CN113792529B - 用于机器学习的文本字符编码方法、装置及电子设备 - Google Patents

Abstract

本公开的实施例提供了一种用于机器学习的文本字符编码方法、装置及电子设备。所述方法包括：统计训练样本中每个字符的出现频率，所述训练样本为文本文件；对每个字符进行权重分配；按照出现频率降序和权重降序对每个字符进行排序并对字符进行两字节编码；根据所述两字节编码对待编码文本文件进行编码转换。以此方式，可以在使用两字节编码进行高效运算的同时，保证了机器多语言学习能力。

Description

用于机器学习的文本字符编码方法、装置及电子设备

技术领域

本公开涉及计算机领域，尤其涉及计算机编码技术领域，具体提供一种用于机器学习的文本字符编码方法、装置及电子设备。

背景技术

在机器学习中，为了加快学习速度，通用的做法是将文本内容转换为某种更加高效的编码格式，如Label编码或One-Hot编码，但这些常用的编码都存在字长不固定的问题，在很多场合下计算仍不方便。而Unicode编码虽然定长，但其长度为4字节，计算量较大，计算效率低。

发明内容

本公开提供了一种用于机器学习的文本字符编码方法、装置及电子设备，在使用两字节编码可进行高效运算的同时，保证了机器多语言学习能力。

根据本公开的第一方面，提供了一种用于机器学习的文本字符编码方法。该方法包括：

统计训练样本中每个字符的出现频率，所述训练样本为文本文件；

对每个字符进行权重分配；

按照出现频率降序和权重降序对每个字符进行排序并对字符进行两字节编码；

根据所述两字节编码对待编码文本文件进行编码转换。

在第一方面的一些可实现方式中，对每个字符进行权重分配包括：

按照每个字符与机器学习目标的关联度进行权重分配。

在第一方面的一些可实现方式中，按照出现频率降序和权重降序对每个字符进行排序包括：

先按照权重降序对字符进行排序，若字符权重相同则按照出现频率降序进行排序。

在第一方面的一些可实现方式中，按照机器学习目标与字符的关联度进行权重值标记，未被标记的权重值默认为0。

在第一方面的一些可实现方式中，当机器学习目标发生变化时，重新对每个字符进行权重分配，然后按照出现频率降序和权重降序对每个字符进行排序并对字符进行两字节编码；根据所述两字节编码对待编码文本文件进行编码转换。

在第一方面的一些可实现方式中，还包括机器按照机器学习目标对新的文本文件进行学习，包括：按照已生成的字符编码对新的文本文件进行编码转换。

在第一方面的一些可实现方式中，还包括扩充训练样本，包括：

向训练样本中加入新的文本文件，与原始文本文件结合形成新的训练样本，根据新的训练样本按照编码规则进行编码转换。

在第一方面的一些可实现方式中，当两字节字符数达到65556时，超出部分不进行编码转换。

根据本公开的第二方面，提供了一种用于机器学习的文本字符编码装置。该装置包括：

统计单元：用于统计训练样本中每个字符的出现频率，所述训练样本为文本文件；

分配单元：用于对每个字符进行权重分配；

编码单元：用于按照出现频率降序和权重降序对每个字符进行排序并对字符进行两字节编码；

转换单元：用于根据所述两字节编码对待编码文本文件进行编码转换。

根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本公开中，采用两字节编码方式对字符进行编码，两字节编码字节定长且短，大大提高了机器计算效率，能够适应多种场合。且本公开中对文本文件中的每个字符按照出现频率和权重进行排序，使出现频率高、权重值大的字符在编码时位于两字节字符值上限的范围之内，如此，在两字节编码转换时，重要信息已经全部位于两字节编码范围之内，因此，本公开采用两字节编码提高计算效率的同时，保证了机器多语言学习能力。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，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。附图用于更好地理解本方案，不构成对本公开的限定。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本公开的实施例的用于机器学习的文本字符编码方法100的流程图；

图2示出了根据本公开的实施例的用于机器学习的文本字符编码装置200的框图；

图3示出了能够实施本公开的实施例的示例性电子设备300的方框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

本公开采用两字节编码方式对字符进行编码，两字节编码由于字长短且字长定长，因此运算效率高，在很多场景中有较大优势，但由于两个字节所能表示的最大字符数是65536个，因此，在通常情况下，两字节编码无法实现多语言处理能力。但本公开中，对字符内容按照出现频率和权重进行排序，使出现频率高，权重值大的字符位于两字节编码能够达到的最大字符数上限范围之内，保证了机器多语言学习能力。

图1示出了根据本公开的实施例的用于机器学习的文本字符编码方法100的流程图。

如图1所示，所述用于机器学习的文本字符编码方法包括：

S101: 统计训练样本中每个字符的出现频率，所述训练样本为文本文件；

S102: 对每个字符进行权重分配；

S103: 按照出现频率降序和权重降序对每个字符进行排序并对字符进行两字节编码；

S104: 根据所述两字节编码对待编码文本文件进行编码转换。

所述文本文件可以为采用中文、英文、日文等单一语言书写的文本文件，也可以为包含多种国家语言的混合文本。

如文本文件可以为中英文混合的文本文件，以文本文件中包括“A、B、你、好”等字符为例，对“A、B、你、好”进行出现次数统计，得到一张统计表，如下所示：

字符	出现次数
		A	10
B	20
		你	1
好	3

统计完成后，对其中每个字符进行权重添加，比如，我们更关注中文的内容，因此对中文标记权重值为1，英文标记权重值为0，因此“A、B、你、好”的权重值如下表所示：

字符	出现次数	权重值
			A	10	0
B	20	0
			你	1	1
好	3	1

然后进行S103、S104步骤进行编码转换，即可实现文本文件两字节编码。

从上述例子中可以看出，所述文本文件可以为中英文混杂的文本文件，可以理解的是，本公开所述的方法可以针对多种不同语言的文本进行编码，显然也可以针对单一语言的文本进行编码，从理论上来讲，本公开所述的用于机器学习的文本字符编码方法可以针对任何具有采用有一定含义语言进行书写的文本文件进行编码。

在一些实施例中，对每个字符进行权重分配包括：

按照每个字符与机器学习目标的关联度进行权重分配。

机器学习目标即试图让机器从文本文件中分析出的内容，而字符与机器学习目标的关联度即该字符所表达的含义与机器学习目标之间的关联程度，如下边一段文字：

“《丝路花雨》是六场历史舞剧，故事发生在传递着商品与文化的丝绸之路上：画工神笔张和女儿英娘在因缘巧合之下搭救了波斯商人伊努斯。然而，天不遂人愿，英娘一着不慎身陷纠纷，因伊努斯的赎身，才得以与父亲团聚，神笔张这才恢复了绘画创作。莫高窟内，神笔张观看了女儿舞姿，并且在她的启发下，创作出了震惊世人的优秀绘画作品。但好景不长，英娘被仇家陷害，无奈与父亲分离，只好和伊努斯远走波斯避难，在数年后，才盼到了重回故土的机会。却无奈途中又遇上了仇家，危难之际得蒙神笔张用一场大火相救，他却牺牲在了这里。后来的二十七国交谊会上，英娘面圣献艺，这才有机会揭发了仇家的罪行，获得大团圆的结局”。

若机器学习目标为“英娘的经历”，则字符“英娘”分配最高的权重，与英娘相关的人物分配次高的权重，如字符“神笔张”、“伊努斯”分配次高的权重，与英娘相关的地点分配较低的权重，如字符“莫高窟”、“波斯”分配较低的权重，其它字符则分配更低的权重。

若机器学习目标为“莫高窟绘画的诞生过程”，则字符“莫高窟”、“绘画”分配最高的权重，与诞生过程相关的“舞姿”分配较高的权重，其它字符则分配较低的权重。

从上述例子可以看出，即使是同一文本文件，由于机器学习目标不同，各字符间的权重分配会产生较大差异，这种差异使机器在运算过程中所运算出的结果与机器学习目标高度相关，且由于两字节运算效率较高，因此，根据本公开的实施例，该权重分配方式有利于提高运算结果与机器学习目标之间的关联度，且结合两字节字符编码，提高运算效率。

在一些实施例中，按照出现频率降序和权重降序对每个字符进行排序包括：

先按照权重降序对字符进行排序，若字符权重相同则按照出现频率降序进行排序。

由于字符按顺序从前向后依次编码，因此排序过程尤为关键，字符出现频率与权重分别从一定程度上反映字符的重要性，在本公开的实施例中，认定权重的优先级大于出现频率，这是由于权重充分反映了机器学习目标，按照权重优先排序可以较大程度上提高机器运算结果与机器学习目标之间的关联度。

文本文件中的高频词反映了文本文件自身的重点关注内容，当机器学习目标与文本文件关键词接近时，若出现频率优先级大于权重进行排序，对于机器学习目标影响较小，但当二者差距较大时，则影响较大。如上边一段文字中，若机器学习目标为“英娘的经历”，则与文本文件出现频率高的字符（英娘、神笔张、伊努斯）相关性较大，若机器学习目标为“莫高窟绘画的诞生过程”，则与文本文件出现频率高的关键词相关性较小，因此，若认定出现频率优先级大于权重，则容易与机器学习目标偏离。

根据本公开的实施例，在排序过程中设置权重优先级大于出现频率，如此，当文本文件出现频率较高的关键词与机器学习目标相关性较小时，由于权重排序优先级在前，保证了机器学习过程与机器学习目标紧密关联。

在一些实施例中，按照机器学习目标与字符的关联度进行权重值标记，未被标记的权重值默认为0。

权重值很好的体现了权重分配，即权重值高的字符权重分配占比高，权重值低的字符则权重分配占比低，权重值大小按照机器学习目标进行标记，如上边一段文字中，若机器学习目标为“英娘的经历”，则字符“英娘”可标记权重值为10，字符“神笔张”、“伊努斯”标记权重值为5。其它与机器学习目标关联度小或无关的部分，则权重值标记为0，仅按照出现频率大小进行排序。

当字符权重值与出现频率均相同时，可以引入其它排序规则，如笔画、首字母、在文本文件中首次出现位置等，所引入的排序规则应当不影响本公开任一实施例记载的排序规则。

根据本公开的实施例，权重分配采用权重值进行量化，可以较好的反映字符与机器学习目标之间的关联度，而由于通常情况下，能够反映机器学习目标的字符数目较少，远远达不到两字节字符数上限，因此，对其余字符权重值标记为0，仅按照出现频率排序，可以较好的反映文本内容，即本公开的实施例在满足机器学习目标与机器学习过程高度关联的基础上，使机器学习目标与文本内容高度结合。

在一些实施例中，当机器学习目标发生变化时，重新对每个字符进行权重分配，然后按照出现频率降序和权重降序对每个字符进行排序并对字符进行两字节编码；根据所述两字节编码对待编码文本文件进行编码转换。

可以理解的是，当机器学习目标改变时，由于文本文件中内容不变，因此，字符出现频率不变，只需对权重重新分配即可，即在保留步骤S101的基础上，对步骤S102重新标记权重，然后继续执行步骤S103和步骤S104。根据本公开的实施例，当面对同一文本文件，机器学习目标发生改变时，无需重新执行步骤S101，进一步提高了编码效率。

在一些实施例中，还包括机器按照机器学习目标对新的文本文件进行学习，包括：按照已生成的字符编码对新的文本文件进行编码转换。

由于机器在原始文本文件的基础上已经有了一定的学习结果，因此，当机器按照机器学习目标对新的文本文件进行学习时，可以在已有学习结果的基础上进行学习，如上边一段文字中，若机器学习目标为“英娘的经历”，当机器面临新的文本，如新的文本主要内容为敦煌故事传说，那么，根据上边一段文字的编码结果，可以直接套用在新的文本文件中，如此，对新的文本文件直接执行步骤S104，可以提高机器编码效率。

可以理解的是，由于新的文本文件中高频词通常与原始文本文件高频词差距较大，故采用原始编码直接对新的文本文件进行编码，显然无法做到高度反映新的文本文件内容，因此，本公开的实施例主要针对机器学习目标在原始文本文件基础上进行扩展学习，如原始文本文件已经为主要反映机器学习目标的文本文件，新的文本文件则针对机器学习目标有少量相关内容。如原始文本为上边一段文字，而新的文本主要内容为敦煌故事传说，那么，新的文本中只有较小的部分涉及“英娘的经历”，那么新的文本即为原始文本的扩展学习内容，适用于本公开的实施例。

根据本公开的实施例，采用原始编码对新的文本文件进行编码，可以结合已有的机器学习结果，对新的文本文件进行快速学习，且由于无需重新编码，进一步提高机器学习效率。

在一些实施例中，还包括扩充训练样本，包括：

向训练样本中加入新的文本文件，与原始文本文件结合形成新的训练样本，根据新的训练样本按照编码规则进行编码转换。

所述新的文本与原始文本通常有一定的结合度，如在上一段文字中，新的文本文件依旧涉及《丝路花雨》的内容，因此，将新的文本文件与原始文本文件结合，只需对新的文本文件中字符进行出现频率标记，然后结合原始文本文件，再根据需要确定是否重新确定权重词，再根据新的训练样本执行步骤S103、S104即可。

根据本公开的实施例，将新的文本文件与原始文本文件结合，由于原始文本文件中已经进行了字符出现频率统计且进行了一定排序，将新的文本文件加入，保留原始文本中的部分统计结果及排序结果，大大降低了编码时间，提高编码效率。

在一些实施例中，当两字节字符数达到65556时，超出部分不进行编码转换。

两个字节所能表示的字符数最多是65536个，所以在绝大多数场景下，所编码字符数是达不到上限的，但是如果达到65536字符数的上限，超出部分则不进行编码。由于已经根据字符出现频率进行统计，同时可以使用权重和出现频率进行降序排序编码，所以超出65536字符数上限部分的字符为权重小、出现频率低的字符，因此超出上限的字符与机器学习目标、文本文件内容关联度均较小，对此部分内容不进行编码对机器学习结果影响十分小，可以忽略不计。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图2示出了根据本公开的实施例的用于机器学习的文本字符编码装置200的框图。如图2所示，装置200包括：

统计单元210：用于统计训练样本中每个字符的出现频率，所述训练样本为文本文件；

分配单元220：用于对每个字符进行权重分配；

编码单元230：用于按照出现频率降序和权重降序对每个字符进行排序并对字符进行两字节编码；

转换单元240：用于根据所述两字节编码对待编码文本文件进行编码转换。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本公开的技术方案中，所涉及的文本文件的获取，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。

本公开还提供了一种电子设备，该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

图3示出了可以用来实施本公开的实施例的电子设备300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。

电子设备300包括计算单元301，其可以根据存储在只读存储器（ROM）302中的计算机程序或者从存储单元308加载到随机访问存储器（RAM）303中的计算机程序，来执行各种适当的动作和处理。在RAM 303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。

电子设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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301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301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301执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100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308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到电子设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的方法300的一个或多个步骤。备选地，在其他实施例中，计算单元301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300。

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 (5)

1.一种用于机器学习的文本字符编码方法，其特征在于，包括：

统计训练样本中每个字符的出现频率，所述训练样本为文本文件；

按照每个字符与机器学习目标的关联度进行权重分配；

先按照权重降序对字符进行排序，若字符权重相同则按照出现频率降序进行排序，并对字符进行两字节编码；

根据所述两字节编码对待编码文本文件进行编码转换；

当两字节字符数达到65556时，超出部分不进行编码转换；

当机器学习目标发生变化时，重新对每个字符进行权重分配，然后按照出现频率降序和权重降序对每个字符进行排序并对字符进行两字节编码；根据所述两字节编码对待编码文本文件进行编码转换。

2.根据权利要求1所述的用于机器学习的文本字符编码方法，其特征在于，按照机器学习目标与字符的关联度进行权重值标记，未被标记的权重值默认为0。

3.根据权利要求1所述的用于机器学习的文本字符编码方法，其特征在于，还包括机器按照机器学习目标对新的文本文件进行学习，包括：按照已生成的字符编码对新的文本文件进行编码转换。

4.根据权利要求1所述的用于机器学习的文本字符编码方法，其特征在于，还包括扩充训练样本，包括：

向训练样本中加入新的文本文件，与原始文本文件结合形成新的训练样本，根据新的训练样本按照编码规则进行编码转换。

5.一种电子设备，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；其特征在于，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中任一项所述的用于机器学习的文本字符编码方法。

Images