CN114238583B - 自然语言处理方法、装置、计算机设备及存储介质 - Google Patents
自然语言处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114238583B CN114238583B CN202111577519.2A CN202111577519A CN114238583B CN 114238583 B CN114238583 B CN 114238583B CN 202111577519 A CN202111577519 A CN 202111577519A CN 114238583 B CN114238583 B CN 114238583B
- Authority
- CN
- China
- Prior art keywords
- data set
- complexity
- index
- determining
- combination
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003058 natural language processing Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请实施例属于人工智能技术领域，涉及一种自然语言处理方法、装置、计算机设备及存储介质。其中，方法包括接收待处理自然语言信息的数据集；依据数据集，确定数据集的复杂度；根据复杂度‑模型对照表，确定数据集的复杂度对应的目标模型；其中，复杂度‑模型对照表中包括多个复杂度和多个模型的对应关系；利用目标模型对待处理自然语言信息进行自然语言理解或自然语言生成操作。本申请实施例通过对数据集进行复杂度计算，再依据复杂度计算结果，参照复杂度‑模型对照表获得目标模型，使得工程师可以在短时间能获得合适的目标模型，进行训练，提高任务处理效率。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种自然语言处理方法、装置、计算机设备及存储介质。
背景技术
随着人工智能技术的发展，自然语言处理领域产生了大量不同内在结构的模型。例如，神经网络模型，基于其所用到的激活函数、网络层数、损失函数、正则方法的不同，带来了神经网络模型在结构上的不同。这些不同的模型在文本分类、文本匹配、文本摘要等诸多细分方向得到了广泛应用。
然而，现实中训练一个表现优异的模型需要花费大量的时间和计算资源。在处理一个任务时，算法工程师面临着在有限计算资源和任务完成时间的条件约束下，如何在众多已有算法模型中获得适合该任务的模型进行训练的难题。
发明内容
本申请实施例的目的在于提出一种自然语言处理方法、装置、计算机设备及存储介质，以快速地从众多算法模型中获得合适的目标模型。
本申请实施例的第一方面，提供一种自然语言处理方法，包括：
接收待处理自然语言信息的数据集；
依据数据集，确定数据集的复杂度；
根据复杂度-模型对照表，确定数据集的复杂度对应的目标模型；其中，复杂度-模型对照表中包括多个复杂度和多个模型的对应关系；
利用目标模型对待处理自然语言信息进行自然语言理解或自然语言生成操作。
在一种实施方式中，依据数据集，确定数据集的复杂度，具体包括：
依据数据集，确定数据集的多个复杂度指标；
以多个复杂度指标构造初始指标组合；
采用遗传算法对初始指标组合进行优化，获得最佳指标组合；
对最佳指标组合进行归一化处理，并计算归一化处理之后的数值总和，将数值总和确定为数据集的复杂度。
在一种实施方式中，依据数据集，确定数据集的多个复杂度指标，包括：
确定数据集的类别多样性指标，以衡量数据集的样本中n-gram短语的多样性程度，类别多样性指标采用如下关系式获得：
其中，i为类别标识，Pi为类别i的样本数量占样本总数的比例，S为类别总数量；
确定数据集的类别均衡指标，以衡量数据集的样本中n-gram短语的样本量均衡程度，类别均衡指标采用如下关系式获得：
其中，i为类别标识，C为类别总数量，Ni为类别i的样本数量，Ntotal为总的样本数量；
对数据集的样本去除停用词，将数据集的样本拆分为n-gram短语，根据n-gram短语确定数据集的类别干扰指标；
采用n-gram独特性指标和/或困惑度指标确定数据集的文本复杂度指标，，其中，
n-gram独特性指标采用对数据集的样本去重之后的n-grams数量，除以去重之前的n-grams数量确定。
在一种实施方式中，以多个复杂度指标构造初始指标组合，具体包括：
以多个复杂度指标中的任一个复杂度指标，确定为占位二级维度，取值为复杂度指标的指标值；多个复杂度指标中的其余复杂度指标，确定为非占位二级维度，取值为0；
以占位二级维度的取值和非占位二级维度的取值构造数组；
以多个复杂度指标分别作为占位二级维度时，构造的多个数组组成矩阵，确定为初始指标组合。
在一种实施方式中，采用遗传算法对初始指标组合进行优化，获得最佳指标组合，具体包括：
步骤A：基于初始指标组合，获得一个与初始指标组合不相同的新指标组合；
步骤B：以平均皮尔逊相关系数作为目标函数，确定新指标组合相对于初始指标组合的目标函数增量；
步骤C：在目标函数增量小于0的情况下，接受新指标组合作为下一次迭代的初始指标组合；
步骤D：循环步骤A至步骤C，直到迭代次数达到预设的阈值，将最后一次接受的新指标组合作为最佳指标组合。
在一种实施方式中，平均皮尔逊相关系数作为目标函数，确定新指标组合相对于初始指标组合的目标函数增量，包括：
以多个不同的预备模型在测试数据集上训练获得预备模型的F1值；F1值用于评价不同预备模型的优劣；
采用皮尔逊相关系数表征新指标组合与F1值之间的关系，获得多个不同的预备模型的皮尔逊相关系数；
以多个不同的预备模型的皮尔逊相关系数的平均值作为目标函数值。
在一种实施方式中，基于初始指标组合，获得一个与初始指标组合不相同的新指标组合，包括:
在初始指标组合的基础上，增加一个或者多个占位二级维度，获得新指标组合；或者，
在初始指标组合的基础上，将占位二级维度和非占位二级维度进行调换，获得新指标组合。
在一种实施方式中，复杂度-模型推荐表还包括：多个任务领域、多个模型、多个复杂度以及多个模型的多个性能参数的对应关系；
根据复杂度-模型对照表，确定数据集的复杂度对应的目标模型，包括：
接收待处理自然语言信息的任务领域；
根据复杂度-模型对照表，确定任务领域以及数据集的复杂度对应的目标模型以及对应的目标性能参数。
本申请实施例的第二方面，提供一种自然语言处理装置，包括：
接收模块，用于接收待处理自然语言信息的数据集；
复杂度计算模块，用于依据数据集，确定数据集的复杂度；
目标模型确定模块，用于根据复杂度-模型对照表，确定数据集的复杂度对应的目标模型；其中，复杂度-模型对照表中包括多个复杂度和多个模型的对应关系；
处理模块，用于利用目标模型对待处理自然语言信息进行自然语言理解或自然语言生成操作。
本申请实施例的第三方面，提供一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现上述实施方式中任一方面的自然语言处理方法的步骤。
本申请实施例的第四方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述实施方式中任一方面的自然语言处理方法的步骤。
与现有技术相比，本申请实施例至少包括以下有益效果：
本申请实施例通过对数据集进行复杂度计算，再依据复杂度计算结果，参照复杂度-模型对照表获得目标模型，使得工程师可以在短时间能获得合适的目标模型，进行训练，提高任务处理效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的自然语言处理方法的一个实施例的流程示意图；
图3是图2中步骤S220的一种具体实施方式的流程图；
图4是图3中步骤S223的一种具体实施方式的流程图；
图5是根据本申请的自然语言处理装置的一个实施例的结构框图；
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的自然语言处理方法一般由服务器执行，相应地，自然语言处理装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示出了根据本申请实施例的自然语言处理方法的一个实施例的流程示意图。如图2所示，本申请实施例的自然语言处理方法，包括：
S210，接收待处理自然语言信息的数据集。
S220，依据数据集，确定数据集的复杂度。
S230，根据复杂度-模型对照表，确定数据集的复杂度对应的目标模型；其中，复杂度-模型对照表中包括多个复杂度和多个模型的对应关系。
S240，利用目标模型对待处理自然语言信息进行自然语言理解或自然语言生成操作。
在一个示例中，多个模型可以为例如TextCNN、FastText以及BertSUM。本申请实施例中，通过计算数据集的复杂度之后，获得目标模型。采用目标模型对待处理自然语言信息进行自然语言理解或自然语言生成操作。以使计算机既能理解自然语言文本的意义，或者能以自然语言文本来表达给定的意图、思想等。
本申请实施例通过对数据集进行复杂度计算，再依据复杂度计算结果，参照复杂度-模型对照表获得目标模型，使得工程师可以在短时间能获得合适的目标模型，进行训练，提高任务处理效率。
在一种实施方式中，如图3所示，步骤S220具体包括：
S221，依据数据集，确定数据集的多个复杂度指标。
S222，以多个复杂度指标构造初始指标组合。
S223，采用遗传算法对初始指标组合进行优化，获得最佳指标组合。
S224，对最佳指标组合进行归一化处理，并计算归一化处理之后的数值总和，将数值总和确定为数据集的复杂度。
本申请实施例采用多个复杂度指标评估数据集的复杂度，并对多个复杂度指标进行组合，采用遗传算法迭代，以获得最佳指标组合。再采用归一化处理，获得数据集的复杂度。
本申请实施例采用上述方式，可以使得数据集的复杂度有准确确定的值，便于作为准确的参考，与推荐的目标模型进行精准对照。使得本申请实施例的通过复杂度-模型对照表获得目标模型的方式能够广泛应用。
在一种实施方式中，步骤S221包括：
确定数据集的类别多样性指标，以衡量数据集的样本中n-gram短语的多样性程度，类别多样性指标采用如下关系式获得：
其中，i为类别标识，Pi为类别i的样本数量占样本总数的比例，S为类别总数量；
确定数据集的类别均衡指标，以衡量数据集的样本中n-gram短语的样本量均衡程度，类别均衡指标采用如下关系式获得：
其中，i为类别标识，C为类别总数量，Ni为类别i的样本数量，Ntotal为总的样本数量；
对数据集的样本去除停用词，将数据集的样本拆分为n-gram短语，根据n-gram短语确定数据集的类别干扰指标；类别干扰指标可以采用如下方式获得：
对数据集的样本去除停用词，将数据集的样本拆分为n-gram短语；
确定词频较大的前K个n-gram短语，计算K个n-gram短语之间的互信息和/或者杰卡德距离；其中，K为正整数；
采用n-gram独特性指标和/或困惑度指标确定数据集的文本复杂度指标，其中n-gram独特性指标采用对数据集的样本去重之后的n-grams数量，除以去重之前的n-grams数量确定。
互信息和杰卡德距离可以采用本领域技术人员所公知的计算方式获得。困惑度指标可以采用本领域技术人员所公知的计算方式获得。
本申请实施例可以采用上述四种复杂度指标，用以计算数据集的复杂度。可以满足从不同的角度去评估数据集的复杂度。从而使得计算得到的数据集的复杂度具有参考性，根据该复杂度计算结果获得的复杂度，能够获得更准确的目标模型。
在一个示例中，也可以采用上述的其中三种复杂度指标计算数据集的复杂度；或者在上述四种复杂度指标之外，增加其他的复杂度指标以计算数据集的复杂度。
在一种实施方式中，步骤S222具体包括：
以多个复杂度指标中的任一个复杂度指标，确定为占位二级维度，取值为复杂度指标的指标值；多个复杂度指标中的其余复杂度指标，确定为非占位二级维度，取值为0；
以占位二级维度的取值和非占位二级维度的取值构造数组；
以多个复杂度指标分别作为占位二级维度时，构造的多个数组组成矩阵，确定为初始指标组合。
本申请实施例中的复杂度指标，在n-gram短语中的n分别取值为2、3或者4时，获得的复杂度指标值作为复杂度指标的取值。
本申请实施例中，占位二级维度是指在指标组合的矩阵中，取值可以为非0的指标；非占位二级维度是指在指标组合的矩阵中，取值为0的指标。
在一个示例中，初始指标组合可以为：[[0,0,0,0.81],[0.95,0,0,0],[0,0.34,0,0],[0.45,0,0,0]]。其中，0.81可以为类别多样性指标值；0.95可以为类别均衡指标值；0.34可以为类别干扰指标值；0.45可以为文本复杂度指标值。
本申请实施例，通过上述方式，构造初始指标组合，以进行遗传算法优化，获得最佳指标组合。
在一种实施方式中，如图4所示，步骤S223具体包括：
步骤A：基于初始指标组合，获得一个与初始指标组合不相同的新指标组合。
步骤B：以平均皮尔逊相关系数作为目标函数，确定新指标组合相对于初始指标组合的目标函数增量。
步骤C：在目标函数增量小于0的情况下，接受新指标组合作为下一次迭代的初始指标组合；
步骤D：循环步骤A至步骤C，直到迭代次数达到预设的阈值，将最后一次接受的新指标组合作为最佳指标组合。
其中，平均皮尔逊相关系数作为目标函数，确定新指标组合相对于初始指标组合的目标函数增量，包括：
以多个不同的预备模型在测试数据集上训练获得预备模型的F1值；F1值用于评价不同预备模型的优劣；
采用皮尔逊相关系数表征新指标组合与F1值之间的关系，获得多个不同的预备模型的皮尔逊相关系数；
以多个不同的预备模型的皮尔逊相关系数的平均值作为目标函数值。
在一个示例中，终止条件可以为迭代次数达到预设的阈值。
在一个示例中，以一个新指标组合进行迭代，在目标函数增量大于或等于0的情况下，以该新指标组合之前的指标组合继续进行另一次新的迭代。
本申请实施例，采用平均皮尔逊相关系数作为目标函数进行指标组合的遗传优化，平均皮尔逊相关系数越大，相关性也就越高。
在一种实施方式中，步骤A包括:
在初始指标组合的基础上，增加一个或者多个占位二级维度，获得新指标组合；或者，
在初始指标组合的基础上，将占位二级维度和非占位二级维度进行调换，获得新指标组合。
示例性地，初始指标组合可以为[[0,0,0,0.81],[0.95,0,0,0],[0,0.34,0,0],[0.45,0,0,0]]。在初始指标的基础上，增加一个占位二级维度，获得新指标组合可以为[[0,0,0,0.81],[0.95,0,0,0.33],[0,0.34,0,0],[0.45,0,0,0]]；或者在初始指标的基础上，增加2个占位二级维度，获得新指标组合可以为[[0,0,0.25,0.81],[0.95,0,0,0.33],[0,0.34,0,0],[0.45,0,0,0]]；或者在初始指标的基础上，将占位二级维度和非占位二级维度进行调换，获得新指标组合可以为[[0,0,0.81,0],[0.95,0,0,0],[0,0.34,0,0],[0.45,0,0,0]]。
在一种实施方式中，复杂度-模型推荐表还包括：多个任务领域、多个模型、多个复杂度以及多个模型的多个性能参数的对应关系。
步骤S230包括：
接收待处理自然语言信息的任务领域；
根据复杂度-模型对照表，确定任务领域以及数据集的复杂度对应的目标模型以及对应的目标性能参数。
在一个示例中，任务领域可以是文本分类、文本摘要等自然语言处理中的具体细分领域。本申请实施例，可以根据任务领域获得对应该任务领域的目标模型。
在一个示例中，目标性能参数可以是F1值或者PPL值。
本申请实施例通过根据复杂度-模型对照表，确定任务领域以及数据集的复杂度对应的目标模型以及对应的目标性能参数；可以使得工程师从复杂度、任务领域和目标性能参数三个角度去对照，获得更符合工程师要求的目标模型，使得目标模型的获取更准确。
在一个示例中，在获得待处理自然语言信息的数据集的复杂度的时候，可以向工程师或者用户展示接近该复杂度的目标模型；工程师或者用户可以根据任务领域以及需要的目标性能参数的角度，去选择最合适的目标模型。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种自然语言处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的自然语言处理装置500包括：接收模块501、复杂度计算模块502、目标模型确定模块503以及处理模块504。其中：
接收模块501，用于接收待处理自然语言信息的数据集。
复杂度计算模块502，用于依据数据集，确定数据集的复杂度。
目标模型确定模块503，用于根据复杂度-模型对照表，确定数据集的复杂度对应的目标模型；其中，复杂度-模型对照表中包括多个复杂度和多个模型的对应关系。
处理模块504，用于利用目标模型对待处理自然语言信息进行自然语言理解或自然语言生成操作。
在一种实施方式中，复杂度计算模块502，具体包括：
复杂度指标计算子模块，用于依据数据集，确定数据集的多个复杂度指标；
初始指标组合构造子模块，用于以多个复杂度指标构造初始指标组合；
最佳指标组合获得子模块，用于采用遗传算法对初始指标组合进行优化，获得最佳指标组合；
复杂度确定子模块，用于对最佳指标组合进行归一化处理，并计算归一化处理之后的数值总和，将数值总和确定为数据集的复杂度。
在一种实施方式中，复杂度指标计算子模块，包括：
类别多样性指标计算子模块，用于确定数据集的类别多样性指标，以衡量数据集的样本中n-gram短语的多样性程度，类别多样性指标采用如下关系式获得：
其中，i为类别标识，Pi为类别i的样本数量占样本总数的比例，S为类别总数量；
类别均衡指标计算子模块，用于确定数据集的类别均衡指标，以衡量数据集的样本中n-gram短语的样本量均衡程度，类别均衡指标采用如下关系式获得：
其中，i为类别标识，C为类别总数量，Ni为类别i的样本数量，Ntotal为总的样本数量；
类别干扰指标计算子模块，用于对数据集的样本去除停用词，将数据集的样本拆分为n-gram短语，根据n-gram短语确定数据集的类别干扰指标；；
文本复杂度指标计算子模块，用于采用n-gram独特性指标和/或困惑度指标确定数据集的文本复杂度指标，其中，
n-gram独特性指标采用对数据集的样本去重之后的n-grams数量，除以去重之前的n-grams数量确定；
困惑度指标采用PPL指标确定。
在一种实施方式中，初始指标组合子模块，具体用于：
以多个复杂度指标中的任一个复杂度指标，确定为占位二级维度，取值为复杂度指标的指标值；多个复杂度指标中的其余复杂度指标，确定为非占位二级维度，取值为0；
以占位二级维度的取值和非占位二级维度的取值构造数组；
以多个复杂度指标分别作为占位二级维度时，构造的多个数组组成矩阵，确定为初始指标组合。
在一种实施方式中，最佳指标组合获得子模块具体用于：
基于初始指标组合，获得一个与初始指标组合不相同的新指标组合；
以平均皮尔逊相关系数作为目标函数，确定新指标组合相对于初始指标组合的目标函数增量；
在目标函数增量小于0的情况下，接受新指标组合作为下一次迭代的初始指标组合；
以不同的新指标组合进行迭代，计算新指标组合与初始指标组合的目标函数增量，在达到终止条件的情况下，获得最佳指标组合。
在一种实施方式中，平均皮尔逊相关系数作为目标函数，包括：
以多个不同的预备模型在测试数据集上训练获得预备模型的F1值；F1值用于评价不同预备模型的优劣；
采用皮尔逊相关系数表征新指标组合与F1值之间的关系，获得多个不同的预备模型的皮尔逊相关系数；
以多个不同的预备模型的皮尔逊相关系数的平均值作为目标函数值。
在一种实施方式中，基于初始指标组合，获得一个与初始指标组合不相同的新指标组合，包括:
在初始指标组合的基础上，增加一个或者多个占位二级维度，获得新指标组合；或者，
在初始指标组合的基础上，将占位二级维度和非占位二级维度进行调换，获得新指标组合。
在一种实施方式中，复杂度-模型推荐表还包括：多个任务领域、多个模型、多个复杂度以及多个模型的多个性能参数的对应关系；
目标模型确定模块503用于：
接收待处理自然语言信息的任务领域；
根据复杂度-模型对照表，确定任务领域以及数据集的复杂度对应的目标模型以及对应的目标性能参数。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如自然语言处理方法的程序代码等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据，例如运行所述自然语言处理方法的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有自然语言处理程序，所述自然语言处理程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的自然语言处理方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (9)
1.一种自然语言处理方法，其特征在于，包括：
接收待处理自然语言信息的数据集；
依据所述数据集，确定所述数据集的复杂度，其中，所述依据所述数据集，确定所述数据集的复杂度，具体包括：
依据所述数据集，确定所述数据集的多个复杂度指标；
以所述多个复杂度指标构造初始指标组合；
采用遗传算法对所述初始指标组合进行优化，以获得最佳指标组合；
对所述最佳指标组合进行归一化处理，并计算所述归一化处理之后的数值总和，将所述数值总和确定为所述数据集的复杂度；
具体的，所述依据所述数据集，确定所述数据集的多个复杂度指标，包括：
确定所述数据集的类别多样性指标，以衡量所述数据集的样本中n-gram短语的多样性程度，所述类别多样性指标采用如下关系式获得：
式中，i为类别标识，Pi为类别i的样本数量占样本总数的比例，S为类别总数量；
确定所述数据集的类别均衡指标，以衡量所述数据集的样本中n-gram短语的样本量均衡程度，所述类别均衡指标采用如下关系式获得：
式中，i为类别标识，C为类别总数量，Ni为类别i的样本数量，Ntotal为总的样本数量；
对所述数据集的样本去除停用词，将所述数据集的样本拆分为n-gram短语，根据所述n-gram短语确定所述数据集的类别干扰指标；
采用n-gram独特性指标和/或困惑度指标确定所述数据集的文本复杂度指标，具体的，所述n-gram独特性指标采用对所述数据集的样本去重之后的n-grams数量，除以去重之前的n-grams数量确定，所述困惑度指标采用PPL指标确定；
根据复杂度-模型对照表，确定所述数据集的复杂度对应的目标模型；其中，所述复杂度-模型对照表中包括多个复杂度和多个模型的对应关系；
利用所述目标模型对所述待处理自然语言信息进行自然语言理解或自然语言生成操作。
2.根据权利要求1所述的方法，其特征在于，所述以所述多个复杂度指标构造初始指标组合，具体包括：
以所述多个复杂度指标中的任一个复杂度指标，确定为占位二级维度，取值为所述复杂度指标的指标值；所述多个复杂度指标中的其余复杂度指标，确定为非占位二级维度，取值为0；
以所述占位二级维度的取值和所述非占位二级维度的取值构造数组；
以所述多个复杂度指标分别作为占位二级维度时，构造的多个数组组成矩阵，确定为所述初始指标组合。
3.根据权利要求2所述的方法，其特征在于，所述采用遗传算法对所述初始指标组合进行优化，获得最佳指标组合，具体包括：
步骤A：基于所述初始指标组合，获得一个与所述初始指标组合不相同的新指标组合；
步骤B：以平均皮尔逊相关系数作为目标函数，确定所述新指标组合相对于所述初始指标组合的目标函数增量；
步骤C：在所述目标函数增量小于0的情况下，接受所述新指标组合作为下一次迭代的初始指标组合；
步骤D：循环步骤A至步骤C，直到迭代次数达到预设的阈值，将最后一次接受的新指标组合作为最佳指标组合。
4.根据权利要求3所述的方法，其特征在于，所述以所述平均皮尔逊相关系数作为目标函数，确定所述新指标组合相对于所述初始指标组合的目标函数增量，包括：
以多个不同的预备模型在测试数据集上训练获得所述预备模型的F1值；所述F1值用于评价不同预备模型的优劣；
采用皮尔逊相关系数表征所述新指标组合与所述F1值之间的关系，获得多个不同的预备模型的皮尔逊相关系数；
以多个不同的预备模型的皮尔逊相关系数的平均值作为目标函数值。
5.根据权利要求3所述的方法，其特征在于，所述基于所述初始指标组合，获得一个与所述初始指标组合不相同的新指标组合，包括:
在所述初始指标组合的基础上，增加一个或者多个占位二级维度，获得新指标组合；或者，
在所述初始指标组合的基础上，将所述占位二级维度和所述非占位二级维度进行调换，获得新指标组合。
6.根据权利要求1所述的方法，其特征在于，所述复杂度-模型对照表还包括：多个任务领域、多个模型、多个复杂度以及多个模型的多个性能参数的对应关系；
所述根据复杂度-模型对照表，确定所述数据集的复杂度对应的目标模型，包括：
接收所述待处理自然语言信息的任务领域；
根据所述复杂度-模型对照表，确定所述任务领域以及所述数据集的复杂度对应的目标模型以及对应的目标性能参数。
7.一种自然语言处理装置，其特征在于，包括：
接收模块，用于接收待处理自然语言信息的数据集；
复杂度计算模块，用于依据所述数据集，确定所述数据集的复杂度，其中，所述依据所述数据集，确定所述数据集的复杂度，具体包括：
依据所述数据集，确定所述数据集的多个复杂度指标；
以所述多个复杂度指标构造初始指标组合；
采用遗传算法对所述初始指标组合进行优化，以获得最佳指标组合；
对所述最佳指标组合进行归一化处理，并计算所述归一化处理之后的数值总和，将所述数值总和确定为所述数据集的复杂度；
具体的，所述依据所述数据集，确定所述数据集的多个复杂度指标，包括：
确定所述数据集的类别多样性指标，以衡量所述数据集的样本中n-gram短语的多样性程度，所述类别多样性指标采用如下关系式获得：
式中，i为类别标识，Pi为类别i的样本数量占样本总数的比例，S为类别总数量；
确定所述数据集的类别均衡指标，以衡量所述数据集的样本中n-gram短语的样本量均衡程度，所述类别均衡指标采用如下关系式获得：
式中，i为类别标识，C为类别总数量，Ni为类别i的样本数量，Ntotal为总的样本数量；
对所述数据集的样本去除停用词，将所述数据集的样本拆分为n-gram短语，根据所述n-gram短语确定所述数据集的类别干扰指标；
采用n-gram独特性指标和/或困惑度指标确定所述数据集的文本复杂度指标，具体的，所述n-gram独特性指标采用对所述数据集的样本去重之后的n-grams数量，除以去重之前的n-grams数量确定，所述困惑度指标采用PPL指标确定；
目标模型确定模块，用于根据复杂度-模型对照表，确定所述数据集的复杂度对应的目标模型；其中，所述复杂度-模型对照表中包括多个复杂度和多个模型的对应关系；
处理模块，用于利用所述目标模型对所述待处理自然语言信息进行自然语言理解或自然语言生成操作。
8.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的自然语言处理方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的自然语言处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111577519.2A CN114238583B (zh) | 2021-12-21 | 2021-12-21 | 自然语言处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111577519.2A CN114238583B (zh) | 2021-12-21 | 2021-12-21 | 自然语言处理方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114238583A CN114238583A (zh) | 2022-03-25 |
| CN114238583B true CN114238583B (zh) | 2024-01-02 |
Family
ID=80761010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111577519.2A Active CN114238583B (zh) | 2021-12-21 | 2021-12-21 | 自然语言处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114238583B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166873A (zh) * | 2014-06-26 | 2014-11-26 | 中国矿业大学 | 一种数据质量模糊表示下多目标微粒群特征选择方法 |
| CN107451363A (zh) * | 2017-08-03 | 2017-12-08 | 上海交通大学 | 一种多目标均衡网络连续优化问题的计算方法 |
| WO2020035075A1 (zh) * | 2018-08-17 | 2020-02-20 | 第四范式（北京）技术有限公司 | 在数据隐私保护下执行机器学习的方法和系统 |
| CN112100377A (zh) * | 2020-09-14 | 2020-12-18 | 腾讯科技（深圳）有限公司 | 文本分类方法、装置、计算机设备和存储介质 |
| CN113176952A (zh) * | 2021-04-20 | 2021-07-27 | 海南视联大健康智慧医疗科技有限公司 | 数据处理方法、装置及可读存储介质 |
-
2021
- 2021-12-21 CN CN202111577519.2A patent/CN114238583B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166873A (zh) * | 2014-06-26 | 2014-11-26 | 中国矿业大学 | 一种数据质量模糊表示下多目标微粒群特征选择方法 |
| CN107451363A (zh) * | 2017-08-03 | 2017-12-08 | 上海交通大学 | 一种多目标均衡网络连续优化问题的计算方法 |
| WO2020035075A1 (zh) * | 2018-08-17 | 2020-02-20 | 第四范式（北京）技术有限公司 | 在数据隐私保护下执行机器学习的方法和系统 |
| CN112100377A (zh) * | 2020-09-14 | 2020-12-18 | 腾讯科技（深圳）有限公司 | 文本分类方法、装置、计算机设备和存储介质 |
| CN113176952A (zh) * | 2021-04-20 | 2021-07-27 | 海南视联大健康智慧医疗科技有限公司 | 数据处理方法、装置及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Efficient behavior targeting using svm ensemble indexing;JunLi等;《2012 IEEE 12th international conference on data mining》;第1-2页 * |
| 基于Verhulst模型与信息熵理论的能源消费研究;覃琳 等;《中国人口资源与环境》;第27卷(第S2期);第45-49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114238583A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112528025A (zh) | 基于密度的文本聚类方法、装置、设备及存储介质 | |
| CN114780727A (zh) | 基于强化学习的文本分类方法、装置、计算机设备及介质 | |
| WO2021135455A1 (zh) | 语义召回方法、装置、计算机设备及存储介质 | |
| CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
| CN113722438B (zh) | 基于句向量模型的句向量生成方法、装置及计算机设备 | |
| CN112466314A (zh) | 情感语音数据转换方法、装置、计算机设备及存储介质 | |
| CN112085091B (zh) | 基于人工智能的短文本匹配方法、装置、设备及存储介质 | |
| CN112836521A (zh) | 问答匹配方法、装置、计算机设备及存储介质 | |
| CN112468658A (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
| CN114238583B (zh) | 自然语言处理方法、装置、计算机设备及存储介质 | |
| CN116881446A (zh) | 一种语义分类方法、装置、设备及其存储介质 | |
| CN116383787A (zh) | 页面创建方法、装置、计算机设备及存储介质 | |
| CN114358023B (zh) | 智能问答召回方法、装置、计算机设备及存储介质 | |
| CN116168403A (zh) | 医疗数据分类模型训练方法、分类方法、装置及相关介质 | |
| CN113343713B (zh) | 意图识别方法、装置、计算机设备及存储介质 | |
| CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
| CN112071331A (zh) | 语音文件修复方法、装置、计算机设备及存储介质 | |
| CN112732913B (zh) | 一种非均衡样本的分类方法、装置、设备及存储介质 | |
| CN117093717B (zh) | 一种相似文本聚合方法、装置、设备及其存储介质 | |
| CN115640896B (zh) | 多用户场景下的家庭用户电力负荷预测方法及相关设备 | |
| CN110992067B (zh) | 消息推送方法、装置、计算机设备及存储介质 | |
| CN117493563A (zh) | 一种会话意图分析方法、装置、设备及其存储介质 | |
| CN116167872A (zh) | 异常医疗数据检测方法、装置及设备 | |
| CN115879465A (zh) | 搜索引擎分词模型构建方法及其相关设备 | |
| CN115859998A (zh) | 问题数据的处理方法、装置、计算机设备及存储介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000 Applicant after: China Resources Digital Technology Co.,Ltd. Address before: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000 Applicant before: Runlian software system (Shenzhen) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |