CN115081450A - 文本分析方法，装置、设备、介质和程序产品 - Google Patents

Abstract

本公开提供了一种文本分析方法，可以应用于人工智能技术领域或金融领域。该方法包括：获取待分析文本序列；将所述待分析文本序列输入至预训练得到的文本分析模型，所述预训练得到的文本分析模型基于利用命名实体识别模型对包含远程标签的数据集进行训练得到；基于所述预训练得到的文本分析模型对所述待分析文本序列进行分析，获取文本分析结果，其中，所述文本分析结果包括命名实体以及所述命名实体对应的实体标注，其中，所述预训练得到的文本分析模型基于优化的损失函数训练得到，所述优化的损失函数包含标签权重因子，所述标签权重因子用于确定当前模型对应的损失函数。本公开还提供了一种文本分析装置、设备、存储介质和程序产品。

Description

文本分析方法，装置、设备、介质和程序产品

技术领域

本公开涉及人工智能领域或金融领域，具体涉及一种文本分析方法、装置、设备、介质和程序产品。

背景技术

在文本分析任务中，命名实体识别(NER)模型由于可以对文本中的命名实体进行自动标注而获得了广泛的应用。采用有监督的方法训练NER模型需要大量有标签的数据集。因此，有些方法采用包含远程标签的数据集来训练NER模型。包含远程标签的数据集中通常是有扰动的。原因是用于标注远程标签的命名实体字典(或知识库)中的实体名称可能无法完全涵盖数据集中的实体名称，或者命名实体字典(或知识库)中的实体名称对应多个类型标签，从而导致数据集中的远程标签可能是错误的。现有的方法使用这种数据集来训练模型，会降低模型在无扰动的数据集中的表现，以致现有的NER模型在文本分析中的分析准确度欠佳。

发明内容

鉴于上述问题，本公开的实施例提供了提高文本分析准确性的文本分析方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种文本分析方法，包括：获取待分析文本序列；将所述待分析文本序列输入至预训练得到的文本分析模型，所述预训练得到的文本分析模型基于利用命名实体识别模型对包含远程标签的数据集进行训练得到；基于所述预训练得到的文本分析模型对所述待分析文本序列进行分析，获取文本分析结果，其中，所述文本分析结果包括命名实体以及所述命名实体对应的实体标注，其中，其中，所述预训练得到的文本分析模型基于优化的损失函数训练得到，所述优化的损失函数包含标签权重因子，所述标签权重因子用于确定当前模型对应的损失函数，所述当前模型对应的损失函数包括第一损失函数至第n损失函数中的一种，其中，n为大于或等于2的整数。

根据本公开的实施例，预训练得到文本分析模型包括：获取有标签数据集和远程标注数据集，其中，所述远程标注数据集通过利用知识库对无标签数据集进行标注生成远程标签得到；基于所述有标签数据集对所述命名实体识别模型进行预训练，获取待优化模型；基于所述远程标注数据集和所述优化的损失函数对所述待优化模型进行训练，获取文本分析模型，其中，所述基于所述远程标注数据集对所述待优化模型进行训练包括：基于第一损失函数对所述待优化模型进行训练，更新模型参数，其中，所述第一损失函数包括全量标签权重因子；在第i-1轮模型参数更新后，基于阈值控制策略删除远程标注数据中的扰动标签，获取第i损失函数，所述阈值控制策略包含预设阈值，所述阈值用于判断远程标签是否为扰动标签；在获取第n损失函数时，停止训练，所述第n损失函数包含删除扰动标签后的有效标签权重因子，其中，n为满足预设的训练截止条件时迭代训练的轮次数，i从小到大遍历取[2，n]中的整数值。

根据本公开的实施例，基于阈值控制策略删除远程标注数据中的扰动标签包括：将第i损失函数中与扰动标签匹配的标签权重因子归零。

根据本公开的实施例，所述远程标注数据集包含文本序列，所述文本序列包含n个已进行远程标注的词语，其中第j个已标注词语对应有预标注的第p类远程标签，所述将第i损失函数中与扰动标签匹配的标签权重因子归零包括：判断所述文本序列中第j个已标注词语对应于第p类远程标签的概率是否大于预设的阈值，其中，j满足1≤j≤n，p为大于或等于1的整数；当所述文本序列中第j个已标注词语对应于第p类远程标签的概率小于预设的阈值，判断所述第p类远程标签为扰动标签；以及将与所述第p类远程标签对应的标签权重因子设置为0。

根据本公开的实施例，当所述文本序列中第j个已标注词语对应于第p类远程标签的概率大于或等于预设的阈值，判断所述第p类远程标签为有效标签；以及保持所述第p类远程标签对应的标签权重因子不变。

根据本公开的实施例，预设的训练截止条件包括预设的迭代训练次数或预设的模型识别准确率。

根据本公开的实施例，所述命名实体识别模型为BERT模型。

本公开的第二方面提供了一种文本分析装置，包括：获取模块，配置为获取待分析文本序列；输入模块，配置为将所述待分析文本序列输入至预训练得到的文本分析模型，所述预训练得到的文本分析模型基于利用命名实体识别模型对包含远程标签的数据集进行训练得到；分析模块，配置为基于所述预训练得到的文本分析模型对所述待分析文本序列进行分析，获取文本分析结果，其中，所述预训练得到的文本分析模型基于优化的损失函数训练得到，所述优化的损失函数包含标签权重因子，所述标签权重因子用于确定当前模型对应的损失函数，所述当前模型对应的损失函数包括第一损失函数至第n损失函数中的一种，其中，n为大于或等于2的整数。

本公开的第三方面提供了一种文本分析模型的训练装置，包括准备模块、第一训练模块和第二训练模块。其中，准备模块被配置为获取有标签数据集和远程标注数据集，其中，所述远程标注数据集通过利用知识库对无标签数据集进行标注生成远程标签得到。第一训练模块被配置为基于所述有标签数据集对所述命名实体识别模型进行预训练，获取待优化模型。第二训练模块被配置为基于所述远程标注数据集对所述待优化模型进行训练，获取文本分析模型。其中，基于第一损失函数对所述待优化模型进行训练，更新模型参数，其中，所述第一损失函数包括全量标签权重因子；在第i-1轮模型参数更新后，基于阈值控制策略删除远程标注数据中的扰动标签，获取第i损失函数，所述阈值控制策略包含预设阈值，所述阈值用于判断远程标签是否为扰动标签；在获取第n损失函数时，停止训练，所述第n损失函数包含删除扰动标签后的有效标签权重因子，其中，n为满足预设的训练截止条件时迭代训练的轮次数，i从小到大遍历取[2，n]中的整数值。

根据本公开的实施例，第二训练模块包括判断子模块、第一确认子模块和更新子模块。其中，判断子模块被配置为判断所述文本序列中第j个已标注词语对应于第p类远程标签的概率是否大于预设的阈值，其中，j满足1≤j≤n，p为大于或等于1的整数。第一确认子模块被配置为当所述文本序列中第j个已标注词语对应于第p类远程标签的概率小于预设的阈值，判断所述第p类远程标签为扰动标签；当所述文本序列中第j个已标注词语对应于第p类远程标签的概率大于或等于预设的阈值，判断所述第p类远程标签为有效标签。更新子模块被配置为当判断所述第p类远程标签为扰动标签时，将与所述第p类远程标签对应的标签权重因子设置为0。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述文本分析方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述文本分析方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述文本分析方法。

本公开的实施例提供的方法，通过优化损失函数动态删除有扰动的远程标签，能够排除数据集中的扰动标签对文本分析模型识别准确度的影响，提升模型表现。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的文本分析方法、装置、设备、介质和程序产品的应用场景图。

图2示意性示出了根据本公开实施例的文本分析方法的流程图。

图3示意性示出了根据本公开实施例的预训练得到文本分析模型的方法的流程图。

图4示意性示出了根据本公开实施例的基于远程标注数据集对待优化模型进行训练的方法的流程图。

图5示意性示出了根据本公开实施例的基于阈值控制策略删除远程标注数据中的扰动标签的方法的流程图。

图6示意性示出了根据本公开实施例的更新第i损失函数中的标签权重因子的方法的流程图。

图7示意性示出了根据本公开实施例的BERT模型的结构图。

图8示意性示出了根据本公开实施例的文本分析装置的结构框图。

图9示意性示出了根据本公开实施例的文本分析模型的训练装置的结构框图。

图10示意性示出了根据本公开实施例的第二训练模块的结构框图。

图11示意性示出了根据本公开实施例的适于实现文本分析方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

命名实体识别(NER)模型可以对文本中的命名实体进行自动标注，在文本分析任务中具有广泛的应用。采用有监督的方法训练NER模型需要大量有标签的数据集。目前的一种常用方法是使用命名实体字典或知识库，与无标签的数据集合成一种有远程标签的数据集，以增加数据集的数据量。然而，远程标签通常包含扰动标签。原因是知识库中的实体名称可能无法完全涵盖数据集中的实体名称，或者知识库中的实体名称对应多个类型标签，从而导致数据集中的远程标签可能是错误的。使用这种数据集来训练模型，会降低模型在无扰动的数据集中的表现，降低模型精度。

有鉴于此，本公开的实施例提供了一种文本分析方法，包括：获取待分析文本序列；将所述待分析文本序列输入至预训练得到的文本分析模型，所述预训练得到的文本分析模型基于利用命名实体识别模型对包含远程标签的数据集进行训练得到；基于所述预训练得到的文本分析模型对所述待分析文本序列进行分析，获取文本分析结果，其中，所述文本分析结果包括命名实体以及所述命名实体对应的实体标注，其中，所述预训练得到的文本分析模型包含优化的损失函数，所述优化的损失函数包含标签权重因子，所述标签权重因子包含删除扰动标签后的有效标签权重因子。

本公开的实施例提供的文本分析方法，通过优化损失函数动态删除有扰动的远程标签，能够排除数据集中的扰动标签对文本分析模型识别准确度的影响，提升模型表现。

需要说明的是，本公开实施例提供的文本分析方法、装置、设备、介质和程序产品可用于人工智能技术在文本分析相关方面，也可用于除人工智能技术之外的多种领域，如金融领域等。本公开实施例提供的文本分析方法、装置、设备、介质和程序产品的应用领域不做限定。

以下将结合附图及其说明文字围绕实现本公开的至少一个目的的上述操作进行阐述。

图1示意性示出了根据本公开实施例的文本分析方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103。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，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

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、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，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的文本分析方法一般可以由服务器105执行。相应地，本公开实施例所提供的文本分析装置一般可以设置于服务器105中。本公开实施例所提供的文本分析方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的文本分析装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

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。

以下将基于图1描述的场景，通过图2～图7对公开实施例的文本分析方法进行详细描述。

图2示意性示出了根据本公开实施例的文本分析方法的流程图。

如图2所示，该实施例的文本分析方法包括操作S210～操作S230，该文本分析方法可以由处理器执行，也可以由包括处理器的任何电子设备执行。

在操作S210，获取待分析文本序列。

在操作S220，将所述待分析文本序列输入至预训练得到的文本分析模型，所述预训练得到的文本分析模型基于利用命名实体识别模型对包含远程标签的数据集进行训练得到。

在操作S230，基于所述预训练得到的文本分析模型对所述待分析文本序列进行分析，获取文本分析结果，其中，所述文本分析结果包括命名实体以及所述命名实体对应的实体标注。

根据本公开的实施例，文本分析模型基于命名实体识别模型(Named EntityRecognition，简称NER)建立。命名实体识别，又称作“专名识别”，是自然语言处理中的一项基础任务，应用范围非常广泛。命名实体一般指的是文本中具有特定意义或者指代性强的实体，通常包括人名、地名、机构名、日期时间、专有名词等。通常包括两部分：实体的边界识别以及确定实体的类型(人名、地名、机构名或其他)。NER系统就是从非结构化的输入文本中抽取出上述实体，并且可以按照业务需求识别出更多类别的实体，比如产品名称、型号、价格等。因此实体这个概念可以很广，只要是业务需要的特殊文本片段都可以称为实体。NER所涉及的命名实体一般包括3大类(实体类，时间类，数字类)和7小类(人名、地名、组织机构名、时间、日期、货币、百分比)。实际应用中，NER模型通常只要识别出人名、地名、组织机构名、日期时间即可，一些系统还会给出专有名词结果(比如缩写、会议名、产品名等)。货币、百分比等数字类实体可通过正则搞定。另外，在一些应用场景下会给出特定领域内的实体，如书名、歌曲名、期刊名等。本公开的实施例使用的文本分析模型可以适用于各类包含命名实体的文本序列，本公开的实施例尤其适用于分析金融领域的文本，可识别文本中的关键词，包括时间，日期，货币，百分比以及金融领域专业术语等命名实体。

在本公开的实施例中，预训练得到的文本分析模型基于优化的损失函数训练得到，所述优化的损失函数包含标签权重因子，所述标签权重因子用于确定当前模型对应的损失函数，所述当前模型对应的损失函数包括第一损失函数至第n损失函数中的一种，其中，n为大于或等于2的整数。在采用有监督的方法训练现有的命名实体识别模型的过程中，需要使用大量带有标签的数据集。当数据集数据量不满足要求时，一种解决的办法时增加远程标注数据的方法来增加训练集数据。其中，远程标注数据包含远程标签，其通过利用命名实体字典或知识库对无标签数据进行远程标注的方法获取。然而，由于命名实体字典或知识库中的实体名称可能无法完全涵盖数据集中的实体名称，或者命名实体字典或知识库中的实体名称对应多个类型标签，可能导致数据集中的远程标签是错误的，此时，该远程标签成为扰动标签。利用上述数据集训练模型，会降低模型在无扰动数据集中的表现，降低模型对于真实文本识别的准确度。本公开的实施例通过优化损失函数动态删除扰动标签，使远程标注的数据集能和无扰动的有标签数据集一样提升命名实体识别模型的表现。其中，优化的损失函数包含标签权重因子。应理解，本公开的实施例在训练初始时刻，每一类远程标签都含有初始标签权重因子。在迭代训练的过程中，优化的损失函数中的标签权重发生变化，以删除远程标签中预测值与远程标注值不一致的扰动标签。每一轮模型训练过程后，均可以基于当前模型对应的损失函数进行下一轮次模型的训练更新。由此，最后一轮次训练后获取第n损失函数，其包含的标签权重因子包含删除扰动标签后的有效标签权重因子，而不包含扰动标签权重因子。使得在训练结束时，文本分析模型的参数受到有扰动标签的影响很小，从而提升了模型的准确度，优化了模型表现。

图3示意性示出了根据本公开实施例的预训练得到文本分析模型的方法的流程图。

如图3所示，该实施例的预训练得到文本分析模型的方法包括操作S310～操作S330。

在操作S310，获取有标签数据集和远程标注数据集，其中，所述远程标注数据集通过利用知识库对无标签数据集进行标注生成远程标签得到。

在一个典型的示例中，选用CoNLL03为有标签的数据集。选用维基数据作为知识库，通过使用SPARAL来查询维基数据，从而获得实体名称的类别标签，然后对无标签的数据集进行标注，以得到远程标签。在训练中，将数据集切分为训练集和测试集。训练集和测试集中的数据比例可以基于经验设定。

在操作S320，基于所述有标签数据集对所述命名实体识别模型进行预训练，获取待优化模型。

在操作S330，基于所述远程标注数据集和所述优化的损失函数对所述待优化模型进行训练，获取文本分析模型。

本公开的实施例中文本分析模型的训练方法包括两个阶段：第一个阶段是利用有标签数据集对初始的命名实体识别模型进行训练。训练结束后可以基于现有的有标签数据集获得分析结果较为准确的模型。

上述待优化模型由于数据量的限制存在进一步的优化空间。在第二个阶段，利用远程标注数据集对待优化模型进一步训练，可以在提高训练数据量的同时提升模型的准确度。

图4示意性示出了根据本公开实施例的基于远程标注数据集对待优化模型进行训练的方法的流程图。

如图4所示，该实施例的基于远程标注数据集对待优化模型进行训练的方法包括操作S410～操作S430。

在操作S410，基于第一损失函数对所述待优化模型进行训练，更新模型参数，其中，所述第一损失函数包括全量标签权重因子。

在操作S420，在第i-1轮模型参数更新后，基于阈值控制策略删除远程标注数据中的扰动标签，获取第i损失函数。

在操作S430，在获取第n损失函数时，停止训练，以所述第n损失函数为优化的损失函数，其中，n为满足预设的训练截止条件时迭代训练的轮次数，i从小到大遍历取[2，n]中的整数值。

在本公开的实施例中，第二阶段训练初始时刻，可以设置初始的损失函数，即第一损失函数。

典型的第一损失函数如式(1)所示：

其中，L_GCE为损失函数，θ为模型参数，f_j，yj(x；θ)是模型对于序列x中的第j个标注词语xj属于类别p的预测概率。q是一个超参数，其取值范围是0＜q＜1，例如可以取q＝0.7。w_j是标签权重因子，其可以为整数。从式(1)中可以发现，第j个标注词语的标签权重因子为w_j，在初始时刻，不涉及标签权重因子的调整，由此第一损失函数包括全量标签权重因子。可以预设每个标注词语对应的标签权重因子相同，在一个优选的实施例中，可以取w_j为1。

本公开的实施例中，在利用远程标注数据集对待优化模型进一步训练时，可以基于阈值控制策略优化损失函数。应理解，对于包含远程标签的数据集，如果无法了解哪些实体名称的标签时错误的，就很难自动检测出这些标签。本公开的实施例通过阈值控制策略优化损失函数以实现扰动标签的自动删除。模型在预设的训练截止条件达到前可以经历n-1轮迭代训练。每一轮迭代训练后，模型进行参数更新。在参数更新后，基于阈值控制策略删除远程标注数据中的扰动标签，获取第i损失函数。在本公开的实施例中，阈值控制策略包含预设阈值的步骤，所述阈值用于判断远程标签是否为扰动标签。其中，扰动标签包括预测标签与远程标注不一致的远程标签。当判断远程标签为扰动标签时将扰动标签删除。重复上述训练过程，直至达到预设的训练截止条件，此时，经历了n-1轮训练并获得了第n损失函数，在第n损失函数中不包含扰动标签权重因子，获取的文本分析模型不受扰动标签的影响，进一步提高了模型分析的准确度。

图5示意性示出了根据本公开实施例的基于阈值控制策略删除远程标注数据中的扰动标签的方法的流程图。

如图5所示，该实施例的基于阈值控制策略删除远程标注数据中的扰动标签的方法包括操作S510。

在操作S510，将第i损失函数中与扰动标签匹配的标签权重因子归零。如前文所述，在损失函数中，每个标注词语包含标注标签且对应有与标签匹配的标签权重因子。在步骤S330伊始，各标注词语对应的标签权重因子可以为相同且不为零的整数。当判断第i损失函数中某个远程标签为扰动标签时，可以将与该扰动标签匹配的标签权重因子归零，由此实现了扰动标签的自动删除。

如前所述，远程标注数据集包含文本序列，所述文本序列包含n个已进行远程标注的词语，其中第j个已标注词语对应有预标注的第p类远程标签，可以基于图6的方法更新第i损失函数中的标签权重因子。

图6示意性示出了根据本公开实施例的更新第i损失函数中的标签权重因子的方法的流程图。

如图6所示，该实施例的更新第i损失函数中的标签权重因子的方法包括操作S610～操作S630。

在操作S610，判断所述文本序列中第j个已标注词语对应于第p类远程标签的概率是否大于或等于预设的阈值，其中，j满足1≤j≤n，p为大于或等于1的整数。

在操作S620，当所述文本序列中第j个已标注词语对应于第p类远程标签的概率小于预设的阈值，判断所述第p类远程标签为扰动标签。

在操作S630，将与所述第p类远程标签对应的标签权重因子设置为0。

根据本公开的实施例，可以设置预设的阈值为τ，第j个已标注词语对应于第p类远程标签的概率为f_j，yj(x；θ)，当f_j，yj(x；θ)＜τ时，判断对应于第j个已标注词语的第p类远程标签为扰动标签，此时将该第p类远程标签对应的标签权重因子更新为0，由此该扰动标签不会被计算到损失函数L_GCE中，效果等同于该远程标签被删除。其中，τ的值可以基于经验设定，例如设定τ＝0.7，由此获得的文本分析模型受到扰动标签的影响很小，具有较高的模型精度。

相应的，当所述文本序列中第j个已标注词语对应于第p类远程标签的概率大于或等于预设的阈值，执行操作S640～S650。

在操作S640，判断所述第p类远程标签为有效标签。

在操作S650，保持所述第p类远程标签对应的标签权重因子不变。例如，与所述第p类远程标签对应的标签权重因子仍为1。从而获得了包含于优化的损失函数中的有效标签权重因子。

根据本公开的实施例，预设的训练截止条件包括预设的迭代训练次数或预设的模型识别准确率。例如，可以预设迭代训练200次停止训练，也可以预设模型识别准确率为0.8时截止。

在本公开的实施例中，命名实体识别模型为BERT模型。BERT模型是一种广泛应用于自然语言处理任务的预训练的语言表征模型。目标是利用大规模无标注语料训练、获得文本的包含丰富语义信息的表达，即文本的语义表示，然后将文本的语义表示在特定的自然语言处理任务中作微调，最终应用于该自然语言处理任务。BERT模型利用掩码语言模型(MLM)进行预训练并且采用深层的双向Transformer组件(其每一个词节(token)会关注(attend)到所有的token)来构建整个模型，因此最终生成能融合左右上下文信息的深层双向语言表征。

图7示意性示出了根据本公开实施例的BERT模型的结构图。如图7所示，BERT的输入为每一个词节对应的表征，其中，Tok 1，Tok 2......Tok N为token，E1，E2......EN为token对应的表征，其中，单词字典是采用WordPiece算法来进行构建的。为了完成具体的分类任务，除了单词的token之外，在输入的每一个序列开头都插入特定的分类token([CLS])，该分类token对应的最后一个Transformer层输出被用来起到聚集整个序列表征信息的作用。C为分类token([CLS])对应最后一个Transformer的输出，T₁，T₂......T_N则代表其他token对应最后一个Transformer的输出。在本公开的实施例的命名实体识别模型中，给定一个包含n个词语的序列x＝[x₁，…，x_n]，它所对应的类别标签的序列为y＝[y₁，…，y_n]。

在一个示例中，使用金融领域的文本对本公开实施例的文本分析模型进行测试。可以使用文本分析模型对金融领域文本中的命名实体的类别进行标注，并输出标注后的文本。部分命名实体识别示例如表1和表2所示：

表1使用文本分析模型标注的文本

表2包含准确标签的文本

其中TIME，ORG，NUM和FINANCE为命名实体的类别标签。

由表1和表2可以看出，采用本公开的实施例的文本分析模型可以识别出大部分的命名实体，并且标注的实体标签具备较高的准确率。

基于上述文本分析方法，本公开还提供了一种文本分析装置。以下将结合图8对该装置进行详细描述。

图8示意性示出了根据本公开实施例的文本分析装置的结构框图。

如图8所示，该实施例的文本分析装置800包括获取模块810、输入模块820和分析模块830。

获取模块810被配置为获取待分析文本序列。

输入模块820被配置为将所述待分析文本序列输入至预训练得到的文本分析模型，所述预训练得到的文本分析模型基于利用命名实体识别模型对包含远程标签的数据集进行训练得到。其中，所述预训练得到的文本分析模型基于优化的损失函数训练得到，所述优化的损失函数包含标签权重因子，所述标签权重因子用于确定当前模型对应的损失函数，所述当前模型对应的损失函数包括第一损失函数至第n损失函数中的一种，其中，n为大于或等于2的整数。

分析模块830被配置为基于所述预训练得到的文本分析模型对所述待分析文本序列进行分析，获取文本分析结果，其中，所述文本分析结果包括命名实体以及所述命名实体对应的实体标注。

本公开的实施例还提供了一种文本分析模型的训练装置。

图9示意性示出了根据本公开实施例的文本分析模型的训练装置的结构框图。

如图9所示，该实施例的文本分析模型的训练装置900包括准备模块910、第一训练模块920和第二训练模块930。

其中，准备模块910被配置为获取有标签数据集和远程标注数据集，其中，所述远程标注数据集通过利用知识库对无标签数据集进行标注生成远程标签得到。

第一训练模块920被配置为基于所述有标签数据集对所述命名实体识别模型进行预训练，获取待优化模型，所述待优化模型包含第一损失函数，所述第一损失函数包括全量标签权重因子。

第二训练模块930被配置为基于所述远程标注数据集对所述待优化模型进行训练，获取文本分析模型。其中，基于第一损失函数对所述待优化模型进行训练，更新模型参数，其中，所述第一损失函数包括全量标签权重因子；在第i-1轮模型参数更新后，基于阈值控制策略删除远程标注数据中的扰动标签，获取第i损失函数，所述阈值控制策略包含预设阈值，所述阈值用于判断远程标签是否为扰动标签；在获取第n损失函数时，停止训练，所述第n损失函数包含删除扰动标签后的有效标签权重因子，其中，n为满足预设的训练截止条件时迭代训练的轮次数，i从小到大遍历取[2，n]中的整数值。

图10示意性示出了根据本公开实施例的第二训练模块的结构框图。

如图10所示，该实施例的第二训练模块930包括判断子模块9301、第一确认子模块9302和更新子模块9303。

其中，判断子模块9301被配置为判断所述文本序列中第j个已标注词语对应于第p类远程标签的概率是否大于预设的阈值，其中，j满足1≤j≤n，p为大于或等于1的整数。

第一确认子模块9302被配置为当所述文本序列中第j个已标注词语对应于第p类远程标签的概率小于预设的阈值，判断所述第p类远程标签为扰动标签；当所述文本序列中第j个已标注词语对应于第p类远程标签的概率大于或等于预设的阈值，判断所述第p类远程标签为有效标签。

更新子模块9303被配置为当判断所述第p类远程标签为扰动标签时，将与所述第p类远程标签对应的标签权重因子设置为0。

根据本公开的实施例，获取模块810、输入模块820、分析模块830、准备模块910、第一训练模块920、第二训练模块930、判断子模块9301、第一确认子模块9302和更新子模块9303中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块810、输入模块820、分析模块830、准备模块910、第一训练模块920、第二训练模块930、判断子模块9301、第一确认子模块9302和更新子模块9303中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块810、输入模块820、分析模块830、准备模块910、第一训练模块920、第二训练模块930、判断子模块9301、第一确认子模块9302和更新子模块9303中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图11示意性示出了根据本公开实施例的适于实现文本分析方法的电子设备的方框图。

如图11所示，根据本公开实施例的电子设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器1001执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(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，上述模块、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。电应当注意，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，框图或流程图中的每个方框、以及框图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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种文本分析方法，其特征在于，包括：

获取待分析文本序列；

将所述待分析文本序列输入至预训练得到的文本分析模型，所述预训练得到的文本分析模型基于利用命名实体识别模型对包含远程标签的数据集进行训练得到；

基于所述预训练得到的文本分析模型对所述待分析文本序列进行分析，获取文本分析结果，其中，所述文本分析结果包括命名实体以及所述命名实体对应的实体标注，

其中，所述预训练得到的文本分析模型基于优化的损失函数训练得到，所述优化的损失函数包含标签权重因子，所述标签权重因子用于确定当前模型对应的损失函数，所述当前模型对应的损失函数包括第一损失函数至第n损失函数中的一种，其中，n为大于或等于2的整数。

2.根据权利要求1所述的文本分析方法，其中，预训练得到文本分析模型包括：

获取有标签数据集和远程标注数据集，其中，所述远程标注数据集通过利用知识库对无标签数据集进行标注生成远程标签得到；

基于所述有标签数据集对所述命名实体识别模型进行预训练，获取待优化模型；

基于所述远程标注数据集和所述优化的损失函数对所述待优化模型进行训练，获取文本分析模型，

其中，所述基于所述远程标注数据集和所述优化的损失函数对所述待优化模型进行训练包括：

基于第一损失函数对所述待优化模型进行训练，更新模型参数，其中，所述第一损失函数包括全量标签权重因子；

在第i-1轮模型参数更新后，基于阈值控制策略删除远程标注数据中的扰动标签，获取第i损失函数，所述阈值控制策略包含预设阈值，所述阈值用于判断远程标签是否为扰动标签；

在获取第n损失函数时，停止训练，所述第n损失函数包含删除扰动标签后的有效标签权重因子，其中，n为满足预设的训练截止条件时迭代训练的轮次数，i从小到大遍历取[2，n]中的整数值。

3.根据权利要求2所述的文本分析方法，其中，基于阈值控制策略删除远程标注数据中的扰动标签包括：将第i损失函数中与扰动标签匹配的标签权重因子归零。

4.根据权利要求3所述的文本分析方法，其中，所述远程标注数据集包含文本序列，所述文本序列包含n个已进行远程标注的词语，其中第j个已标注词语对应有预标注的第p类远程标签，所述将第i损失函数中与扰动标签匹配的标签权重因子归零包括：

判断所述文本序列中第j个已标注词语对应于第p类远程标签的概率是否大于或等于预设的阈值，其中，j满足1≤j≤n，p为大于或等于1的整数；

当所述文本序列中第j个已标注词语对应于第p类远程标签的概率小于预设的阈值，判断所述第p类远程标签为扰动标签；以及

将与所述第p类远程标签对应的标签权重因子设置为0。

5.根据权利要求4所述的文本分析方法，当所述文本序列中第j个已标注词语对应于第p类远程标签的概率大于或等于预设的阈值，判断所述第p类远程标签为有效标签；以及

保持所述第p类远程标签对应的标签权重因子不变。

6.根据权利要求2所述的文本分析方法，其中，预设的训练截止条件包括预设的迭代训练次数或预设的模型识别准确率。

7.根据权利要求1所述的文本分析方法，其中，所述命名实体识别模型为BERT模型。

8.一种文本分析装置，其特征在于，包括：

获取模块，配置为获取待分析文本序列；

输入模块，配置为将所述待分析文本序列输入至预训练得到的文本分析模型，所述预训练得到的文本分析模型基于利用命名实体识别模型对包含远程标签的数据集进行训练得到；

分析模块，配置为基于所述预训练得到的文本分析模型对所述待分析文本序列进行分析，获取文本分析结果，其中，所述文本分析结果包括命名实体以及所述命名实体对应的实体标注，

其中，所述预训练得到的文本分析模型基于优化的损失函数训练得到，所述优化的损失函数包含标签权重因子，所述标签权重因子用于确定当前模型对应的损失函数，所述当前模型对应的损失函数包括第一损失函数至第n损失函数中的一种。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述的方法。

Images