CN113963234B - 数据标注处理方法、装置、电子设备和介质 - Google Patents

数据标注处理方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN113963234B
CN113963234B CN202111241609.4A CN202111241609A CN113963234B CN 113963234 B CN113963234 B CN 113963234B CN 202111241609 A CN202111241609 A CN 202111241609A CN 113963234 B CN113963234 B CN 113963234B
Authority
CN
China
Prior art keywords
item
sample
labeling
features
determining
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
Application number
CN202111241609.4A
Other languages
English (en)
Other versions
CN113963234A (zh
Inventor
张亚萍
高浩然
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111241609.4A priority Critical patent/CN113963234B/zh
Publication of CN113963234A publication Critical patent/CN113963234A/zh
Priority to EP22202349.1A priority patent/EP4113398A3/en
Priority to US17/970,755 priority patent/US20230044508A1/en
Application granted granted Critical
Publication of CN113963234B publication Critical patent/CN113963234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

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

Abstract

本公开提供了一种用于数据标注处理方法、装置、电子设备和介质，涉及人工智能领域，具体涉及深度学习和推荐技术。实现方案为：确定待标注项目的项目特征和待匹配标注端的资源特征；确定用于所述待标注项目和所述待匹配标注端的共现特征；基于所述项目特征、所述资源特征和所述共现特征获取分类结果，所述分类结果指示所述待匹配标注端是否匹配所述待标注项目；以及基于所述分类结果将所述待标注项目发送给所述待匹配标注端。

Description

数据标注处理方法、装置、电子设备和介质
技术领域
本公开涉及人工智能领域，具体涉及深度学习和推荐技术，具体涉及一种数据标注处理方法、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。
海量、高质量、精细化的数据可以提高人工智能模型的效果。目前，高质量的数据集依赖人工标注的结果。
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
本公开提供了一种数据标注处理方法、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，提供了一种数据标注处理方法，包括：确定待标注项目的项目特征和待匹配标注端的资源特征；确定用于所述待标注项目和所述待匹配标注端的共现特征；基于所述项目特征、所述资源特征和所述共现特征获取分类结果，所述分类结果指示所述待匹配标注端是否匹配所述待标注项目；以及基于所述分类结果将所述待标注项目发送给所述待匹配标注端。
根据本公开的另一方面，提供了一种用于训练数据标注处理模型的方法，包括：确定样本项目的项目特征和样本标注端的资源特征；确定用于所述样本项目和所述样本标注端的共现特征；以及基于所述项目特征、所述资源特征和所述共现特征获取预测分类结果，所述预测分类结果指示所述样本标注端是否匹配所述样本项目；基于预定匹配规则确定用于所述样本项目和所述样本标注端的真实分类结果；基于所述预测分类结果和所述真实分类结果调整所述匹配模型的参数。
根据本公开的另一方面，提供了一种数据标注处理装置，包括：项目资源特征获取单元，被配置成确定待标注项目的项目特征和待匹配标注端的资源特征；共现特征获取单元，被配置成确定用于所述待标注项目和所述待匹配标注端的共现特征；分类单元，被配置成基于所述项目特征、所述资源特征和所述共现特征获取分类结果，所述分类结果指示所述待匹配标注端是否匹配所述待标注项目；以及发送单元，被配置成基于所述分类结果将所述待标注项目发送给所述待匹配标注端。
根据本公开的另一方面，提供了一种用于训练数据标注处理模型的装置，包括：项目资源特征获取单元，被配置成确定样本项目的项目特征和样本标注端的资源特征；共现特征获取单元，被配置成确定用于所述样本项目和所述样本标注端的共现特征；分类单元，被配置成基于所述项目特征、所述资源特征和所述共现特征获取预测分类结果，所述预测分类结果指示所述待匹配标注端是否匹配所述待标注项目；标定单元，被配置成基于预定匹配规则确定用于所述样本项目和所述样本标注端的真实分类结果；以及参数调整单元，被配置成基于所述预测分类结果和所述真实分类结果调整所述匹配模型的参数。
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前述方法。
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前述方法。
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前述方法。
根据本公开的一个或多个实施例，可以利用基于机器学习的方式为待标注的项目提供能够完成该项目的标注端的匹配结果，在推荐过程中能够考虑多个不同维度的数据特征，从而能够提高推荐结果的准确性，并能够进一步提高数据标注项目的数据集标注质量。
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数据标注处理方法的示例性的流程图；
图3示出了根据本公开的实施例的数据标注处理模型的示例性的架构图；
图4示出了根据本公开的实施例用于训练数据标注处理模型方法的示例性的流程图；
图5示出了根据本公开的实施例的数据标注推荐系统的示例性的架构；
图6示出了根据本公开的实施例的数据标注推荐流程的示例性的过程；
图7示出了根据本公开的实施例的数据标注处理装置的示例性的框图；
图8示出了根据本公开的实施例的用于训练数据标注处理模型的装置的示例性的框图；
图9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。
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根据本公开的方法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来获取待标注项目的项目信息和/或待匹配标注段的资源信息。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、智能屏设备、自助服务终端设备、服务机器人、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、APPLE iOS、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 WindowsMobile 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(诸如智能眼镜)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。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器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使用的数据库例如可以是关系数据库。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。
在相关技术中，为了提高人工智能模型的效果，需要为不同的项目进行精细化的数据标注。现有的标注项目资源推荐策略主要是基于经验设计的流程规则过滤。当一个待标注项目到来时，首先过滤出满足安全等级要求的有效标注端。接下来，考虑待标注项目的主标签和根据历史数据计算出的标注端能力标签，结合对应能力标签匹配度和历史正确率进行综合排序，取排名靠前的标注端作为推荐。在一些情况下，可以根据待标注项目的考试要求对标注端进行能力考察。
利用相关技术中的上述方法所生成的标注端的推荐结果规则单一，只考虑了项目和标注端之间的能力标签匹配度，但忽略了其他维度的有效特征信息，难以对推荐效果进行进一步的改善。在很多情况下，标注端仍需通过待标注项目的考试资格认证过程确定标注端有能力完成相应的待标注项目。利用上述基于历史数据的推荐方法，推荐结果会偏向于拥有较多历史记录的标注端，造成新加入的标注端冷启动困难，并且难以发掘标注端的长尾潜力。
在传统的推荐场景中，在记录了用户观看包含特定内容的页面的情况下，可以认为用户对相应特定内容有兴趣，从而可以在后续过程中向用户推荐包含特定内容的页面。然而，与传统的推荐场景不同的是，对于数据标注任务来说，标注端曾经承接过特定标注任务并不一定说明标注端有能力完成该特定标注任务，因此，在用于匹配数据标注端的推荐任务中无法直接应用传统的推荐算法模型。
为了解决上述问题，本公开提供了一种新的数据标注处理方法。下面将结合附图描述本公开的实施例。
图2示出了根据本公开的实施例的数据标注处理方法的示例性的流程图。可以利用图1示出的客户端101～106或服务器120执行图2中示出的方法200。
如图2所示，在步骤S202中，可以确定待标注项目的项目特征和待匹配标注端的资源特征。在步骤S204中，可以确定用于待标注项目和待匹配标注端的共现特征。在步骤S206中，可以基于项目特征、资源特征和共现特征获取分类结果，分类结果指示待匹配标注端是否匹配待标注项目。在步骤S208中，可以基于分类结果将待标注项目发送给待匹配标注端。
利用本公开的实施例提供的上述方法，可以基于待标注项目和待匹配标注端各自的特征信息以及项目和标注端之间的共现信息确定指示待匹配标注端是否匹配待标注项目的分类结果，从而将多个维度的特征信息用于筛选适合的标注端，从而能够进一步提高数据标注的准确率。
下面将具体描述本公开的实施例提供的方法。
在步骤S202中，可以确定待标注项目的项目特征和待匹配标注端的资源特征。
在一些实施例中，待标注项目的项目特征可以包括项目标签、项目题型、项目难度，项目模板特征中的至少一项。可以利用诸如问卷调查的方式预先获取与待标注项目的有关的项目信息，并基于项目信息确定待标注项目的项目特征。待匹配标注端可以对应于能够执行数据标注任务的数据标注团队。标注端的资源特征可以指示对应的数据标注团队的标注能力。其中，资源特征可以包括待匹配标注端的项目历史统计特征(如历史正确率等)、待匹配标注端的项目完成情况(如历史完成率等)中的至少一项。可以利用历史记录或问卷调查的方式预先获取待匹配标注端的资源信息，并基于资源信息确定待匹配标注端的资源特征。
在步骤S204中，可以确定用于待标注项目和待匹配标注端的共现特征。
共现特征可以指示待标注项目与待匹配标注端同时出现的情况。也就是说，共现特征可以指示待匹配标注端是否曾经处理待标注项目或与待标注项目类似的标注项目。当待标注项目属于现有标注项目并且待匹配标注端属于现有标注端时，共现特征可以指示待匹配标注端是否曾经处理待标注项目。当待标注项目不属于现有标注项目时，共现特征可以指示待匹配标注端是否曾经处理与待标注项目属于同一项目类型的现有标注项目。当待匹配标注端不属于现有标注端时，共现特征可以指示同类型的现有标注端是否曾经处理待标注项目或与待标注项目属于同一项目类型的现有标注项目。
在一些实施例中，可以基于共现矩阵确定用于待标注项目和待匹配标注端的共现特征。其中，共现矩阵指示至少一个现有标注项目和至少一个现有标注端的历史匹配情况。
以M个现有标注项目、N个现有标注端为例(M、N是正整数)，可以确定现有标注项目和现有标注端的共现矩阵。其中共现矩阵的尺寸可以被确定为M*N。在一些实现方式中，共现矩阵的每一行可以对应于一个现有标注项目，每一列可以对应于一个现有标注端。共现矩阵中每个元素(即每个行与列的交叉点)的值指示对应于该元素的现有标注项目是否使用过对应于该元素的现有标注端。在一些示例中，如果该元素对应的现有标注项目是否使用过对应于该元素的现有标注端，该元素的值可以被设置为1，反之可以被设置为0。可以理解的是，共现矩阵中各个元素的值也可以被设置为其他任何可能的值，在此不限制共现矩阵的具体赋值方式。
可以对共现矩阵进行矩阵分解以得到共现矩阵的矩阵分解结果。其中矩阵分解结果包括分别用于每个现有标注项目和每个现有标注端的特征向量。可以利用任何矩阵分解方式进行矩阵分解，例如三角分解、满秩分解、QR分解、Jordan分解和SVD(奇异值)分解等。对于尺寸为M*N的共现矩阵，矩阵分解结果将包括M+N的特征向量，其中每个特征向量可以对应于一个现有标注项目或一个现有标注端。
基于上述矩阵分解结果可以确定用于待标注项目的特征向量和用于待匹配标注端的特征向量，并且可以组合待标注项目的特征向量和待匹配标注端的特征向量作为共现特征。
在一些实施例中，可以基于以下方式之一确定待标注项目的特征向量：在矩阵分解结果中确定待标注项目的特征向量；或基于待标注项目的类别特征确定待标注项目所属的项目类别，并且将待标注项目所属的项目类别中至少一个现有标注项目的特征向量的平均值确定为待标注项目的特征向量。
在一些实现方式中，当待标注项目属于现有标注项目之一时，可以直接在矩阵分解结果中确定待标注项目的特征向量。在一些情况下，为了获取与待标注项目同类型项目的更多特征，也可以不直接使用矩阵分解结果，而是将基于待标注项目的类别特征确定待标注项目所属的项目类别，并且将待标注项目所属的项目类别中至少一个现有标注项目的特征向量的平均值确定为待标注项目的特征向量。
在另一些实现方式中，当待标注项目不属于现有标注项目时，无法直接通过矩阵分解结果确定待标注项目的特征向量。因此，可以基于待标注项目的类别特征确定待标注项目所属的项目类别，并且将待标注项目所属的项目类别中至少一个现有标注项目的特征向量的平均值确定为待标注项目的特征向量。
在一些示例中，待标注项目的类别特征可以包括待标注项目的项目标签、项目题型、项目难度、平均正确率中的至少一项。可以利用例如问卷调查的方式预先获取待标注项目的类别特征的信息。
在一些实施例中，可以基于以下方式之一确定待匹配标注端的特征向量：在矩阵分解结果中确定待匹配标注端的特征向量；或基于待匹配标注端的类别特征确定待匹配标注端所属的标注端类别，并且将待匹配标注端所属的标注端类别中至少一个现有标注端的特征向量的平均值确定为待匹配标注端的特征向量。
在一些实现方式中，当待匹配标注端属于现有标注端之一时，可以直接在矩阵分解结果中确定待匹配标注端的特征向量。在一些情况下，为了获取与待匹配标注端同类型标注端的更多特征，也可以不直接使用矩阵分解结果，而是将基于待匹配标注端的类别特征确定待匹配标注端所属的标注端类别，并且将待匹配标注端所属的标注端类别中至少一个现有标注端的特征向量的平均值确定为待匹配标注端的特征向量。
在另一些实现方式中，当待匹配标注端不属于现有标注端时，无法直接通过矩阵分解结果确定待匹配标注端的特征向量。因此，可以基于待匹配标注端的类别特征确定待匹配标注端所属的标注端类别，并且将待匹配标注端所属的标注端类别中至少一个现有标注端的特征向量的平均值确定为待匹配标注端的特征向量。
在一些示例中，待匹配标注端的类别特征可以包括待匹配标注端的人数、历史参与的项目标签、历史工时、历史正确率中的至少一项。可以利用例如问卷调查或读取历史记录的方式预先获取待匹配标注端的类别特征的信息。
利用上述共现特征的生成方式，可以解决新加入的标注端难以冷启动的问题。可以理解的是，一个新加入的标注端由于缺乏其处理任务的历史记录，因此难以基于预定的规则将新标注端的特征和标注项目进行匹配。然而，通过确定新标注端所属的标注端类别，并利用同类型的标注端的特征向量的平均值来作为新标注端的特征向量，可以有效解决新标注端加入时冷启动困难的问题，从而能够提高标注任务分发的准确性，并进一步提高数据标注的准确率。
在步骤S206中，可以基于项目特征、资源特征和共现特征获取分类结果，分类结果指示待匹配标注端是否匹配待标注项目。
在一些实施例中，可以对步骤S202中确定的项目特征、资源特征和步骤S204中确定的共现特征的组合执行分类操作。
在一些实现方式中，可以确定项目特征和资源特征的增强特征。例如，可以利用梯度提升决策树分类器对项目特征和资源特征进行处理，以得到用于项目特征和资源特征的增强特征。在一些示例中，可以利用梯度提升决策树分类器分别对项目特征和资源特征进行处理，以得到增强的项目特征和增强的资源特征，并可以将增强的项目特征和增强的资源特征的组合确定为用于项目特征和资源特征的增强特征。在另一些示例中，可以利用梯度提升决策树分类器对项目特征和资源特征的组合进行处理，以得到用于项目特征和资源特征的增强特征。在又一些示例中，也可以使用任何其他能够实现特征增强的模型(如深度网络)对项目特征和资源特征进行处理，以得到用于项目特征和资源特征的增强特征。
可以组合用于项目特征和资源特征的增强特征和步骤S204中确定的共现特征，以得到用于待标注项目和待匹配标注端的分类特征。可以通过对分类特征进行分类操作来得到分类结果。
在一些实现方式中，可以利用逻辑回归模型对分类特征进行处理，以得到待匹配标注端与待标注项目的匹配得分。可以基于逻辑回归模型输出的匹配得分确定分类结果。可以理解的是，在不脱离本公开原理的情况下，也可以使用任何其他分类器对分类特征进行分类。
在一些示例中，可以基于匹配得分是否高于预定的匹配阈值来确定待匹配标注端是否能够处理待标注项目。在另一些示例中，可以利用图2中示出的方法对待标注项目和多个候选的待匹配标注端进行处理，并基于匹配得分对多个候选的待匹配标注端进行排序，并基于排序结果选择最匹配的一个或多个待匹配标注端来处理待标注项目。
在步骤S208中，可以基于分类结果将待标注项目发送给待匹配标注端。当分类结果指示待匹配标注端能够处理待标注项目时，可以将待标注项目发送给待匹配标注端。与待匹配标注端对应的标注团队可以继续处理待标注项目的数据标注任务。当分类结果指示待匹配标注端不能处理待标注项目时，可以选择另一候选的待匹配标注端进行匹配和推荐。
利用图2中示出的过程可以获取用于待标注项目的标注端推荐结果。对于大部分的标注端推荐任务，都可以使用图2中示出的过程来获取推荐结果。
然而，为了挖掘候选的标注端中的长尾潜力，也可以选取一部分推荐任务，并在所选取的推荐任务中基于多臂老虎机模型对待标注项目的项目特征和至少一个候选标注端的资源特征进行处理，以从至少一个候选标注端中确定与待标注项目匹配的至少一个替代标注端。可以利用多臂老虎机模型输出的替代标注端的结果替代步骤S206中得到的分类结果。
利用上述方法，能够进一步解决推荐结果偏向于存在较多历史记录的标注端的问题。
图3示出了根据本公开的实施例的数据标注处理模型的示例性的架构图。可以利用图3中示出的模型300实现结合图2描述的数据标注处理方法中的步骤S202～S206。
如图3所示，数据标注处理模型300可以包括增强特征获取单元310、共现特征获取单元320以及分类单元330。
其中，增强特征获取单元310可以由梯度提升决策树分类器实现。如图所示，可以将项目特征和资源特征中的至少一个或项目特征和资源特征的组合作为梯度提升决策树分类器312的输入311，并将梯度提升决策树分类器的输出作为项目特征和资源特征的增强特征313。
共现特征获取单元320可以被配置成获取用于待标注项目和待匹配标注端的共现特征322。
可以基于共现矩阵321的矩阵分解结果确定待标注项目的特征向量323和待匹配标注端的特征向量324，并可以通过组合待标注项目的特征向量和待匹配标注端的特征向量确定用于待标注项目和待匹配标注端的共现特征。
在一些实施例中，对于属于现有标注端之一的待标注项目和属于现有标注端之一的待匹配标注端，可以基于共现矩阵321的矩阵分解结果直接得到待标注项目的特征向量和待匹配标注端的特征向量。
在另一些实施例中，也可以基于项目聚类结果和标注端聚类结果来确定待标注项目的特征向量和待匹配标注端的特征向量。
图3中示出了经过实体(这里所说的实体可以是标注项目，也可以是标注端)聚类后得到的实体类别325-1、实体类别325-2、实体类别325-3。其中，每个实体类别内包括通过对共现矩阵进行矩阵分解得到的对应于现有实体的至少一个现有特征向量。进一步地，可以基于每个实体类别内存在的现有特征向量计算用于该实体类别的特征向量类均值。可以将该实体类别的特征向量类均值确定为属于该实体类别的实体(无论是新实体还是现有实体)的特征向量。
分类单元330可以被配置为获取分类结果。如图3所示，分类单元330可以由逻辑回归模型332实现。可以组合增强特征获取单元310输出的增强特征313和共现特征获取单元320输出的共现特征322确定用于分类过程的分类特征331作为逻辑回归模型332的输入。并可以给予逻辑回归模型输出的分类结果333确定待匹配标注端是否匹配待标注项目。
图4示出了根据本公开的实施例用于训练数据标注处理模型方法的示例性的流程图。
如图4所示，在步骤S402中，可以确定样本项目的项目特征和样本标注端的资源特征。
在步骤S404中，可以确定用于样本项目和样本标注端的共现特征。
在步骤S406中，可以基于项目特征、资源特征和共现特征获取预测分类结果，预测分类结果指示样本标注端是否匹配样本项目。
在一些实施例中，可以将样本项目作为待标注项目，将样本标注端作为待匹配标注端，利用与结合图2描述的方法中的步骤S202～S206相同的方法执行步骤S402～S406，在此不再加以赘述。
在步骤S408中，可以基于预定匹配规则确定真实分类结果。
在一些实施例中，可以利用设计好的考核原则对样本标注端进行考核，或者基于样本标注端的历史任务完成情况对样本标注端进行打分，并基于打分结果确定样本标注端是否匹配样本项目的真实分类结果、
在步骤S410中，可以基于预测分类结果和真实分类结果调整匹配模型的参数。
可以利用任何合适的损失函数以及模型训练方法，基于预测分类结果和真实分类结果之间的差距调整匹配模型的参数，例如梯度提升决策树分类器和逻辑回归模型的参数。
图5示出了根据本公开的实施例的数据标注推荐系统的示例性的架构。
如图5所述，数据标注推荐系统500可以由数据层510、算法层520、接口层530和应用层540组成。
如图5所示，数据层510中可以包括用于实现数据标注推荐的各种需要的数据。例如，数据层510可以包括用户画像数据511、代理商群体画像数据512、项目信息库513、项目用户交互数据514、评价反馈数据515以及综合评价体系数据516等。
算法层520可以包括用于实现数据标注推荐的各种需要算法模型。例如，算法层520可以包括特征工程521、召回策略522、个性化算法523、机器学习模型524、深度学习模型525以及多模型融合算法526等。
接口层530可以包括用于实现数据标注推荐的各种需要逻辑接口。例如，接口层530可以包括入参构造接口531、结果数据接口532、实时信息接口533、实时决策引擎534以及实时过滤排序535等。
应用层540可以包括用于实现数据标注推荐的各种需要应用。例如，应用层540可以包括推荐场景541、推荐实际542、推荐内容543等。利用可以在应用层中获取推荐结果的反馈信息，并可以进一步的对推荐流程涉及的数据和算法进行进一步优化。
图6示出了根据本公开的实施例的数据标注推荐流程的示例性的过程。
如图6所示，数据标注推荐流程600可以包括数据处理流程610、推荐流程620以及线上标注业务630。其中，数据标注推荐流程600可以以数据处理流程610、推荐流程620以及线上标注业务630为一个循环不断重复执行。
在数据处理流程610中，可以利用实时数仓611中的信息构建数据特征。其中，实时数仓611中的信息可以包括标注标注端信息、标注项目信息以及标注端和项目之间的交互数据等信息。可以利用数据预处理步骤612对实时数仓611中的信息进行数据清洗、数据转换、数据抽取、数据切分等操作，使得能够获取方便后续数据处理的格式的数据。进一步地，数据处理流程610还可以包括离线特征构建步骤613，可以提取数据中的数值特征、类别特征、隐向量特征并利用各种可能的方式对数据进行预训练，以得到适合当前场景的数据标注推荐流程的各种模型算法。
在推荐流程620中，可以对待标注项目和至少一个候选的待匹配标注端进行推荐。如图所示，推荐流程620可以包括输入特征构建步骤621。在输入特征构建步骤621中，可以构建用于表征待标注项目的项目特征和用于表征待匹配标注端的资源特征。进一步地，推荐流程620还可以包括推荐步骤622。在推荐步骤622中，可以基于召回模型、排序模型、冷启动策略、探索利用策略等算法对输入特征进行处理。利用本公开提供的实施例，可以利用梯度提升决策树分类器和逻辑回归模型实现推荐步骤中的召回模型和排序模型，可以利用实体类别的特征向量均值表示新实体的共现特征实现冷启动策略，可以利用多臂老虎机算法实现探索利用策略。
基于推荐步骤622输出的结果可以得到数据标注推荐流程的推荐结果。进一步地，基于推荐结果，还可以对推荐步骤622中使用的模型算法进行训练和效果评估，从而利用大量数据改善推荐步骤中使用的模型算法的推荐准确率。
在线上标注业务630中，可以获取与标注项目和标注端有关的上下文信息、向用户提供用于提供推荐流程的在线接口，并可以获取用户对于推荐结果的线上反馈信息。
图7示出了根据本公开的实施例的数据标注处理装置的示例性的框图。
如图7所示，数据标注处理装置700可以包括项目资源特征获取单元710、共现特征获取单元720、分类单元730以及发送单元740。
项目资源特征获取单元710可以被配置成确定待标注项目的项目特征和待匹配标注端的资源特征。共现特征获取单元720可以被配置成确定用于所述待标注项目和所述待匹配标注端的共现特征。分类单元730可以被配置成基于所述项目特征、所述资源特征和所述共现特征获取分类结果。其中，所述分类结果指示所述待匹配标注端是否匹配所述待标注项目。发送单元740可以被配置成基于所述分类结果将所述待标注项目发送给所述待匹配标注端。
这里所说的数据标注处理装置700的上述各单元710～740的操作分别与前面描述的步骤S202～S208的操作类似，在此不再加以赘述。
图8示出了根据本公开的实施例的用于训练数据标注处理模型的装置的示例性的框图。
如图8所示，用于训练数据标注处理模型的装置800可以包括项目资源特征获取单元810、共现特征获取单元820、分类单元830、标定单元840以及参数调整单元850。
项目资源特征获取单元810可以被配置成确定样本项目的项目特征和样本标注端的资源特征。共现特征获取单元820可以被配置成确定用于所述样本项目和所述样本标注端的共现特征。分类单元830可以被配置成基于所述项目特征、所述资源特征和所述共现特征获取预测分类结果，所述预测分类结果指示所述待匹配标注端是否匹配所述待标注项目。标定单元840可以被配置成基于预定匹配规则确定真实分类结果。参数调整单元850可以被配置成基于所述预测分类结果和所述真实分类结果调整所述匹配模型的参数。
这里所说的用于训练数据标注处理模型的装置800的上述各单元810～830的操作分别与前面描述的步骤S402～S410的操作类似，在此不再加以赘述。
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结合图2、图4所述的方法。
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，所述计算机指令用于使所述计算机执行结合图2、图4所述的方法。
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，所述计算机程序在被处理器执行时实现结合图2、图4所述的方法。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906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907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908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如方法200、400。例如，在一些实施例中，方法200、400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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法200、400的一个或多个步骤。备选地，在其他实施例中，计算单元901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、400。
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)、复杂可编程逻辑设备(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 (28)

1.一种数据标注处理方法，包括：
确定待标注项目的项目特征和待匹配标注端的资源特征；
确定用于所述待标注项目和所述待匹配标注端的共现特征；
基于所述项目特征、所述资源特征和所述共现特征获取分类结果，所述分类结果指示所述待匹配标注端是否能够处理所述待标注项目的数据标注任务；以及
基于所述分类结果将所述待标注项目发送给所述待匹配标注端，
其中，确定用于所述待标注项目和所述待匹配标注端的共现特征包括：
确定现有标注项目和现有标注端的共现矩阵，其中所述共现矩阵中每个元素的值指示对应于该元素的现有标注端是否处理过对应于该元素的现有标注项目的数据标注任务；
确定所述共现矩阵的矩阵分解结果，其中所述矩阵分解结果包括分别用于每个现有标注项目和每个现有标注端的特征向量；
基于所述矩阵分解结果确定用于所述待标注项目的特征向量，
基于所述矩阵分解结果确定用于所述待匹配标注端的特征向量，
组合所述待标注项目的特征向量和所述待匹配标注端的特征向量作为所述共现特征，
其中，基于所述矩阵分解结果确定用于所述待匹配标注端的特征向量包括：基于所述待匹配标注端的类别特征确定所述待匹配标注端所属的标注端类别，并且将所述待匹配标注端所属的标注端类别中至少一个现有标注端的特征向量的平均值确定为所述待匹配标注端的特征向量，
其中，基于所述项目特征、所述资源特征和所述共现特征获取分类结果包括：
利用梯度提升决策树分类器对所述项目特征和所述资源特征进行处理，以得到所述项目特征和所述资源特征的增强特征；
组合所述增强特征和所述共现特征，以得到用于所述待标注项目和所述待匹配标注端的分类特征；
利用逻辑回归模型对所述分类特征进行处理，以得到所述待匹配标注端与所述待标注项目的匹配得分；
基于所述匹配得分确定所述分类结果。
2.如权利要求1所述的方法，其中，基于所述矩阵分解结果确定用于所述待标注项目的特征向量包括：
在所述矩阵分解结果中确定所述待标注项目的特征向量；或
基于所述待标注项目的类别特征确定所述待标注项目所属的项目类别，并且将所述待标注项目所属的项目类别中至少一个现有标注项目的特征向量的平均值确定为所述待标注项目的特征向量。
3.如权利要求2所述的方法，其中所述待标注项目的类别特征包括所述待标注项目的项目标签、项目题型、项目难度、平均正确率中的至少一项。
4.如权利要求1所述的方法，其中，所述待匹配标注端的类别特征包括所述待匹配标注端历史参与的项目标签、历史标注时长、历史正确率中的至少一项。
5.如权利要求1所述的方法，其中，所述项目特征包括项目标签、项目题型、项目难度，项目模板特征中的至少一项。
6.如权利要求1所述的方法，其中，所述资源特征包括待匹配标注端的项目历史统计特征、待匹配标注端的项目完成情况中的至少一项。
7.如权利要求1所述的方法，还包括：基于多臂老虎机模型对待标注项目的项目特征和至少一个候选标注端的资源特征进行处理，以从所述至少一个候选标注端中确定与所述待标注项目匹配的至少一个替代标注端。
8.一种用于训练数据标注处理模型的方法，包括：
确定样本项目的项目特征和样本标注端的资源特征；
确定用于所述样本项目和所述样本标注端的共现特征；以及
基于所述项目特征、所述资源特征和所述共现特征获取预测分类结果，所述预测分类结果指示所述样本标注端是否能够处理所述样本项目的数据标注任务；
基于预定匹配规则确定用于所述样本项目和所述样本标注端的真实分类结果；
基于所述预测分类结果和所述真实分类结果调整所述数据标注处理模型的参数，
其中，确定用于所述样本项目和所述样本标注端的共现特征包括：
确定现有标注项目和现有标注端的共现矩阵，其中所述共现矩阵中每个元素的值指示对应于该元素的现有标注端是否处理过对应于该元素的现有标注项目的数据处理任务；
确定所述共现矩阵的矩阵分解结果，其中所述矩阵分解结果包括分别用于每个现有标注项目和每个现有标注端的特征向量；
基于所述矩阵分解结果确定用于所述样本项目的特征向量，
基于所述矩阵分解结果确定用于所述样本标注端的特征向量，
组合所述样本项目的特征向量和所述样本标注端的特征向量作为所述共现特征，
其中，基于所述矩阵分解结果确定用于所述样本标注端的特征向量包括：基于所述样本标注端的类别特征确定所述样本标注端所属的标注端类别，并且将所述样本标注端所属的标注端类别中至少一个现有标注端的特征向量的平均值确定为所述样本标注端的特征向量，
其中，基于所述项目特征、所述资源特征和所述共现特征获取预测分类结果包括：
利用梯度提升决策树分类器对所述项目特征和所述资源特征进行处理，以得到所述项目特征和所述资源特征的增强特征；
组合所述增强特征和所述共现特征，以得到用于所述样本项目和所述样本标注端的分类特征；
利用逻辑回归模型对所述分类特征进行处理，以得到所述样本标注端与所述样本项目的匹配得分；
基于所述匹配得分确定所述预测分类结果。
9.如权利要求8所述的方法，其中，基于所述矩阵分解结果确定用于所述样本项目的特征向量包括：
在所述矩阵分解结果中确定所述样本项目的特征向量；或
基于所述样本项目的类别特征确定所述样本项目所属的项目类别，并且将所述样本项目所属的项目类别中至少一个现有标注项目的特征向量的平均值确定为所述样本项目的特征向量。
10.如权利要求9所述的方法，其中所述样本项目的类别特征包括所述样本项目的项目标签、项目题型、项目难度、平均正确率中的至少一项。
11.如权利要求8所述的方法，其中，所述样本标注端的类别特征包括所述样本标注端历史参与的项目标签、历史标注时长、历史正确率中的至少一项。
12.如权利要求8所述的方法，其中，所述项目特征包括项目标签、项目题型、项目难度，项目模板特征中的至少一项。
13.如权利要求8所述的方法，其中，所述资源特征包括所述样本标注端的项目历史统计特征、所述样本标注端的项目完成情况中的至少一项。
14.一种数据标注处理装置，包括：
项目资源特征获取单元，被配置成确定待标注项目的项目特征和待匹配标注端的资源特征；
共现特征获取单元，被配置成确定用于所述待标注项目和所述待匹配标注端的共现特征；
分类单元，被配置成基于所述项目特征、所述资源特征和所述共现特征获取分类结果，所述分类结果指示所述待匹配标注端是否能够处理所述待标注项目的数据标注任务；以及
发送单元，被配置成基于所述分类结果将所述待标注项目发送给所述待匹配标注端，
其中，确定用于所述待标注项目和所述待匹配标注端的共现特征包括：
确定现有标注项目和现有标注端的共现矩阵，其中所述共现矩阵中每个元素的值指示对应于该元素的现有标注端是否处理过对应于该元素的现有标注项目的数据标注任务；
确定所述共现矩阵的矩阵分解结果，其中所述矩阵分解结果包括分别用于每个现有标注项目和每个现有标注端的特征向量；
基于所述矩阵分解结果确定用于所述待标注项目的特征向量，
基于所述矩阵分解结果确定用于所述待匹配标注端的特征向量，
组合所述待标注项目的特征向量和所述待匹配标注端的特征向量作为所述共现特征，
其中，基于所述矩阵分解结果确定用于所述待匹配标注端的特征向量包括：基于所述待匹配标注端的类别特征确定所述待匹配标注端所属的标注端类别，并且将所述待匹配标注端所属的标注端类别中至少一个现有标注端的特征向量的平均值确定为所述待匹配标注端的特征向量，
其中，基于所述项目特征、所述资源特征和所述共现特征获取分类结果包括：
利用梯度提升决策树分类器对所述项目特征和所述资源特征进行处理，以得到所述项目特征和所述资源特征的增强特征；
组合所述增强特征和所述共现特征，以得到用于所述待标注项目和所述待匹配标注端的分类特征；
利用逻辑回归模型对所述分类特征进行处理，以得到所述待匹配标注端与所述待标注项目的匹配得分；
基于所述匹配得分确定所述分类结果。
15.如权利要求14所述的装置，其中，基于所述矩阵分解结果确定用于所述待标注项目的特征向量包括：
在所述矩阵分解结果中确定所述待标注项目的特征向量；或
基于所述待标注项目的类别特征确定所述待标注项目所属的项目类别，并且将所述待标注项目所属的项目类别中至少一个现有标注项目的特征向量的平均值确定为所述待标注项目的特征向量。
16.如权利要求15所述的装置，其中所述待标注项目的类别特征包括所述待标注项目的项目标签、项目题型、项目难度、平均正确率中的至少一项。
17.如权利要求14所述的装置，其中，所述待匹配标注端的类别特征包括所述待匹配标注端历史参与的项目标签、历史标注时长、历史正确率中的至少一项。
18.如权利要求14所述的装置，其中，所述项目特征包括项目标签、项目题型、项目难度，项目模板特征中的至少一项。
19.如权利要求14所述的装置，其中，所述资源特征包括待匹配标注端的项目历史统计特征、待匹配标注端的项目完成情况中的至少一项。
20.如权利要求14所述的装置，还包括：基于多臂老虎机模型对待标注项目的项目特征和至少一个候选标注端的资源特征进行处理，以从所述至少一个候选标注端中确定与所述待标注项目匹配的至少一个替代标注端。
21.一种用于训练数据标注处理模型的装置，包括：
项目资源特征获取单元，被配置成确定样本项目的项目特征和样本标注端的资源特征；
共现特征获取单元，被配置成确定用于所述样本项目和所述样本标注端的共现特征；
分类单元，被配置成基于所述项目特征、所述资源特征和所述共现特征获取预测分类结果，所述预测分类结果指示所述样本标注端是否能够处理所述样本项目的数据标注任务；
标定单元，被配置成基于预定匹配规则确定用于所述样本项目和所述样本标注端的真实分类结果；以及
参数调整单元，被配置成基于所述预测分类结果和所述真实分类结果调整所述数据标注处理模型的参数,
其中，确定用于所述样本项目和所述样本标注端的共现特征包括：
确定现有标注项目和现有标注端的共现矩阵，其中所述共现矩阵中每个元素的值指示对应于该元素的现有标注端是否处理过对应于该元素的现有标注项目的数据标注任务；
确定所述共现矩阵的矩阵分解结果，其中所述矩阵分解结果包括分别用于每个现有标注项目和每个现有标注端的特征向量；
基于所述矩阵分解结果确定用于所述样本项目的特征向量，
基于所述矩阵分解结果确定用于所述样本标注端的特征向量，
组合所述样本项目的特征向量和所述样本标注端的特征向量作为所述共现特征，
其中，基于所述矩阵分解结果确定用于所述样本标注端的特征向量包括：
基于所述样本标注端的类别特征确定所述样本标注端所属的标注端类别，并且将所述样本标注端所属的标注端类别中至少一个现有标注端的特征向量的平均值确定为所述样本标注端的特征向量，
其中，基于所述项目特征、所述资源特征和所述共现特征获取预测分类结果包括：
利用梯度提升决策树分类器对所述项目特征和所述资源特征进行处理，以得到所述项目特征和所述资源特征的增强特征；
组合所述增强特征和所述共现特征，以得到用于所述样本项目和所述样本标注端的分类特征；
利用逻辑回归模型对所述分类特征进行处理，以得到所述样本标注端与所述样本项目的匹配得分；
基于所述匹配得分确定所述预测分类结果。
22.如权利要求21所述的装置，其中，基于所述矩阵分解结果确定用于所述样本项目的特征向量包括：
在所述矩阵分解结果中确定所述样本项目的特征向量；或
基于所述样本项目的类别特征确定所述样本项目所属的项目类别，并且将所述样本项目所属的项目类别中至少一个现有标注项目的特征向量的平均值确定为所述样本项目的特征向量。
23.如权利要求22所述的装置，其中所述样本项目的类别特征包括所述样本项目的项目标签、项目题型、项目难度、平均正确率中的至少一项。
24.如权利要求21所述的装置，其中，所述样本标注端的类别特征包括所述样本标注端的人数、历史参与的项目标签、历史工时、历史正确率中的至少一项。
25.如权利要求21所述的装置，其中，所述项目特征包括项目标签、项目题型、项目难度，项目模板特征中的至少一项。
26.如权利要求21所述的装置，其中，所述资源特征包括所述样本标注端的项目历史统计特征、样本标注端的项目完成情况中的至少一项。
27.一种电子设备，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1-13中任一项所述的方法。
28.一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1-13中任一项所述的方法。
CN202111241609.4A 2021-10-25 2021-10-25 数据标注处理方法、装置、电子设备和介质 Active CN113963234B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111241609.4A CN113963234B (zh) 2021-10-25 2021-10-25 数据标注处理方法、装置、电子设备和介质
EP22202349.1A EP4113398A3 (en) 2021-10-25 2022-10-19 Data labeling processing method and apparatus, electronic device and medium
US17/970,755 US20230044508A1 (en) 2021-10-25 2022-10-21 Data labeling processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111241609.4A CN113963234B (zh) 2021-10-25 2021-10-25 数据标注处理方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN113963234A CN113963234A (zh) 2022-01-21
CN113963234B true CN113963234B (zh) 2024-02-23

Family

ID=79466658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111241609.4A Active CN113963234B (zh) 2021-10-25 2021-10-25 数据标注处理方法、装置、电子设备和介质

Country Status (3)

Country Link
US (1) US20230044508A1 (zh)
EP (1) EP4113398A3 (zh)
CN (1) CN113963234B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570708A (zh) * 2016-10-31 2017-04-19 厦门快商通科技股份有限公司 一种智能客服知识库的管理方法及系统
CN109934266A (zh) * 2019-02-19 2019-06-25 清华大学 提高众包标注数据质量的可视分析系统及方法
CN110889434A (zh) * 2019-10-29 2020-03-17 东南大学 一种基于活动的社交网络活动特征提取方法
CN111259251A (zh) * 2020-01-21 2020-06-09 北京爱数智慧科技有限公司 一种推荐标注任务的方法和装置
CN111611499A (zh) * 2020-05-28 2020-09-01 贝壳技术有限公司 协同过滤方法、协同过滤装置及系统
CN112786194A (zh) * 2021-01-28 2021-05-11 北京一脉阳光医学信息技术有限公司 基于人工智能的医学影像导诊导检系统、方法及设备
CN113360773A (zh) * 2021-07-07 2021-09-07 脸萌有限公司 推荐方法、装置、存储介质及电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8112418B2 (en) * 2007-03-21 2012-02-07 The Regents Of The University Of California Generating audio annotations for search and retrieval
US20190325293A1 (en) * 2018-04-19 2019-10-24 National University Of Singapore Tree enhanced embedding model predictive analysis methods and systems
US11520762B2 (en) * 2019-12-13 2022-12-06 International Business Machines Corporation Performing fine-grained question type classification

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570708A (zh) * 2016-10-31 2017-04-19 厦门快商通科技股份有限公司 一种智能客服知识库的管理方法及系统
CN109934266A (zh) * 2019-02-19 2019-06-25 清华大学 提高众包标注数据质量的可视分析系统及方法
CN110889434A (zh) * 2019-10-29 2020-03-17 东南大学 一种基于活动的社交网络活动特征提取方法
CN111259251A (zh) * 2020-01-21 2020-06-09 北京爱数智慧科技有限公司 一种推荐标注任务的方法和装置
CN111611499A (zh) * 2020-05-28 2020-09-01 贝壳技术有限公司 协同过滤方法、协同过滤装置及系统
CN112786194A (zh) * 2021-01-28 2021-05-11 北京一脉阳光医学信息技术有限公司 基于人工智能的医学影像导诊导检系统、方法及设备
CN113360773A (zh) * 2021-07-07 2021-09-07 脸萌有限公司 推荐方法、装置、存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Practical Lessons from Predicting Clicks on Ads at Facebook》;He XR et al;《ACM》;全文 *
《基于深度神经网络的个性化兴趣点推荐方法研究》;丁瑞峰;《中国优秀硕士学位论文全文数据库信息科技辑》;正文第4部分 *

Also Published As

Publication number Publication date
CN113963234A (zh) 2022-01-21
US20230044508A1 (en) 2023-02-09
EP4113398A3 (en) 2023-04-05
EP4113398A2 (en) 2023-01-04

Similar Documents

Publication Publication Date Title
CN114494784A (zh) 深度学习模型的训练方法、图像处理方法和对象识别方法
CN116501960B (zh) 内容检索方法、装置、设备及介质
CN116521841B (zh) 用于生成回复信息的方法、装置、设备及介质
CN114791982B (zh) 对象推荐方法和装置
CN114443989B (zh) 排序方法、排序模型的训练方法、装置、电子设备及介质
CN113656587A (zh) 文本分类方法、装置、电子设备及存储介质
CN115168545A (zh) 群组搜索方法、装置、电子设备及介质
KR20230006601A (ko) 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체
CN115269989B (zh) 对象推荐方法、装置、电子设备和存储介质
CN113868453B (zh) 对象推荐方法和装置
CN113963234B (zh) 数据标注处理方法、装置、电子设备和介质
CN115759100A (zh) 数据处理方法、装置、设备及介质
US11593740B1 (en) Computing system for automated evaluation of process workflows
CN112905743B (zh) 文本对象检测的方法、装置、电子设备和存储介质
CN113596011B (zh) 流量识别方法及装置，计算设备和介质
CN114842476A (zh) 水印检测方法及装置、模型训练方法及装置
CN115619245A (zh) 一种基于数据降维方法的画像构建和分类方法及系统
CN112954025B (zh) 基于分层知识图谱推送信息方法、装置、设备、介质
CN116070711B (zh) 数据处理方法、装置、电子设备和存储介质
CN116883181B (zh) 基于用户画像的金融服务推送方法、存储介质及服务器
CN115809364B (zh) 对象推荐方法和模型训练方法
CN113378781B (zh) 视频特征提取模型的训练方法、装置和电子设备
CN112559883B (zh) 用于评估推荐系统的方法、装置、电子设备以及可读介质
CN114140851B (zh) 图像检测方法和用于训练图像检测模型的方法
CN115033782B (zh) 推荐对象的方法、机器学习模型的训练方法、装置和设备

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