CN113806539A - 一种文本数据增强系统、方法、设备及介质 - Google Patents

一种文本数据增强系统、方法、设备及介质 Download PDF

Info

Publication number
CN113806539A
CN113806539A CN202111096903.0A CN202111096903A CN113806539A CN 113806539 A CN113806539 A CN 113806539A CN 202111096903 A CN202111096903 A CN 202111096903A CN 113806539 A CN113806539 A CN 113806539A
Authority
CN
China
Prior art keywords
artificial fish
data enhancement
iteration
artificial
data
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
Application number
CN202111096903.0A
Other languages
English (en)
Other versions
CN113806539B (zh
Inventor
李鹏宇
李剑锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111096903.0A priority Critical patent/CN113806539B/zh
Publication of CN113806539A publication Critical patent/CN113806539A/zh
Application granted granted Critical
Publication of CN113806539B publication Critical patent/CN113806539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种文本数据增强系统、方法、设备及介质，该方法包括：获取的训练用数据集并存储；以数据增强策略清单以及数据增强数量参数构成的数据增强模型参数，对存储的文本分类训练用数据集进行数据增强，输出自动构造的训练数据集并存储；通过对所述自动构造的训练数据集以及所述训练用数据集进行训练得到文本分类器，其中，所述文本分类器用于进行数据分类，并判断分类效果是否符合预期；基于所述文本分类器的分类结果的基础上，对所述数据增强模块构建的所述数据增强模型参数进行迭代优化；判断所述数据增强模型参数是否收敛，若收敛则终止迭代，若不收敛则利用人工鱼群算法进行迭代。

Description

一种文本数据增强系统、方法、设备及介质
技术领域
本公开涉及数据处理技术领域，更为具体来说，本公开涉及一种文本数据增强系统、方法、设备及介质。
背景技术
在自然语言处理方法的应用领域，文本分类是一种非常基础也非常重要的技术。为了提升模型的效果，人们从数据和算法两个角度做了很多尝试，比如对训练数据进行增强(Data Augmentation)。
目前学术界和产业界提出的数据增强策略主要有：(1)token替换；(2)mixup；(3)回译等等。
已有的方案存在这样的问题：没有一个系统的、自动的方案来从众多方法中选择合适的策略集合。目前，人们主要依靠经验或者网格搜索的方式来摸索一个合适的数据增强策略组合，在效果和效率上都不尽如人意；另外，这些数据增强方案对新策略的添加不是很友好。
发明内容
为解决现有技术的无法满足用户需求的技术问题。
为实现上述技术目的，本公开提供了一种文本数据增强方法，包括：
获取的训练用数据集并存储；
以数据增强策略清单以及数据增强数量参数构成的数据增强模型参数，对存储的文本分类训练用数据集进行数据增强，输出自动构造的训练数据集并存储；
通过对所述自动构造的训练数据集以及所述训练用数据集进行训练得到文本分类器，其中，所述文本分类器用于进行数据分类，并判断分类效果是否符合预期；
基于所述文本分类器的分类结果的基础上，对所述数据增强模块构建的所述数据增强模型参数进行迭代优化；
判断所述数据增强模型参数是否收敛，若收敛则终止迭代，若不收敛则利用人工鱼群算法进行迭代。
进一步，所述对存储的文本分类训练用数据集进行数据增强具体包括：
对存储的文本分类训练用数据集进行同义词替换子处理、随机替换处理、随机删除处理、随机交换位置处理、回译处理和/或拼接处理；
其中，各处理过程具有各自的数据增强参数，全部的数据增强参数组成数据增强模型的参数列表Θ，所述人工鱼群算法迭代模块对所述参数列表Θ进行迭代优化。
进一步，所述判断分类效果是否符合预期具体为：
基于测试语料，对所述文本分类器进行测试，得到所述文本分类器的得分，即
Figure BDA0003268341020000021
其中recallk是分类器对第k个类别的召回率；precisionk是分类器对第k个类别的识别精度，k＝1，2，……，K，K为大于2的整数，其中，t表示当前迭代轮次。
进一步，所述人工鱼群算法迭代模块具体用于：
记人工鱼的参数列表Θ＝[Θdis，Θcon]，其中Θdis为参数列表中离散的部分，Θcon为参数中连续的部分；
计算人工鱼之间距离、计算人工鱼密度和/或计算人工鱼群重心；
根据人工鱼群计算结果进行觅食迭代、聚群迭代、追尾迭代和/或随机迭代。
进一步，
所述人工鱼之间的距离具体包括：
计算两个人工鱼在离散维度上的距离为distance(Θdis，l，Θdis，g)；而两个人工鱼在连续维度上的距离为distance(Θcon，l，Θcon，g)。
进一步，所述计算人工鱼密度具体包括：
在1号人工鱼所处位置，
在离散维度中的人工鱼密度是：
Figure BDA0003268341020000031
在连续维度中的人工鱼密度是：
Figure BDA0003268341020000032
如果densitydis，l＜Q且densitycon，l＜Q，那么1号人工鱼所处区域的人工鱼是比较少的、竞争不是很激烈，适合前往，其中Q为预设阈值。
进一步，所述计算人工鱼群重心具体包括：
在离散维度上的重心为：
Figure BDA0003268341020000033
在连续维度上的重心为：
Figure BDA0003268341020000041
其中round函数用来对数字进行四舍五入操作。
进一步，所述觅食迭代具体为：
人工鱼尝试游动一次，如果目标位置太拥挤，即Θdis，l，t+1＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t，执行聚群迭代；计算人工鱼群新位置对应数据增强模型的得分，如果得分超过scoret，l，那么得到新的参数Θdis，l，t+1和Θcon，l，t+1，如果得分不高于scoret，k，则Θdis，l，t+1＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t；
其中，t表示迭代轮次，k表示人工鱼编号。
进一步，所述聚群迭代具体为：
计算1号人工鱼与其他所有人工鱼的距离；
选择与l号人工鱼视野范围内的人工鱼，如果离散维度或连续维度中的拥挤指数超过阈值Q，取消本次聚群行为，并执行追尾迭代；
计算出l号人工鱼及其视野内所有人工鱼的重心centordis，t，g和centorcon，t，g；
人工鱼向该重心游动一次。
进一步，所述追尾迭代具体为：
计算l号人工鱼与其他所有词表的海明距离；
选择l号人工鱼的海明距离小于D的人工鱼中，所处位置食物浓度最高的人工鱼，即得分最高的数据增强模型，记为h号人工鱼；
如果h号人工鱼所处位置的拥挤度超过阈值Q，则取消l号人工鱼本次追尾行为、执行随机迭代；
l号人工鱼按照预定方式向h号人工鱼游动一次。
为实现上述技术目的，本公开还能够提供一种文本数据增强系统，包括：
训练数据存储模块，用于存储所述系统获取的训练用数据集；
数据增强模块，用于以数据增强策略清单以及数据增强数量参数构成的数据增强模型参数，对所述训练数据存储模块中存储的文本分类训练用数据集进行数据增强，输出自动构造的训练数据集；
自动构造数据存储模块，用于存储经所述数据增强模块进行数据增强后的自动构造的训练数据集；
文本分类器，通过对所述自动构造的训练数据集以及所述训练用数据集进行训练得到；
所述文本分类器用于进行数据分类，并判断分类效果是否符合预期；
人工鱼群算法迭代模块，用于基于所述文本分类器的分类结果的基础上，对所述数据增强模块构建的所述数据增强模型参数进行迭代优化；
判断模块，用于判断所述数据增强模块构建的所述数据增强模型参数是否收敛，若收敛则终止迭代，若不收敛则利用人工鱼群算法迭代模块进行迭代。
为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的文本数据增强方法的步骤。
为实现上述技术目的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的文本数据增强方法的步骤。
本公开的有益效果为：
本公开的系统和方法避免了人工调试数据增强方案过程中的无目的性，降低了人力消耗。
本公开的系统鲁棒性高，在数据增强策略清单发生增删改的情况下，仍然可以找到较优的方案。
附图说明
图1示出了本公开的实施例1的系统的结构示意图；
图2示出了本公开的实施例1的系统的文本分类器训练过程示意图；
图3示出了本公开的实施例2的方法的流程示意图；
图4示出了本公开的实施例4的结构示意图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本公开的目标是，自动选择一套最优的数据增强方案，基于原始训练数据和知识库构造自动构造一份语料、作为新增训练数据，以提升文本分类模型的效果。在选择数据增强方案时，装置采用了收敛速度快、适合离散值和连续值共存情形的人工鱼群算法。
人工鱼群算法，是粒子群优化算法的一种。这种算法，把粒子看作试图达到水域中食物浓度最高的位置、从而提升自身生活状态的鱼。实际操作中，粒子、人工鱼就是需要优化的参数向量，而食物浓度就是代价函数或损失函数——人工鱼在算法运行过程中的游动过程，就是参数向量逐渐逼近最优位置、使代价函数取值逼近最低的过程。
为了对每个人工鱼，也就是数据增强模型参数的效果进行测试，本方法将原始有标签数据集划分为两部分：(1)一部分用于在装置运行过程中训练文本分类模型，后面所述“原始训练语料”即为这部分数据；(2)一部分用于人工鱼群算法的每一个迭代中，对文本分类器的测试，这里称之为“测试语料”。
表1人工鱼群算法参数表
Figure BDA0003268341020000071
Figure BDA0003268341020000081
实施例一：
如图1所示：
本公开提供了一种文本数据增强系统，包括：
训练数据存储模块，用于存储所述系统获取的训练用数据集；
数据增强模块，用于以数据增强策略清单以及数据增强数量参数构成的数据增强模型参数，对所述训练数据存储模块中存储的文本分类训练用数据集进行数据增强，输出自动构造的训练数据集；
自动构造数据存储模块，用于存储经所述数据增强模块进行数据增强后的自动构造的训练数据集；
文本分类器，通过对所述自动构造的训练数据集以及所述训练用数据集进行训练得到；如图2所示；
所述文本分类器用于进行数据分类，并判断分类效果是否符合预期；
人工鱼群算法迭代模块，用于基于所述文本分类器的分类结果的基础上，对所述数据增强模块构建的所述数据增强模型参数进行迭代优化；
判断模块，用于判断所述数据增强模块构建的所述数据增强模型参数是否收敛，若收敛则终止迭代，若不收敛则利用人工鱼群算法迭代模块进行迭代。
进一步，所述数据增强模块具体包括：
同义词替换子模块、随机替换子模块、随机删除子模块、随机交换位置子模块、回译子模块和/或拼接子模块；
其中，各子模块具有各自的数据增强参数，全部的数据增强参数组成数据增强模型的参数列表Θ，所述人工鱼群算法迭代模块对所述参数列表Θ进行迭代优化。
表2数据增强方法参数表
Figure BDA0003268341020000091
表1的人工鱼群算法参数表和表2的数据增强方法参数表共同构成了数据增强模型的参数列表Θ。
进一步，所述判断分类效果是否符合预期具体为：
基于测试语料，对所述文本分类器进行测试，得到所述文本分类器的得分，即
Figure BDA0003268341020000101
其中recallk是分类器对第k个类别的召回率；precisionk是分类器对第k个类别的识别精度，k＝1，2，……，K，K为大于2的整数，其中，t表示当前迭代轮次。
进一步，所述人工鱼群算法迭代模块具体用于：
记人工鱼的参数列表Θ＝[Θdis，Θcon]，其中Θdis为参数列表中离散的部分，Θcon为参数中连续的部分；
计算人工鱼之间距离、计算人工鱼密度和/或计算人工鱼群重心；
根据人工鱼群计算结果进行觅食迭代、聚群迭代、追尾迭代和/或随机迭代。
人工鱼的移动规则：
随机移动规则：
人工鱼的移动方式，即对应参数向量某个维度取值变化的方式，有两种情形：
在离散值维度上，人工鱼移动的步长是离散值。移动步长是从列表(-A，-A+1，...，0，...，A)中随机抽取的一个值。
在连续值维度上，人工鱼移动的步长是连续值。移动步长是一个服从U(-B，B)的随机数。
在人工鱼的每一次游动，通过对其参数的每一个维度进行上述操作来实现。
向特定方向游动的规则：
人工鱼在实施聚群和追尾操作的时候，需要朝着特定方向游动。假设l号人工鱼需要朝着g号人工鱼所在位置Θ＝[Θdis，t，g，Θcon，t，g]游动，那么此时的游动规则为：
(1)更新Θdis，t，l在第i个维度上的取值时，从列表(0，...，A)中随机抽取一个值x，然后实施更新
Figure BDA0003268341020000111
(2)更新Θcon，t，l在第i个维度上的取值时，按照基于U(0，B)随机获取一个步长y，然后实施更新
Figure BDA0003268341020000112
在人工鱼的每一次游动，通过对其参数的每一个维度进行上述操作来实现。
进一步，
所述人工鱼之间的距离具体包括：
计算两个人工鱼在离散维度上的距离为distance(Θdis，l，Θdis，g)；而两个人工鱼在连续维度上的距离为distance(Θcon，l，Θcon，g)。
进一步，所述计算人工鱼密度具体包括：
在1号人工鱼所处位置，
在离散维度中的人工鱼密度是：
Figure BDA0003268341020000113
在连续维度中的人工鱼密度是：
Figure BDA0003268341020000114
如果densitydis，l＜Q且densitycon，l＜Q，那么1号人工鱼所处区域的人工鱼是比较少的、竞争不是很激烈，适合前往，其中Q为预设阈值。
进一步，所述计算人工鱼群重心具体包括：
在离散维度上的重心为：
Figure BDA0003268341020000121
在连续维度上的重心为：
Figure BDA0003268341020000122
其中round函数用来对数字进行四舍五入操作。
进一步，所述觅食迭代具体为：
人工鱼尝试游动一次，如果目标位置太拥挤，即Θdis，l，t+1＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t，执行聚群迭代；计算人工鱼群新位置对应数据增强模型的得分，如果得分超过scoret，l，那么得到新的参数Θdis，l，t+1和Θcon，l，t+1，如果得分不高于scoret，k，则Θdis，l，t11＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t；
其中，t表示迭代轮次，k表示人工鱼编号。
进一步，所述聚群迭代具体为：
计算1号人工鱼与其他所有人工鱼的距离；
选择与l号人工鱼视野范围内的人工鱼，如果离散维度或连续维度中的拥挤指数超过阈值Q，取消本次聚群行为，并执行追尾迭代；
计算出l号人工鱼及其视野内所有人工鱼的重心centordis，t，g和centOrcon，t，g；
人工鱼向该重心游动一次。
进一步，所述追尾迭代具体为：
计算l号人工鱼与其他所有词表的海明距离；
选择l号人工鱼的海明距离小于D的人工鱼中，所处位置食物浓度最高的人工鱼，即得分最高的数据增强模型，记为h号人工鱼；
如果h号人工鱼所处位置的拥挤度超过阈值Q，则取消l号人工鱼本次追尾行为、执行随机迭代，即人工鱼随机游动一次；
l号人工鱼按照预定方式向h号人工鱼游动一次。
实施例二：
如图3所示，
本公开还能够提供一种文本数据增强方法，应用于上述的文本数据增强系统中，包括：
S201：获取的训练用数据集并存储；
S202：以数据增强策略清单以及数据增强数量参数构成的数据增强模型参数，对存储的文本分类训练用数据集进行数据增强，输出自动构造的训练数据集并存储；
S203：通过对所述自动构造的训练数据集以及所述训练用数据集进行训练得到文本分类器，其中，所述文本分类器用于进行数据分类，并判断分类效果是否符合预期；
S204：基于所述文本分类器的分类结果的基础上，对所述数据增强模块构建的所述数据增强模型参数进行迭代优化；
S205：判断所述数据增强模型参数是否收敛，若收敛则终止迭代，若不收敛则利用人工鱼群算法进行迭代。
进一步，所述对存储的文本分类训练用数据集进行数据增强具体包括：
对存储的文本分类训练用数据集进行同义词替换子处理、随机替换处理、随机删除处理、随机交换位置处理、回译处理和/或拼接处理；
其中，各处理过程具有各自的数据增强参数，全部的数据增强参数组成数据增强模型的参数列表Θ，所述人工鱼群算法迭代模块对所述参数列表Θ进行迭代优化。
进一步，所述判断分类效果是否符合预期具体为：
基于测试语料，对所述文本分类器进行测试，得到所述文本分类器的得分，即
Figure BDA0003268341020000141
其中recallk是分类器对第k个类别的召回率；precisionk是分类器对第k个类别的识别精度，k＝1，2，……，K，K为大于2的整数，其中，t表示当前迭代轮次。
进一步，所述人工鱼群算法迭代模块具体用于：
记人工鱼的参数列表Θ＝[Θdis，Θcon]，其中Θdis为参数列表中离散的部分，Θcon为参数中连续的部分；
计算人工鱼之间距离、计算人工鱼密度和/或计算人工鱼群重心；
根据人工鱼群计算结果进行觅食迭代、聚群迭代、追尾迭代和/或随机迭代。
进一步，
所述人工鱼之间的距离具体包括：
计算两个人工鱼在离散维度上的距离为distance(Θdis，l，Θdis，g)；而两个人工鱼在连续维度上的距离为distance(Θcon，l，Θcon，g)。
进一步，所述计算人工鱼密度具体包括：
在1号人工鱼所处位置，
在离散维度中的人工鱼密度是：
Figure BDA0003268341020000151
在连续维度中的人工鱼密度是：
Figure BDA0003268341020000152
如果densitydis，l＜Q且densitycon，l＜Q，那么1号人工鱼所处区域的人工鱼是比较少的、竞争不是很激烈，适合前往，其中Q为预设阈值。
进一步，所述计算人工鱼群重心具体包括：
在离散维度上的重心为：
Figure BDA0003268341020000153
在连续维度上的重心为：
Figure BDA0003268341020000154
其中round函数用来对数字进行四舍五入操作。
进一步，所述觅食迭代具体为：
人工鱼尝试游动一次，如果目标位置太拥挤，即Θdis，l，t+1＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t，执行聚群迭代；计算人工鱼群新位置对应数据增强模型的得分，如果得分超过scoret，l，那么得到新的参数Θdis，l，t+1和Θcon，l，t+1，如果得分不高于scoret，k，则Θdis，l，t+1＝Θdis，t，t且Θcon，l，t+1＝Θcon，l，t；
其中，t表示迭代轮次，k表示人工鱼编号。
进一步，所述聚群迭代具体为：
计算1号人工鱼与其他所有人工鱼的距离；
选择与l号人工鱼视野范围内的人工鱼，如果离散维度或连续维度中的拥挤指数超过阈值Q，取消本次聚群行为，并执行追尾迭代；
计算出l号人工鱼及其视野内所有人工鱼的重心centordis，t，g和Centorcon，t，g；
人工鱼向该重心游动一次。
进一步，所述追尾迭代具体为：
计算l号人工鱼与其他所有词表的海明距离；
选择l号人工鱼的海明距离小于D的人工鱼中，所处位置食物浓度最高的人工鱼，即得分最高的数据增强模型，记为h号人工鱼；
如果h号人工鱼所处位置的拥挤度超过阈值Q，则取消l号人工鱼本次追尾行为、执行随机迭代；
l号人工鱼按照预定方式向h号人工鱼游动一次。
具体地，
人工鱼的移动规则：
随机移动规则：
人工鱼的移动方式，即对应参数向量某个维度取值变化的方式，有两种情形：
在离散值维度上，人工鱼移动的步长是离散值。移动步长是从列表(-A，-A+1，...，0，...，A)中随机抽取的一个值。
在连续值维度上，人工鱼移动的步长是连续值。移动步长是一个服从U(-B，B)的随机数。
在人工鱼的每一次游动，通过对其参数的每一个维度进行上述操作来实现。
向特定方向游动的规则：
人工鱼在实施聚群和追尾操作的时候，需要朝着特定方向游动。假设l号人工鱼需要朝着g号人工鱼所在位置Θ＝[Θdis，t，g，Θcon，t，g]游动，那么此时的游动规则为：
(1)更新Θdis，t，l在第i个维度上的取值时，从列表(0，...，A)中随机抽取一个值x，然后实施更新
Figure BDA0003268341020000171
(2)更新Θcon，t，l在第i个维度上的取值时，按照基于U(0，B)随机获取一个步长y，然后实施更新
Figure BDA0003268341020000172
在人工鱼的每一次游动，通过对其参数的每一个维度进行上述操作来实现。
进一步，
所述人工鱼之间的距离具体包括：
计算两个人工鱼在离散维度上的距离为distance(Θdis，l，Θdis，g)；而两个人工鱼在连续维度上的距离为distance(Θcon，l，Θcon，g)。
进一步，所述计算人工鱼密度具体包括：
在1号人工鱼所处位置，
在离散维度中的人工鱼密度是：
Figure BDA0003268341020000181
在连续维度中的人工鱼密度是：
Figure BDA0003268341020000182
如果densitydis，l＜Q且densitycon，l＜Q，那么1号人工鱼所处区域的人工鱼是比较少的、竞争不是很激烈，适合前往，其中Q为预设阈值。
进一步，所述计算人工鱼群重心具体包括：
在离散维度上的重心为：
Figure BDA0003268341020000183
在连续维度上的重心为：
Figure BDA0003268341020000184
其中round函数用来对数字进行四舍五入操作。
进一步，所述觅食迭代具体为：
人工鱼尝试游动一次，如果目标位置太拥挤，即Θdis，l，t+1＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t，执行聚群迭代；计算人工鱼群新位置对应数据增强模型的得分，如果得分超过scoret，l，那么得到新的参数Θdis，l，t+1和Θcon，l，t+1，如果得分不高于scoret，k，则Θdis，l，t+1＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t；
其中，t表示迭代轮次，k表示人工鱼编号。
进一步，所述聚群迭代具体为：
计算1号人工鱼与其他所有人工鱼的距离；
选择与l号人工鱼视野范围内的人工鱼，如果离散维度或连续维度中的拥挤指数超过阈值Q，取消本次聚群行为，并执行追尾迭代；
计算出l号人工鱼及其视野内所有人工鱼的重心centordis，t，g和Centorcon，t，g；
人工鱼向该重心游动一次。
进一步，所述追尾迭代具体为：
计算l号人工鱼与其他所有词表的海明距离；
选择l号人工鱼的海明距离小于D的人工鱼中，所处位置食物浓度最高的人工鱼，即得分最高的数据增强模型，记为h号人工鱼；
如果h号人工鱼所处位置的拥挤度超过阈值Q，则取消l号人工鱼本次追尾行为、执行随机迭代，即人工鱼随机游动一次；
l号人工鱼按照预定方式向h号人工鱼游动一次。
实施例三：
本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的文本数据增强方法的步骤。
本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。
半导体存储器，主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后，使Mos存储器在半导体存储器中开始占主要地位。NMos速度快，如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省，4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM)，即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入，它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器——PROM和可改写的只读存储器EPROM两种。
磁芯存储器，具有成本低，可靠性高的特点，且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上，存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS～8MB，存取周期为1.0～1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后，磁芯存储器仍然可以作为大容量扩充存储器而得到应用。
磁鼓存储器，一种磁记录的外存储器。由于其信息存取速度快，工作稳定可靠，虽然其容量较小，正逐渐被磁盘存储器所取代，但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要，出现了超小型磁鼓，其体积小、重量轻、可靠性高、使用方便。
磁盘存储器，一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点，即其存储容量较磁鼓容量大，而存取速度则较磁带存储器快，又可脱机贮存，因此在各种计算机系统中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。
硬磁盘存储器的品种很多。从结构上，分可换式和固定式两种。可换式磁盘盘片可调换，固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种，又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小，记录密度低存取速度高，但造价高。活动磁头型磁盘记录密度高(可达1000～6250位/英寸)，因而容量大，但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节，位密度为每英寸6250位，道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换，具有很大的脱体容量，而且容量大，速度高，可存储大容量情报资料，在联机情报检索系统、数据库管理系统中得到广泛应用。
实施例四：
本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的文本数据增强系统的步骤。
图4为一个实施例中电子设备的内部结构示意图。如图4所示，该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种文本数据增强方法。该电设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种文本数据增强方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。
所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (13)

1.一种文本数据增强方法，其特征在于，包括：
获取的训练用数据集并存储；
以数据增强策略清单以及数据增强数量参数构成的数据增强模型参数，对存储的文本分类训练用数据集进行数据增强，输出自动构造的训练数据集并存储；
通过对所述自动构造的训练数据集以及所述训练用数据集进行训练得到文本分类器，其中，所述文本分类器用于进行数据分类，并判断分类效果是否符合预期；
基于所述文本分类器的分类结果的基础上，对所述数据增强模块构建的所述数据增强模型参数进行迭代优化；
判断所述数据增强模型参数是否收敛，若收敛则终止迭代，若不收敛则利用人工鱼群算法进行迭代。
2.根据权利要求1所述的方法，其特征在于，所述对存储的文本分类训练用数据集进行数据增强具体包括：
对存储的文本分类训练用数据集进行同义词替换子处理、随机替换处理、随机删除处理、随机交换位置处理、回译处理和/或拼接处理；
其中，各处理过程具有各自的数据增强参数，全部的数据增强参数组成数据增强模型的参数列表Θ，所述人工鱼群算法迭代模块对所述参数列表Θ进行迭代优化。
3.根据权利要求2所述的方法，其特征在于，所述判断分类效果是否符合预期具体为:
基于测试语料，对所述文本分类器进行测试，得到所述文本分类器的得分，即
Figure FDA0003268341010000011
其中recallk是分类器对第k个类别的召回率；precisionk是分类器对第k个类别的识别精度，k＝1，2，……，K，K为大于2的整数，其中，t表示当前迭代轮次。
4.根据权利要求3所述的方法，其特征在于，所述人工鱼群算法迭代模块具体用于：
记人工鱼的参数列表Θ＝[Θdis，Θcon]，其中Θdis为参数列表中离散的部分，Θcon为参数中连续的部分；
计算人工鱼之间距离、计算人工鱼密度和/或计算人工鱼群重心；
根据人工鱼群计算结果进行觅食迭代、聚群迭代、追尾迭代和/或随机迭代。
5.根据权利要求4中所述的系统，其特征在于，
所述人工鱼之间的距离具体包括：
计算两个人工鱼在离散维度上的距离为distance(Θdis，l，Θdis，g)；而两个人工鱼在连续维度上的距离为distance(Θcon，l，Θcon，g)。
6.根据权利要求5所述的方法，其特征在于，所述计算人工鱼密度具体包括：
在1号人工鱼所处位置，
在离散维度中的人工鱼密度是：
Figure FDA0003268341010000021
在连续维度中的人工鱼密度是：
Figure FDA0003268341010000031
如果densitydis，l＜Q且densitycon，l＜Q，那么1号人工鱼所处区域的人工鱼是比较少的、竞争不是很激烈，适合前往，其中Q为预设阈值。
7.根据权利要求6所述的方法，其特征在于，所述计算人工鱼群重心具体包括：
在离散维度上的重心为：
Figure FDA0003268341010000032
在连续维度上的重心为：
Figure FDA0003268341010000033
其中round函数用来对数字进行四舍五入操作。
8.根据权利要求7所述的方法，其特征在于，所述觅食迭代具体为：
人工鱼尝试游动一次，如果目标位置太拥挤，即Θdis，l，t+1＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t，执行聚群迭代；计算人工鱼群新位置对应数据增强模型的得分，如果得分超过scoret，l，那么得到新的参数Θdis，l，t+1和Θcon，l，t+1，如果得分不高于scoret，k，则Θdis，l，t+1＝Θdis，l，t且Θcon，l，t+1＝Θcon，l，t；
其中，t表示迭代轮次，k表示人工鱼编号。
9.根据权利要求8所述的方法，其特征在于，所述聚群迭代具体为：
计算1号人工鱼与其他所有人工鱼的距离；
选择与l号人工鱼视野范围内的人工鱼，如果离散维度或连续维度中的拥挤指数超过阈值Q，取消本次聚群行为，并执行追尾迭代；
计算出1号人工鱼及其视野内所有人工鱼的重心centordis，t，g和centorcon，t，g；
人工鱼向该重心游动一次。
10.根据权利要求9所述的方法，其特征在于，所述追尾迭代具体为：
计算l号人工鱼与其他所有词表的海明距离；
选择l号人工鱼的海明距离小于D的人工鱼中，所处位置食物浓度最高的人工鱼，即得分最高的数据增强模型，记为h号人工鱼；
如果h号人工鱼所处位置的拥挤度超过阈值Q，则取消l号人工鱼本次追尾行为、执行随机迭代；
1号人工鱼按照预定方式向h号人工鱼游动一次。
11.一种文本数据增强系统，其特征在于，包括：
训练数据存储模块，用于存储所述系统获取的训练用数据集；
数据增强模块，用于以数据增强策略清单以及数据增强数量参数构成的数据增强模型参数，对所述训练数据存储模块中存储的文本分类训练用数据集进行数据增强，输出自动构造的训练数据集；
自动构造数据存储模块，用于存储经所述数据增强模块进行数据增强后的自动构造的训练数据集；
文本分类器，通过对所述自动构造的训练数据集以及所述训练用数据集进行训练得到；
所述文本分类器用于进行数据分类，并判断分类效果是否符合预期；
人工鱼群算法迭代模块，用于基于所述文本分类器的分类结果的基础上，对所述数据增强模块构建的所述数据增强模型参数进行迭代优化；
判断模块，用于判断所述数据增强模块构建的所述数据增强模型参数是否收敛，若收敛则终止迭代，若不收敛则利用人工鱼群算法迭代模块进行迭代。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现权利要求1～10任一项中所述的文本数据增强方法对应的步骤。
13.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时用于实现权利要求1～10任一项中所述的文本数据增强方法对应的步骤。
CN202111096903.0A 2021-09-17 2021-09-17 一种文本数据增强系统、方法、设备及介质 Active CN113806539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111096903.0A CN113806539B (zh) 2021-09-17 2021-09-17 一种文本数据增强系统、方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111096903.0A CN113806539B (zh) 2021-09-17 2021-09-17 一种文本数据增强系统、方法、设备及介质

Publications (2)

Publication Number Publication Date
CN113806539A true CN113806539A (zh) 2021-12-17
CN113806539B CN113806539B (zh) 2023-07-07

Family

ID=78895939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111096903.0A Active CN113806539B (zh) 2021-09-17 2021-09-17 一种文本数据增强系统、方法、设备及介质

Country Status (1)

Country Link
CN (1) CN113806539B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336840A (zh) * 2013-07-17 2013-10-02 沈阳大学 一种用于聚类分析优化人工鱼群的方法
US20160321243A1 (en) * 2014-01-10 2016-11-03 Cluep Inc. Systems, devices, and methods for automatic detection of feelings in text
CN107038475A (zh) * 2017-03-22 2017-08-11 中国人民解放军信息工程大学 一种基于人工鱼群算法的自适应随机共振系统和方法
WO2018103294A1 (zh) * 2016-12-07 2018-06-14 东北大学 基于双鱼群算法的电力无功优化系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336840A (zh) * 2013-07-17 2013-10-02 沈阳大学 一种用于聚类分析优化人工鱼群的方法
US20160321243A1 (en) * 2014-01-10 2016-11-03 Cluep Inc. Systems, devices, and methods for automatic detection of feelings in text
WO2018103294A1 (zh) * 2016-12-07 2018-06-14 东北大学 基于双鱼群算法的电力无功优化系统及方法
CN107038475A (zh) * 2017-03-22 2017-08-11 中国人民解放军信息工程大学 一种基于人工鱼群算法的自适应随机共振系统和方法

Also Published As

Publication number Publication date
CN113806539B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
US11853352B2 (en) Method and apparatus for establishing image set for image recognition, network device, and storage medium
Wang et al. Learning image similarity from flickr groups using stochastic intersection kernel machines
Wang et al. Learning image similarity from flickr groups using fast kernel machines
CN111723786A (zh) 一种基于单模型预测的安全帽佩戴检测方法及装置
CN112308313B (zh) 一种学校连续点选址方法、装置、介质及计算机设备
CN112487161A (zh) 一种面向企业需求的专家推荐方法、装置、介质及设备
KR20170065085A (ko) 시스템 리소스 관리를 위한 방법 및 장치
US20220147565A1 (en) Method of video search in an electronic device
CN107704364B (zh) 后台应用程序管控方法、装置、存储介质及电子设备
CN114037007A (zh) 数据集的构建方法、装置、计算机设备及存储介质
US8660974B2 (en) Inference over semantic network with some links omitted from indexes
CN113806539A (zh) 一种文本数据增强系统、方法、设备及介质
CN113255682B (zh) 一种目标检测系统、方法、装置、设备及介质
CN113971225A (zh) 图像检索系统、方法和装置
CN115424042A (zh) 基于层间特征相似性网络稀疏化方法、装置、介质及设备
US11899754B2 (en) ROI-based data content graph for wide data management
CN112232115B (zh) 一种计算因子植入方法、介质及设备
CN114896422A (zh) 一种知识图谱补全方法、装置、设备及介质
CN113537286A (zh) 一种图像分类方法、装置、设备及介质
CN113473135B (zh) 一种面向非线性纹理的帧内预测方法、设备及介质
CN113792119A (zh) 一种文章原创度评价系统、方法、设备及介质
CN117786476A (zh) 一种特征提取方法、系统、介质及设备
CN112989938A (zh) 一种行人实时跟踪识别方法、装置、介质及设备
CN117893753A (zh) 基于校正的交互式人体解析方法、系统、介质及设备
WO2023230769A1 (zh) Cad模型搜索、聚类及分类模型生成方法、装置和存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40062837

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant