同。
5.根据权利要求1-4中任一项所述的方法，其中，所述提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量包括：
提取所述至少一条未标注语料中的每条未标注语料的关键词和所述标注语料的关键词；
对于所述至少一条未标注语料中的每条未标注语料，提取该条未标注语料的关键词的第一特征向量，作为该未标注语料的第一特征向量；以及
提取所述标注语料的关键词的第二特征向量，作为所述标注语料的第二特征向量。
6.根据权利要求5所述的方法，其中，所述从所述至少一条未标注语料中确定与所述标注语料相匹配的一个或多个未标注语料包括：
搜索所述至少一条未标注语料的第一特征向量中与所述一个或多个扰动向量和所述标注语料的第二特征向量中的至少一个相匹配的目标向量；以及
选择所述至少一条未标注语料中具有所述目标向量所对应的关键词的语料，作为所述至少一条未标注语料中与所述标注语料匹配的未标注语料。
7.根据权利要求1-4中任一项所述的方法，其中，所述提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量包括：
对于所述至少一条未标注语料中的每条未标注语料，提取该条未标注语料的句向量，作为该未标注语料的第一特征向量；以及
提取所述标注语料的句向量，作为所述标注语料的第二特征向量。
8.一种语料扩充装置，包括：
向量提取模块，被配置为：提取至少一条未标注语料中的每条未标注语料的第一特征向量和标注语料的第二特征向量；
扰动模块，被配置为：基于所述标注语料的第二特征向量，生成所述标注语料的一个或多个扰动向量；
搜索模块，被配置为：基于所述标注语料的第二特征向量和所述一个或多个扰动向量，从所述至少一条未标注语料中确定与所述标注语料相匹配的一个或多个未标注语料，其中，所述相匹配的一个或多个未标注语料中每一个未标注语料的第一特征向量与所述一个或多个扰动向量和所述标注语料的第二特征向量中的至少一个相匹配；以及
归类模块，被配置为：将与所述标注语料匹配的未标注语料保存至所述标注语料所属的类别的集合，作为所述标注语料的扩充语料。
9.根据权利要求8所述的装置，其中，所述一个或多个扰动向量中的每个扰动向量具有一个或多个扰动维度，并且其中，
对于每个扰动向量的每个扰动维度，该扰动向量的相应维度值为所述第二特征向量的相应维度值与该扰动维度所对应的扰动值之和，其中，所述扰动值为所述第二特征向量的所述相应维度值与预设扰动比率的乘积。
10.根据权利要求9所述的装置，其中，所述一个或多个扰动向量中的每个扰动向量具有一个或多个非扰动维度，并且其中，
对于每个扰动向量的每个非扰动维度，该扰动向量的相应维度值为所述第二特征向量的相应维度值。
11.根据权利要求9或10所述的装置，其中，所述一个或多个扰动向量中的每个扰动向量仅具有一个扰动维度，并且，不同扰动向量的扰动维度不同。
12.根据权利要求8-11中任一项所述的装置，其中，所述向量提取模块包括：
关键词提取模块，被配置为：提取所述至少一条未标注语料中的每条未标注语料的关键词和所述标注语料的关键词；
第一词向量提取模块，被配置为：对于所述至少一条未标注语料中的每条未标注语料，提取该条未标注语料的关键词的第一特征向量，作为该未标注语料的第一特征向量；以及
第二词向量提取模块，被配置为：提取所述标注语料的关键词的第二特征向量，作为所述标注语料的第二特征向量。
13.根据权利要求12所述的装置，其中，所述搜索模块包括：
目标向量匹配模块，被配置为：搜索所述至少一条未标注语料的第一特征向量中与所述一个或多个扰动向量和所述标注语料的第二特征向量中的至少一个相匹配的目标向量；以及
语料选择模块，被配置为：选择所述至少一条未标注语料中具有所述目标向量所对应的关键词的语料，作为所述至少一条未标注语料中与所述标注语料匹配的未标注语料。
14.根据权利要求8-11中任一项所述的装置，其中，所述向量提取模块包括：
第一句向量提取模块，被配置为：对于所述至少一条未标注语料中的每条未标注语料，提取该条未标注语料的句向量，作为该未标注语料的第一特征向量；以及
第二句向量提取模块，被配置为：提取所述标注语料的句向量，作为所述标注语料的第二特征向量。
15.一种电子设备，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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110988897.3A CN113656534A (zh) | 2021-08-26 | 2021-08-26 | 语料扩充方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110988897.3A CN113656534A (zh) | 2021-08-26 | 2021-08-26 | 语料扩充方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113656534A true CN113656534A (zh) | 2021-11-16 |
Family
ID=78493002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110988897.3A Pending CN113656534A (zh) | 2021-08-26 | 2021-08-26 | 语料扩充方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113656534A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108090045A (zh) * | 2017-12-20 | 2018-05-29 | 珠海市君天电子科技有限公司 | 一种标注模型的建立方法、分词方法及装置 |
| CN110472672A (zh) * | 2019-07-25 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 用于训练机器学习模型的方法和装置 |
| CN111191032A (zh) * | 2019-12-24 | 2020-05-22 | 深圳追一科技有限公司 | 语料扩充方法、装置、计算机设备和存储介质 |
| CN111723550A (zh) * | 2020-06-17 | 2020-09-29 | 腾讯科技（深圳）有限公司 | 语句改写方法、装置、电子设备以及计算机存储介质 |
| CN112036186A (zh) * | 2019-06-04 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 语料标注方法、装置、计算机存储介质及电子设备 |
| CN112148877A (zh) * | 2020-09-23 | 2020-12-29 | 网易（杭州）网络有限公司 | 语料文本的处理方法、装置及电子设备 |
| CN112651238A (zh) * | 2020-12-28 | 2021-04-13 | 深圳壹账通智能科技有限公司 | 训练语料扩充方法及装置、意图识别模型训练方法及装置 |
| CN112949674A (zh) * | 2020-08-22 | 2021-06-11 | 上海昌投网络科技有限公司 | 一种多模型融合的语料生成方法及装置 |
| WO2021139250A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技（深圳）有限公司 | 一种数据增强模型的训练方法及装置 |
-
2021
- 2021-08-26 CN CN202110988897.3A patent/CN113656534A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108090045A (zh) * | 2017-12-20 | 2018-05-29 | 珠海市君天电子科技有限公司 | 一种标注模型的建立方法、分词方法及装置 |
| CN112036186A (zh) * | 2019-06-04 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 语料标注方法、装置、计算机存储介质及电子设备 |
| CN110472672A (zh) * | 2019-07-25 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 用于训练机器学习模型的方法和装置 |
| CN111191032A (zh) * | 2019-12-24 | 2020-05-22 | 深圳追一科技有限公司 | 语料扩充方法、装置、计算机设备和存储介质 |
| CN111723550A (zh) * | 2020-06-17 | 2020-09-29 | 腾讯科技（深圳）有限公司 | 语句改写方法、装置、电子设备以及计算机存储介质 |
| WO2021139250A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技（深圳）有限公司 | 一种数据增强模型的训练方法及装置 |
| CN112949674A (zh) * | 2020-08-22 | 2021-06-11 | 上海昌投网络科技有限公司 | 一种多模型融合的语料生成方法及装置 |
| CN112148877A (zh) * | 2020-09-23 | 2020-12-29 | 网易（杭州）网络有限公司 | 语料文本的处理方法、装置及电子设备 |
| CN112651238A (zh) * | 2020-12-28 | 2021-04-13 | 深圳壹账通智能科技有限公司 | 训练语料扩充方法及装置、意图识别模型训练方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈宁昱, 周雅倩, 黄萱菁, 吴立德: "利用未标注语料改进实体名识别性能", 中文信息学报, no. 02, 25 March 2005 (2005-03-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113836333A (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
| CN116521841B (zh) | 用于生成回复信息的方法、装置、设备及介质 | |
| CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
| CN116028605B (zh) | 逻辑表达式生成方法、模型训练方法、装置及介质 | |
| CN116541536B (zh) | 知识增强的内容生成系统、数据生成方法、设备和介质 | |
| CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
| KR20230006601A (ko) | 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
| CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
| CN116841506A (zh) | 程序代码生成方法及装置、模型训练方法及装置 | |
| CN112905743B (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
| CN114490986B (zh) | 计算机实施的数据挖掘方法、装置、电子设备及存储介质 | |
| CN116152607A (zh) | 目标检测方法、训练目标检测模型的方法及装置 | |
| CN115269989A (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
| CN114219046A (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
| CN113656534A (zh) | 语料扩充方法、装置、设备和介质 | |
| CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
| CN112954025B (zh) | 基于分层知识图谱推送信息方法、装置、设备、介质 | |
| CN113535958B (zh) | 生产线索聚合方法、装置及系统、电子设备和介质 | |
| CN115713071B (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 | |
| CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
| CN114169440A (zh) | 模型训练方法、数据处理方法、装置、电子设备及介质 | |
| CN114611526A (zh) | 实体链接方法及装置、设备和介质 | |
| CN116662512A (zh) | 检索模型的训练方法、信息检索方法、装置、设备和介质 | |
| CN117709471A (zh) | 可解释性分析方法、装置、设备和介质 |
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 |