CN115422326A - 文本样本扩充方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了文本样本扩充方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集；对于待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：根据目标扩充词性信息，确定待扩充文本样本包括的遮挡词；根据待扩充文本样本包括的遮挡词，生成至少一个替换词；根据待扩充文本样本和至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合；将初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。该实施方式与大数据有关，在缓解过拟合问题或欠拟合问题的同时缓解了数据不平衡问题。

Description

文本样本扩充方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及文本样本扩充方法、装置、电子设备和计算机可读介质。

背景技术

当一个文本分类任务的文本数据集中来自不同类别的文本样本数目相差悬殊时，通常称该文本数据集为“类别不平衡”的。在此基础上使用该文本数据集训练模型，会导致模型倾向于输出文本样本数目占比更大的类别，产生数据不平衡问题。现有的，为了缓解数据不平衡问题，在训练模型时，通常采用的方式为：复制占比更小的文本数据或删除占比更大的文本数据，使得处理后的文本数据达到相对平衡的状态。

然而，当采用上述方式缓解数据不平衡问题时，经常会存在如下技术问题：

复制占比更小的文本数据会导致模型出现过拟合问题，删除占比更大的文本数据会导致模型出现欠拟合问题，无法在缓解过拟合问题或欠拟合问题的前提下缓解数据不平衡问题。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了文本样本扩充方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种文本样本扩充方法，该方法包括：将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集，其中，上述目标文本标签满足预设少数类条件；对于上述待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：根据目标扩充词性信息，确定上述待扩充文本样本包括的遮挡词；根据上述待扩充文本样本包括的遮挡词，生成至少一个替换词；根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合；将上述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。

可选地，上述根据上述待扩充文本样本包括的遮挡词，生成至少一个替换词，包括：根据上述待扩充文本样本包括的遮挡词，生成遮挡待扩充文本样本；将对应上述遮挡待扩充文本样本的各个词语的文本编码集合、文本位置标识集合和词语标签集合输入至预设同类词语生成模型，得到至少一个替换词。

可选地，上述根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合，包括：对上述待扩充文本样本包括的各个遮挡词对应的替换词进行排列组合，得到替换词组集，其中，上述待扩充文本样本包括的每个遮挡词对应的至少一个替换词的数量为预设替换词数量；对于上述替换词组集中的每个替换词组，将上述待扩充文本样本包括的各个遮挡词分别替换为上述替换词组中的各个替换词，得到替换文本样本。

可选地，上述至少一个替换词中的每个替换词对应有替换词标签；以及上述根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合，还包括：对于所得到的替换文本样本中的每个替换文本样本，根据上述替换文本样本中各个替换词对应的替换词标签，生成替换文本样本标签；根据所生成的替换文本样本标签，对所得到的替换文本样本进行排序，得到替换文本样本序列；从上述替换文本样本序列中选择预设数量的替换文本样本作为扩充文本样本，得到扩充文本样本集合。

可选地，在上述根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合之后，上述扩充步骤还包括：根据上述扩充文本样本集合和上述待扩充文本样本，生成样本文本分类结果；响应于上述样本文本分类结果与上述目标文本标签不一致，删除上述扩充文本样本集合。

可选地，上述方法还包括：根据上述文本样本集对初始文本分类模型进行训练，得到训练完成的初始文本分类模型作为文本分类模型。

可选地，上述根据目标扩充词性信息，确定上述待扩充文本样本包括的遮挡词，包括：根据目标扩充词性信息，确定上述待扩充文本样本包括的目标词，得到目标词集合；根据预设遮挡词比例和上述目标词集合，确定遮挡数量；从上述目标词集合中选择上述遮挡数量的目标词分别作为遮挡词。

第二方面，本公开的一些实施例提供了一种文本样本扩充装置，装置包括：确定单元，被配置成将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集，其中，上述目标文本标签满足预设少数类条件；扩充单元，被配置成对于上述待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：根据目标扩充词性信息，确定上述待扩充文本样本包括的遮挡词；根据上述待扩充文本样本包括的遮挡词，生成至少一个替换词；根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合；组合单元，被配置成将上述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。

可选地，扩充单元进一步被配置成：根据上述待扩充文本样本包括的遮挡词，生成遮挡待扩充文本样本；将对应上述遮挡待扩充文本样本的各个词语的文本编码集合、文本位置标识集合和词语标签集合输入至预设同类词语生成模型，得到至少一个替换词。

可选地，扩充单元进一步被配置成：对上述待扩充文本样本包括的各个遮挡词对应的替换词进行排列组合，得到替换词组集，其中，上述待扩充文本样本包括的每个遮挡词对应的至少一个替换词的数量为预设替换词数量；对于上述替换词组集中的每个替换词组，将上述待扩充文本样本包括的各个遮挡词分别替换为上述替换词组中的各个替换词，得到替换文本样本。

可选地，上述至少一个替换词中的每个替换词对应有替换词标签。

可选地，扩充单元进一步被配置成：对于所得到的替换文本样本中的每个替换文本样本，根据上述替换文本样本中各个替换词对应的替换词标签，生成替换文本样本标签；根据所生成的替换文本样本标签，对所得到的替换文本样本进行排序，得到替换文本样本序列；从上述替换文本样本序列中选择预设数量的替换文本样本作为扩充文本样本，得到扩充文本样本集合。

可选地，扩充单元进一步被配置成：根据上述扩充文本样本集合和上述待扩充文本样本，生成样本文本分类结果；响应于上述样本文本分类结果与上述目标文本标签不一致，删除上述扩充文本样本集合。

可选地，上述文本样本扩充装置还包括训练单元，上述训练单元被配置成：根据上述文本样本集对初始文本分类模型进行训练，得到训练完成的初始文本分类模型作为文本分类模型。

可选地，确定单元进一步被配置成：根据目标扩充词性信息，确定上述待扩充文本样本包括的目标词，得到目标词集合；根据预设遮挡词比例和上述目标词集合，确定遮挡数量；从上述目标词集合中选择上述遮挡数量的目标词分别作为遮挡词。

第三方面，本公开的一些实施例提供了一种电子设备，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上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些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，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的文本样本扩充方法，可以在缓解过拟合问题或欠拟合问题的前提下缓解数据不平衡问题。具体来说，造成无法在缓解过拟合问题或欠拟合问题的前提下缓解数据不平衡问题的原因在于：复制占比更小的数据会导致模型出现过拟合问题，删除占比更大的数据会导致模型出现欠拟合问题。基于此，本公开的一些实施例的文本样本扩充方法，首先，将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集。由此，得到在初始文本样本集中属于少数类的待扩充文本样本集。然后，对于待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：第一步，根据目标扩充词性信息，确定上述待扩充文本样本包括的遮挡词。由此，得到表征能够被替换的遮挡词。第二步，根据上述待扩充文本样本包括的遮挡词，生成至少一个替换词。由此，得到表征与上述遮挡词词性相同的替换词。第三步，根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合。由此，实现对于少数类数据的扩充。最后，将上述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。由此，得到的文本样本集中各类别文本样本的占比更加均衡。因为通过替换词替换遮挡词来生成新的数据，缓解产生过拟合问题或欠拟合问题，实现了对少数类数据的扩充，使得用于模型训练的文本样本集中各类数据的占比更加均衡，从而缓解了数据不平衡问题。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的文本样本扩充方法的一个应用场景的示意图；

图2是根据本公开的文本样本扩充方法的一些实施例的流程图；

图3是根据本公开的文本样本扩充方法的另一些实施例的流程图；

图4是根据本公开的文本样本扩充装置的一些实施例的结构示意图；

图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

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。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。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的文本样本扩充方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以将初始文本样本集102中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本103，得到待扩充文本样本集。其中，上述目标文本标签满足预设少数类条件。然后，计算设备101可以对于上述待扩充文本样本集中的每个待扩充文本样本(例如待扩充文本样本103：“I think your apple isbetter than me.”)，执行以下扩充步骤：第一步，根据目标扩充词性信息，计算设备101可以确定上述待扩充文本样本103包括的遮挡词104。例如，上述遮挡词104可以为“better”。第二步，根据上述待扩充文本样本包括的遮挡词104，计算设备101可以生成至少一个替换词。例如，上述至少一个替换词可以为替换词105和替换词106。上述替换词105可以为“worse”。上述替换词106可以为“higher”。第三步，根据上述待扩充文本样本103和上述至少一个替换词(例如替换词105和替换词106)中的每个替换词，计算设备101可以生成扩充文本样本，得到扩充文本样本集合107。例如，上述扩充文本样本集合107包括的扩充文本样本可以为“I think your apple is worse than me.”和“I think your apple is higherthan me.”。最后，计算设备101可以将上述初始文本样本集102和所得到的扩充文本样本集合(包括扩充文本样本集合107)组合为文本样本集108。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备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计算设备。

继续参考图2，示出了根据本公开的文本样本扩充方法的一些实施例的流程200。该文本样本扩充方法，包括以下步骤：

步骤201，将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集。

在一些实施例中，文本样本扩充方法的执行主体(如图1所示的计算设备101)可以将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集。其中，上述目标文本标签满足预设少数类条件。上述初始文本样本集中的初始文本样本可以为用于进行模型训练的文本样本。上述文本标签可以为上述初始文本样本集中的初始文本样本对应的标签。上述文本标签可以表征对应的初始文本样本的类别。例如，上述文本标签可以为：[p:0.6，n:0.4]。其中，p表示positive类。n表示negative类。0.6表示初始文本样本为positive类的概率。0.4表示初始文本样本为negative类的概率。由于p对应的概率0.6大于n对应的概率0.4，因此，上述文本标签[p:0.6，n:0.4]表示对应的初始文本样本为positive类。上述目标文本标签可以为满足预设少数类条件的文本标签。上述预设少数类条件可以为目标文本标签表征的类别为各个文本标签所表征的各个类别中占比最小的类别。例如，上述初始文本样本集可以包括1000个初始文本样本。其中，900个初始文本样本对应的文本标签表征positive类。100个初始文本样本对应的文本标签表征negative类。则目标文本标签为表征negative类的文本标签。由此，可以得到在初始文本样本集中属于少数类的待扩充文本样本集。

步骤202，对于待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：

步骤2021，根据目标扩充词性信息，确定待扩充文本样本包括的遮挡词。

在一些实施例中，上述执行主体可以根据目标扩充词性信息，确定上述待扩充文本样本包括的遮挡词。其中，上述目标扩充词性信息可以为预先设定的词性信息。例如，上述目标扩充词性信息可以包括但不限于：形容词，副词和动词。实践中，上述执行主体可以将上述待扩充文本样本中为上述目标扩充词性信息的一个词语确定为遮挡词。由此，可以得到表征能够被替换的遮挡词。

在一些实施例的一些可选的实现方式中，首先，根据目标扩充词性信息，上述执行主体可以确定上述待扩充文本样本包括的目标词，得到目标词集合。实践中，可以将上述待扩充文本样本中为上述目标扩充词性信息的各个词语确定为目标词。其次，根据预设遮挡词比例和上述目标词集合，可以确定遮挡数量。其中，上述预设遮挡词比例可以为预先设置的目标词中包括遮挡词的比例。实践中，第一步，可以将上述目标词集合中目标词的数量确定为目标词数量。第二步，可以将上述预设遮挡词比例和上述目标词数量的乘积确定为遮挡数量。其中，当上述预设遮挡词比例和上述目标词数量的乘积不为整数时，可以对上述乘积向上取整，得到遮挡数量。最后，可以从上述目标词集合中选择上述遮挡数量的目标词分别作为遮挡词。实践中，可以按照上述目标扩充词性信息记载的目标扩充词性的顺序，从上述目标词集合中选择上述遮挡数量的目标词分别作为遮挡词。作为示例，上述目标扩充词性信息为形容词，副词和动词。记载的目标扩充词性的顺序依次为形容词，副词和动词。上述目标词集合可以包括5个目标词。其中，上述5个目标词可以包括3个形容词，1个副词和一个动词。当上述遮挡数量为2时，可以从上述3个形容词中任意选择2个形容词分别作为遮挡词。当上述遮挡数量为4时，可以选择上述3个形容词和上述1个副词分别作为遮挡词。由此，可以通过设置预设遮挡词比例控制生成的扩充文本样本与待扩充文本样本中词语的重复程度。

步骤2022，根据待扩充文本样本包括的遮挡词，生成至少一个替换词。

在一些实施例中，上述执行主体可以根据上述待扩充文本样本包括的遮挡词，生成至少一个替换词。实践中，可以将预设字典中与上述待扩充文本样本包括的遮挡词词性相同的词语确定为替换词，得到至少一个替换词。由此，可以得到表征与上述遮挡词词性相同的替换词。

在一些实施例的一些可选的实现方式中，首先，上述执行主体可以根据上述待扩充文本样本包括的遮挡词，生成遮挡待扩充文本样本。其中，上述遮挡待扩充文本样本对应有文本编码集合、文本位置标识集合和词语标签集合。上述文本编码集合中的各个文本编码可以表征上述遮挡待扩充文本样本中的各个词语。上述文本编码集合中的文本编码可以为对对应的词语进行编码得到的文本编码。上述文本位置标识集合中各个文本位置标识表征上述待扩充文本样本中各个词语的位置。上述词语标签集合中各个词语标签对应上述遮挡待扩充文本样本中的各个词语。其中，上述词语标签集合中的词语标签可以为表征对应的词语的分类信息的标签。例如，上述词语标签集合中的词语标签可以为[p:0.7，n:0.3]。其中，[p:0.7，n:0.3]表示对应的词语为positive类的概率为0.7，为negative类的概率为0.3，进而可以表征对应的词语为positive类。实践中，可以将上述待扩充文本样本包括的遮挡词用[Mask]代替，得到遮挡待扩充文本样本。然后，可以将对应上述遮挡待扩充文本样本的各个词语的文本编码集合、文本位置标识集合和词语标签集合输入至预设同类词语生成模型，得到至少一个替换词。其中，上述预设同类词语生成模型可以为以文本编码集合、文本位置标识集合和词语标签集合为输入，以至少一个替换词为输出的神经网络模型。例如，上述神经网络模型可以为深度学习模型。由此，通过输入文本编码集合、文本位置标识集合和词语标签集合，可以结合遮挡词的上下文语义，得到至少一个替换词。

步骤2023，根据待扩充文本样本和至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合。

在一些实施例中，上述执行主体可以根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合。实践中，对于每个替换词，可以将上述待扩充文本样本中对应的遮挡词替换为上述替换词，得到扩充文本样本。作为示例，上述待扩充文本样本包括的遮挡词可以为“a”。该遮挡词“a”对应的替换词可以为“b”和“c”。上述执行主体可以将上述待扩充文本样本包括的遮挡词“a”替换为替换词“b”，得到包括替换词“b”的扩充文本样本。以及将上述待扩充文本样本包括的遮挡词“a”替换为替换词“c”，得到包括替换词“c”的扩充文本样本。由此，可以实现对于少数类数据的扩充。

在一些实施例的一些可选的实现方式中，首先，上述执行主体可以对上述待扩充文本样本包括的各个遮挡词对应的替换词进行排列组合，得到替换词组集。其中，上述待扩充文本样本包括的每个遮挡词对应的至少一个替换词的数量可以为预设替换词数量。由此，上述待扩充文本样本包括的每个遮挡词对应的替换词的数量相同。可以将上述待扩充文本样本包括的遮挡词的数量确定为遮挡词数量。上述替换词组集中替换词组的数量可以为预设替换词数量的遮挡词数量次方。作为示例，上述待扩充文本样本可以包括遮挡词“p”和“q”。上述预设替换词数量可以为2。遮挡词“p”对应的替换词可以为“u”和“v”。遮挡词“q”对应的替换词可以为“x”和“y”。则排列组合后得到的替换词组集可以为：[u、x]，[u、y]，[v、x]，[v、y]。然后，对于上述替换词组集中的每个替换词组，上述执行主体可以将上述待扩充文本样本包括的各个遮挡词分别替换为上述替换词组中的各个替换词，得到替换文本样本。作为示例，对于替换词组[u、x]，可以将待扩充文本样本包括的遮挡词“p”和“q”替换为替换词“u”和“x”，得到包括“u”和“x”的替换文本样本。由此，可以通过预设替换词数量控制得到的替换文本样本的数量。

在一些实施例的一些可选的实现方式中，上述至少一个替换词中的每个替换词对应有替换词标签。例如，上述替换词标签可以为[p:0.8，n:0.2]。其中，[p:0.8，n:0.2]表示上述替换词为positive类的概率为0.8，为negative类的概率为0.2，进而可以表示上述替换词标签为positive类。首先，对于所得到的替换文本样本中的每个替换文本样本，上述执行主体可以根据上述替换文本样本中各个替换词对应的替换词标签，生成替换文本样本标签。实践中，上述执行主体可以根据上述替换文本样本中各个替换词对应的替换词标签，采用各种方式生成替换文本样本标签。作为示例，可以对替换词标签中相同类别的概率求和并除以替换词的数量，得到替换文本样本标签。例如，替换文本样本可以包括替换词“u”和“x”。替换词“u”对应的替换词标签可以为[p:0.8，n:0.2]。替换词“x”对应的替换词标签可以为[p:0.6，n:0.4]。对positive类对应的概率0.8和0.6求和并除以替换词数量2，得到0.7。对negative类对应的概率0.2和0.4求和并除以替换词数量2，得到0.3。由此，得到的替换文本样本标签可以为[p:0.7，n:0.3]。然后，根据所生成的替换文本样本标签，可以对所得到的替换文本样本进行排序，得到替换文本样本序列。实践中，可以按照所生成的替换文本样本标签中与上述目标文本标签表征的类别相同的类别的概率，对所得到的替换文本样本降序排列。作为示例，上述目标文本标签表征的类别可以为positive类。上述所生成的替换文本样本标签可以包括：[p:0.7，n:0.3]、[p:0.8，n:0.2]和[p:0.6，n:0.4]。得到的替换文本样本序列中第一个替换文本样本对应的替换文本样本标签为[p:0.8，n:0.2]。得到的替换文本样本序列中第一个替换文本样本对应的替换文本样本标签为[p:0.7，n:0.3]。得到的替换文本样本序列中第一个替换文本样本对应的替换文本样本标签为[p:0.6，n:0.4]。之后，可以从上述替换文本样本序列中选择预设数量的替换文本样本作为扩充文本样本，得到扩充文本样本集合。例如，可以从上述替换文本样本序列中选择前两个替换文本样本作为扩充文本样本，得到扩充文本样本集合。由此，可以得到与待扩充文本样本类别相同的概率更高的扩充文本样本。

步骤203，将初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。

在一些实施例中，上述执行主体可以将上述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。其中，上述所得到的扩充文本样本集合可以为至少一个扩充文本样本集合。实践中，可以将上述初始文本样本集中的各个初始文本样本，以及所得到的至少一个扩充文本样本集合中的各个扩充文本样本组合为文本样本集。由此，得到的文本样本集中各类别文本样本的占比更加均衡。

可选地，上述执行主体可以根据上述文本样本集对初始文本分类模型进行训练，得到训练完成的初始文本分类模型作为文本分类模型。上述初始文本分类模型可以为未经训练的对文本进行分类的模型。上述文本分类模型可以为训练完成的对文本进行分类的模型。由此，可以避免文本分类模型出现数据不平衡问题。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的文本样本扩充方法，可以在缓解过拟合问题或欠拟合问题的前提下缓解数据不平衡问题。具体来说，造成无法在缓解过拟合问题或欠拟合问题的前提下缓解数据不平衡问题的原因在于：复制占比更小的数据会导致模型出现过拟合问题，删除占比更大的数据会导致模型出现欠拟合问题。基于此，本公开的一些实施例的文本样本扩充方法，首先，将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集。由此，得到在初始文本样本集中属于少数类的待扩充文本样本集。然后，对于待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：第一步，根据目标扩充词性信息，确定上述待扩充文本样本包括的遮挡词。由此，得到表征能够被替换的遮挡词。第二步，根据上述待扩充文本样本包括的遮挡词，生成至少一个替换词。由此，得到表征与上述遮挡词词性相同的替换词。第三步，根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合。由此，实现对于少数类数据的扩充。最后，将上述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。由此，得到的文本样本集中各类别文本样本的占比更加均衡。因为通过替换词替换遮挡词来生成新的数据，缓解产生过拟合问题或欠拟合问题，实现了对少数类数据的扩充，使得用于模型训练的文本样本集中各类数据的占比更加均衡，从而缓解了数据不平衡问题。

进一步参考图3，其示出了文本样本扩充方法的另一些实施例的流程300。该文本样本扩充方法的流程300，包括以下步骤：

步骤301，将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集。

步骤302，对于待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：

步骤3021，根据目标扩充词性信息，确定待扩充文本样本包括的遮挡词。

步骤3022，根据待扩充文本样本包括的遮挡词，生成至少一个替换词。

步骤3023，根据待扩充文本样本和至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合。

在一些实施例中，步骤301和步骤3021-3023的具体实现及其带来的技术效果可以参考图2对应的那些实施例中的步骤201和步骤2021-2023，在此不再赘述。

步骤3024，根据扩充文本样本集合和待扩充文本样本，生成样本文本分类结果。

在一些实施例中，文本样本扩充方法的执行主体(如图1所示的计算设备101)可以根据上述扩充文本样本集合和上述待扩充文本样本，生成样本文本分类结果。实践中，首先，对于上述扩充文本样本集合中的每个扩充文本样本，上述执行主体可以将上述扩充文本样本对应的替换文本样本所对应的替换文本样本标签确定为扩充文本样本标签。然后，对所确定的各个扩充文本样本标签和上述待扩充文本样本对应的目标文本标签进行软投票(Soft voting)处理，得到样本文本分类结果。上述样本文本分类结果可以为表征上述扩充文本样本集合和待扩充文本样本的类别的标签。作为示例，上述目标文本标签可以为[p:0.7，n:0.3]。所确定的各个扩充文本样本标签可以包括：[p:0.8，n:0.2]和[p:0.6，n:0.4]。对positive类对应的概率0.7、0.8和0.6求和，并除以目标文本标签和扩充文本样本标签的数量3，得到0.7。对positive类对应的概率0.3、0.2和0.4求和，并除以目标文本标签和扩充文本样本标签的数量3，得到0.3。上述样本文本分类结果可以为[p:0.7，n:0.3]。上述样本文本分类结果表征的类别为positive类。由此，可以得到表征上述扩充文本样本集合和待扩充文本样本的类别的样本文本分类结果。

步骤3025，响应于样本文本分类结果与目标文本标签不一致，删除扩充文本样本集合。

在一些实施例中，响应于上述样本文本分类结果与上述目标文本标签不一致，上述执行主体可以删除上述扩充文本样本集合。实践中，响应于上述样本文本分类结果表征的类别与上述目标文本标签表征的类别不一致，上述执行主体可以删除上述扩充文本样本集合。例如，上述目标文本标签可以表征negative类。上述样本文本分类结果可以表征positive类。则上述执行主体可以删除上述扩充文本样本集合。由此，可以对生成的扩充文本样本集合进行筛选。

步骤303，将初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。

在一些实施例中，步骤303的具体实现及其带来的技术效果可以参考图2对应的那些实施例中的步骤203，在此不再赘述。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的文本样本扩充方法的流程300体现了对生成样本文本分类结果和删除扩充文本样本集合进行扩展的步骤。由此，这些实施例描述的方案可以对生成的各个扩充文本样本集合进行筛选，将与目标文本标签不一致的样本文本分类结果对应的扩充文本样本集合删除，使得保留的扩充文本样本集合与待扩充样本文本的标签一致。此外，生成样本文本分类结果时采用软投票的处理方式，使得对于对应的扩充文本样本标签与目标文本标签不一致的扩充文本样本，在该扩充文本样本对应的样本文本分类结果与目标文本标签一致时，能够对该扩充文本样本得以保留。由此，减少了删除扩充文本样本集合的数量，提高了文本分类模型的鲁棒性。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种文本样本扩充装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，一些实施例的文本样本扩充装置400包括：确定单元401、扩充单元402和组合单元403。其中，确定单元401被配置成将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集，其中，上述目标文本标签满足预设少数类条件；扩充单元402被配置成对于上述待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：根据目标扩充词性信息，确定上述待扩充文本样本包括的遮挡词；根据上述待扩充文本样本包括的遮挡词，生成至少一个替换词；根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合；组合单元403被配置成将上述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。

在一些实施例的可选实现方式中，扩充单元402可以进一步被配置成：根据上述待扩充文本样本包括的遮挡词，生成遮挡待扩充文本样本；将对应上述遮挡待扩充文本样本的各个词语的文本编码集合、文本位置标识集合和词语标签集合输入至预设同类词语生成模型，得到至少一个替换词。

在一些实施例的可选实现方式中，扩充单元402可以进一步被配置成：对上述待扩充文本样本包括的各个遮挡词对应的替换词进行排列组合，得到替换词组集，其中，上述待扩充文本样本包括的每个遮挡词对应的至少一个替换词的数量为预设替换词数量；对于上述替换词组集中的每个替换词组，将上述待扩充文本样本包括的各个遮挡词分别替换为上述替换词组中的各个替换词，得到替换文本样本。

可选地，上述至少一个替换词中的每个替换词对应有替换词标签。

在一些实施例的可选实现方式中，扩充单元402可以进一步被配置成：对于所得到的替换文本样本中的每个替换文本样本，根据上述替换文本样本中各个替换词对应的替换词标签，生成替换文本样本标签；根据所生成的替换文本样本标签，对所得到的替换文本样本进行排序，得到替换文本样本序列；从上述替换文本样本序列中选择预设数量的替换文本样本作为扩充文本样本，得到扩充文本样本集合。

在一些实施例的可选实现方式中，扩充单元402可以进一步被配置成：根据上述扩充文本样本集合和上述待扩充文本样本，生成样本文本分类结果；响应于上述样本文本分类结果与上述目标文本标签不一致，删除上述扩充文本样本集合。

可选地，上述文本样本扩充装置400还包括训练单元(图中未示出)，被配置成：根据上述文本样本集对初始文本分类模型进行训练，得到训练完成的初始文本分类模型作为文本分类模型。

在一些实施例的可选实现方式中，确定单元401可以进一步被配置成：根据目标扩充词性信息，确定上述待扩充文本样本包括的目标词，得到目标词集合；根据预设遮挡词比例和上述目标词集合，确定遮挡数量；从上述目标词集合中选择上述遮挡数量的目标词分别作为遮挡词。

可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。

下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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5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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

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，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集，其中，上述目标文本标签满足预设少数类条件；对于上述待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：根据目标扩充词性信息，确定上述待扩充文本样本包括的遮挡词；根据上述待扩充文本样本包括的遮挡词，生成至少一个替换词；根据上述待扩充文本样本和上述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合；将上述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。

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一些实施例的操作的计算机程序代码，上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”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。

描述于本公开的一些实施例中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：一种处理器包括确定单元、扩充单元和组合单元。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，组合单元还可以被描述为“将上述初始文本样本集和所生成的扩充文本样本集合组合为文本样本集的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些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)

1.一种文本样本扩充方法，包括：

将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集，其中，所述目标文本标签满足预设少数类条件；

对于所述待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：

根据目标扩充词性信息，确定所述待扩充文本样本包括的遮挡词；

根据所述待扩充文本样本包括的遮挡词，生成至少一个替换词；

根据所述待扩充文本样本和所述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合；

将所述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。

2.根据权利要求1所述的方法，其中，所述根据所述待扩充文本样本包括的遮挡词，生成至少一个替换词，包括：

根据所述待扩充文本样本包括的遮挡词，生成遮挡待扩充文本样本；

将对应所述遮挡待扩充文本样本的各个词语的文本编码集合、文本位置标识集合和词语标签集合输入至预设同类词语生成模型，得到至少一个替换词。

3.根据权利要求2所述的方法，其中，所述根据所述待扩充文本样本和所述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合，包括：

对所述待扩充文本样本包括的各个遮挡词对应的替换词进行排列组合，得到替换词组集，其中，所述待扩充文本样本包括的每个遮挡词对应的至少一个替换词的数量为预设替换词数量；

对于所述替换词组集中的每个替换词组，将所述待扩充文本样本包括的各个遮挡词分别替换为所述替换词组中的各个替换词，得到替换文本样本。

4.根据权利要求3所述的方法，其中，所述至少一个替换词中的每个替换词对应有替换词标签；以及

所述根据所述待扩充文本样本和所述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合，还包括：

对于所得到的替换文本样本中的每个替换文本样本，根据所述替换文本样本中各个替换词对应的替换词标签，生成替换文本样本标签；

根据所生成的替换文本样本标签，对所得到的替换文本样本进行排序，得到替换文本样本序列；

从所述替换文本样本序列中选择预设数量的替换文本样本作为扩充文本样本，得到扩充文本样本集合。

5.根据权利要求4所述的方法，其中，在所述根据所述待扩充文本样本和所述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合之后，所述扩充步骤还包括：

根据所述扩充文本样本集合和所述待扩充文本样本，生成样本文本分类结果；

响应于所述样本文本分类结果与所述目标文本标签不一致，删除所述扩充文本样本集合。

6.根据权利要求1所述的方法，其中，所述方法还包括：

根据所述文本样本集对初始文本分类模型进行训练，得到训练完成的初始文本分类模型作为文本分类模型。

7.根据权利要求1所述的方法，其中，所述根据目标扩充词性信息，确定所述待扩充文本样本包括的遮挡词，包括：

根据目标扩充词性信息，确定所述待扩充文本样本包括的目标词，得到目标词集合；

根据预设遮挡词比例和所述目标词集合，确定遮挡数量；

从所述目标词集合中选择所述遮挡数量的目标词分别作为遮挡词。

8.一种文本样本扩充装置，包括：

确定单元，被配置成将初始文本样本集中对应的文本标签为目标文本标签的初始文本样本确定为待扩充文本样本，得到待扩充文本样本集，其中，所述目标文本标签满足预设少数类条件；

扩充单元，被配置成对于所述待扩充文本样本集中的每个待扩充文本样本，执行以下扩充步骤：根据目标扩充词性信息，确定所述待扩充文本样本包括的遮挡词；根据所述待扩充文本样本包括的遮挡词，生成至少一个替换词；根据所述待扩充文本样本和所述至少一个替换词中的每个替换词，生成扩充文本样本，得到扩充文本样本集合；

组合单元，被配置成将所述初始文本样本集和所得到的扩充文本样本集合组合为文本样本集。

9.一种电子设备，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1-7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，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images