CN114218384A - 语料分类方法、模型训练方法及装置 - Google Patents

语料分类方法、模型训练方法及装置 Download PDF

Info

Publication number
CN114218384A
CN114218384A CN202111544148.8A CN202111544148A CN114218384A CN 114218384 A CN114218384 A CN 114218384A CN 202111544148 A CN202111544148 A CN 202111544148A CN 114218384 A CN114218384 A CN 114218384A
Authority
CN
China
Prior art keywords
text
vector
determining
word
user
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
Application number
CN202111544148.8A
Other languages
English (en)
Inventor
刘昊骋
武思文
许韩晨玺
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 CN202111544148.8A priority Critical patent/CN114218384A/zh
Publication of CN114218384A publication Critical patent/CN114218384A/zh
Pending legal-status Critical Current

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
    • G06F16/355—Class or cluster creation or modification
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

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

Abstract

本公开提供了语料分类方法、模型训练方法及装置，涉及人工智能技术领域，尤其涉及语音技术领域。具体实现方案为：针对各个文本，确定文本对应的文本向量；将针对多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，每个文本向量类簇包含至少一个文本向量；根据多个文本向量类簇、以及各个文本与文本向量的对应关系，确定多个文本类簇，每个文本类簇包含至少一个文本。本公开能够提高对语料分类的准确性。

Description

语料分类方法、模型训练方法及装置
技术领域
本公开涉及人工智能技术领域，尤其涉及语音技术领域，具体涉及一种预料分类方法、模型训练方法及装置。
背景技术
语料(Corpus)，通常是指一定数量和规模的文本资源集合。语料规模可大可小，大至千万，甚至数亿句或更大，小至几百句。语料库指经科学取样和加工的大规模电子文本库，其中存放的是在语言的实际使用中真实出现过的语言材料。互联网本身就是一个巨大庞杂的语料库，常见的语料库如百科语料库、新闻语料库等。语料对于自然语言处理(Nature Language processing，NLP)等人工智能(Artificial Intelligence，AI)技术的发展有重要作用。语料库中存在大量未经处理的原始语料，如何对这些原始语料进行分类和/或标注处理，得到处理后的更有使用价值的语料，是目前存在的问题。
发明内容
本公开提供了一种语料分类方法、模型训练方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种语料分类方法，该语料包括多个文本，该方法包括：
针对各个所述文本，确定所述文本对应的文本向量；
将针对所述多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，每个所述文本向量类簇包含至少一个所述文本向量；
根据所述多个文本向量类簇、以及各个所述文本与所述文本向量的对应关系，确定多个文本类簇，每个所述文本类簇包含至少一个所述文本。
根据本公开的另一方面，提供了一种模型训练方法，该方法包括：
获取用户输入的文本，将所述文本作为样本文件；
确定输入所述样本文件的用户的信息；
根据所述用户的信息确定所述样本文件的标签；
采用所述样本文件及所述样本文件的标签训练模型。
根据本公开的另一方面，提供了一种语料分类装置，该语料包括多个文本，该装置包括：
文本向量确定模块，用于针对各个所述文本，确定所述文本对应的文本向量；
聚类模块，用于将针对所述多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，每个所述文本向量类簇包含至少一个所述文本向量；
文本类簇确定模块，用于根据所述多个文本向量类簇、以及各个所述文本与所述文本向量的对应关系，确定多个文本类簇，每个所述文本类簇包含至少一个所述文本。
根据本公开的另一方面，提供了一种模型训练装置，该装置包括：
获取模块，用于获取用户输入的文本，将所述文本作为样本文件；
标识确定模块，用于确定输入所述样本文件的用户的信息；
标签确定模块，用于根据所述用户的信息确定所述样本文件的标签；
训练模块，用于采用所述样本文件及所述样本文件的标签训练模型。
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以上任一项所述的方法。
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以上任一项所述的方法。
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，所述计算机程序在被处理器执行时实现以上任一项所述的方法。
根据本公开提出的方法，通过对语料中包括的文本对应的文本向量进行聚类，并根据聚类结构进一步实现对文本的分类，能够提高对语料分类的准确性。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开一实施例的语料分类方法的实现流程示意图；
图2是根据本公开一实施例的语料分类方法中，确定文本向量类簇和文本类簇的实现方式示意图；
图3是根据本公开另一实施例的语料分类方法的实现流程示意图；
图4是根据本公开一实施例的语料分类方法中，确定文本对应的文本向量的实现流程示意图；
图5是一种FastText模型的模型结构示意图；
图6是以保险类业务平台或服务平台的搜索文本作为训练样本的方式示意图；
图7是根据本公开一实施例的语料分类方法中，采用GMM模型进行文本向量聚类的实现方式示意图；
图8是根据本公开一实施例的模型训练方法的实现流程示意图；
图9是根据本公开一实施例的语料分类装置900的结构示意图；
图10是根据本公开一实施例的语料分类装置1000的结构示意图；
图11是根据本公开一实施例的模型训练装置1100的结构示意图；
图12是用来实现本公开实施例的语料分类方法或模型训练方法的电子设备的框图。
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和精神。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。
语料(Corpus)，通常是指一定数量和规模的文本资源集合。语料对于NLP)等AI技术的发展有重要作用。语料库中存在大量未经处理的原始语料，传统的对原始语料进行标注的方式一般是基于标注平台，由人工标注语料库中的一部分文本，将这些人工标注的文本作为锚点文本，然后以各个锚点文本为中心、利用文本相似度对语料库中的文本进行聚类。聚类后得到的各个类簇(Cluster)中包括多个相似的文本。这种方式需要依赖人工标注，需要耗费大量的人力，并且聚类结果的好坏依赖于锚点文本的质量，效果难以把控。
本公开提出一种语料分类方法，可以用于对语料库中的语料进行分类。图1是根据本公开一实施例的语料分类方法的实现流程示意图，其中该语料可以包括多个文本，该方法包括：
S110：针对各个文本，确定文本对应的文本向量；
S120；将针对多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，每个文本向量类簇包含至少一个文本向量；
S130：根据多个文本向量类簇、以及各个文本与文本向量的对应关系，确定多个文本类簇，每个文本类簇包含至少一个文本。
本公开实施例采用上述方式，对语料中的多个文本的多个文本向量进行聚类，并基于聚类后得到的文本向量类簇确定文本类簇，避免了基于人工标注的锚点文件来进行语料分类，从而能够节约人力资源；并且能够避免由于人工标注锚点文件的质量不高带来的语料分类效果不佳的风险，提高语料分类的效果和效率。
在一些实施方式中，上述根据多个文本向量类簇、以及各个所述文本与所述文本向量的对应关系，确定多个文本类簇，包括：
针对各个文本向量类簇，确定该文本向量类簇中包含的文本向量；
根据文本与文本向量的对应关系，确定与该文本向量类簇中包含的各个文本向量所对应的各个文本；
将确定出的各个文本进行聚类，得到该文本向量类簇所对应的文本类簇。
针对各个文本向量类簇均执行同样的操作，即可以得到每个文本向量类簇对应的一个文本类簇。
图2是根据本公开一实施例的语料分类方法中，确定文本向量类簇和文本类簇的实现方式示意图。如图2所示，将语料中的多个文本的文本向量进行聚类，得到多个文本向量类簇，每个文本向量类簇包含至少一个文本向量。在图2中示例性地显示出文本向量类簇1和文本向量类簇2，其中，文本向量类簇1包含文本向量11至文本向量1n，文本向量类簇2包含文本向量21至文本向量2m。由于每个文本向量是根据对应的文本确定的，因此文本与根据该文本确定的文本向量之间存在对应关系。根据各个文本与文本向量的对应关系、以及聚类得到的多个文本向量类簇，可以对文本进行聚类，从而得到多个文本类簇。结合图2所示，文本向量11与文本11之间存在对应关系、文本向量1n与文本1n之间存在对应关系、文本向量21与文本21之间存在对应关系、文本向量2m与文本2m之间存在对应关系，根据这些对应关系以及其他各个对应关系，可以对文本进行聚类。以文本向量类簇1为例，首先确定出文本向量类簇1中包含的各个文本向量，再分别确定与这些文本向量中的各个文本向量对应的文本，将确定出的文本聚合为一组，组成一个文本类簇，如图2中的文本类簇1。这样，本公开实施例实现了将对文本的分类转换成了对文本向量的聚类，由于对向量聚类的方式更为成熟和便捷，因此能够提高文本分类的效率和效果。
图3是根据本公开另一实施例的语料分类方法的实现流程示意图，如图3所示，该实施方式包括步骤S110～S130，以及步骤S340。其中，步骤S110～S130与上述实施方式中的S110～S130相同，在此不再赘述。步骤S340包括：
S340：接收对多个文本类簇中的全部或部分文本类簇的标注信息；
S350：保存该标注信息。
步骤S340中的标注信息可以由人工分析得到，例如，对于一个文本类簇，人工分析该文本类簇中包含的文本，并为该文本类簇标注类别(也就是为该文本类簇中包含的文本标注类别)。本公开实施方式可以接收并保存这些人工标注的类别。
表1示出了一个对语料进行分类后的结果示例，在表1中，对语料包括的多个文本分类之后，得到多个文本类簇，每个文本类簇包括至少一个文本。
表1
Figure BDA0003415216520000061
表2为对表1所示分类结果的标注结果的一个示例，在表2中，记录人工对各个文本类簇的标注信息(如类别)。
表2
Figure BDA0003415216520000062
Figure BDA0003415216520000071
上述过程实现了对语料的半自动标注，即，首先自动对语料包含的多个文本进行分类，得到多个文本类簇，每个文本类簇中包含至少一个文本；之后对各个文本类簇的类别进行人工分析和标注。人工工作仅需在最后一个阶段介入，其余阶段均能够自动执行，因此解决了对海量语料进行标注时消耗大量人力的问题。
图4是根据本公开一实施例的语料分类方法中，确定文本对应的文本向量的实现流程示意图。如图4所示，在一些可能的实施方式中，确定文本对应的文本向量的过程包括：
S410：将文本进行分词处理，得到该文本的多个分词；
S420：确定该文本的各个分词对应的词向量；
S430：根据该文本的全部或部分分词对应的词向量，确定该文本对应的文本向量。
由于词向量的确定过程更为简便，本公开实施例采用文本中各个分词的词向量来确定文本向量，能够简化确定文本向量的实现方式，并提高文本向量的准确性，为提高分类的准确性创造前提。
其中，可以采用快速文本(FastText)模型或其它神经网络模型确定文本的各个分词对应的词向量。
以采用FastText模型为例，本公开实施例可以将文本的各个分词的向量表示以及对应的N元(N-Gram)特征输入预先训练的快速文本FastText模型，得到该文本的各个分词对应的词向量。在一些实施方式中，可以将各分词输入预设的N-Gram模型，得到所述各分词分别对应的N-Gram特征。使用N-Gram模型得到分词的N-Gram特征的方式为现有技术内容，故在此不再赘述。
FastText模型是自然语言处理领域中一种现有的开源的词向量与文本分类模型。训练完成的FastText模型能够对文本进行分类，如给出文本所对应的标签。在对文本进行分类时，将该文本中各个分词的向量表示、以及该文本中各个分词分别对应的N-Gram特征输入FastText模型，由FastText模型输出该文本对应的标签。在FastText模型对文本进行分类时，还输出一种副产物，即各分词分别对应的词嵌入(Word embedding)，词嵌入可以认为是本公开中所指的“词向量(Word Vector)”。其中，词嵌入(Word embedding)是指经过降维处理的向量，N-Gram特征是指用来评估分词之间差异程度的词语特征。本公开实施例中，将向量形式表示的各分词、以及各分词分别对应的N-Gram特征作为FastText模型的输入，即可得到各分词对应的词向量。
如图5所示，FastText模型的模型结构依次由输入层(Input Layer)、隐含层(Hidden Layer)、输出层(Output Layer)组成。其中，文本中每个分词对应的向量表示以及对应的N-Gram特征(如图5中所示的x1、x2、…xN-1、xN)作为输入层的输入；之后再经过对多个向量进行叠加平均的隐含层；最终由输出层输出文本的标签。其中，输出层在输出文本的标签的同时，会输出每个分词对应的embedding向量。在本公开实施例中，将FastText模型所输出的每个分词对应的embedding向量作为每个分词对应的词向量。
FastText模型是一种有监督的神经网络模型。对FastText模型的训练可以采用样本及预先标记的样本标签来实现。例如，将用于训练FastText模型的多个文本作为样本文件，预先标记各个样本文件对应的实际类别，该实际类别即为该样本文件的标签。在训练FastText模型时，将样本文件的各个分词的向量表示及N-Gram特征输入初始FastText模型，由初始FastText模型输出对该样本文件的预测类别；将该预测类别与该样本文件的标签(即实际类别)进行比较；根据针对多个样本的预测类别与实际类别的比较结果确定损失函数，并根据该损失函数调整初始FastText模型的参数，直至损失函数收敛时，对FastText模型的训练完成。
本公开实施例可以采用一些业务平台或服务平台的文本数据作为训练FastText模型的样本，并利用这类业务平台或服务平台中文本数据的相关信息确定样本的标签，免去了人工标记标签的过程，从而节约人力资源、并提升模型训练效果和效率。
图6是以保险类业务平台或服务平台的搜索文本作为训练样本的方式示意图。如图6所示，以保险类业务平台或服务平台为例，用户在该类平台上输入的搜索文本可以作为训练FastText模型的样本。从搜索日志库中提取搜索文本，将提取的搜索文本作为样本；根据输入该搜索文本的用户的标识(ID)可以确定该用户的类别，并将该用户的类别作为该用户输入的搜索文本(即该样本)的类别。例如，保险类业务包括重疾险、健康险、意外险、车险等险种。针对一个用户，根据该用户的标识可以确定出该用户参保的保险业务，假定该用户参保的保险业务为重疾险，则可以将该用户在保险类业务平台上输入的搜索文本作为训练FastText模型的样本，并将该样本的实际类别(即标签)标记为“重疾险”。采用这种方式，可以从保险类业务平台上获取大量的训练样本，并根据输入该训练样本的用户的ID确定该训练样本的实际类别(即标签)。例如，最终获取到大量训练样本的类别分别为重疾险类别、意外险类别、健康险类别、车险类别等。FastText模型的预测类别的可能取值也包括前述几种，例如，将一个样本输入FastText模型之后，FastText模型将输出该样本的预测类别，如重疾险类别、意外险类别、健康险类别、车险类别等；或者输出各个类别所对应的置信度，置信度最高的类别即为FastText模型所预测出的该样本的类别。再将FastText模型输出的该样本的预测类别与预先标注的该样本的实际类别进行比较，根据比较结果确定损失函数，并根据该损失函数对FastText模型的参数进行调整。直至损失函数收敛，如计算出的损失函数小于预先设定的阈值，或者计算出的损失函数小于预先设定的阈值、并且小于阈值的次数达到预定次数要求时，对FastText模型的训练完成。
在对FastText模型训练完成之后，本公开实施方式可以将需要分类的文本中各个分词的向量表示和N-Gram特征输入该训练完成的FastText模型，FastText模型能够预测该文本对应的类别，并在预测过程中生成该文本各个分词对应的词向量。本公开实施方式不关心FastText模型预测出的类别，而是提取其在预测过程中生成的各个分词对应的词向量，并将提取的词向量用于后续计算文本向量的过程。
以上从保险类平台中获取样本的示例仅为举例，本公开实施例还可以从其他业务平台或服务平台中获取样本。例如，从电子购物平台获取样本，将用户针对货物的评论信息作为样本，将用户所评论的货物的类别作为该样本的实际类别(即标签)。如货物的类别包括电子产品、家居、图书、食品等，则样本的实际类别(即标签)可以设置为与该样本所针对的货物类别一致，即将样本的实际类别(即标签)设置为电子产品类、家居类、图书类、食品类等。最终获取到大量训练样本的类别分别为电子产品类、家居类、图书类、食品类等。FastText模型的预测类别的可能取值也包括前述几种类别和/或前述几种类别所对应的置信度。获取到样本之后，采用前述样本对FastText模型进行训练，具体训练方式与前述方式相同，在此不再赘述。
本公开技术方案中，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。
本公开还可以采用其他的方式确定分词的词向量，如采用神经网络语言模型(NNLM，Nerual Network Language Model)模型、C&M模型、连续词袋(CBOW，ContinuousBag-of-Words)模型、跳字(Skip-gram)模型、基于转换器的双向编码器表示(BERT，Bidirectional Encoder Representations from Transformers)模型等神经网络模型，前述各类神经网络模型确定词向量的方式在此不再赘述。
在确定出文本分词的词向量之后，本公开实施方式可以根据文本的全部或部分分词对应的词向量，确定该文本对应的文本向量。在一些实施方式中，确定文本向量的方式可以包括：
从文本的各个分词对应的词向量中，去除终止词所对应的词向量，得到剩余分词的词向量；
确定剩余分词的词向量的平均值，将该平均值作为该文本对应的文本向量。
终止词又可以称为停止词、停用词等，终止词通常不携带有用信息，如“了”“啊”“么”这类无意义的词可以认为是终止词。一个句子去掉了终止词并不影响理解，终止词视具体的任务不同而不同。终止词过滤可以作为一个预处理过程。
本公开实施方式去除终止词的词向量，将剩余的携带有用信息的分词的词向量求平均值以得到文本向量，得到的文本向量能够更为精确地与文本的内容对应，从而保证后续文本向量聚类的准确性。
在确定各个文本对应的文本向量之后，本公开实施例可以采用高斯混合模型(GMM，Gaussian Mixture Model)对文本向量进行聚类。GMM是一种概率式的聚类方法，属于生成式模型，它假设所有的数据都是由某一个给定参数的多元高斯分布所生成的。具体地，给定类簇个数K，对于给定样本空间中的样本通过样本找到K个高斯分布的期望和方差，那么K个高斯模型就确定了。在聚类的过程中，不会明确的指定一个样本属于哪一类，而是计算这个样本在某个分布中的可能性。高斯分布一般结合期望最大化(EM，ExpectationMaximum)算法作为其似然估计算法。
本公开可以根据预先设定确定的文本向量类簇的数量K，也就是期望GMM模型将多个文本向量进行聚类后得到的文本向量类簇的数量，将K作为该GMM模型的预先设定的参数，并可以采用该GMM模型对多个文本向量进行聚类，得到K个文本向量类簇(Cluster)，其中每个文本向量类簇包括至少一个文本向量。图7是根据本公开一实施例的语料分类方法中，采用GMM模型进行文本向量聚类的实现方式示意图。如图7所示，将语料中文本的文本向量采用GMM进行聚类，得到多个文本向量类簇，如文本向量类簇1、文本向量类簇2、……文本向量类簇K；其中K是预先设置的GMM进行聚类的参数，用于限定聚类后得到多少个文本向量类簇。GMM模型在聚类时不需要指定类簇中心，而仅需指定聚类形成的类簇的数量，避免了人工指定的过程，因此能够节约人力成本并提高聚类的效果。
在本公开的其他实施方式中，还可以采用K-Means算法等其它聚类算法，对多个文本向量进行聚类。本公开对具体的聚类算法不做限制。
本公开实施方式还提出一种模型训练方法，图8是根据本公开一实施例的模型训练方法的实现流程示意图，包括：
S810：获取用户输入的文本，将该文本作为样本文件；
S820：确定输入该样本文件的用户的信息；
S830：根据该用户的信息确定该样本文件的标签；
S840：采用该样本文件及该样本文件的标签训练模型。
在一些可能的实施方式中，上述模型可以为FastText模型。
在一些可能的实施方式中，上述用户的信息可以包括用户的标识(ID)信息、用户在服务平台或业务平台上使用的服务或业务的信息、用户在服务平台或业务平台上输入搜索文本的位置或版块等信息中的至少一项。
在一些可能的实施方式中，上述根据用户的信息确定样本文件的标签可以包括：
根据用户的信息确定用户对应的第一类别和样本文件对应的第二类别中的至少一项；
根据该第一类别和第二类别中的至少一项，确定该样本文件的标签。
具体地，上述根据用户的信息确定用户对应的第一类别和样本文件对应的第二类别中的至少一项，可以包括：
根据所述用户的标识信息，确定该用户选择的业务或服务；
根据该用户选择的业务或服务，确定该用户对应的第一类别和样本文件对应的第二类别中的至少一项。
以用户在服务平台或业务平台上选择业务或服务为例，上述过程可以具体为：
根据用户的信息，确定用户在该服务平台或业务平台上选择的业务或服务；
根据该用户在服务平台或业务平台上选择的业务或服务，确定该用户对应的第一类别和该样本文件对应的第二类别中的至少一项。
以前述保险类业务平台为例，根据用户的ID可以确定出用户对应的第一类别，如重疾险类、意外险类、健康险类、车险类等；和/或，根据用户输入搜索文本时的版块或位置，可以确定用户输入的该样本文件对应的第二类别，如重疾险类、意外险类、健康险类、车险类等；根据该第一类别和第二类别，可以确定样本文件的标签。
例如，将第二类别作为高优先级。针对一个样本文件，当仅能够确定出第二类别、或者能够确定出第一类别和第二类别时，可以将该第二类别作为该样本文件的标签；当仅能够确定出第一类别时，可以将该第一类别作为该样本文件的标签。
在确定训练样本之后，可以采用该训练样本对FastText模型进行训练。对FastText模型进行训练的具体方式在前述实施方式中已有介绍，在此不再赘述。
采用本公开实施例提出的模型训练方式训练FastText模型，能够应用已有的海量搜索文本作为训练样本，并且能够根据输入该训练样本的用户信息确定该训练样本的标签，避免由人工标注样本标签，因此能够节约大量人力和时间，并且提高模型训练的效果和效率。
本公开实施例还提出一种语料分类装置，图9是根据本公开一实施例的语料分类装置900的结构示意图，包括：
文本向量确定模块910，用于针对各个所述文本，确定所述文本对应的文本向量；
聚类模型920，用于将针对所述多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，每个所述文本向量类簇包含至少一个所述文本向量；
文本类簇确定模块930，用于根据所述多个文本向量类簇、以及各个所述文本与所述文本向量的对应关系，确定多个文本类簇，每个所述文本类簇包含至少一个所述文本。
图10是根据本公开另一实施例的语料分类装置1000的结构示意图，在一些可能的实施方式中，如图10所示，该语料分类装置1000包括：
文本向量确定模块910，用于针对各个所述文本，确定所述文本对应的文本向量；
聚类模块920，用于将针对所述多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，每个所述文本向量类簇包含至少一个所述文本向量；
文本类簇确定模块930，用于根据所述多个文本向量类簇、以及各个所述文本与所述文本向量的对应关系，确定多个文本类簇，每个所述文本类簇包含至少一个所述文本；
接收模块1040，用于接收对所述多个文本类簇中的全部或部分文本类簇的标注信息；
保存模块1050，用于保存所述标注信息。
在一些可能的实施方式中，上述文本类簇确定模块930用于：
针对各个所述文本向量类簇，确定所述文本向量类簇中包含的文本向量；
根据所述文本与所述文本向量的对应关系，确定与所述文本向量类簇中包含的各个文本向量所对应的各个文本；
将确定出的各个文本进行聚类，得到所述文本向量类簇所对应的文本类簇。
在一些可能的实施方式中，上述文本类簇确定模块930用于：
将所述文本进行分词处理，得到所述文本的多个分词；
确定所述文本的各个分词对应的词向量；
根据所述文本的全部或部分分词对应的词向量，确定所述文本对应的文本向量。
在一些可能的实施方式中，上述文本类簇确定模块930用于：
将所述文本的各个分词的向量表示以及对应的N-Gram特征输入预先训练的快速文本FastText模型，得到所述文本的各个分词对应的词向量。
在一些可能的实施方式中，上述文本类簇确定模块930用于：
采用NNLM、C&W模型、CBOW模型、Skip-gram模型或BERT模型确定所述文本的各个分词对应的词向量。
在一些可能的实施方式中，上述文本类簇确定模块930用于：从所述文本的各个分词对应的词向量中，去除终止词所对应的词向量，得到剩余分词的词向量；
确定所述剩余分词的词向量的平均值，将所述平均值作为所述文本对应的文本向量。
在一些可能的实施方式中，上述聚类模块920用于：确定文本向量类簇的数量K，所述K为正整数；
根据所述向量类簇的数量K，采用高斯混合模型GMM对针对所述多个文本确定出的多个文本向量进行聚类，得到K个文本向量类簇，每个所述文本向量类簇包括至少一个所述文本向量。
本公开实施例还提出一种模型训练装置，图11是根据本公开一实施例的模型训练装置1100的结构示意图，包括：
获取模块1110，用于获取用户输入的文本，将该文本作为样本文件；
标识确定模块1120，用于确定输入所述样本文件的用户的标识信息；
标签确定模块1130，用于根据所述用户的标识信息确定所述样本文件的标签；
训练模块1140，用于采用所述样本文件及所述样本文件的标签训练模型。
在一些可能的实施方式中，上述模型可以为Fasttext模型。
在一些可能的实施方式中，上述标签确定模块1130用于：
根据所述用户的信息确定所述用户对应的第一类别和所述样本文件对应的第二类别中的至少一项；
根据所述第一类别和所述第二类别中的至少一项，确定所述样本文件的标签。
在一些可能的实施方式中，上述标签确定模块1130用于：
根据所述用户的标识信息，确定所述用户选择的业务或服务；
根据所述用户选择的业务或服务，确定所述用户对应的第一类别和所述样本文件对应的第二类别中的至少一项。
根据本公开的实施例，本公开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。
图12示出了可以用来实施本公开的实施例的示例电子设备1200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。
如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200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1201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1201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1201执行上文所描述的各个方法和处理，例如语料分类方法或模型训练方法。例如，在一些实施例中，语料分类方法或模型训练方法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1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的语料分类方法或模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语料分类方法或模型训练方法。
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 (25)

1.一种语料分类方法，所述语料包括多个文本，所述方法包括：
针对各个所述文本，确定所述文本对应的文本向量；
将针对所述多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，每个所述文本向量类簇包含至少一个所述文本向量；
根据所述多个文本向量类簇、以及各个所述文本与所述文本向量的对应关系，确定多个文本类簇，每个所述文本类簇包含至少一个所述文本。
2.根据权利要求1所述的方法，还包括：
接收对所述多个文本类簇中的全部或部分文本类簇的标注信息；
保存所述标注信息。
3.根据权利要求1或2所述的方法，其中，所述根据所述多个文本向量类簇、以及各个所述文本与所述文本向量的对应关系，确定多个文本类簇，包括：
针对各个所述文本向量类簇，确定所述文本向量类簇中包含的文本向量；
根据所述文本与所述文本向量的对应关系，确定与所述文本向量类簇中包含的各个文本向量所对应的各个文本；
将确定出的各个文本进行聚类，得到所述文本向量类簇所对应的文本类簇。
4.根据权利要求1至3中任一所述的方法，其中，所述确定所述文本对应的文本向量，包括：
将所述文本进行分词处理，得到所述文本的多个分词；
确定所述文本的各个分词对应的词向量；
根据所述文本的全部或部分分词对应的词向量，确定所述文本对应的文本向量。
5.根据权利要求4所述的方法，其中，所述确定所述文本的各个分词对应的词向量，包括：
将所述文本的各个分词的向量表示以及对应的N元N-Gram特征输入预先训练的快速文本FastText模型，得到所述文本的各个分词对应的词向量。
6.根据权利要求4所述的方法，其中，所述确定所述文本的各个分词对应的词向量，包括：
采用神经网络语言模型NNLM、C&W模型、连续词袋CBOW模型、跳字Skip-gram模型或基于转换器的双向编码器表示BERT模型确定所述文本的各个分词对应的词向量。
7.根据权利要求4至6中任一所述的方法，其中，所述根据所述文本的全部或部分分词对应的词向量，确定所述文本对应的文本向量，包括：
从所述文本的各个分词对应的词向量中，去除终止词所对应的词向量，得到剩余分词的词向量；
确定所述剩余分词的词向量的平均值，将所述平均值作为所述文本对应的文本向量。
8.根据权利要求1至7中任一所述的方法，其中，所述将针对所述多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，包括：
确定文本向量类簇的数量K，所述K为正整数；
根据所述向量类簇的数量K，采用高斯混合模型GMM对针对所述多个文本确定出的多个文本向量进行聚类，得到K个文本向量类簇，每个所述文本向量类簇包括至少一个所述文本向量。
9.一种模型训练方法，所述方法包括：
获取用户输入的文本，将所述文本作为样本文件；
确定输入所述样本文件的用户的信息；
根据所述用户的信息确定所述样本文件的标签；
采用所述样本文件及所述样本文件的标签训练模型。
10.根据权利要求9所述的方法，其中，所述根据所述用户的信息确定所述样本文件的标签，包括：
根据所述用户的信息确定所述用户对应的第一类别和所述样本文件对应的第二类别中的至少一项；
根据所述第一类别和所述第二类别中的至少一项，确定所述样本文件的标签。
11.根据权利要求10所述的方法，其中，所述根据所述用户的信息确定所述用户对应的第一类别和所述样本文件对应的第二类别中的至少一项，包括：
根据所述用户的标识信息，确定所述用户选择的业务或服务；
根据所述用户选择的业务或服务，确定所述用户对应的第一类别和所述样本文件对应的第二类别中的至少一项。
12.一种语料分类装置，所述语料包括多个文本，所述装置包括：
文本向量确定模块，用于针对各个所述文本，确定所述文本对应的文本向量；
聚类模块，用于将针对所述多个文本确定出的多个文本向量进行聚类，得到多个文本向量类簇，每个所述文本向量类簇包含至少一个所述文本向量；
文本类簇确定模块，用于根据所述多个文本向量类簇、以及各个所述文本与所述文本向量的对应关系，确定多个文本类簇，每个所述文本类簇包含至少一个所述文本。
13.根据权利要求12所述的装置，还包括：
接收模块，用于接收对所述多个文本类簇中的全部或部分文本类簇的标注信息；
保存模块，用于保存所述标注信息。
14.根据权利要求12或13所述的装置，其中，所述文本类簇确定模块用于：
针对各个所述文本向量类簇，确定所述文本向量类簇中包含的文本向量；
根据所述文本与所述文本向量的对应关系，确定与所述文本向量类簇中包含的各个文本向量所对应的各个文本；
将确定出的各个文本进行聚类，得到所述文本向量类簇所对应的文本类簇。
15.根据权利要求12至14中任一所述的装置，其中，所述文本类簇确定模块用于：
将所述文本进行分词处理，得到所述文本的多个分词；
确定所述文本的各个分词对应的词向量；
根据所述文本的全部或部分分词对应的词向量，确定所述文本对应的文本向量。
16.根据权利要求15所述的装置，其中，所述文本类簇确定模块用于：
将所述文本的各个分词的向量表示以及对应的N元N-Gram特征输入预先训练的快速文本FastText模型，得到所述文本的各个分词对应的词向量。
17.根据权利要求15所述的装置，其中，所述文本类簇确定模块用于：
采用神经网络语言模型NNLM模型、C&W模型、连续词袋CBOW模型、跳字Skip-gram模型或基于转换器的双向编码器表示BERT模型确定所述文本的各个分词对应的词向量。
18.根据权利要求15至17中任一所述的装置，其中，所述文本类簇确定模块用于：
从所述文本的各个分词对应的词向量中，去除终止词所对应的词向量，得到剩余分词的词向量；
确定所述剩余分词的词向量的平均值，将所述平均值作为所述文本对应的文本向量。
19.根据权利要求12至18中任一所述的装置，其中，所述聚类模块用于：
确定文本向量类簇的数量K，所述K为正整数；
根据所述向量类簇的数量K，采用高斯混合模型GMM对针对所述多个文本确定出的多个文本向量进行聚类，得到K个文本向量类簇，每个所述文本向量类簇包括至少一个所述文本向量。
20.一种模型训练装置，所述装置包括：
获取模块，用于获取用户输入的文本，将所述文本作为样本文件；
标识确定模块，用于确定输入所述样本文件的用户的信息；
标签确定模块，用于根据所述用户的信息确定所述样本文件的标签；
训练模块，用于采用所述样本文件及所述样本文件的标签训练模型。
21.根据权利要求20所述的装置，其中，所述标签确定模块用于：
根据所述用户的信息确定所述用户对应的第一类别和所述样本文件对应的第二类别中的至少一项；
根据所述第一类别和所述第二类别中的至少一项，确定所述样本文件的标签。
22.根据权利要求21所述的装置，其中，所述标签确定模块用于：
根据所述用户的标识信息，确定所述用户选择的业务或服务；
根据所述用户选择的业务或服务，确定所述用户对应的第一类别和所述样本文件对应的第二类别中的至少一项。
23.一种电子设备，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1-11中任一项所述的方法。
24.一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1-11中任一项所述的方法。
25.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
CN202111544148.8A 2021-12-16 2021-12-16 语料分类方法、模型训练方法及装置 Pending CN114218384A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111544148.8A CN114218384A (zh) 2021-12-16 2021-12-16 语料分类方法、模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111544148.8A CN114218384A (zh) 2021-12-16 2021-12-16 语料分类方法、模型训练方法及装置

Publications (1)

Publication Number Publication Date
CN114218384A true CN114218384A (zh) 2022-03-22

Family

ID=80703034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111544148.8A Pending CN114218384A (zh) 2021-12-16 2021-12-16 语料分类方法、模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN114218384A (zh)

Similar Documents

Publication Publication Date Title
CN110765759B (zh) 意图识别方法及装置
CN109948160B (zh) 短文本分类方法及装置
CN112966082A (zh) 音频质检方法、装置、设备以及存储介质
CN112348662B (zh) 基于用户职业预测的风险评估方法、装置和电子设备
CN111753082A (zh) 基于评论数据的文本分类方法及装置、设备和介质
CN113434683A (zh) 文本分类方法、装置、介质及电子设备
CN114722198A (zh) 产品分类编码确定方法、系统及相关装置
CN112699237B (zh) 标签确定方法、设备和存储介质
CN113987180A (zh) 用于输出信息和处理信息的方法和装置
CN114037059A (zh) 预训练模型、模型的生成方法、数据处理方法及装置
CN112685374B (zh) 日志分类方法、装置及电子设备
CN113641724B (zh) 知识标签挖掘方法、装置、电子设备及存储介质
CN113254578B (zh) 用于数据聚类的方法、装置、设备、介质和产品
CN115481255A (zh) 一种多标签文本分类方法、装置、电子设备及存储介质
CN114676699A (zh) 实体情感分析方法、装置、计算机设备和存储介质
CN114491030A (zh) 技能标签的抽取、候选短语分类模型的训练方法及装置
CN114969195A (zh) 对话内容挖掘方法和对话内容评估模型的生成方法
CN114218384A (zh) 语料分类方法、模型训练方法及装置
KR102215259B1 (ko) 주제별 단어 또는 문서의 관계성 분석 방법 및 이를 구현하는 장치
CN113408269A (zh) 文本情感分析方法和装置
CN113807390A (zh) 模型训练方法、装置、电子设备及存储介质
CN112632229A (zh) 文本聚类方法及装置
CN113807099B (zh) 实体信息识别方法、装置、电子设备以及存储介质
CN115618968B (zh) 新意图发现方法、装置、电子设备及存储介质
CN113221564B (zh) 训练实体识别模型的方法、装置、电子设备和存储介质

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