CN114595697B - 用于生成预标注样本的方法、装置、服务器和介质 - Google Patents

Abstract

本公开的实施例公开了用于生成预标注样本的方法、装置、服务器和介质。该方法的一具体实施方式包括：获取预设标注数据库，其中，该预设标注数据库中记录有问题文本与场景之间的对应关系；获取待进行预标注的多轮场景定位数据，其中，该多轮场景定位数据中包括至少一个问句与对应的场景；将该多轮场景定位数据中的至少一个问句与该预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景；根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于该多轮场景定位数据生成正、负样本均衡的预标注样本。该实施方式实现了正、负样本均衡的预标注样本的大规模自动生成。

Description

用于生成预标注样本的方法、装置、服务器和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成预标注样本和预训练模型的方法、装置、服务器和介质。

背景技术

随着机器学习技术的发展，预训练模型已经被学术界和工业界成功应用在文本分类、文本匹配、文本生成、机器翻译等多个自然语言处理相关领域的各类任务中。

现有技术中，预训练模型的参数调整通常需要大量的人工标注数据参与训练才能实现很好的效果。但完全依赖人工去标注大量的样本，既容易导致过高的成本，且难以保证正、负样本数量的均衡。

发明内容

本公开的实施例提出了用于生成预标注样本和用于预训练模型的方法、装置、服务器和介质。

第一方面，本公开的实施例提供了一种用于生成预标注样本的方法，该方法包括：获取预设标注数据库，其中，预设标注数据库中记录有问题文本与场景之间的对应关系；获取待进行预标注的多轮场景定位数据，其中，多轮场景定位数据中包括至少一个问句与对应的场景；将多轮场景定位数据中的至少一个问句与预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景；根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于多轮场景定位数据生成正、负样本均衡的预标注样本。

在一些实施例中，上述获取预设标注数据库，包括：获取预设的数据库，其中，预设的数据库中记录有属于同一场景的语义一致的问题文本；获取单轮匹配数据库，其中，单轮匹配数据库中包括至少两个问题文本与用于表征至少两个问题文本语义是否一致的标注信息；根据单轮匹配数据库对预设的数据库进行扩充，生成预设标注数据库。

在一些实施例中，上述将多轮场景定位数据中的至少一个问句与预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景，包括：将多轮场景定位数据中的至少一个问句确定为多条件检索的至少一个查询词；将预设标注数据库中与所确定的至少一个查询词匹配的问题文本对应的场景确定为匹配场景。

在一些实施例中，上述将预设标注数据库中与所确定的至少一个查询词匹配的问题文本对应的场景确定为匹配场景，包括：利用与线上应用相一致的搜索引擎构建的索引对预设标注数据库中的预设标注数据进行召回，其中，预设标注数据包括问题文本与场景之间的对应关系；利用预先训练的匹配模型从召回结果中确定与至少一个查询词匹配的场景作为匹配场景。

在一些实施例中，上述根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于多轮场景定位数据生成正、负样本均衡的预标注样本，包括：根据所确定的匹配场景与进行匹配的至少一个问句对应的场景是否匹配，对应生成正样本或负样本；从所生成的正样本和负样本中选取数目一致的正、负样本作为正、负样本均衡的预标注样本。

第二方面，本公开的实施例提供了一种用于预训练模型的方法，该方法包括：利用正、负样本均衡的预标注样本对初始预训练模型进行训练，得到中间预训练模型，其中，初始预训练模型用于表征问题文本与场景之间的对应关系；利用基于预标注样本进行人工校验的标注样本对中间预训练模型进行继续训练，生成预训练模型，其中，标注样本的数量小于预标注样本的数量。

第三方面，本公开的实施例提供了一种用于生成预标注样本的装置，该装置包括：第一获取单元，被配置成获取预设标注数据库，其中，预设标注数据库中记录有问题文本与场景之间的对应关系；第二获取单元，被配置成获取待进行预标注的多轮场景定位数据，其中，多轮场景定位数据中包括至少一个问句与对应的场景；匹配单元，被配置成将多轮场景定位数据中的至少一个问句与预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景；生成单元，被配置成根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于多轮场景定位数据生成正、负样本均衡的预标注样本。

在一些实施例中，第一获取单元被进一步配置成：获取预设的数据库，其中，预设的数据库中记录有属于同一场景的语义一致的问题文本；获取单轮匹配数据库，其中，单轮匹配数据库中包括至少两个问题文本与用于表征至少两个问题文本语义是否一致的标注信息；根据单轮匹配数据库对预设的数据库进行扩充，生成预设标注数据库。

在一些实施例中，上述匹配单元包括：第一确定模块，被配置成将多轮场景定位数据中的至少一个问句确定为多条件检索的至少一个查询词；第二确定模块，被配置成将预设标注数据库中与所确定的至少一个查询词匹配的问题文本对应的场景确定为匹配场景。

在一些实施例中，上述第二确定模块被进一步配置成：利用与线上应用相一致的搜索引擎构建的索引对预设标注数据库中的预设标注数据进行召回，其中，预设标注数据包括问题文本与场景之间的对应关系；利用预先训练的匹配模型从召回结果中确定与至少一个查询词匹配的场景作为匹配场景。

在一些实施例中，上述生成单元被进一步配置成：根据所确定的匹配场景与进行匹配的至少一个问句对应的场景是否匹配，对应生成正样本或负样本；从所生成的正样本和负样本中选取数目一致的正、负样本作为正、负样本均衡的预标注样本。

第四方面，本公开的实施例提供了一种用于预训练模型的装置，该装置包括：初始训练单元，被配置成利用正、负样本均衡的预标注样本对初始预训练模型进行训练，得到中间预训练模型，其中，初始预训练模型用于表征问题文本与场景之间的对应关系；再训练单元，被配置成利用基于预标注样本进行人工校验的标注样本对中间预训练模型进行继续训练，生成预训练模型，其中，标注样本的数量小于预标注样本的数量。

第五方面，本公开的实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于生成预标注样本和用于预训练模型的方法、装置、服务器和介质，通过获取预设标注数据库与待进行预标注的多轮场景定位数据中的至少一个问句之间匹配，根据匹配结果所指示的场景来确定样本作为正样本还是负样本，进而生成正、负样本均衡的预标注样本。从而基于对现有常用数据库的加工实现了正、负样本均衡的预标注样本的大规模自动生成，提高了预标注样本的生成效率和质量，进而有助于提高模型的训练效果。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成预标注样本的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于生成预标注样本的方法的一个应用场景的示意图；

图4是根据本公开的用于预训练模型的方法的一个实施例的流程图；

图5是根据本公开的用于生成预标注样本的装置的一个实施例的结构示意图；

图6是根据本公开的用于预训练模型的装置的一个实施例的结构示意图；

图7是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于生成预标注样本和用于预训练模型的方法或用于生成预标注样本和用于预训练模型的装置的示例性架构100。

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。

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、数据库类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持人机交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、 102、103上购物类应用提供支持的后台服务器。终端设备101、102、103可以将购物类应用中的客服对话整合成多轮场景定位数据并发送至后台服务器。后台服务器可以对接收到的多轮场景定位数据进行分析处理，并根据获取的预设标注数据库进行匹配，生成正、负样本均衡的预标注样本。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于生成预标注样本和用于预训练模型的方法一般由服务器105执行，相应地，用于生成预标注样本和用于预训练模型的装置一般设置于服务器105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。

继续参考图2，示出了根据本公开的用于生成预标注样本的方法的一个实施例的流程200。该用于生成预标注样本的方法包括以下步骤：

步骤201，获取预设标注数据库。

在本实施例中，用于生成预标注样本的方法的执行主体(如图1 所示的服务器105)可以通过有线连接方式或者无线连接方式获取预设标注数据库。其中，上述预设标注数据库中可以记录有问题文本与场景之间的对应关系。通常，上述问题文本与场景之间的对应关系通常为多对一。即，不同的问题文本通常可以对应于同一个场景，而不同的场景通常对应不同的问题文本。

在本实施例中，作为示例，上述执行主体可以获取预先存储于本地的预设标注数据库，也可以获取与之通信连接的电子设备(例如数据库服务器)发送的预设标注数据库，在此不作限定。

在本实施例的一些可选的实现方式中，上述执行主体还可以按照以下步骤获取预设标注数据库：

第一步，获取预设的数据库。

在这些实现方式中，上述执行主体可以通过各种方式获取预设的数据库。其中，上述预设的数据库中可以记录有属于同一场景的语义一致的问题文本。

作为示例，属于“能否开具发票”这一场景的语义一致的问题文本可以包括：“麻烦开一下发票”、“能否开增值税发票”、“能开发票么”。

需要说明的是，上述预设的数据库可以根据实际需要而自行构建，也可以从现有的知识库中提取。

第二步，获取单轮匹配数据库。

在这些实现方式中，上述执行主体可以通过各种方式获取单轮匹配数据库。其中，上述单轮匹配数据库中可以包括至少两个问题文本与用于表征上述至少两个问题文本语义是否一致的标注信息。

作为示例，上述单轮匹配数据库中可以包括：

“能开发票么”、“我想开发票”、意思一致；

“电子发票哪里查看”、“怎么开电子发票”、意思不一致。

第三步，根据单轮匹配数据库对预设的数据库进行扩充，生成预设标注数据库。

在这些实现方式中，上述执行主体可以通过各种方式根据上述第二步所获取的单轮匹配数据库对上述第一步所获取的预设的数据库进行扩充，生成预设标注数据库。

作为示例，上述执行主体可以根据“能开发票么”与“我想开发票”的意思一致，将“我想开发票”作为与上述预设的数据库中与“能开发票么”对应的“能否开具发票”这一场景中的新问题文本，从而实现对预设的数据库的扩充。之后，上述执行主体可以将扩充过后的预设的数据库确定为上述预设标注数据库。

基于上述可选的实现方式，本方案可以在现有预设的数据库和单轮匹配数据库等知识库的基础上进行加工，从而得到适合需要的预设标注数据库，既提高了构建预设标注数据库的效率，又提升了信息的利用率。

步骤202，获取待进行预标注的多轮场景定位数据。

在本实施例中，上述执行主体可以通过各种方式获取待进行预标注的多轮场景定位数据。其中，上述多轮场景定位数据中可以包括至少一个问句与对应的场景。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式从本地或通信连接的电子设备获取待进行预标注的多轮场景定位数据。上述多轮场景定位数据中包括的至少一个问句可以来自实际对话场景。与上述至少一个问句对应的场景可以通过人工标注，也可以使用预先训练的场景分类模型得到。

需要说明的是，上述多轮场景定位数据可以根据实际需要而自行构建，也可以从现有的知识库中提取。

作为示例，上述多轮场景定位数据可以包括：

“怎么没有发票呢”，场景：缺少发票；

“我的订单什么时候可以到||发票能否先开”，场景：发票开具及报销；

“你好||发票发到邮箱后扫描二维码,显示无此发票”，场景：发票异常。

步骤203，将多轮场景定位数据中的至少一个问句与预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景。

在本实施例中，上述执行主体可以通过各种方式将上述步骤202 所获取的待进行预标注的多轮场景定位数据中的至少一个问句与步骤 201所获取的预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景。

在本实施例中，作为示例，上述执行主体可以从上述步骤202所获取的待进行预标注的多轮场景定位数据中的至少一个问句中随机选取一个问句作为目标问句。而后，上述执行主体可以从上述步骤201 所获取的预设标注数据库中确定与上述目标问句相匹配的问题文本。至，将上述确定的相匹配的问题文本对应的场景确定为上述至少一个问句的匹配场景。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤将多轮场景定位数据中的至少一个问句与预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景：

第一步，将多轮场景定位数据中的至少一个问句确定为多条件检索的至少一个查询词。

在这些实现方式中，上述执行主体可以将上述步骤202所获取的多轮场景定位数据中的至少一个问句确定为多条件检索的至少一个查询词。作为示例，上述执行主体可以从上述步骤202所获取的多轮场景定位数据中的至少一个问句中选取至少一个问句作为查询词。可选地，当查询词为多个时，上述执行主体还可以将上述多个查询词通过预设逻辑符进行连接。其中，上述预设逻辑符例如可以包括用于表征“和”、“或”关系的逻辑符。

第二步，将预设标注数据库中与所确定的至少一个查询词匹配的问题文本对应的场景确定为匹配场景。

在这些实现方式中，上述执行主体可以从上述预设标注数据库中确定与上述第一步所确定的至少一个查询词相匹配的问题文本。而后，上述执行主体可以将所确定的相匹配的问题文本所对应的场景确定为上述匹配场景。

基于上述可选的实现方式，本方案可以利用多条件检索来灵活匹配与多轮场景定位数据中的至少一个问句相匹配的场景，从而丰富了匹配场景的确定方式，提高了匹配效果，进而有助于提升预标注样本的准确性。

可选地，基于上述可选的实现方式，上述执行主体可以按照以下步骤将预设标注数据库中与所确定的至少一个查询词匹配的问题文本对应的场景确定为匹配场景：

S1、利用与线上应用相一致的搜索引擎构建的索引对预设标注数据库中的预设标注数据进行召回。

在这些实现方式中，上述执行主体可以利用与线上应用相一致的搜索引擎构建的索引对预设标注数据库中的预设标注数据进行召回。其中，上述预设标注数据可以包括问题文本与场景之间的对应关系。上述线上应用通常指经训练完成可以用于问题与场景进行匹配的模型。上述模型通常基于上述预标注样本训练得到。

作为示例，上述执行主体可以预先将上述预设标注数据库中的问题文本和场景分别作为两个字段写入利用与线上应用相一致的搜索引擎构建的索引文件。根据上述索引文件，上述执行主体可以从上述预设标注数据库中得到与上述第一步所确定的至少一个查询词相匹配的召回结果。

S2、利用预先训练的匹配模型从召回结果中确定与至少一个查询词匹配的场景作为匹配场景。

在这些实现方式中，上述执行主体可以通过各种方式利用预先训练的匹配模型从召回结果中确定与至少一个查询词匹配的场景作为匹配场景。其中，上述匹配模型可以是预先训练的用于精准排序的模型。

作为示例，上述执行主体利用上述匹配模型从将上述步骤S1所得到的召回结果中选取预设数目个与上述至少一个查询词匹配的场景。之后，上述执行主体可以排序在第一位的场景作为上述匹配场景。

基于上述可选的实现方式，本方案通过利用搜索引擎离线建立索引的方式，先做第一步召回再利用匹配模型做精准排序，从而保证了与线上应用使用过程中先利用搜索引擎召回再精准排序的方式的一致性，进而能够提供与线上近似的输入数据以供模型离线训练，有助于提升模型的训练效果。

步骤204，根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于多轮场景定位数据生成正、负样本均衡的预标注样本。

在本实施例中，根据步骤203所确定的匹配场景与进行匹配的至少一个问句对应的场景，上述执行主体可以通过各种方式基于多轮场景定位数据生成正、负样本均衡的预标注样本。其中，上述正、负样本均衡通常用于指示正样本和负样本的数量之差小于预设阈值。

作为示例，上述执行主体可以将所确定的匹配场景与进行匹配的至少一个问句对应的场景一致的多轮场景定位数据确定为正样本，将所确定的匹配场景与进行匹配的至少一个问句对应的场景不一致的多轮场景定位数据确定为负样本。之后，上述执行主体可以根据正样本和负样本的差值对原始多轮场景定位数据进行调整。例如，正样本100 个，负样本80个。上述执行主体可以从作为正样本的多轮场景定位数据中选取10个，将多轮场景定位数据中包括的至少一个问句对应的场景修改为其他场景，将修改后的多轮场景定位数据作为负样本。从而形成90个正样本和90个负样本。

在本实施例的一些可选的实现方式中，根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，上述执行主体可以按照以下步骤基于多轮场景定位数据生成正、负样本均衡的预标注样本：

第一步，根据所确定的匹配场景与进行匹配的至少一个问句对应的场景是否匹配，对应生成正样本或负样本。

在这些实现方式中，响应于确定所确定的匹配场景与进行匹配的至少一个问句对应的场景匹配，上述执行主体可以将包含上述至少一个问句和对应的场景的多轮场景定位数据确定为正样本。响应于确定所确定的匹配场景与进行匹配的至少一个问句对应的场景不匹配，上述执行主体可以将包含上述至少一个问句和对应的场景的多轮场景定位数据确定为负样本。

第二步，从所生成的正样本和负样本中选取数目一致的正、负样本作为正、负样本均衡的预标注样本。

在这些实现方式中，上述执行主体可以通过各种方式从上述第一步所生成的正样本和负样本中选取数目一致的正、负样本，从而组成正、负样本均衡的预标注样本。

基于上述可选的实现方式，本方案通过选取数目一致的正、负样本实现了正、负样本均衡的预标注样本的自动生成。

可选地，上述执行主体还可以从上述正、负样本均衡的预标注样本中选取预标注样本发送至人工校验终端，以供进一步校验。

基于上述可选的实现方式，本方案通过先自动生成数目一致的正、负样本，再通过人工校验进行微调，从而既保证了预标注样本的标注准确性，又使得正、负样本数目不至于很大，也降低了人工标注大量数据的成本。

继续参见图3，图3是根据本公开的实施例的用于生成预标注样本的方法的应用场景的一个示意图。在图3的应用场景中，服务器可以首先获取预设标注数据库301。其中，上述预设标注数据库301中可以包括预设标注数据3011。服务器还可以获取待进行预标注的多轮场景定位数据302。其中，上述多轮场景定位数据302中包括的至少一个问句与对应的场景可以如3021所示。服务器可以将上述多轮场景定位数据中的至少一个问句(例如“我的订单什么时候可以到”和“发票能否先开”)与上述预设标注数据库301中的问题文本(例如“麻烦开一下发票”、“能否开增值税发票”、“可以开发票么”)进行匹配，将匹配的问题文本(例如“可以开发票么”)对应的场景(例如“能否开具发票”)确定为匹配场景303。而后，服务器可以根据匹配场景303 与进行匹配的至少一个问句对应的场景(例如“能否开具发票”)一致，将多轮场景定位数据3021确定为正样本304。接下来，服务器可以将正样本中的场景替换为与原场景含义不同的其他场景，生成对应的负样本305。

目前，现有技术之一通常是完全依赖人工去标注大量的样本用于预训练模型的训练，导致成本过高且难以保证正、负样本数量的均衡，影响模型训练效果。而本公开的上述实施例提供的方法，通过获取预设标注数据库与待进行预标注的多轮场景定位数据中的至少一个问句之间匹配，根据匹配结果所指示的场景来确定样本作为正样本还是负样本，进而生成正、负样本均衡的预标注样本。从而基于对现有常用数据库的加工实现了正、负样本均衡的预标注样本的大规模自动生成，提高了预标注样本的生成效率和质量，进而有助于提高模型的训练效果。

进一步参考图4，其示出了用于预训练模型的方法的一个实施例的流程400。该用于预训练模型的方法的流程400，包括以下步骤：

步骤401，利用正、负样本均衡的预标注样本对初始预训练模型进行训练，得到中间预训练模型。

在本实施例中，用于预训练模型的方法的执行主体(例如图1所示的服务器105)可以利用正、负样本均衡的预标注样本通过各种机器学习方式对初始预训练模型进行训练，得到中间预训练模型。其中，上述初始预训练模型可以用于表征问题文本与场景之间的对应关系。上述正、负样本均衡通常用于指示正样本和负样本的数量之差小于预设阈值。

在本实施例的一些可选的实现方式中，上述正、负样本均衡的预标注样本可以基于前述实施例所描述的用于生成预标注样本的方法得到。

步骤402，利用基于预标注样本进行人工校验的标注样本对中间预训练模型进行继续训练，生成预训练模型。

在本实施例中，上述执行主体可以利用标注样本对上述步骤401 所得到的中间预训练模型进行继续训练，从而生成预训练模型。其中，上述标注样本通常是基于对预标注样本进行人工校验后所得到的。上述标注样本的数量通常小于上述预标注样本的数量。

从图4中可以看出，本实施例中的用于预训练模型的方法的流程 400体现了先利用大量预标注样本对初始模型进行训练(即参数调整)，再利用较少的人工标注样本进行模型参数的二次调整的步骤。由此，本实施例描述的方案通过大量预标注样本和少量人工标注样本结合的方式进行预训练模型的参数调整，与直接利用少量人工标注数据对预训练模型做参数调整相比，提升了模型训练的效果。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成预标注样本的装置的一个实施例，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，本实施例提供的用于生成预标注样本的装置500包括第一获取单元501、第二获取单元502、匹配单元503和生成单元 504。其中，第一获取单元501，被配置成获取预设标注数据库，其中，预设标注数据库中记录有问题文本与场景之间的对应关系；第二获取单元502，被配置成获取待进行预标注的多轮场景定位数据，其中，多轮场景定位数据中包括至少一个问句与对应的场景；匹配单元503，被配置成将多轮场景定位数据中的至少一个问句与预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景；生成单元504，被配置成根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于多轮场景定位数据生成正、负样本均衡的预标注样本。

在本实施例中，用于生成预标注样本的装置500中：第一获取单元501、第二获取单元502、匹配单元503和生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述第一获取单元501可以被进一步配置成：获取预设的数据库，其中，预设的数据库中记录有属于同一场景的语义一致的问题文本；获取单轮匹配数据库，其中，单轮匹配数据库中包括至少两个问题文本与用于表征至少两个问题文本语义是否一致的标注信息；根据单轮匹配数据库对预设的数据库进行扩充，生成预设标注数据库。

在本实施例的一些可选的实现方式中，上述匹配单元503可以包括：第一确定模块(图中未示出)，被配置成将多轮场景定位数据中的至少一个问句确定为多条件检索的至少一个查询词；第二确定模块(图中未示出)，被配置成将预设标注数据库中与所确定的至少一个查询词匹配的问题文本对应的场景确定为匹配场景。

在本实施例的一些可选的实现方式中，上述第二确定模块可以被进一步配置成：利用与线上应用相一致的搜索引擎构建的索引对预设标注数据库中的预设标注数据进行召回，其中，预设标注数据可以包括问题文本与场景之间的对应关系；利用预先训练的匹配模型从召回结果中确定与至少一个查询词匹配的场景作为匹配场景。

在本实施例的一些可选的实现方式中，上述生成单元504可以被进一步配置成：根据所确定的匹配场景与进行匹配的至少一个问句对应的场景是否匹配，对应生成正样本或负样本；从所生成的正样本和负样本中选取数目一致的正、负样本作为正、负样本均衡的预标注样本。

本公开的上述实施例提供的装置，通过匹配单元503将第一获取单元501获取的预设标注数据库与第二获取单元502获取的待进行预标注的多轮场景定位数据中的至少一个问句之间匹配，通过生成单元 504根据匹配结果所指示的场景来确定样本作为正样本还是负样本，进而生成正、负样本均衡的预标注样本。从而基于对现有常用数据库的加工实现了正、负样本均衡的预标注样本的大规模自动生成，提高了预标注样本的生成效率和质量，进而有助于提高模型的训练效果。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了用于预训练模型的装置的一个实施例，该装置实施例与图4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6所示，本实施例提供的用于预训练模型的装置600包括初始训练单元601和再训练单元602。其中，初始训练单元601，被配置成利用正、负样本均衡的预标注样本对初始预训练模型进行训练，得到中间预训练模型，其中，初始预训练模型用于表征问题文本与场景之间的对应关系；再训练单元602，被配置成利用基于预标注样本进行人工校验的标注样本对中间预训练模型进行继续训练，生成预训练模型，其中，标注样本的数量小于预标注样本的数量。

在本实施例中，用于预训练模型的装置600中：初始训练单元601 和再训练单元602的具体处理及其所带来的技术效果可分别参考图4 对应实施例中的步骤401、步骤402及其可选的实现方式的相关说明，在此不再赘述。

本公开的上述实施例提供的装置，通过初始训练单元601先利用大量预标注样本对初始模型进行训练(即参数调整)，再通过再训练单元602利用较少的人工标注样本进行模型参数的二次调整，从而通过大量预标注样本和少量人工标注样本结合的方式进行预训练模型的参数调整，与直接利用少量人工标注数据对预训练模型做参数调整相比，提升了模型训练的效果。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备 (例如图1中的服务器)700的结构示意图。本申请实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、 PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字 TV、台式计算机等等的固定终端。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线 704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、等的输入装置706；包括例如液晶显示器(LCD， Liquid Crystal Display)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本申请的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器 (RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取预设标注数据库，其中，预设标注数据库中记录有问题文本与场景之间的对应关系；获取待进行预标注的多轮场景定位数据，其中，多轮场景定位数据中包括至少一个问句与对应的场景；将多轮场景定位数据中的至少一个问句与预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景；根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于多轮场景定位数据生成正、负样本均衡的预标注样本。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”、Python语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN) 或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机 (例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括第一获取单元、第二获取单元、匹配单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取预设标注数据库的单元，其中，预设标注数据库中记录有问题文本与场景之间的对应关系”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成预标注样本的方法，包括：

获取预设标注数据库，其中，所述预设标注数据库中记录有问题文本与场景之间的对应关系；

获取待进行预标注的多轮场景定位数据，其中，所述多轮场景定位数据中包括至少一个问句与对应的场景；所述至少一个问句对应的场景通过人工标注得到，或者，所述至少一个问句对应的场景使用预先训练的场景分类模型得到；

将所述多轮场景定位数据中的至少一个问句与所述预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景；

根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于所述多轮场景定位数据生成正、负样本均衡的预标注样本。

2.根据权利要求1所述的方法，其中，所述获取预设标注数据库，包括：

获取预设的数据库，其中，所述预设的数据库中记录有属于同一场景的语义一致的问题文本；

获取单轮匹配数据库，其中，所述单轮匹配数据库中包括至少两个问题文本与用于表征所述至少两个问题文本语义是否一致的标注信息；

根据所述单轮匹配数据库对所述预设的数据库进行扩充，生成所述预设标注数据库。

3.根据权利要求1所述的方法，其中，所述将所述多轮场景定位数据中的至少一个问句与所述预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景，包括：

将所述多轮场景定位数据中的至少一个问句确定为多条件检索的至少一个查询词；

将所述预设标注数据库中与所确定的至少一个查询词匹配的问题文本对应的场景确定为匹配场景。

4.根据权利要求3所述的方法，其中，所述将所述预设标注数据库中与所确定的至少一个查询词匹配的问题文本对应的场景确定为匹配场景，包括：

利用与线上应用相一致的搜索引擎构建的索引对所述预设标注数据库中的预设标注数据进行召回，其中，所述预设标注数据包括问题文本与场景之间的对应关系；

利用预先训练的匹配模型从召回结果中确定与所述至少一个查询词匹配的场景作为匹配场景。

5.根据权利要求1-4之一所述的方法，其中，所述根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于所述多轮场景定位数据生成正、负样本均衡的预标注样本，包括：

根据所确定的匹配场景与进行匹配的至少一个问句对应的场景是否匹配，对应生成正样本或负样本；

从所生成的正样本和负样本中选取数目一致的正、负样本作为正、负样本均衡的预标注样本。

6.一种用于预训练模型的方法，包括：

利用权利要求1至5中任一项所述的方法生成的正、负样本均衡的预标注样本对初始预训练模型进行训练，得到中间预训练模型，其中，所述初始预训练模型用于表征问题文本与场景之间的对应关系；

利用基于所述预标注样本进行人工校验的标注样本对所述中间预训练模型进行继续训练，生成预训练模型，其中，所述标注样本的数量小于所述预标注样本的数量。

7.一种用于生成预标注样本的装置，包括：

第一获取单元，被配置成获取预设标注数据库，其中，所述预设标注数据库中记录有问题文本与场景之间的对应关系；

第二获取单元，被配置成获取待进行预标注的多轮场景定位数据，其中，所述多轮场景定位数据中包括至少一个问句与对应的场景；所述至少一个问句对应的场景通过人工标注得到，或者，所述至少一个问句对应的场景使用预先训练的场景分类模型得到；

匹配单元，被配置成将所述多轮场景定位数据中的至少一个问句与所述预设标注数据库中的问题文本进行匹配，将匹配的问题文本对应的场景确定为匹配场景；

生成单元，被配置成根据所确定的匹配场景与进行匹配的至少一个问句对应的场景，基于所述多轮场景定位数据生成正、负样本均衡的预标注样本。

8.一种用于预训练模型的装置，包括：

初始训练单元，被配置成利用权利要求1至5中任一项所述的方法生成的正、负样本均衡的预标注样本对初始预训练模型进行训练，得到中间预训练模型，其中，所述初始预训练模型用于表征问题文本与场景之间的对应关系；

再训练单元，被配置成利用基于所述预标注样本进行人工校验的标注样本对所述中间预训练模型进行继续训练，生成预训练模型，其中，所述标注样本的数量小于所述预标注样本的数量。

9.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。