CN115146622B - 数据标注纠错方法、装置、电子设备及存储介质 - Google Patents

数据标注纠错方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115146622B
CN115146622B CN202210873479.4A CN202210873479A CN115146622B CN 115146622 B CN115146622 B CN 115146622B CN 202210873479 A CN202210873479 A CN 202210873479A CN 115146622 B CN115146622 B CN 115146622B
Authority
CN
China
Prior art keywords
labeling
data
result
annotation
initial
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
Application number
CN202210873479.4A
Other languages
English (en)
Other versions
CN115146622A (zh
Inventor
张琪洁
王燕蒙
王少军
李剑锋
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210873479.4A priority Critical patent/CN115146622B/zh
Publication of CN115146622A publication Critical patent/CN115146622A/zh
Application granted granted Critical
Publication of CN115146622B publication Critical patent/CN115146622B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/232—Orthographic correction, e.g. spell checking or vowelisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/226—Validation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种数据标注纠错方法，包括：识别待审核的标注数据集中每条标注数据对应的初始标注结果；对标注数据集执行预设次数的标注预测，得到预测标注结果；计算每条所述标注数据的初始标注结果与所述预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用对应的预测标注结果替换初始标注结果；当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为最终标注结果。本发明还提出一种数据标注纠错装置、电子设备以及存储介质。本发明可以提升数据标注纠错的准确性。

Description

数据标注纠错方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种数据标注纠错方法、装置、电子设备及存储介质。
背景技术
当前较为常见的数据标注纠错方法是基于语法的标注纠错方法，例如，基于深度学习的词性标注纠错方法。这种方式存在下述缺陷：
1、上述方法更适用于英文数据标注纠错，相较于英文，中文缺少词形态变化，无法从词的形态来识别词性。
2、针对一词多词性的词语，上述方法数据标注纠错准确率不高。
3、词性划分标准不统一，词类划分粒度和标记符号等，目前还没有一个广泛认可的统一的标准。
因此，如何提升数据标注纠错准确性亟待解决。
发明内容
本发明提供一种数据标注纠错方法、装置、电子设备及存储介质，其主要目的在于提升数据标注纠错的准确性。
为实现上述目的，本发明提供的一种数据标注纠错方法，包括：
获取待审核的标注数据集，识别所述标注数据集中每条标注数据对应的初始标注结果；
对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果；
计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果；
当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
可选地，所述对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果，包括：
获取所述标注数据集中的话术信息；
利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别；
将所述话术信息的预设次数的意图识别结果作为所述预测标注结果。
可选地，所述利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别之前，所述方法还包括：
获取完成初始意图标注后的训练样本；
利用预设的K折交叉验证规则将训练样本拆分为K个训练样本集；
依次随机选取其中一个训练样本集作为训练集对对预构建的意图识别模型执行意图预测训练，得到意图预测结果，计算所述意图预测结果与所述初始标注结果之间的损失值；
在所述损失值满足预设的损失值条件时，结束所述意图预测训练，得到待验证意图识别模型；
利用剩下的K-1个训练样本集作为验证集对所述待验证意图识别模型进行模型精度评估验证，得到模型精度评估结果；
在所述模型精度评估结果满足预设精度评估条件时，得到所述标准意图识别模型。
可选地，所述计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，包括：
采用下述混淆值计算公式计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值healthyscore(A,B)：
Figure BDA0003758037880000021
其中，C(A,B)表示初始标注结果为A的标注数据的预测标注结果为B的次数，C(B,A)表示初始标注结果为B的标注数据的预测标注结果为A的次数，C(A,·)表示初始标注结果为A的标注数据被预测的总次数，C(B,·)表示初始标注结果为B的标注数据被预测的总次数。
可选地，所述分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，包括：
采用下述置信度计算公式计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度：
Figure BDA0003758037880000031
其中，a表示所述标注数据集中的任意一条标注数据，L表示标注数据a的初始标注结果，P表示标注数据a的预测标注结果，Confidence(a,L,P)表示标注数据a的预测标注结果P相较于初始标注结果L的置信度，
Figure BDA0003758037880000032
为所述预测标注结果P中pre_i的期望值，n表示标注数据a被预测的次数，|P|表示标注数据a在n次预测中预测标注结果为P的平均得分，C(a,L,P)表示初始标注结果为L的标注数据a被预测为P的次数。
可选地，所述识别所述标注数据集中每条标注数据对应的初始标注结果，包括：
识别每条所述标注数据中的标注标记；
提取所述标注标记对应的意图标注结果，得到所述初始标注结果。
为了解决上述问题，本发明还提供一种数据标注纠错装置，所述装置包括：
初始标注结果获取模块，用于获取待审核的标注数据集，识别所述标注数据集中每条标注数据对应的初始标注结果；
预测标注结果生成模块，用于对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果；
基于混淆值的纠错模块，用于计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果；
基于置信度的纠错模块，用于当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
可选地，所述基于置信度的纠错模块通过下述操作得到每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，包括：，包括：
采用下述置信度计算公式计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度：
Figure BDA0003758037880000041
其中，a表示所述标注数据集中的任意一条标注数据，L表示标注数据a的初始标注结果，P表示标注数据a的预测标注结果，Confidence(a,L,P)表示标注数据a的预测标注结果P相较于初始标注结果L的置信度，
Figure BDA0003758037880000042
为所述预测标注结果P中pre_i的期望值，n表示标注数据a被预测的次数，|P|表示标注数据a在n次预测中预测标注结果为P的平均得分，C(a,L,P)表示初始标注结果为L的标注数据a被预测为P的次数。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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上述所述的数据标注纠错方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的数据标注纠错方法。
本发明实施例通过计算每条标注数据的预测标注结果和所述标注数据对应的初始标注结果之间的混淆值，利用所述混淆值对所述标注数据的初始标注结果进行纠错，进一步地，当所述混淆值不满足预设错标条件时，通过计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果，从而达到了对标注数据的自动纠错的效果，提升了数据标注纠错的准确性。
附图说明
图1为本发明一实施例提供的数据标注纠错方法的流程示意图；
图2为本发明一实施例提供的数据标注纠错方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的数据标注纠错装置的功能模块图；
图4为本发明一实施例提供的实现所述数据标注纠错方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种数据标注纠错方法。所述数据标注纠错方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述数据标注纠错方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的数据标注纠错方法的流程示意图。在本实施例中，所述数据标注纠错方法包括以下步骤S1-S4：
S1、获取待审核的标注数据集，识别所述标注数据集中每条标注数据对应的初始标注结果；
本发明实施例中，所述待审核的标注数据集是指对数据中的话术经过初步意图识别以及进行初始意图标注的数据集，其中，所述待审核的标注数据可以是通过人工识别意图进行标注得到，也可以通过常见的意图标注工具标注得到。
本发明实施例通过识别所述标注数据集中每条标注数据对应的初始标注结果，可以实现对标注数据中的意图的识别与提取。
作为本发明一实施例，所述识别所述标注数据集中每条标注数据对应的初始标注结果，包括：
识别每条所述标注数据中的标注标记；
提取所述标注标记对应的意图标注结果，得到所述初始标注结果。
S2、对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果；
本发明实施例通过对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果，通过标注预测，可以实现对标注数据集的意图标注的多次检验，可提高进行意图标注时的容错率。
详细地，参照图2所示，所述对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果，包括以下步骤S200-S202：
S200、获取所述标注数据集中的话术信息；
S201、利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别；
S203、将所述话术信息的预设次数的意图识别结果作为所述预测标注结果。
本发明实施例中，所述预先训练完成的标准意图识别模型是指可以精准的识别数据中话术的意图以及进行意图标注的深度学习模型，例如，所述预先训练完成的标准意图识别模型结构可以基于bert+labelattention+Bi-Tempered Logistic Loss进行构建，其中，所述bert是指所述预构建的意图识别模型是基于bert模型构建，所述labelattention是指所述预构建的意图识别模型中的注意力机制，所述Bi-Tempered Logistic Loss是指所述预构建的意图识别模型使用到的损失值种类。
本发明实施例在所述利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别之前，所述方法还包括：
获取完成初始意图标注后的训练样本；
利用预设的K折交叉验证规则将训练样本拆分为K个训练样本集；
依次随机选取其中一个训练样本集作为训练集对对预构建的意图识别模型执行意图预测训练，得到意图预测结果，计算所述意图预测结果与所述初始标注结果之间的损失值；
在所述损失值满足预设的损失值条件时，结束所述意图预测训练，得到待验证意图识别模型；
利用剩下的K-1个训练样本集作为验证集对所述待验证意图识别模型进行模型精度评估验证，得到模型精度评估结果；
在所述模型精度评估结果满足预设精度评估条件时，得到所述标准意图识别模型。
本发明实施例中，所述训练样本是指通过常规意图标注方式对数据进行意图标注后的标注样本。
本发明实施例可采用双稳态损失函数计算意图预测结果与初始标注结果之间的损失值。
本发明实施例中，所述预设精度评估条件是指验证训练完成的意图识别模型是否具有理想精度的预设条件，其中，所述预设精度评估条件可以是精度评估阈值。
S3、计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果；
本发明实施例通过计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，可以实现利用混淆值判断初始标注结果是否错误。
作为本发明一实施例，所述计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，包括：
可采用下述混淆值计算公式计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值healthyscore(A,B)：
Figure BDA0003758037880000071
其中，C(A,B)表示初始标注结果为A的标注数据的预测标注结果为B的次数，C(B,A)表示初始标注结果为B的标注数据的预测标注结果为A的次数，C(A,·)表示初始标注结果为A的标注数据被预测的总次数，C(B,·)表示初始标注结果为B的标注数据被预测的总次数。
本发明实施例中，所述预设错标条件的混淆值是指在标注数据中初始标注结果和预测标注结果存在错误标注时混淆值应满足的混淆值阈值。比如，所述混淆值阈值可以设为50％。
本发明实施例当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果，可以实现将标注数据中的错误标注进行纠正，提高标注数据的标注准确性。例如，话术“已经申请教育基金”初始标注结果为“无需求”，而多次预测得到的标注结果分别为“无需求”、“基金已申请”、“基金已申请”、“基金已申请”，由此可见初始标注结果为错标意图，可利用“基金已申请”替换初始标注结果“无需求”。
S4、当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
本发明实施例通过当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
本发明实施例通过分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，可以通过对置信度值的大小对比，选择较为正确的标注结果。
本发明实施例可采用下述置信度计算公式计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度：
Figure BDA0003758037880000081
其中，a表示所述标注数据集中的任意一条标注数据，L表示标注数据a的初始标注结果，P表示标注数据a的预测标注结果，Confidence(a,L,P)表示标注数据a的预测标注结果P相较于初始标注结果L的置信度，
Figure BDA0003758037880000082
为所述预测标注结果P中pre_i的期望值，n表示标注数据a被预测的次数，|P|表示标注数据a在n次预测中预测标注结果为P的平均得分，C(a,L,P)表示初始标注结果为L的标注数据a被预测为P的次数。
本发明实施例中，所述预设置信条件是指利用预测标注结果中相较于初始标注结果置信度最大的预测标注结果作为正确标注结果。
本发明实施例通过计算每条标注数据的预测标注结果和所述标注数据对应的初始标注结果之间的混淆值，利用所述混淆值对所述标注数据的初始标注结果进行纠错，进一步地，当所述混淆值不满足预设错标条件时，通过计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果，从而达到了对标注数据的自动纠错的效果，提升了数据标注纠错的准确性。
如图3所示，是本发明一实施例提供的数据标注纠错装置的功能模块图。
本发明所述数据标注纠错装置100可以安装于电子设备中。根据实现的功能，所述数据标注纠错装置100可以包括初始标注结果获取模块101、预测标注结果生成模块102、基于混淆值的纠错模块103及基于置信度的纠错模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述初始标注结果获取模块101，用于获取待审核的标注数据集，识别所述标注数据集中每条标注数据对应的初始标注结果；
本发明实施例中，所述待审核的标注数据集是指对数据中的话术经过初步意图识别以及进行初始意图标注的数据集，其中，所述待审核的标注数据可以是通过人工识别意图进行标注得到，也可以通过常见的意图标注工具标注得到。
本发明实施例通过识别所述标注数据集中每条标注数据对应的初始标注结果，可以实现对标注数据中的意图的识别与提取。
作为本发明一实施例，所述识别所述标注数据集中每条标注数据对应的初始标注结果，包括：
识别每条所述标注数据中的标注标记；
提取所述标注标记对应的意图标注结果，得到所述初始标注结果。
所述预测标注结果生成模块102，用于对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果；
本发明实施例通过对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果，通过标注预测，可以实现对标注数据集的意图标注的多次检验，可提高进行意图标注时的容错率。
作为本发明一实施例，所述对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果，包括：
获取所述标注数据集中的话术信息；
利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别；
将所述话术信息的预设次数的意图识别结果作为所述预测标注结果。
本发明实施例中，所述预先训练完成的标准意图识别模型是指可以精准的识别数据中话术的意图以及进行意图标注的深度学习模型，例如，所述预先训练完成的标准意图识别模型结构可以基于bert+labelattention+Bi-Tempered Logistic Loss进行构建，其中，所述bert是指所述预构建的意图识别模型是基于bert模型构建，所述labelattention是指所述预构建的意图识别模型中的注意力机制，所述Bi-Tempered Logistic Loss是指所述预构建的意图识别模型使用到的损失值种类。
本发明实施例在所述利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别之前，所述方法还包括：
获取完成初始意图标注后的训练样本；
利用预设的K折交叉验证规则将训练样本拆分为K个训练样本集；
依次随机选取其中一个训练样本集作为训练集对对预构建的意图识别模型执行意图预测训练，得到意图预测结果，计算所述意图预测结果与所述初始标注结果之间的损失值；
在所述损失值满足预设的损失值条件时，结束所述意图预测训练，得到待验证意图识别模型；
利用剩下的K-1个训练样本集作为验证集对所述待验证意图识别模型进行模型精度评估验证，得到模型精度评估结果；
在所述模型精度评估结果满足预设精度评估条件时，得到所述标准意图识别模型。
本发明实施例中，所述训练样本是指通过常规意图标注方式对数据进行意图标注后的标注样本。
本发明实施例可采用双稳态损失函数计算意图预测结果与初始标注结果之间的损失值。
本发明实施例中，所述预设精度评估条件是指验证训练完成的意图识别模型是否具有理想精度的预设条件，其中，所述预设精度评估条件可以是精度评估阈值。
所述基于混淆值的纠错模块103，用于计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果；当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
本发明实施例通过计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，可以实现利用混淆值判断初始标注结果是否错误。
作为本发明一实施例，所述计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，包括：
可采用下述混淆值计算公式计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值healthyscore(AB)：
Figure BDA0003758037880000111
其中，C(A,B)表示初始标注结果为A的标注数据的预测标注结果为B的次数，C(B,A)表示初始标注结果为B的标注数据的预测标注结果为A的次数，C(A,·)表示初始标注结果为A的标注数据被预测的总次数，C(B,·)表示初始标注结果为B的标注数据被预测的总次数。
本发明实施例中，所述预设错标条件的混淆值是指在标注数据中初始标注结果和预测标注结果存在错误标注时混淆值应满足的混淆值阈值。比如，所述混淆值阈值可以设为50％。本发明实施例当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果，可以实现将标注数据中的错误标注进行纠正，提高标注数据的标注准确性。例如，话术“已经申请教育基金”初始标注结果为“无需求”，而多次预测得到的标注结果分别为“无需求”、“基金已申请”、“基金已申请”、“基金已申请”，由此可见初始标注结果为错标意图，可利用“基金已申请”替换初始标注结果“无需求”。
所述基于置信度的纠错模块104，用于当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
本发明实施例通过当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
本发明实施例通过分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，可以通过对置信度值的大小对比，选择较为正确的标注结果。
本发明实施例可采用下述置信度计算公式计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度：
Figure BDA0003758037880000121
其中，a表示所述标注数据集中的任意一条标注数据，L表示标注数据a的初始标注结果，P表示标注数据a的预测标注结果，Confidence(a,L,P)表示标注数据a的预测标注结果P相较于初始标注结果L的置信度，
Figure BDA0003758037880000122
为所述预测标注结果P中pre_i的期望值，n表示标注数据a被预测的次数，|P|表示标注数据a在n次预测中预测标注结果为P的平均得分，C(a,L,P)表示初始标注结果为L的标注数据a被预测为P的次数。
本发明实施例中，所述预设置信条件是指利用预测标注结果中相较于初始标注结果置信度最大的预测标注结果作为正确标注结果。
如图4所示，是本发明一实施例提供的实现数据标注纠错方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如数据标注纠错程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行数据标注纠错程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如数据标注纠错程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的数据标注纠错程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待审核的标注数据集，识别所述标注数据集中每条标注数据对应的初始标注结果；
对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果；
计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果；
当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待审核的标注数据集，识别所述标注数据集中每条标注数据对应的初始标注结果；
对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果；
计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果；
当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (6)

1.一种数据标注纠错方法，其特征在于，所述方法包括：
获取待审核的标注数据集，识别所述标注数据集中每条标注数据对应的初始标注结果；
对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果；
计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果；
当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果；
其中，所述对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果，包括：获取所述标注数据集中的话术信息；利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别；将所述话术信息的预设次数的意图识别结果作为所述预测标注结果；
所述计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，包括：采用下述混淆值计算公式计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值healthyscore(A,B)：
其中，C(A,B)表示初始标注结果为A的标注数据的预测标注结果为B的次数，C(B,A)表示初始标注结果为B的标注数据的预测标注结果为A的次数，C(A,·)表示初始标注结果为A的标注数据被预测的总次数，C(B,·)表示初始标注结果为B的标注数据被预测的总次数；
所述分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，包括：采用下述置信度计算公式计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度：
其中，a表示所述标注数据集中的任意一条标注数据，L表示标注数据a的初始标注结果，P表示标注数据a的预测标注结果，Confidence(a,L,P)表示标注数据a的预测标注结果P相较于初始标注结果L的置信度，为所述预测标注结果P中pre_i的期望值，n表示标注数据a被预测的次数，|P|表示标注数据a在n次预测中预测标注结果为P的平均得分，C(a,L,P)表示初始标注结果为L的标注数据a被预测为P的次数。
2.如权利要求1所述的数据标注纠错方法，其特征在于，所述利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别之前，所述方法还包括：
获取完成初始意图标注后的训练样本；
利用预设的K折交叉验证规则将训练样本拆分为K个训练样本集；
依次随机选取其中一个训练样本集作为训练集对预构建的意图识别模型执行意图预测训练，得到意图预测结果，计算所述意图预测结果与所述初始标注结果之间的损失值；
在所述损失值满足预设的损失值条件时，结束所述意图预测训练，得到待验证意图识别模型；
利用剩下的K-1个训练样本集作为验证集对所述待验证意图识别模型进行模型精度评估验证，得到模型精度评估结果；
在所述模型精度评估结果满足预设精度评估条件时，得到所述标准意图识别模型。
3.如权利要求1所述的数据标注纠错方法，其特征在于，所述识别所述标注数据集中每条标注数据对应的初始标注结果，包括：
识别每条所述标注数据中的标注标记；
提取所述标注标记对应的意图标注结果，得到所述初始标注结果。
4.一种数据标注纠错装置，其特征在于，所述装置包括：
初始标注结果获取模块，用于获取待审核的标注数据集，识别所述标注数据集中每条标注数据对应的初始标注结果；
预测标注结果生成模块，用于对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果；
基于混淆值的纠错模块，用于计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，当存在满足预设错标条件的混淆值时，利用满足所述预设错标条件的的混淆值对应的预测标注结果替换相应的标注数据的初始标注结果；
基于置信度的纠错模块，用于当同一标注数据的所有所述混淆值均不满足所述预设错标条件时，分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，选择满足预设置信条件的预测标注结果作为对应标注数据的最终标注结果；
其中，所述对所述标注数据集执行预设次数的标注预测，得到所述标注数据集中每条标注数据对应的预测标注结果，包括：获取所述标注数据集中的话术信息；利用预先训练完成的标准意图识别模型对所述话术信息执行预设次数的意图识别；将所述话术信息的预设次数的意图识别结果作为所述预测标注结果；
所述计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值，包括：采用下述混淆值计算公式计算每条所述标注数据的初始标注结果与所述标注数据的每个预测标注结果之间的混淆值healthyscore(A,B)：
其中，C(A,B)表示初始标注结果为A的标注数据的预测标注结果为B的次数，C(B,A)表示初始标注结果为B的标注数据的预测标注结果为A的次数，C(A,·)表示初始标注结果为A的标注数据被预测的总次数，C(B,·)表示初始标注结果为B的标注数据被预测的总次数；
所述分别计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度，包括：采用下述置信度计算公式计算所述每条标注数据对应的预测标注结果相较于初始标注结果之间的置信度：
其中，a表示所述标注数据集中的任意一条标注数据，L表示标注数据a的初始标注结果，P表示标注数据a的预测标注结果，Confidence(a,L,P)表示标注数据a的预测标注结果P相较于初始标注结果L的置信度，为所述预测标注结果P中pre_i的期望值，n表示标注数据a被预测的次数，|P|表示标注数据a在n次预测中预测标注结果为P的平均得分，C(a,L,P)表示初始标注结果为L的标注数据a被预测为P的次数。
5.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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如权利要求1至3中任意一项所述的数据标注纠错方法。
6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的数据标注纠错方法。
CN202210873479.4A 2022-07-21 2022-07-21 数据标注纠错方法、装置、电子设备及存储介质 Active CN115146622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210873479.4A CN115146622B (zh) 2022-07-21 2022-07-21 数据标注纠错方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210873479.4A CN115146622B (zh) 2022-07-21 2022-07-21 数据标注纠错方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115146622A CN115146622A (zh) 2022-10-04
CN115146622B true CN115146622B (zh) 2023-05-05

Family

ID=83414253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210873479.4A Active CN115146622B (zh) 2022-07-21 2022-07-21 数据标注纠错方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115146622B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2218023A2 (en) * 2007-10-17 2010-08-18 ITI Scotland Limited Computer-implemented methods
CN110378227A (zh) * 2019-06-17 2019-10-25 北京达佳互联信息技术有限公司 修正样本标注数据的方法、装置、设备及存储介质
CN111341305A (zh) * 2020-03-05 2020-06-26 苏宁云计算有限公司 一种音频数据标注方法、装置及系统
CN111897953A (zh) * 2020-07-08 2020-11-06 西北工业大学 一种新型网络媒体平台评论文本分类标注数据纠正方法
CN112417850A (zh) * 2020-11-12 2021-02-26 北京爱数智慧科技有限公司 音频标注的检错方法和装置
CN112445831A (zh) * 2021-02-01 2021-03-05 南京爱奇艺智能科技有限公司 数据标注方法及装置
CN112906375A (zh) * 2021-03-24 2021-06-04 平安科技（深圳）有限公司 文本数据标注方法、装置、设备及存储介质
JP2021089491A (ja) * 2019-12-02 2021-06-10 株式会社日立ソリューションズ・クリエイト アノテーション装置および方法
CN113160800A (zh) * 2021-02-04 2021-07-23 吉林科讯信息科技有限公司 语音数据标注方法及电子设备、存储装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2218023A2 (en) * 2007-10-17 2010-08-18 ITI Scotland Limited Computer-implemented methods
CN110378227A (zh) * 2019-06-17 2019-10-25 北京达佳互联信息技术有限公司 修正样本标注数据的方法、装置、设备及存储介质
JP2021089491A (ja) * 2019-12-02 2021-06-10 株式会社日立ソリューションズ・クリエイト アノテーション装置および方法
CN111341305A (zh) * 2020-03-05 2020-06-26 苏宁云计算有限公司 一种音频数据标注方法、装置及系统
CN111897953A (zh) * 2020-07-08 2020-11-06 西北工业大学 一种新型网络媒体平台评论文本分类标注数据纠正方法
CN112417850A (zh) * 2020-11-12 2021-02-26 北京爱数智慧科技有限公司 音频标注的检错方法和装置
CN112445831A (zh) * 2021-02-01 2021-03-05 南京爱奇艺智能科技有限公司 数据标注方法及装置
CN113160800A (zh) * 2021-02-04 2021-07-23 吉林科讯信息科技有限公司 语音数据标注方法及电子设备、存储装置
CN112906375A (zh) * 2021-03-24 2021-06-04 平安科技（深圳）有限公司 文本数据标注方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115146622A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN111814962B (zh) 识别模型的参数获取方法、装置、电子设备及存储介质
CN112016304A (zh) 文本纠错方法、装置、电子设备及存储介质
CN112560453B (zh) 语音信息校验方法、装置、电子设备及介质
CN114822812A (zh) 角色对话模拟方法、装置、设备及存储介质
CN113821622B (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN113807973B (zh) 文本纠错方法、装置、电子设备及计算机可读存储介质
CN113627160B (zh) 文本纠错方法、装置、电子设备及存储介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN115146622B (zh) 数据标注纠错方法、装置、电子设备及存储介质
CN116468025A (zh) 电子病历结构化方法、装置、电子设备及存储介质
CN116341646A (zh) Bert模型的预训练方法、装置、电子设备及存储介质
CN116821373A (zh) 基于图谱的prompt推荐方法、装置、设备及介质
CN116450829A (zh) 医疗文本分类方法、装置、设备及介质
CN113515591B (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN113486169B (zh) 基于bert模型的同义语句生成方法、装置、设备及存储介质
CN113011164B (zh) 数据质量检测方法、装置、电子设备及介质
CN115346095A (zh) 视觉问答方法、装置、设备及存储介质
CN115146064A (zh) 意图识别模型优化方法、装置、设备及存储介质
CN113887201A (zh) 文本定长纠错方法、装置、设备及存储介质
CN114462411B (zh) 命名实体识别方法、装置、设备及存储介质
CN116663503A (zh) 基于自注意力权重图的句子纠错方法、装置、设备及介质
CN115098688B (zh) 多标签分类模型训练方法、装置、电子设备及存储介质
CN115221875B (zh) 词权重生成方法、装置、电子设备及存储介质
CN115169330B (zh) 中文文本纠错及验证方法、装置、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
GR01 Patent grant
GR01 Patent grant