CN114548261A - 数据处理方法、装置、电子设备以及存储介质 - Google Patents

数据处理方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN114548261A
CN114548261A CN202210153080.9A CN202210153080A CN114548261A CN 114548261 A CN114548261 A CN 114548261A CN 202210153080 A CN202210153080 A CN 202210153080A CN 114548261 A CN114548261 A CN 114548261A
Authority
CN
China
Prior art keywords
sample data
value
sample
feature
dimension
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
CN202210153080.9A
Other languages
English (en)
Inventor
李硕
许韩晨玺
张巨岩
岳洪达
许海洋
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 CN202210153080.9A priority Critical patent/CN114548261A/zh
Publication of CN114548261A publication Critical patent/CN114548261A/zh
Priority to EP23155322.3A priority patent/EP4155983A3/en
Priority to US18/169,806 priority patent/US20230195849A1/en
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种数据处理方法、装置、电子设备以及存储介质，本公开涉及计算机技术领域，尤其涉及人工智能、数据挖掘及机器学习领域。实现方案为：获取用于建模的样本数据集；从样本数据集中选择第一样本数据；响应于确定对应于第一特征维度的第一语义向量和对应于第二特征维度的第二语义向量之间的相似度满足预设条件，基于第一样本数据生成第二样本数据；以及将第二样本数据加入样本数据集。

Description

数据处理方法、装置、电子设备以及存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及人工智能、数据挖掘及机器学习领域，具体涉及一种数据处理方法、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
机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能，主要分为有监督学习、无监督学习及强化学习等。其中，有监督学习是从标签化训练数据集中推断出函数的机器学习任务。数据增强则可以基于有限的样本数据产生更多的增强数据，从而增加训练样本的数量以及多样性，提升模型鲁棒性。
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，提供了一种数据处理方法，包括：获取用于建模的样本数据集，其中，样本数据集中的每一个样本数据至少包括第一特征维度和第二特征维度；从样本数据集中选择第一样本数据，其中，在第一样本数据中，第一特征维度的特征值为第一值，第二特征维度的特征值为第二值；响应于确定对应于第一特征维度的第一语义向量和对应于第二特征维度的第二语义向量之间的相似度满足预设条件，基于所述第一样本数据生成第二样本数据，其中，在第二样本数据中，第二特征维度的特征值为第一值，并且其中，第二样本数据与第一样本数据具有相同的样本标签；以及将第二样本数据加入样本数据集。
根据本公开的另一方面，提供了一种模型训练方法，包括：获取第一样本数据集；基于第一样本数据集，通过执行上述数据处理方法，获取加入增强样本数据后的第二样本数据集，其中，第二样本数据集中的每个样本数据包括相应的样本标签；初始化模型的多个参数；以及对于第二样本数据集中的每个样本数据，执行下述操作：将该样本数据输入模型，以获取模型计算结果；以及基于模型计算结果和该样本数据相应的样本标签，调整模型的多个参数。
根据本公开的另一方面，提供了一种数据处理装置，包括：获取单元，被配置为获取用于建模的样本数据集，其中，样本数据集中的每一个样本数据至少包括第一特征维度和第二特征维度；第一选择单元，被配置为从样本数据集中选择第一样本数据，其中，在第一样本数据中，第一特征维度的特征值为第一值，第二特征维度的特征值为第二值；第一生成单元，被配置为响应于确定对应于第一特征维度的第一语义向量和对应于第二特征维度的第二语义向量之间的相似度满足预设条件，基于所述第一样本数据生成第二样本数据，其中，在第二样本数据中，第二特征维度的特征值为第一值，并且其中，第二样本数据与第一样本数据具有相同的样本标签；以及第一添加单元，被配置为将第二样本数据加入样本数据集。
根据本公开的另一方面，提供了一种模型训练装置，包括：第一获取单元，被配置为获取第一样本数据集；第二获取单元，被配置为基于第一样本数据集，通过执行上述数据处理方法，获取加入增强样本数据后的第二样本数据集，其中，第二样本数据集中的每个样本数据包括相应的样本标签；初始化单元，被配置为初始化模型的多个参数；以及执行单元，被配置为对于第二样本数据集中的每个样本数据，执行下述子单元的操作，执行单元包括：输入子单元，被配置为将该样本数据输入模型，以获取模型计算结果；以及调整子单元，被配置为基于模型计算结果和该样本数据相应的样本标签，调整模型的多个参数。
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；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述数据处理方法或模型训练方法。
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，计算机指令用于使计算机执行上述数据处理方法或模型训练方法。
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，计算机程序在被处理器执行时实现上述数据处理方法或模型训练方法。
根据本公开的一个或多个实施例，能够提高用于建模的样本数据集的样本量。
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处理方法的流程图；
图3示出了根据本公开的实施例的数据处理方法的示例；
图4示出了根据本公开的实施例的无监督语义表示模型的示意图；
图5示出了根据本公开的实施例的模型训练方法的流程图；
图6示出了根据本公开的实施例的数据处理装置的结构框图；
图7示出了根据本公开的实施例的模型训练装置的结构框图；
图8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要素与另一要素区分开。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数据处理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来上传样本数据。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。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器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。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。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。
在机器学习领域，往往存在很多场景，其用于训练模型的样本数据集存在具有标签的样本数据较少，并且样本数据分布不平衡的情况。例如在用户行为建模中的信贷风控场景中，具有信贷逾期标签的正样本数量往往远小于具有未逾期标签的负样本数量，例如正负样本比例可能达到1:100甚至1:1000。因此应用这种样本数据少、分布不平衡的样本数据进行模型训练，所得的模型往往存在过拟合现象严重，鲁棒性较差等问题，建模的效果难以提升。
根据本公开的实施例，如图2所示，提供了一种数据处理方法200，包括：步骤S201、获取用于建模的样本数据集，其中，样本数据集中的每一个样本数据至少包括第一特征维度和第二特征维度；步骤S202、从样本数据集中选择第一样本数据，其中，在第一样本数据中，第一特征维度的特征值为第一值，第二特征维度的特征值为第二值；步骤S203、响应于确定对应于第一特征维度的第一语义向量和对应于第二特征维度的第二语义向量之间的相似度满足预设条件，基于所述第一样本数据生成第二样本数据，其中，在第二样本数据中，第二特征维度的特征值为第一值，并且其中，第二样本数据与第一样本数据具有相同的样本标签；以及步骤S204、将第二样本数据加入样本数据集。
通过本公开的实施例，通过应用语义相近的特征对样本数据中相应的特征进行替换或增加，生成增强样本，并添加到原样本数据集中，从而提高用于建模的样本数据集的样本量。
在一些场景中，用于训练模型的样本数据是高维稀疏数据，例如用户行为建模场景。高维稀疏数据往往具有几十万甚至上百万维度，但是具有特征表现的往往仅有数百维。
在一些实施例中，用于建模的样本数据集可以是一个用于用户行为建模的用户行为样本数据集，其中的样本数据均是高维稀疏的用户行为数据。用户行为数据通常是定长的结构化的向量，向量的每个位置都表示用户行为特征的一个特征维度，并且每个特征维度都具有一个表示特定含义的特征值。例如，如果一个特征维度对应的特征值为1，则可以表示用户具有该特征；相反，如果该特征维度对应的特征值为0，则可以表示用户不具有该特征。可以理解，上述示例中的“1”、“0”仅是本公开中第一值和第二值的示例，其他的二元取值的示例也是可以想到，本公开不做限定。
一般一个用户行为数据具有几十万特征维度，但是由于用户的兴趣属性等特征维度具有较大区别，绝大多数用户所具有的特征维度非常少，只有几百个特征维度具有第一值，其余特征维度则均为第二值。
在一些实施例中，生成增强样本可以是应用与第一特征维度具有相近语义的第二特征维度替换上述第一特征维度来获得的。具体方式可以是，对于样本数据中的具有数值的第一特征维度和数值为第二值的第二特征维度，其中，第一特征维度和第二特征维度具有相近的语义，则将上述第二特征维度的数值设置为第一值，将上述第一特征维度的数值设置为第二值，并保持所述第一样本数据的其他特征维度的值以及所述第一样本数据对应的标签保持不变，从而获得一个增强样本，也即第二样本数据。
图3给出了通过替换的增强方式获得增强样本的示例，如图3中的增强样本1所示，真实样本中，样本用户安装了购物应用1，未安装购物应用2，也即“购物应用1”为该样本数据中的第一特征维度，“购物应用2”为该样本数据中的第二特征维度，并且“购物应用1”与“购物应用2”语义相近。通过替换的方式生成增强样本，可以在保持样本标签不变的情况在，通过将“购物应用1”这一特征的特征值设置为0，同时将“购物应用2”这一特征的特征值设置为1，从而实现用“购物应用2”替换“购物应用1”，以获取增强样本1的目的。如图3中的增强样本4所示，相似的，也可以同时对多个第一维度特征进行替换，例如，用“众包应用2”替换“众包应用1”，同时，用“借贷应用2”替换“借贷应用1”，从而获取增强样本4。
在一些实施例中，可以应用如图4所示的无监督语义表示模型，获取与第一特征维度具有相近语义的第二特征维度。以应用软件为例，首先可以通过应用软件的无标签特征数据集对该模型进行训练，使该模型可以通过输入层，将输入应用软件的特征向量表示为相应的语义向量；并通过中间层，计算两语义向量间的欧式距离，获取与输入应用软件语义向量的欧式距离小于预设阈值的多个语义向量；随后通过输出层，获取所述多个语义向量所对应的应用软件特征向量。
通过训练好的该模型，将应用软件“App N”所对应的高维稀疏的特征向量xi(维度V-dim例如可以为三十万维)输入到模型中，通过输入层(WV×N为输入层的参数)获取其相应的语义表示向量hi(维度N-dim例如可以为64维)；随后通过中间层，获取多个相近的语义表示向量，并通过输出层(W′N×V为输出层的参数)获取其相应的多个与xi具有相似语义的多个特征向量y1j,y2j,…,yCj，其中C表示一个任意的正整数，特征向量y1j,y2j,…,yCj分别对应于与应用软件“App N”具有相近语义的应用软件“App N-1”、“App N+1”、……“App N+C-1”。
在一些实施例中，生成增强样本可以是通过增加与第一特征维度具有相近语义的第二特征维度来获得，具体方式可以是，对于样本数据中的具有数值的第一特征维度和数值为第二值的第二特征维度，其中，第一特征维度和第二特征维度具有相近的语义，则将上述第二特征维度的数值设置为第一值，并保持上述第一特征维度的数值不变，同时保持所述第一样本数据的其他特征维度的值以及所述第一样本数据对应的标签保持不变，从而获得一个增强样本，也即第二样本数据。
图3给出了通过替换的增强方式获得增强样本的示例，如图3中的增强样本2所示，真实样本中，样本用户安装了借贷应用1，未安装借贷应用2，也即“借贷应用1”为该样本数据中的第一特征维度，“借贷应用2”为该样本数据中的第二特征维度，并且“借贷应用1”与“借贷应用2”语义相近。通过增加的方式生成增强样本，可以在保持样本标签不变的情况在，通过保持“借贷应用1”这一特征的特征值不变，同时将“借贷应用2”这一特征的特征值设置为1，从而实现在真实样本中增加“借贷应用2”这一特征，以获取增强样本2的目的。相似的，也可以同时对多个第二维度特征进行增加，操作与上述操作类似，在此不再赘述。
在一些实施例中，可以应用如图4所示的无监督语义表示模型，获取与第一特征维度具有相近语义的第二特征维度。具体操作与上述操作相似，在此不再赘述。
在一些实施例中，对于第一样本数据的获取可以是对样本数据集进行随机采样获取的。可以理解的，选择第一样本数据的方式可以根据实际情况自行选择，在此不作限定。
在一些实施例中，数据处理方法还可以包括：响应于确定在样本数据集中，第一特征维度的特征值为第一值的多个样本数据的个数超过阈值，从多个样本数据中选择第三样本数据；将第三样本数据的第一特征维度的特征值更改为第二值，以生成第四样本数据；以及将第四样本数据加入样本数据集。
当样本数据集中，某个第一特征维度为第一值的样本数据占样本数据总量的比率过高时，例如，在一个用户行为样本数据集中，80％的用户的“是否安装应用A”这一特征均具有数值，则应用该样本数据集进行模型训练可能会导致该第一特征维度对模型的影响过大，从而使模型忽略其他比率较低的特征维度。
因此，对于具有占比过高的第一特征维度的样本数据，也即第三样本数据，可以将这些第三样本数据中的部分第三样本数据的该第一特征维度进行掩盖，也即将该第一特征维度的值设为第二值，并保持所述第三样本数据的其他特征维度的值以及所述第三样本数据对应的标签保持不变，并将掩盖该第一特征维度后的样本数据作为增强样本，也即第四样本数据。通过将所述第四样本数据加入到样本数据集中，从而能够解决该第一特征维度对模型影响较大的问题，从而提升模型的效果。
图3给出了通过替换的增强方式获得增强样本的示例，如图3中的增强样本3所示，真实样本中，样本用户安装了搜索应用1，也即“搜索应用1”为该样本数据中的第一特征维度。在保持样本标签不变的情况在，可以通过将“搜索应用1”这一特征的特征值设置为0，从而实现将“搜索应用1”这一特征从真实样本中删除，以获取增强样本3的目的。相似的，也可以同时对多个第一维度特征进行删除，操作与上述操作类似，在此不再赘述。
在一些实施例中，所述第三样本数据是从所述多个样本数据中随机选择的。
可选的，可以基于上述第一特征维度的占比获取相应的采样概率，并基于该采样概率对所述样本数据集进行随机采样，从而获取需掩盖上述第一特征维度的样本数据。
根据一些实施例，对于多组具有相近语义的第一特征维度和第二特征维度，可以同时使用上述增加、替换和掩盖等方法中的一种或多种方法，以获取多个增强样本。
应用添加了增强样本后的样本数据集，进行模型训练，可以一定程度上提升模型的效果。例如，在二分类的应用场景中，一般通过AUC值(ROC曲线下与坐标轴围成的面积)和KS值(通过K-S检验获得)来衡量模型的效果，通过本公开的一个或多个实施例所获得的样本数据集进行模型训练，所得到的模型的AUC值可以提升1-2％，KS值可以提升2-3％。
根据一些实施例，如图5所示，提供了一种模型训练方法，包括：步骤S501、获取第一样本数据集；步骤S502、基于第一样本数据集，通过执行上述数据处理方法，获取加入增强样本数据后的第二样本数据集，其中，第二样本数据集中的每个样本数据包括相应的样本标签；步骤S503、初始化模型的多个参数；以及对于第二样本数据集中的每个样本数据，执行下述操作：步骤S504、将该样本数据输入模型，以获取模型计算结果；以及步骤S505、基于模型计算结果和该样本数据相应的样本标签，调整模型的多个参数。
基于本公开的实施例，通过应用语义相近的特征对样本数据中相应的特征进行替换或增加，生成增强样本，并添加到原样本数据集中，从而提高样本数据集的样本量；基于更新后的样本数据集进行模型训练，能够进一步提升模型的训练效果，增强模型的鲁棒性。
根据一些实施例，如图6所示，提供了一种数据处理装置600，包括：获取单元610，被配置为获取用于建模的样本数据集，其中，样本数据集中的每一个样本数据至少包括第一特征维度和第二特征维度；第一选择单元620，被配置为从样本数据集中选择第一样本数据，其中，在第一样本数据中，第一特征维度的特征值为第一值，第二特征维度的特征值为第二值；第一生成单元630，被配置为响应于确定对应于第一特征维度的第一语义向量和对应于第二特征维度的第二语义向量之间的相似度满足预设条件，基于所述第一样本数据生成第二样本数据，其中，在第二样本数据中，第二特征维度的特征值为第一值，并且其中，第二样本数据与第一样本数据具有相同的样本标签；以及第一添加单元640，被配置为将第二样本数据加入样本数据集。
数据处理装置600中的单元610-单元640的操作与上述数据处理方法中的步骤S201-步骤S204的操作类似，在此不做赘述。
根据一些实施例，在所述第二样本数据中，所述第一特征维度的特征值为第二值。
根据一些实施例，在所述第二样本数据中，所述第一特征维度的特征值为第一值。
根据一些实施例，数据处理装置还可以包括：第二选择单元，被配置为响应于确定在样本数据集中，第一特征维度的特征值为第一值的多个样本数据的个数超过阈值，从多个样本数据中选择第三样本数据；第二生成单元，被配置为将第三样本数据的第一特征维度的特征值更改为第二值，以生成第四样本数据；以及第二添加单元，被配置为将第四样本数据加入样本数据集。
根据一些实施例，所述第三样本数据是从所述多个样本数据中随机选择的。
根据一些实施例，如图7所示，提供了一种模型训练装置700，包括：第一获取单元710，被配置为获取第一样本数据集；第二获取单元720，被配置为基于第一样本数据集，通过执行上述数据处理方法，获取加入增强样本数据后的第二样本数据集，其中，第二样本数据集中的每个样本数据包括相应的样本标签；初始化单元730，被配置为初始化模型的多个参数；以及执行单元740，被配置为对于第二样本数据集中的每个样本数据，执行下述子单元的操作，执行单元740包括：输入子单元741，被配置为将该样本数据输入模型，以获取模型计算结果；以及调整子单元742，被配置为基于模型计算结果和该样本数据相应的样本标签，调整模型的多个参数。
模型训练装置700中的单元710-单元740以及子单元741、子单元742的操作与上述模型训练方法中的步骤S501-步骤S505的操作类似，在此不做赘述。
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。
根据本公开的实施例，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。
参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806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807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808可以包括但不限于磁盘、光盘。通信单元809允许设备800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、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元801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801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801执行上文所描述的各个方法和处理，例如数据处理方法或模型训练方法。例如，在一些实施例中，数据处理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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的数据处理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801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理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 (15)

1.一种数据处理方法，包括：
获取用于建模的样本数据集，其中，所述样本数据集中的每一个样本数据至少包括第一特征维度和第二特征维度；
从所述样本数据集中选择第一样本数据，其中，在所述第一样本数据中，所述第一特征维度的特征值为第一值，所述第二特征维度的特征值为第二值；
响应于确定对应于所述第一特征维度的第一语义向量和对应于所述第二特征维度的第二语义向量之间的相似度满足预设条件，基于所述第一样本数据生成第二样本数据，其中，在所述第二样本数据中，所述第二特征维度的特征值为所述第一值，并且其中，所述第二样本数据与所述第一样本数据具有相同的样本标签；以及
将所述第二样本数据加入所述样本数据集。
2.如权利要求1所述的方法，其中，在所述第二样本数据中，所述第一特征维度的特征值为所述第二值。
3.如权利要求1所述的方法，其中，在所述第二样本数据中，所述第一特征维度的特征值为所述第一值。
4.如权利要求1至3中任一项所述的方法，还包括：
响应于确定在所述样本数据集中，所述第一特征维度的特征值为所述第一值的多个样本数据的个数超过阈值，从所述多个样本数据中选择第三样本数据；
将所述第三样本数据的所述第一特征维度的特征值更改为所述第二值，以生成第四样本数据；以及
将所述第四样本数据加入所述样本数据集。
5.如权利要求4所述的方法，其中，所述第三样本数据是从所述多个样本数据中随机选择的。
6.一种模型训练方法，包括：
获取第一样本数据集；
基于所述第一样本数据集，通过执行如权利要求1至5中任一项所述的方法，获取加入增强样本数据后的第二样本数据集，其中，所述第二样本数据集中的每个样本数据包括相应的样本标签；
初始化所述模型的多个参数；以及
对于所述第二样本数据集中的每个样本数据，执行下述操作：
将该样本数据输入所述模型，以获取模型计算结果；以及
基于所述模型计算结果和该样本数据相应的样本标签，调整所述模型的多个参数。
7.一种数据处理装置，包括：
获取单元，被配置为获取用于建模的样本数据集，其中，所述样本数据集中的每一个样本数据至少包括第一特征维度和第二特征维度；
第一选择单元，被配置为从所述样本数据集中选择第一样本数据，其中，在所述第一样本数据中，所述第一特征维度的特征值为第一值，所述第二特征维度的特征值为第二值；
第一生成单元，被配置为响应于确定对应于所述第一特征维度的第一语义向量和对应于所述第二特征维度的第二语义向量之间的相似度满足预设条件，基于所述第一样本数据生成第二样本数据，其中，在所述第二样本数据中，所述第二特征维度的特征值为所述第一值，并且其中，所述第二样本数据与所述第一样本数据具有相同的样本标签；以及
第一添加单元，被配置为将所述第二样本数据加入所述样本数据集。
8.如权利要求7所述的装置，其中，在所述第二样本数据中，所述第一特征维度的特征值为所述第二值。
9.如权利要求7所述的装置，其中，在所述第二样本数据中，所述第一特征维度的特征值为所述第一值。
10.如权利要求7至9中任一项所述的装置，还包括：
第二选择单元，被配置为响应于确定在所述样本数据集中，所述第一特征维度的特征值为所述第一值的多个样本数据的个数超过阈值，从所述多个样本数据中选择第三样本数据；
第二生成单元，被配置为将所述第三样本数据的所述第一特征维度的特征值更改为所述第二值，以生成第四样本数据；以及
第二添加单元，被配置为将所述第四样本数据加入所述样本数据集。
11.如权利要求10所述的方法，其中，所述第三样本数据是从所述多个样本数据中随机选择的。
12.一种模型训练装置，包括：
第一获取单元，被配置为获取第一样本数据集；
第二获取单元，被配置为基于所述第一样本数据集，通过执行如权利要求1至5中任一项所述的方法，获取加入增强样本数据后的第二样本数据集，其中，所述第二样本数据集中的每个样本数据包括相应的样本标签；
初始化单元，被配置为初始化所述模型的多个参数；以及
执行单元，被配置为对于所述第二样本数据集中的每个样本数据，执行下述子单元的操作，所述执行单元包括：
输入子单元，被配置为将该样本数据输入所述模型，以获取模型计算结果；以及
调整子单元，被配置为基于所述模型计算结果和该样本数据相应的样本标签，调整所述模型的多个参数。
13.一种电子设备，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1-5或6中任一项所述的方法。
14.一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1-5或6中任一项所述的方法。
15.一种计算机程序产品，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权利要求1-5或6中任一项所述的方法。
CN202210153080.9A 2022-02-18 2022-02-18 数据处理方法、装置、电子设备以及存储介质 Pending CN114548261A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210153080.9A CN114548261A (zh) 2022-02-18 2022-02-18 数据处理方法、装置、电子设备以及存储介质
EP23155322.3A EP4155983A3 (en) 2022-02-18 2023-02-07 Data processing method, apparatus, storage medium, and computer program product
US18/169,806 US20230195849A1 (en) 2022-02-18 2023-02-15 Data processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210153080.9A CN114548261A (zh) 2022-02-18 2022-02-18 数据处理方法、装置、电子设备以及存储介质

Publications (1)

Publication Number Publication Date
CN114548261A true CN114548261A (zh) 2022-05-27

Family

ID=81675422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210153080.9A Pending CN114548261A (zh) 2022-02-18 2022-02-18 数据处理方法、装置、电子设备以及存储介质

Country Status (3)

Country Link
US (1) US20230195849A1 (zh)
EP (1) EP4155983A3 (zh)
CN (1) CN114548261A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020107835A1 (zh) * 2018-11-26 2020-06-04 平安科技（深圳）有限公司 一种样本数据处理方法及装置
CN111460264A (zh) * 2020-03-30 2020-07-28 口口相传(北京)网络技术有限公司 语义相似度匹配模型的训练方法及装置
CN111859997A (zh) * 2020-06-16 2020-10-30 北京百度网讯科技有限公司 机器翻译中的模型训练方法、装置、电子设备及存储介质
CN111859987A (zh) * 2020-07-28 2020-10-30 网易（杭州）网络有限公司 文本处理方法、目标任务模型的训练方法和装置
CN112541515A (zh) * 2019-09-23 2021-03-23 北京京东乾石科技有限公司 模型训练方法、驾驶数据处理方法、装置、介质和设备
CN113239176A (zh) * 2021-06-21 2021-08-10 中国平安人寿保险股份有限公司 语义匹配模型训练方法、装置、设备及存储介质
CN113435499A (zh) * 2021-06-25 2021-09-24 平安科技（深圳）有限公司 标签分类方法、装置、电子设备和存储介质
WO2021217930A1 (zh) * 2020-04-30 2021-11-04 深圳壹账通智能科技有限公司 基于分类模型的论文分类方法、装置、电子设备及介质
CN113704531A (zh) * 2021-03-10 2021-11-26 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN113902135A (zh) * 2021-10-28 2022-01-07 新智我来网络科技有限公司 样本数据量联合扩充方法、装置、设备、系统及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020107835A1 (zh) * 2018-11-26 2020-06-04 平安科技（深圳）有限公司 一种样本数据处理方法及装置
CN112541515A (zh) * 2019-09-23 2021-03-23 北京京东乾石科技有限公司 模型训练方法、驾驶数据处理方法、装置、介质和设备
CN111460264A (zh) * 2020-03-30 2020-07-28 口口相传(北京)网络技术有限公司 语义相似度匹配模型的训练方法及装置
WO2021217930A1 (zh) * 2020-04-30 2021-11-04 深圳壹账通智能科技有限公司 基于分类模型的论文分类方法、装置、电子设备及介质
CN111859997A (zh) * 2020-06-16 2020-10-30 北京百度网讯科技有限公司 机器翻译中的模型训练方法、装置、电子设备及存储介质
US20210390266A1 (en) * 2020-06-16 2021-12-16 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for training models in machine translation, electronic device and storage medium
CN111859987A (zh) * 2020-07-28 2020-10-30 网易（杭州）网络有限公司 文本处理方法、目标任务模型的训练方法和装置
CN113704531A (zh) * 2021-03-10 2021-11-26 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN113239176A (zh) * 2021-06-21 2021-08-10 中国平安人寿保险股份有限公司 语义匹配模型训练方法、装置、设备及存储介质
CN113435499A (zh) * 2021-06-25 2021-09-24 平安科技（深圳）有限公司 标签分类方法、装置、电子设备和存储介质
CN113902135A (zh) * 2021-10-28 2022-01-07 新智我来网络科技有限公司 样本数据量联合扩充方法、装置、设备、系统及存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
DEHOUCK MATHIEU 等: "Data Augmentation via Subtree Swapping for Dependency Parsing of Low-Resource Languages", 《PROCEEDINGS OF THE 28TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL LINGUISTICS》, 31 December 2020 (2020-12-31), pages 3818, XP093055696, DOI: 10.18653/v1/2020.coling-main.339 *
JIAQI LUN 等: "Multiple Data Augmentation Strategies for Improving Performance on Automatic Short Answer Scoring", 《PROCEEDINGS OF THE AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》, vol. 34, no. 9, 3 April 2020 (2020-04-03), pages 13389 - 13396, XP093055709, DOI: 10.1609/aaai.v34i09.7062 *
SONIA CASTELO 等: "Auctus: A Dataset Search Engine for Data Augmentation", 《ARXIV:2102.05716V2 [CS.IR]》, 31 August 2021 (2021-08-31), pages 1 - 4 *
ZHANG LIANBO 等: "Intra-class Part Swapping for Fine-Grained Image Classification", 《2021 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》, 14 June 2021 (2021-06-14), pages 3208 - 3217 *
李丽香 等: "《混沌蚁群算法及应用》", 31 January 2013, 中国科学技术出版社, pages: 139 - 140 *
潘崇煜;黄健;郝建国;龚建兴;张中杰;: "融合零样本学习和小样本学习的弱监督学习方法综述", 系统工程与电子技术, no. 10, 16 September 2020 (2020-09-16), pages 159 - 172 *
田枫;沈旭昆;: "一种适合弱标签数据集的图像语义标注方法", 软件学报, no. 10, 15 October 2013 (2013-10-15), pages 104 - 114 *

Also Published As

Publication number Publication date
EP4155983A3 (en) 2023-08-02
EP4155983A2 (en) 2023-03-29
US20230195849A1 (en) 2023-06-22

Similar Documents

Publication Publication Date Title
CN113411645B (zh) 信息推荐方法及装置、电子设备和介质
CN112532748B (zh) 消息推送方法、装置、设备、介质和计算机程序产品
CN116306862B (zh) 用于文本处理神经网络的训练方法、装置和介质
CN116028605B (zh) 逻辑表达式生成方法、模型训练方法、装置及介质
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
CN115600646B (zh) 语言模型的训练方法、装置、介质及设备
CN116304101A (zh) 数据处理方法、装置、电子设备、介质
CN115578501A (zh) 图像处理方法、装置、电子设备和存储介质
CN112860681B (zh) 数据清洗方法及装置、计算机设备和介质
CN114676062A (zh) 用于接口的差异数据测试方法及装置、电子设备和介质
CN114429678A (zh) 模型训练方法及装置、电子设备和介质
CN114548261A (zh) 数据处理方法、装置、电子设备以及存储介质
CN116860328B (zh) 生成指令数据的方法、装置、设备和介质
CN114117046B (zh) 数据处理方法、装置、电子设备及介质
CN114218516B (zh) 网页处理方法、装置、电子设备以及存储介质
CN116881485B (zh) 生成图像检索索引的方法及装置、电子设备和介质
CN114444720A (zh) 数据处理方法、装置、电子设备以及存储介质
CN116361399B (zh) 知识推理方法、装置、设备和介质
CN115713071B (zh) 用于处理文本的神经网络的训练方法和处理文本的方法
CN117196932A (zh) 图像处理方法及装置、设备和介质
CN114169440A (zh) 模型训练方法、数据处理方法、装置、电子设备及介质
CN114048759A (zh) 模型训练方法、数据处理方法、装置、设备及介质
CN115564992A (zh) 图像分类方法和图像分类模型的训练方法
CN115455244A (zh) 图数据的处理方法、装置、设备和介质

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