CN113822013B - 用于文本数据的标注方法、装置、计算机设备及存储介质 - Google Patents
用于文本数据的标注方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113822013B CN113822013B CN202110251799.1A CN202110251799A CN113822013B CN 113822013 B CN113822013 B CN 113822013B CN 202110251799 A CN202110251799 A CN 202110251799A CN 113822013 B CN113822013 B CN 113822013B
- Authority
- CN
- China
- Prior art keywords
- text data
- words
- search
- word
- label
- 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.)
- Active
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 description 18
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
- G06F40/117—Tagging; Marking up; Designating a block; Setting of attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提出一种用于文本数据的标注方法、装置、计算机设备及存储介质,该方法包括获取文本数据;对文本数据进行处理,以得到对应的目标词和业务关键词;根据目标词,从预配置的标签库之中选取出对应的第一标签;根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签;以及采用第一标签和第二标签对文本数据进行标注。通过本申请使得标注方法能够自动化地适配于文本数据当中的新词标注,从而有效地提升文本数据的标注效率和标注准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种用于文本数据的标注方法、装置、计算机设备及存储介质。
背景技术
在互联网的应用场景中,会产生大量的文本数据,从而会有大量的文本数据需要标注,标注得到的标签(比如语义标签、类别标签等)可被用于推荐、风控等领域。
相关技术中,文本数据的标注方式主要是依赖人工,或者是根据已有标注的文本数据,进行机器学习及关键词匹配检索进行标注。
这些方式下,不能够自动化地适配于文本数据当中的新词标注,从而影响文本数据的标注效率和标注准确性。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的目的在于提出一种用于文本数据的标注方法、装置、计算机设备及存储介质,能够使得标注方法能够自动化地适配于文本数据当中的新词标注,从而有效地提升文本数据的标注效率和标注准确性。
为达到上述目的,本申请第一方面实施例提出的用于文本数据的标注方法,包括:获取文本数据;对所述文本数据进行处理,以得到对应的目标词和业务关键词;根据所述目标词,从预配置的标签库之中选取出对应的第一标签;根据所述业务关键词,结合预训练的标签抽取模型确定对应的第二标签;以及采用所述第一标签和所述第二标签对所述文本数据进行标注。
本申请第一方面实施例提出的用于文本数据的标注方法,通过获取文本数据,对文本数据进行处理,以得到对应的目标词和业务关键词,并根据目标词,从预配置的标签库之中选取出对应的第一标签,根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签,以及采用第一标签和第二标签对文本数据进行标注,使得标注方法能够自动化地适配于文本数据当中的新词标注,从而有效地提升文本数据的标注效率和标注准确性。
为达到上述目的,本申请第二方面实施例提出的用于文本数据的标注装置,包括:获取模块,用于获取文本数据;处理模块,用于对所述文本数据进行处理,以得到对应的目标词和业务关键词;选取模块,用于根据所述目标词,从预配置的标签库之中选取出对应的第一标签;确定模块,用于根据所述业务关键词,结合预训练的标签抽取模型确定对应的第二标签;以及标注模块,用于采用所述第一标签和所述第二标签对所述文本数据进行标注。
本申请第二方面实施例提出的用于文本数据的标注装置,通过获取文本数据,对文本数据进行处理,以得到对应的目标词和业务关键词,并根据目标词,从预配置的标签库之中选取出对应的第一标签,根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签,以及采用第一标签和第二标签对文本数据进行标注,使得标注方法能够自动化地适配于文本数据当中的新词标注,从而有效地提升文本数据的标注效率和标注准确性。
本申请第三方面实施例提出了一种计算机设备,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,所述处理器执行所述程序时,实现如本申请第一方面实施例提出的用于文本数据的标注方法。
本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面实施例提出的用于文本数据的标注方法。
本申请第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行如本申请第一方面实施例提出的用于文本数据的标注方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请一实施例提出的用于文本数据的标注方法的流程示意图;
图2是本申请实施例中的应用示意图;
图3是本申请另一实施例提出的用于文本数据的标注方法的流程示意图;
图4是本申请一实施例提出的用于文本数据的标注装置的结构示意图;
图5是本申请另一实施例提出的用于文本数据的标注装置的结构示意图;
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本申请一实施例提出的用于文本数据的标注方法的流程示意图。
其中,需要说明的是,本实施例的用于文本数据的标注方法的执行主体为用于文本数据的标注装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
如图1所示,该方法包括:
S101:获取文本数据。
其中,文本数据比如一段具有相应的语义的文本中包含的内容。
本申请实施例中,可以经由电子设备提供文本输入界面,接收用户输入的一段文本,解析该段文本中的内容并作为文本数据,或者,也可以解析用户语音录入的一段语音,将该段语音转换为相应的文本,解析该段文本中的内容并作为文本数据,对此不做限制。
上述获取文本数据的过程,可以是自动化解析获取的过程,从而实现闭环的自动化的文本数据的标注。
S102:对文本数据进行处理,以得到对应的目标词和业务关键词。
其中的目标词,可以是人工辅助打标平台未识别的词,或者,也可以是其它根据业务需求所确定的具有一些特征的词,对此不做限制。
举例而言,人工辅助打标平台在打标过程中,能够结合一些模型自适应地从文本数据当中识别出标注所需要的词,则人工辅助打标平台能够识别出的词,可以是已识别词,而受限于人工辅助打标平台的识别准确性,在实际的标注应用场景中,可能会存在漏识别的词,由此,本申请实施例中正是提供了对人工辅助打标平台未识别的词进行自动化的闭环识别,辅助后续采用该目标词进行文本数据的标注,提升标注准确性。
而为了使得标注方法更适配于业务场景需求,使得识别得到的标签更符合业务场景需求,还可以对文本数据进行处理,以得到对应的业务关键词,该业务关键词能够用于描述该段文本数据对应的业务类型(比如,金融、基金、教育)等等。
可选地,一些实施例中,对文本数据进行处理,以得到对应的目标词和业务关键词,可以是对文本数据进行分词处理,以得到多个候选搜索词,并对文本数据进行命名实体识别,以得到对应的多个实体词,以及从多个候选搜索词之中选取出目标词,并从多个实体词之中识别得到业务关键词,能够有效地提升目标词和业务关键词挖掘的准确性,并且是基于搜索的新词挖掘,从而有效提升挖掘得到的新词的覆盖范围,并且是基于命名实体识别的业务关键词提取,在保障识别准确性的同时,提升了识别的效率。
比如,可以对文本数据进行分词处理,得到多个分词,相应地,将该分词作为候选搜索词,在搜索引擎中触发相应的搜索,以确定出最匹配的目标词,还可以对文本数据进行命名实体识别(Named Entity Recognition,NER),以得到对应的多个实体词,从而基于多个实体词来分析得到业务关键词。
可选地,一些实施例中,对文本数据进行命名实体识别,以得到对应的多个实体词,可以是将文本数据作为预训练的命名实体识别模型NER的输入,以得到命名实体识别模型输出的对应的多个实体词,由于该命名实体识别模型是预先基于海量的数据训练得到的,从而能够较大程度地提升挖掘效率和挖掘便捷性。
而本申请实施例中,还为了有效地扩展挖掘得到的实体词的覆盖范围,不仅仅对文本数据当中已经出现的实体词进行识别,还实现基于已出现的实体词进行词扩展和推理,可以在对文本数据进行命名实体识别,以得到对应的多个实体词之后,解析多个实体词,以得到与多个实体词分别对应的多个词特征;根据多个词特征,从实体库之中识别得到扩展实体词。
上述的词特征,可以是共现特征、上下文特征、特殊符号特征(比如实体库之中的候选实体词是否含有破折号、候选实体词被引号包含的比例、候选实体词被括号包含的比例、候选实体词中英文和数字的比例等)、逆文本频率指数(Inverse Document Frequency,IDF)、完备性特征、词向量特征等,对此不做限制。
上述过程可以实现使用目标词来推理和扩展得出扩展实体词,比如分词得到与多个实体词分别对应的多个词特征,获取候选文本数据,该候选文本数据可以是文本数据库当中的,或者也可以是线上搜索得到的,而后对各个候选文本进行分词,过滤筛选出其中词频较高的分词作为候选实体词,根据海量的候选实体词构建实体库,而后,可以基于词特征在实体库之中进行匹配,对各个候选实体词的匹配程度进行评分,从而筛选出评分值较高的候选实体词并作为扩展实体词,对此不做限制。
当然,也可以采用其它任意可能的方式来实现使用目标词推理和扩展得出扩展实体词,比如,人工智能的方式、机器学习的方式等等,对此不做限制。
上述在基于已出现的实体词进行词扩展和推理之后,可以从多个实体词和扩展实体词之中识别得到业务关键词,从而有效地扩展挖掘得到的业务关键词的覆盖范围,保障业务关键词识别的准确性。
S103:根据目标词,从预配置的标签库之中选取出对应的第一标签。
上述在对文本数据进行处理,以得到对应的目标词和业务关键词之后,可以根据目标词,从预配置的标签库之中选取出对应的第一标签。
其中,与目标词对应的标签,可以被称为第一标签,而第一标签可被用于对文本数据进行标注。
一些实施例中,在根据目标词,从预配置的标签库之中选取出对应的第一标签,可以是词向量分析算法处理目标词,得到与目标词对应的特征表示,而后,将特征表示映射至向量空间维度,得到与目标词对应的词向量,将对应的词向量与标签库中各个标签对应的标注词向量进行匹配,确定对应的词向量与标注词向量的相似度,如果相似度大于阈值(比如90%),则确定该标注向量对应的标签,与目标词相适配,则可以将该标签作为第一标签,对此不做限制。
当然,也可以采用其它任意可能的方式从预配置的标签库之中选取出与目标词对应的第一标签,比如采用模型匹配的方式,数学运算选取的方式等等,对此不做限制。
S104:根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签。
上述在对文本数据进行处理,以得到对应的目标词和业务关键词之后,可以根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签,其中,与业务关键词对应的标签,可以被称为第二标签,而第二标签可被用于对文本数据进行标注。
比如可以将业务关键词输入至预训练的标签抽取模型(该预训练的标签抽取模型可以是基于海量的训练数据训练得到的),而后得到预训练的标签抽取模型输出的与业务关键词匹配的第二标签。
S105:采用第一标签和第二标签对文本数据进行标注。
上述在识别得到与目标词对应的第一标签和与业务关键词对应的第二标签之后,可以直接采用第一标签和第二标签对文本数据进行标注。
如图2所示,图2是本申请实施例中的应用示意图,包括:人工智能AI辅助分类模块、人工智能(Artificial Intelligence,AI)辅助打标模块,从而采用人工智能AI辅助分类模块辅助人工辅助打标平台进行新词识别的业务关键词,以及采用人工智能AI辅助打标模块辅助人工辅助打标平台识别出第一标签和第二标签,从而实现闭环的自动化的标注。
本实施例中,通过获取文本数据,对文本数据进行处理,以得到对应的目标词和业务关键词,并根据目标词,从预配置的标签库之中选取出对应的第一标签,根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签,以及采用第一标签和第二标签对文本数据进行标注,使得标注方法能够自动化地适配于文本数据当中的新词标注,从而有效地提升文本数据的标注效率和标注准确性。
图3是本申请另一实施例提出的用于文本数据的标注方法的流程示意图。
如图3所示,该方法包括:
S301:获取文本数据。
S302:对文本数据进行分词处理,以得到多个候选搜索词。
S303:对文本数据进行命名实体识别,以得到对应的多个实体词。
S301-S303的步骤说明,可以具体参见上述实施例,在此不再赘述。
S304:获取与多个候选搜索词分别对应的多个搜索特征。
其中,该搜索特征,可以在采用候选搜索词在搜索引擎当中进行搜索时,所关联的一些搜索领域的特征,比如搜索量、对应搜索结果页面的浏览量等等,对此不做限制。
本实施例中,可以采用搜索特征,确定该候选搜索词在搜索领域当中的词频,从而将词频作为搜索特征,从而将词频的考量纳入新词的识别当中,也即是说,将人工辅助打标平台未识别的词中,结合各词的搜索特征来筛选出目标词,能够有效地保障新词的识别效果,提升新词识别的准确性和合理性。
可选地,一些实施例中,在计算各个候选搜索词对应的搜索特征时,可以是获取与候选搜索词对应的至少一个目标搜索结果,并统计目标搜索结果占据多个搜索结果的比例信息,并将比例信息作为搜索特征。
其中,目标搜索结果是多个搜索结果之中,被连续点击触发的搜索结果,搜索结果是搜索引擎,基于候选搜索词搜索得到的参考文本数据,目标搜索结果包括:参考文本数据,且候选搜索词存在于参考文本数据的文本主题中。
也即是说,上述的搜索结果,可以具体是搜索结果页面,该搜索结果页面可以具体对应参考文本(比如该搜索结果页面具体展示的是一个参考文本,且基于搜索结果展示界面的链接,能够链接至该参考文本,参考文本中包含的内容,可以被称为参考文本数据),目标搜索结果是多个搜索结果当中的部分搜索结果,且目标搜索结果被连续点击触发(例如,目标搜索结果的链接,被连续点击触发),该目标搜索结果能够链接至的参考文本数据的文本主题中,包含候选搜索词。
上述的过程即可以被视为统计各个候选搜索词query在点击文本主题title中连续出现的比例值(该比例值即可以被称为比例信息)。
S305:如果比例信息大于设定阈值,则确定候选搜索词是目标词。
上述在统计目标搜索结果占据多个搜索结果的比例信息,并将比例信息作为搜索特征之后,可以将比例信息与设定阈值(90%)作比对,根据比对的结果判断是否可以将候选搜索词识别为新的目标词。
举例而言,可以将连续出现比例值大于或者等于90%的候选搜索词query作为新的目标词,具体例如,如果人工辅助打标平台在多篇文章(可以被视为搜索得到的参考文本数据)中连续打出“指数基金”,且人工辅助打标平台对应的后台模型无法识别该词的类型,则可以自适应地采用机器学习的方法识别出该词为新词并作为目标词,对此不做限制。
识别出的目标词,可以例如中文词(2-4字的词),比如:两全险;或者是复合词(2-8字的词),比如:QDII基金。
S306:从多个实体词之中识别得到业务关键词。
本实施例中,通过从多个实体词之中识别得到业务关键词,能够使得标注方法更适配于业务场景需求,使得识别得到的标签更符合业务场景需求。
举例而言,还可以对文本数据进行处理,首先从文本数据当中识别出多个实体词,而后,从多个实体之中识别得到对应的业务关键词,该业务关键词能够用于描述该段文本数据对应的业务类型(比如,金融、基金、教育)等等。
而另外一些实施例中,还可以将命名实体识别模型NER的处理逻辑融合至基于变压器的双向编码器表示(Bidirectional Encoder Representations from Transformers,BERT)的,且采用无监督方法的BERT预训练语言模型之中,从而基于该融合得到的模型,从多个实体词之中识别得到业务关键词,比如,可以结合实体所指代的上下文语义信息,和实体词之间的关联度分析(比如可以采用词向量来分析上下文语义信息和实体词之间的相关信息,作为关联度),并结合使用基于文本排名TextRank的关键词提取技术,来辅助增强关联度度量的准确性,从而优化上述融合模型的关键词提取效果,可以实现自动化地从多个实体词之中识别得到业务关键词。
S307:根据目标词,从预配置的标签库之中选取出对应的第一标签。
上述在对文本数据进行处理,以得到对应的目标词和业务关键词之后,可以根据目标词,从预配置的标签库之中选取出对应的第一标签。
其中,与目标词对应的标签,可以被称为第一标签,而第一标签可被用于对文本数据进行标注。
一些实施例中,在根据目标词,从预配置的标签库之中选取出对应的第一标签,可以是词向量分析算法处理目标词,得到与目标词对应的特征表示,而后,将特征表示映射至向量空间维度,得到与目标词对应的词向量,将对应的词向量与标签库中各个标签对应的标注词向量进行匹配,确定对应的词向量与标注词向量的相似度,如果相似度大于阈值(比如90%),则确定该标注向量对应的标签,与目标词相适配,则可以将该标签作为第一标签,对此不做限制。
当然,也可以采用其它任意可能的方式从预配置的标签库之中选取出与目标词对应的第一标签,比如采用模型匹配的方式,数学运算选取的方式等等,对此不做限制。
S308:根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签。
上述在对文本数据进行处理,以得到对应的目标词和业务关键词之后,可以根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签,其中,与业务关键词对应的标签,可以被称为第二标签,而第二标签可被用于对文本数据进行标注。
比如可以将业务关键词输入至预训练的标签抽取模型(该预训练的标签抽取模型可以是基于海量的训练数据训练得到的),而后得到预训练的标签抽取模型输出的与业务关键词匹配的第二标签。
S309:采用第一标签和第二标签对文本数据进行标注。
上述在识别得到与目标词对应的第一标签和与业务关键词对应的第二标签之后,可以直接采用第一标签和第二标签对文本数据进行标注。
如图2所示,图2是本申请实施例中的应用示意图,包括:人工智能AI辅助分类模块、人工智能(Artificial Intelligence,AI)辅助打标模块,从而采用人工智能AI辅助分类模块辅助人工辅助打标平台进行新词识别的业务关键词,以及采用人工智能AI辅助打标模块辅助人工辅助打标平台识别出第一标签和第二标签,从而实现闭环的自动化的标注。
本实施例中,通过获取文本数据,对文本数据进行处理,以得到对应的目标词和业务关键词,并根据目标词,从预配置的标签库之中选取出对应的第一标签,根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签,以及采用第一标签和第二标签对文本数据进行标注,使得标注方法能够自动化地适配于文本数据当中的新词标注,从而有效地提升文本数据的标注效率和标注准确性。可以采用搜索特征,确定该候选搜索词在搜索领域当中的词频,从而将词频作为搜索特征,从而将词频的考量纳入新词的识别当中,也即是说,将人工辅助打标平台未识别的词中,结合各词的搜索特征来筛选出目标词,能够有效地保障新词的识别效果,提升新词识别的准确性和合理性。通过从多个实体词之中识别得到业务关键词,能够使得标注方法更适配于业务场景需求,使得识别得到的标签更符合业务场景需求。
图4是本申请一实施例提出的用于文本数据的标注装置的结构示意图。
如图4所示,该用于文本数据的标注装置40,包括:
获取模块401,用于获取文本数据;
处理模块402,用于对所述文本数据进行处理,以得到对应的目标词和业务关键词;
选取模块403,用于根据所述目标词,从预配置的标签库之中选取出对应的第一标签;
确定模块404,用于根据所述业务关键词,结合预训练的标签抽取模型确定对应的第二标签;以及
标注模块405,用于采用所述第一标签和所述第二标签对所述文本数据进行标注。
在本申请的一些实施例中,如图5所示,图5是本申请另一实施例提出的用于文本数据的标注装置的结构示意图,所述处理模块402,包括:
分词处理子模块4021,用于对所述文本数据进行分词处理,以得到多个候选搜索词;
实体识别子模块4022,用于对所述文本数据进行命名实体识别,以得到对应的多个实体词;
处理子模块4023,用于从所述多个候选搜索词之中选取出目标词,并从所述多个实体词之中识别得到所述业务关键词。
在本申请的一些实施例中,所述处理子模块4023,具体用于:
获取与所述多个候选搜索词分别对应的多个搜索特征;
根据所述多个搜索特征,从所述多个候选搜索词之中识别出目标词。
在本申请的一些实施例中,所述处理子模块4023,具体用于:
获取与所述候选搜索词对应的至少一个目标搜索结果;
统计所述目标搜索结果占据所述多个搜索结果的比例信息,并将所述比例信息作为所述搜索特征;
其中,所述目标搜索结果是多个搜索结果之中,被连续点击触发的搜索结果,所述搜索结果是搜索引擎,基于所述候选搜索词搜索得到的参考文本数据,所述目标搜索结果包括:所述参考文本数据,且所述候选搜索词存在于所述参考文本数据的文本主题中。
在本申请的一些实施例中,所述处理子模块4023,具体用于:
如果所述比例信息大于设定阈值,则确定所述候选搜索词是所述目标词。
在本申请的一些实施例中,所述实体识别子模块4022,具体用于:
将所述文本数据作为预训练的命名实体识别模型的输入,以得到所述命名实体识别模型输出的所述对应的多个实体词。
在本申请的一些实施例中,如图5所示,所述处理模块402,还包括:
词扩展子模块4024,用于解析所述多个实体词,以得到与所述多个实体词分别对应的多个词特征,并根据所述多个词特征,从实体库之中识别得到扩展实体词;
则所述处理子模块4023,具体用于:
从所述多个实体词和所述扩展实体词之中识别得到所述业务关键词。
与上述图1至图3实施例提供的用于文本数据的标注方法相对应,本申请还提供一种用于文本数据的标注装置,由于本申请实施例提供的用于文本数据的标注装置与上述图1至图3实施例提供的用于文本数据的标注方法相对应,因此在用于文本数据的标注方法的实施方式也适用于本申请实施例提供的用于文本数据的标注装置,在本申请实施例中不再详细描述。
本实施例中,通过获取文本数据,对文本数据进行处理,以得到对应的目标词和业务关键词,并根据目标词,从预配置的标签库之中选取出对应的第一标签,根据业务关键词,结合预训练的标签抽取模型确定对应的第二标签,以及采用第一标签和第二标签对文本数据进行标注,使得标注方法能够自动化地适配于文本数据当中的新词标注,从而有效地提升文本数据的标注效率和标注准确性。
为了实现上述实施例,本申请还提出一种计算机设备,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,处理器执行程序时,实现如本申请前述实施例提出的用于文本数据的标注方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请前述实施例提出的用于文本数据的标注方法。
为了实现上述实施例,本申请还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本申请前述实施例提出的用于文本数据的标注方法。
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图6显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的用于文本数据的标注方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种用于文本数据的标注方法,其特征在于,所述方法包括:
获取文本数据;
对所述文本数据进行分词处理,以得到多个候选搜索词;
对所述文本数据进行命名实体识别,以得到对应的多个实体词;
从所述多个候选搜索词之中选取出目标词,并从所述多个实体词之中识别得到业务关键词;
根据所述目标词,从预配置的标签库之中选取出对应的第一标签;
根据所述业务关键词,结合预训练的标签抽取模型确定对应的第二标签;以及
采用所述第一标签和所述第二标签对所述文本数据进行标注。
2.如权利要求1所述的方法,其特征在于,所述从所述多个候选搜索词之中选取出目标词,包括:
获取与所述多个候选搜索词分别对应的多个搜索特征;
根据所述多个搜索特征,从所述多个候选搜索词之中识别出目标词。
3.如权利要求2所述的方法,其特征在于,所述获取与所述多个候选搜索词分别对应的多个搜索特征,包括:
获取与所述候选搜索词对应的至少一个目标搜索结果;
统计所述目标搜索结果占据所述多个搜索结果的比例信息,并将所述比例信息作为所述搜索特征;
其中,所述目标搜索结果是多个搜索结果之中,被连续点击触发的搜索结果,所述搜索结果是搜索引擎,基于所述候选搜索词搜索得到的参考文本数据,所述目标搜索结果包括:所述参考文本数据,且所述候选搜索词存在于所述参考文本数据的文本主题中。
4.如权利要求3所述的方法,其特征在于,所述根据所述多个搜索特征,从所述多个候选搜索词之中识别出目标词,包括:
如果所述比例信息大于设定阈值,则确定所述候选搜索词是所述目标词。
5.如权利要求1所述的方法,其特征在于,所述对所述文本数据进行命名实体识别,以得到对应的多个实体词,包括:
将所述文本数据作为预训练的命名实体识别模型的输入,以得到所述命名实体识别模型输出的所述对应的多个实体词。
6.如权利要求1所述的方法,其特征在于,在所述对所述文本数据进行命名实体识别,以得到对应的多个实体词之后,还包括:
解析所述多个实体词,以得到与所述多个实体词分别对应的多个词特征;
根据所述多个词特征,从实体库之中识别得到扩展实体词;
则所述从所述多个实体词之中识别得到所述业务关键词,包括:
从所述多个实体词和所述扩展实体词之中识别得到所述业务关键词。
7.一种用于文本数据的标注装置,其特征在于,所述装置包括:
获取模块,用于获取文本数据;
处理模块,用于对所述文本数据进行处理,以得到对应的目标词和业务关键词;
选取模块,用于根据所述目标词,从预配置的标签库之中选取出对应的第一标签;
确定模块,用于根据所述业务关键词,结合预训练的标签抽取模型确定对应的第二标签;以及
标注模块,用于采用所述第一标签和所述第二标签对所述文本数据进行标注;
所述处理模块,包括:
分词处理子模块,用于对所述文本数据进行分词处理,以得到多个候选搜索词;
实体识别子模块,用于对所述文本数据进行命名实体识别,以得到对应的多个实体词;
处理子模块,用于从所述多个候选搜索词之中选取出目标词,并从所述多个实体词之中识别得到所述业务关键词。
8.如权利要求7所述的装置,其特征在于,所述处理子模块,具体用于:
获取与所述多个候选搜索词分别对应的多个搜索特征;
根据所述多个搜索特征,从所述多个候选搜索词之中识别出目标词。
9.如权利要求8所述的装置,其特征在于,所述处理子模块,具体用于:
获取与所述候选搜索词对应的至少一个目标搜索结果;
统计所述目标搜索结果占据所述多个搜索结果的比例信息,并将所述比例信息作为所述搜索特征;
其中,所述目标搜索结果是多个搜索结果之中,被连续点击触发的搜索结果,所述搜索结果是搜索引擎,基于所述候选搜索词搜索得到的参考文本数据,所述目标搜索结果包括:所述参考文本数据,且所述候选搜索词存在于所述参考文本数据的文本主题中。
10.如权利要求9所述的装置,其特征在于,所述处理子模块,具体用于:
如果所述比例信息大于设定阈值,则确定所述候选搜索词是所述目标词。
11.如权利要求7所述的装置,其特征在于,所述实体识别子模块,具体用于:
将所述文本数据作为预训练的命名实体识别模型的输入,以得到所述命名实体识别模型输出的所述对应的多个实体词。
12.如权利要求7所述的装置,其特征在于,所述处理模块,还包括:
词扩展子模块,用于解析所述多个实体词,以得到与所述多个实体词分别对应的多个词特征,并根据所述多个词特征,从实体库之中识别得到扩展实体词;
则所述处理子模块,具体用于:
从所述多个实体词和所述扩展实体词之中识别得到所述业务关键词。
13.一种计算机设备,其特征在于,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,所述处理器执行所述程序时,实现如权利要求1-6中任一所述的方法。
14.一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251799.1A CN113822013B (zh) | 2021-03-08 | 2021-03-08 | 用于文本数据的标注方法、装置、计算机设备及存储介质 |
PCT/CN2022/075659 WO2022188585A1 (zh) | 2021-03-08 | 2022-02-09 | 用于文本数据的标注方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251799.1A CN113822013B (zh) | 2021-03-08 | 2021-03-08 | 用于文本数据的标注方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822013A CN113822013A (zh) | 2021-12-21 |
CN113822013B true CN113822013B (zh) | 2024-04-05 |
Family
ID=78912397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110251799.1A Active CN113822013B (zh) | 2021-03-08 | 2021-03-08 | 用于文本数据的标注方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113822013B (zh) |
WO (1) | WO2022188585A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822013B (zh) * | 2021-03-08 | 2024-04-05 | 京东科技控股股份有限公司 | 用于文本数据的标注方法、装置、计算机设备及存储介质 |
CN116187316A (zh) * | 2022-10-24 | 2023-05-30 | 企知道科技有限公司 | 基于ai模型的服务器控制方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6052682A (en) * | 1997-05-02 | 2000-04-18 | Bbn Corporation | Method of and apparatus for recognizing and labeling instances of name classes in textual environments |
CN103838870A (zh) * | 2014-03-21 | 2014-06-04 | 武汉科技大学 | 基于信息单元融合的新闻原子事件抽取方法 |
CN107436922A (zh) * | 2017-07-05 | 2017-12-05 | 北京百度网讯科技有限公司 | 文本标签生成方法和装置 |
CN108647194A (zh) * | 2018-04-28 | 2018-10-12 | 北京神州泰岳软件股份有限公司 | 信息抽取方法及装置 |
CN109165380A (zh) * | 2018-07-26 | 2019-01-08 | 咪咕数字传媒有限公司 | 一种神经网络模型训练方法及装置、文本标签确定方法及装置 |
CN109918645A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技(深圳)有限公司 | 深度分析文本的方法、装置、计算机设备和存储介质 |
CN110377743A (zh) * | 2019-07-25 | 2019-10-25 | 北京明略软件系统有限公司 | 一种文本标注方法及装置 |
CN111738009A (zh) * | 2019-03-19 | 2020-10-02 | 百度在线网络技术(北京)有限公司 | 实体词标签生成方法、装置、计算机设备和可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436875B (zh) * | 2016-05-25 | 2020-12-04 | 华为技术有限公司 | 文本分类方法及装置 |
CN108280061B (zh) * | 2018-01-17 | 2021-10-26 | 北京百度网讯科技有限公司 | 基于歧义实体词的文本处理方法和装置 |
EP3567605A1 (en) * | 2018-05-08 | 2019-11-13 | Siemens Healthcare GmbH | Structured report data from a medical text report |
CN108829893B (zh) * | 2018-06-29 | 2021-01-29 | 北京百度网讯科技有限公司 | 确定视频标签的方法、装置、存储介质和终端设备 |
US11023982B2 (en) * | 2018-07-12 | 2021-06-01 | Adp, Llc | Method to efficiently categorize, extract and setup of payroll tax notices |
CN109992646B (zh) * | 2019-03-29 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 文本标签的提取方法和装置 |
CN111324771B (zh) * | 2020-02-26 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 视频标签的确定方法、装置、电子设备及存储介质 |
CN112347778B (zh) * | 2020-11-06 | 2023-06-20 | 平安科技(深圳)有限公司 | 关键词抽取方法、装置、终端设备及存储介质 |
CN113822013B (zh) * | 2021-03-08 | 2024-04-05 | 京东科技控股股份有限公司 | 用于文本数据的标注方法、装置、计算机设备及存储介质 |
-
2021
- 2021-03-08 CN CN202110251799.1A patent/CN113822013B/zh active Active
-
2022
- 2022-02-09 WO PCT/CN2022/075659 patent/WO2022188585A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6052682A (en) * | 1997-05-02 | 2000-04-18 | Bbn Corporation | Method of and apparatus for recognizing and labeling instances of name classes in textual environments |
CN103838870A (zh) * | 2014-03-21 | 2014-06-04 | 武汉科技大学 | 基于信息单元融合的新闻原子事件抽取方法 |
CN107436922A (zh) * | 2017-07-05 | 2017-12-05 | 北京百度网讯科技有限公司 | 文本标签生成方法和装置 |
CN108647194A (zh) * | 2018-04-28 | 2018-10-12 | 北京神州泰岳软件股份有限公司 | 信息抽取方法及装置 |
CN109165380A (zh) * | 2018-07-26 | 2019-01-08 | 咪咕数字传媒有限公司 | 一种神经网络模型训练方法及装置、文本标签确定方法及装置 |
CN109918645A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技(深圳)有限公司 | 深度分析文本的方法、装置、计算机设备和存储介质 |
CN111738009A (zh) * | 2019-03-19 | 2020-10-02 | 百度在线网络技术(北京)有限公司 | 实体词标签生成方法、装置、计算机设备和可读存储介质 |
CN110377743A (zh) * | 2019-07-25 | 2019-10-25 | 北京明略软件系统有限公司 | 一种文本标注方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于word2vec的中文歌词关键词提取算法;蒙晓燕;殷雁君;;内蒙古师范大学学报(自然科学汉文版)(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022188585A1 (zh) | 2022-09-15 |
CN113822013A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107291828B (zh) | 基于人工智能的口语查询解析方法、装置及存储介质 | |
CN108829893B (zh) | 确定视频标签的方法、装置、存储介质和终端设备 | |
US10657325B2 (en) | Method for parsing query based on artificial intelligence and computer device | |
CN111475603B (zh) | 企业标识识别方法、装置、计算机设备及存储介质 | |
US10489439B2 (en) | System and method for entity extraction from semi-structured text documents | |
CN113807098A (zh) | 模型训练方法和装置、电子设备以及存储介质 | |
CN117076653B (zh) | 基于思维链及可视化提升上下文学习知识库问答方法 | |
CN112711660B (zh) | 文本分类样本的构建方法和文本分类模型的训练方法 | |
CN110232112B (zh) | 文章中关键词提取方法及装置 | |
CN111191445B (zh) | 广告文本分类方法及装置 | |
CN111324771B (zh) | 视频标签的确定方法、装置、电子设备及存储介质 | |
CN109086265B (zh) | 一种语义训练方法、短文本中多语义词消歧方法 | |
GB2570751A (en) | Predicting style breaches within textual content | |
CN113822013B (zh) | 用于文本数据的标注方法、装置、计算机设备及存储介质 | |
Banerjee et al. | Bengali question classification: Towards developing qa system | |
Galanopoulos et al. | Temporal lecture video fragmentation using word embeddings | |
CN110737770B (zh) | 文本数据敏感性识别方法、装置、电子设备及存储介质 | |
Hassani et al. | LVTIA: A new method for keyphrase extraction from scientific video lectures | |
CN112667815A (zh) | 文本处理方法、装置、计算机可读存储介质及处理器 | |
CN118093689A (zh) | 基于rpa多模态文档解析与结构化处理系统 | |
CN111552780B (zh) | 医用场景的搜索处理方法、装置、存储介质及电子设备 | |
CN115017385A (zh) | 一种物品搜索方法、装置、设备和存储介质 | |
CN114003750A (zh) | 物料上线方法、装置、设备及存储介质 | |
CN110276001B (zh) | 盘点页识别方法、装置、计算设备和介质 | |
CN112966125A (zh) | 一种地理位置识别方法、装置及设备 |
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 |