CN116049400A - 文本分类模型的训练方法、文本分类方法及其装置 - Google Patents
文本分类模型的训练方法、文本分类方法及其装置 Download PDFInfo
- Publication number
- CN116049400A CN116049400A CN202310010897.5A CN202310010897A CN116049400A CN 116049400 A CN116049400 A CN 116049400A CN 202310010897 A CN202310010897 A CN 202310010897A CN 116049400 A CN116049400 A CN 116049400A
- Authority
- CN
- China
- Prior art keywords
- text
- sample
- classification model
- category label
- sample text
- 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
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 title claims abstract description 69
- 230000011218 segmentation Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 230000000873 masking effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 abstract description 24
- 238000003058 natural language processing Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了文本分类模型的训练方法、文本分类方法及其装置,涉及人工智能领域,尤其涉及自然语言处理NLP及深度学习技术等。具体实现方案为:获取第一样本文本和第一样本文本的类别标签;基于类别标签获取第一样本文本中的关键词;确定类别标签对应的掩码概率,并根据类别标签对应的掩码概率、关键词和第一样本文本,获取第二样本文本;根据第二样本文本和类别标签训练初始的文本分类模型,得到训练好的文本分类模型。本申请可以提升注意力机制的泛化能力,使得模型能够更加深入的去挖掘文本的语义信息,进而可以提升模型的效果。
Description
技术领域
本申请涉及人工智能领域,尤其涉及自然语言处理NLP及深度学习技术等,特别的涉及一种文本分类模型的训练方法、文本分类方法及其装置。
背景技术
文本分类是自然语言处理(Natural Language Processing,NLP)中的最基础的一个任务,很多场景中都涉及到,例如对话机器人、搜索推荐、情绪识别、情感分类、内容理解、企业风控、质量检测等方向。相关技术中,基于深度学习的文本分类研究,逐渐取代传统机器学习方法成为文本分类领域的主流研究方向,所使用的深度学习模型包括卷积神经网络、循环神经网络、注意力机制等。这些深度学习模型用于文本分类领域都取得了较好的实验效果。然而,基于深度注意力机制的方法在很大程度上会过于的关注某些关键词,造成分类结果错误。
发明内容
本申请提供了一种文本分类模型的训练方法、文本分类方法、装置、电子设备以及存储介质。
根据本申请的第一方面,提供了一种文本分类模型的训练方法,包括:
获取第一样本文本和所述第一样本文本的类别标签;
基于所述类别标签获取所述第一样本文本中的关键词;
确定所述类别标签对应的掩码概率,并根据所述类别标签对应的掩码概率、所述关键词和所述第一样本文本,获取第二样本文本;
根据所述第二样本文本和所述类别标签训练初始的文本分类模型,得到训练好的文本分类模型。
根据本申请的第二方面,提供了一种文本分类方法,包括:
获取待处理文本;
将所述待处理文本输入至预设的文本分类模型,获得所述待处理文本的分类预测结果;
其中,所述文本分类模型为采用如前述第一方面所述的训练方法训练得到的模型。
根据本申请的第三方面,提供了一种文本分类模型的训练装置,包括:
第一获取模块,用于获取第一样本文本和所述第一样本文本的类别标签;
第二获取模块,用于基于所述类别标签获取所述第一样本文本中的关键词;
确定模块,用于确定所述类别标签对应的掩码概率;
第三获取模块,用于根据所述类别标签对应的掩码概率、所述关键词和所述第一样本文本,获取第二样本文本;
训练模块,用于根据所述第二样本文本和所述类别标签训练初始的文本分类模型,得到训练好的文本分类模型。
根据本申请的第四方面,提供了一种文本分类装置,包括:
获取模块,用于获取待处理文本;
预测模块,用于将所述待处理文本输入至预设的文本分类模型,获得所述待处理文本的分类预测结果;
其中,所述文本分类模型为采用如前述第三方面所述的训练装置训练得到的模型。
根据本申请的第五方面,提供了一种电子设备,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前述第一方面所述的方法,或者,以使所述至少一个处理器能够执行前述第二方面所述的方法。
根据本申请的第六方面,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,所述计算机指令用于使所述计算机执行前述第一方面所述的方法,或者,使所述计算机执行前述第二方面所述的方法。
根据本申请的第七方面,提供了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前述第一方面所述方法的步骤,或者实现前述第二方面所述方法的步骤。
根据本申请的技术方案,能够避免由于注意力机制而过度地关注高频词,可以提升注意力机制的泛化能力,使得模型能够更加深入的去挖掘文本的语义信息,进而可以提升模型的效果。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例所提供的一种文本分类模型的训练方法的流程图;
图2为本申请实施例所提供的另一种文本分类模型的训练方法的流程图;
图3为本申请实施例所提供的又一种文本分类模型的训练方法的流程图;
图4为本申请实施例所提供一种文本分类方法的流程图;
图5为本申请实施例所提供的一种文本分类模型的训练装置的框图;
图6为本申请实施例所提供的一种文本分类装置的框图;
图7是本申请实施例所提供的一种电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
文本分类是自然语言处理(Natural Language Processing,NLP)中的最基础的一个任务,很多场景中都涉及到,例如对话机器人、搜索推荐、情绪识别、情感分类、内容理解、企业风控、质量检测等方向。近年来,基于深度学习的文本分类研究,逐渐取代传统机器学习方法成为文本分类领域的主流研究方向,所使用的深度学习模型包括卷积神经网络(CNN)、循环神经网络(RNN)、注意力(Attention)机制等。这些深度学习模型用于文本分类领域都取得了较好的实验效果。然而,基于深度注意力机制的方法在很大程度上会过于的关注某些关键词,造成分类结果错误。
相关技术中,基于深度神经网络的文本分类方法普遍运用了注意力机制。注意力(Attention)机制是Bahdanau等2014年提出的一种文本处理新机制,它模仿自人类视觉观察行为的内部过程,早期流行于图像领域,后被引入到NLP领域并逐渐发展成为一个独立的研究方向。注意力机制将输入编码要求由固定长度向量改进为向量序列进行传递,它充分关注“注意力范围”信息,能够快速提取稀疏数据的重要特征并逐渐成为当前解决文本问题的标配。Google(谷歌)提出了Transformer模型,应用全Attention结构代替了RNN/CNN部分,使得模型结构变得更加简单。在性能方面,Transformer避免了时序与循环的模型架构,完全依赖Attention机制构造输入与输出的全局依赖关系,从而支持训练样本的并行化计算,显著提高计算效率和模型性能。
然而,基于深度注意力机制的方法在很大程度上会过于的关注某些关键词,造成分类结果错误。例如文本“A在哪里?”的类别标签为“寻址”,但是,由于“A”一词在“法律咨询”类别文本中词频较稿,导致模型过于关注该词汇,从而导致模型将该文本错误分类为“法律咨询”。
针对上述问题,本申请提出了一种文本分类模型的训练方法,可以将每个句子内的高频词进行随机掩码,这样能避免像注意力机制那样过度地关注高频词,使得模型能够更加深入的去挖掘文本的语义信息,进而提升模型的效果。
下面参考附图描述本申请实施例的文本分类模型的训练方法、文本分类方法及其装置。
图1为本申请实施例所提供的一种文本分类模型的训练方法的流程图。需要说明的是,该方法可由电子设备执行。如图1所示,该方法可包括但不限于如下步骤。
在步骤101中,获取第一样本文本和第一样本文本的类别标签。
在一种可能的实现方式中,可以获取训练样本,该训练样本可以包括第一样本文本。还可以获取该第一样本文本的类别标签。
需要说明的是,在本申请的实施例中,该类别标签可以为一个,或者也可以为多个。该类别标签的数量与文本分类任务有关。作为一种示例,该文本分类任务为多标签分类,则该类别标签可以为多个,比如第一样本文本可能同时涉及多种类别。作为另一种示例,该文本分类任务为文本单标签分类,则该类别标签为单标签,该第一样本文本属于某一个类别。在本申请的实施例中,该第一样本文本的类别标签为单标签。
在步骤102中,基于类别标签获取第一样本文本中的关键词。
在一种可能的实现方式中,可以对第一样本文本进行分词和停用词处理,统计每个类别标签下每个词对应的词频,将第一样本文本中词频大于或等于词频阈值的词,确定为该第一样本文本中的关键词。其中,作为一种示例,该词频阈值可以是与类别标签对应的词频阈值,例如,对每个类别标签设置一个词频阈值,该词频阈值可以是超参数,可以是基于经验而设置的经验值。
在步骤103中,确定类别标签对应的掩码概率,并根据类别标签对应的掩码概率、关键词和第一样本文本,获取第二样本文本。
在一种可能的实现方式中,可以对每个类别标签设置一个掩码概率,作为一种示例,该掩码概率可以是超参数,如可以是基于经验而设置的经验值。
在本申请的实施例中,可以确定该第一样本文本的类别标签对应的掩码概率,按照该类别标签对应的掩码概率决定是否对该第一样本文本中的关键词进行掩码,将经过处理的第一样本文本确定为第二样本文本,从而获得该第二样本文本。
在步骤104中,根据第二样本文本和类别标签训练初始的文本分类模型,得到训练好的文本分类模型。
可以理解,第一样本文本的类别标签也可以作为该第二样本文本的类别标签。在本申请的实施例中,可以利用该第二样本文本及其类别标签,对初始的文本分类模型进行训练,从而可以得到训练好的文本分类模型。
可选的,在本申请的实施例中,该文本分类模型可以是基于Transformer模型构建的。
通过实施本申请实施例,可以基于类别标签统计出样本文本中的关键词,并按照掩码概率对关键词进行随机掩码,利用掩码后的样本文本对文本分类模型进行训练,这样能够避免由于注意力机制而过度地关注高频词,可以提升注意力机制的泛化能力,使得模型能够更加深入的去挖掘文本的语义信息,进而可以提升模型的效果。
图2为本申请实施例所提供的另一种文本分类模型的训练方法的流程图。需要说明的是,该方法可由电子设备执行。如图2所示,该方法可包括但不限于如下步骤。
在步骤201中,获取第一样本文本和第一样本文本的类别标签。
在本申请的实施例中,步骤201的实现方式可以分别采用本申请的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
在步骤202中,对第一样本文本进行分词处理,并对分词处理的结果进行停用词处理,得到第一样本文本的分词结果。
在一种可能的实现方式中,可以基于自然语言处理技术对第一样本文本进行分词处理,并去掉该分词处理的结果之中的停用词,将去掉停用词后的分词处理的结果确定为该第一样本文本的分词结果。
在步骤203中,对类别标签下第一样本文本的分词结果中的词进行词频统计,得到类别标签下每个词对应的词频。
在一种可能的实现方式中,对每个类别标签下训练样本的分词结果中的词进行词频统计,以得到每个类别标签下每个词对应的词频。
在步骤204中,确定类别标签对应的词频阈值。
作为一种示例,可以对每个类别标签设置一个词频阈值,该词频阈值可以是与类别标签对应的词频阈值,例如,对每个类别标签设置一个词频阈值,该词频阈值可以是超参数,可以是基于经验而设置的经验值。
在步骤205中,将第一样本文本的分词结果之中词频大于或等于词频阈值的词,确定为第一样本文本中的关键词。
在一种实现方式中,当第一样本文本的分词结果之中某个或某些词满5足词频大于或等于该词频阈值时,可以将该某个或某些词确定为该第一样
本文本中的关键词。
在步骤206中,根据类别标签对应的掩码概率、关键词和第一样本文本,获取第二样本文本。
在一种可能的实现方式中,可以按照类别标签对应的掩码概率,对第0一样本文本中的关键词进行掩码处理;将经过掩码处理后的第一样本文本,
确定为第二样本文本。
作为一种可能实现方式的示例,以类别标签对应的掩码概率,将第一样本文本中的关键词替换为MASK。也就是说,可以使用词汇“MASK”
替换样本文本中的关键词。将经过掩码处理后的样本文本确定为该第二样5本文本。
举例而言,假设训练样本集中有类别标签1、类别标签2和类别标签3的训练样本。可以对每个类别标签分别设置一个词频阈值h和一个掩码概率P。对训练样本进行分词,去掉停用词后,统计出每个类别标签下每
个词对应的词频。当训练样本中某个或某些词满足其词频大于或等于对应0类别标签下的词频阈值h时,可以按照该对对应类别标签下的掩码概率P对该某个或某些词进行随机掩码,从而得到掩码后的训练样本。由此,本申请通过先验关键词掩码,使得深度网络可以不过分依赖某些关键词,从而提升模型泛化能力,进而实现模型准召的提升。
需要说明的是,每个类别标签下的词频阈值h可以相同,也可以不相5同。每个类别标签下的掩码概率P可以相同,也可以不相同。本申请对此
不作具体限定。
在步骤207中,根据第二样本文本和类别标签训练初始的文本分类模型,得到训练好的文本分类模型。
可以理解,第一样本文本的类别标签也可以作为该第二样本文本的类0别标签。在本申请的实施例中,可以利用该第二样本文本及其类别标签,对初始的文本分类模型进行训练,从而可以得到训练好的文本分类模型。在一种可能的实现方式中,如图3所示,上述根据第二样本文本和类别标签训练初始的文本分类模型,得到训练好的文本分类模型的实现方式可包括但不限于如下步骤。
在步骤301中,将第二样本文本输入至初始的文本分类模型。
其中,在本申请的实施例中,该初始的文本分类模型可以为基于Transformer模型构建的。
在步骤302中,获取文本分类模型输出的分类预测结果。
在本申请的实施例中,将第二样本文本作为Transformer模型的输入,Transformer模型对第二样本文本中的各字符进行嵌入处理,其中,嵌入处理包括:词Embedding(嵌入)和位置Embedding。位置Embedding可以包括对第二样本文本中的各字符在句子中的位置进行嵌入以及各字符所在文本段落的编号进行嵌入等。将嵌入处理的结果映射至类别标签词典的空间得到分类预测结果。也就是说,在文本分类模型的训练过程中,文本分类模型对分类的预测是受限于类别标签的,文本分类模型中映射层在对嵌入处理的结果进行映射时,只能映射至类别标签的空间,得到的分类预测结果只能是类别标签中的分类。
在步骤303中,根据预测结果和类别标签,获取模型损失值。
在本申请的实施例中,训练Transformer模型的训练目标为:最小化分类预测结果与对第二样本文本标注的类别标签之间的差异。可以利用该训练目标构建损失函数,利用该损失函数,根据预测结果和类别标签,计算模型损失值。
在步骤304中,根据模型损失值对文本分类模型进行训练,得到训练好的文本分类模型。
可选的,可以在每轮迭代过程中利用模型损失值更新Transformer模型的模型参数,直至达到预设的训练结束条件。其中训练结束条件可以包括模型损失值小于或等于预设的阈值,或者,迭代次数达到预设的最大次数阈值,等等。
在一种可能的实现方式中,可以采用反向传播算法(Back PropagationAlgorithm,BP算法)和梯度下降法(例如随机小批量梯度下降算法)对上述Transformer模型的模型参数进行调整。由此,将完成训练的Transformer模型确定为训练好的文本分类模型,从而可以完成对文本分类模型的训练。
通过实施本申请实施例,可以将每个句子内部的高频词进行统计后,对高频词进行随机掩码,这样能够避免由于注意力机制而过度地关注高频词,可以提升注意力机制的泛化能力,使得模型能够更加深入的去挖掘文本的语义信息,进而可以提升模型的效果,进一步提升模型的准确率和召回率。
图4为本申请实施例所提供一种文本分类方法的流程图。需要说明的是,该方法可由电子设备执行。如图4所示,该方法可包括但不限于如下步骤。
在步骤401中,获取待处理文本。
在步骤402中,将待处理文本输入至预设的文本分类模型,获得待处理文本的分类预测结果。
可选的,可以将待处理文本输入至该文本分类模型,通过该文本分类模型预测该待处理文本的所属分类,从而获得该待处理文本的分类预测结果。
其中,在本申请的实施例中,该文本分类模型可以为采用本申请任一实施例所述的训练方法训练得到的模型,在此并不对此作出限定,也不再赘述。
通过实施本申请实施例,在文本分类模型的训练阶段,将训练样本中每个句子内部的高频词进行统计后,对高频词进行随机掩码,这样能够避免由于注意力机制而过度地关注高频词,可以提升注意力机制的泛化能力,使得模型能够更加深入的去挖掘文本的语义信息,进而可以提升模型的效果,进一步提升模型的准确率和召回率。利用这种训练方法训练的文本分类模型进行文本分类,可以提高文本分类结果的准确性。
图5为本申请实施例所提供的一种文本分类模型的训练装置的框图。如图5所示,该文本分类模型的训练装置可以包括:第一获取模块501、第二获取模块502、确定模块503、第三获取模块504和训练模块505。
其中,第一获取模块501用于获取第一样本文本和第一样本文本的类别标签。
第二获取模块502用于基于类别标签获取第一样本文本中的关键词。
在一种可能的实现方式中,第二获取模块502具体用于:对第一样本文本5进行分词处理,并对分词处理的结果进行停用词处理,得到第一样本文本的分词结果;对类别标签下第一样本文本的分词结果中的词进行词频统计,得到类别标签下每个词对应的词频;确定类别标签对应的词频阈值;将第一样本文本的分词结果之中词频大于或等于词频阈值的词,确定为第一样本文本中的关键词。
0确定模块503用于确定类别标签对应的掩码概率。
第三获取模块504用于根据类别标签对应的掩码概率、关键词和第一样本文本,获取第二样本文本。在一种可能的实现方式中,第三获取模块504具体用于:按照类别标签对应的掩码概率,对第一样本文本中的关键
词进行掩码处理;将经过掩码处理后的第一样本文本,确定为第二样本文5本。
可选的,在一种实现方式中,第三获取模块504可以以类别标签对应的掩码概率,将第一样本文本中的关键词替换为MASK。
训练模块505用于根据第二样本文本和类别标签训练初始的文本分类模型,得到训练好的文本分类模型。
0在一种可能的实现方式中,训练模块505具体用于:将第二样本文本输入至初始的文本分类模型;其中,初始的文本分类模型为基于Transformer模型构建的;获取文本分类模型输出的分类预测结果;根据预测结果和类别标签,获取模型损失值;根据模型损失值对文本分类模型进行训练,得到训练好的文本分类模型。
5关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在
有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
通过实施本申请实施例,可以基于类别标签统计出样本文本中的关键词,并按照掩码概率对关键词进行随机掩码,利用掩码后的样本文本对文
本分类模型进行训练,这样能够避免由于注意力机制而过度地关注高频词,0可以提升注意力机制的泛化能力,使得模型能够更加深入的去挖掘文本的语义信息,进而可以提升模型的效果。
图6为本申请实施例所提供的一种文本分类装置的框图。如图6所示,该文本分类装置可以包括:获取模块601和预测模块602。
其中,获取模块601用于获取待处理文本。
预测模块602用于将所述待处理文本输入至预设的文本分类模型,获得所述待处理文本的分类预测结果。其中,该文本分类模型为采用本申请任一实施例所述的训练装置训练得到的模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
通过实施本申请实施例,在文本分类模型的训练阶段,将训练样本中每个句子内部的高频词进行统计后,对高频词进行随机掩码,这样能够避免由于注意力机制而过度地关注高频词,可以提升注意力机制的泛化能力,使得模型能够更加深入的去挖掘文本的语义信息,进而可以提升模型的效果,进一步提升模型的准确率和召回率。利用这种训练方式训练的文本分类模型进行文本分类,可以提高文本分类结果的准确性。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是本申请实施例所提供的一种电子设备的框图。电子设备旨在表示各种形式的数字计算机,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/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的文本分类模型的训练方法和/或文本分类方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的文本分类模型的训练方法和/或文本分类方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的文本分类模型的训练方法和/或文本分类方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的文本分类模型的训练方法和/或文本分类方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可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以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且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。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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)、互联网和区块链网络。
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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。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,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (15)
1.一种文本分类模型的训练方法,包括:
获取第一样本文本和所述第一样本文本的类别标签;
基于所述类别标签获取所述第一样本文本中的关键词;
确定所述类别标签对应的掩码概率,并根据所述类别标签对应的掩码概率、所述关键词和所述第一样本文本,获取第二样本文本;
根据所述第二样本文本和所述类别标签训练初始的文本分类模型,得到训练好的文本分类模型。
2.如权利要求1所述的方法,其中,所述基于所述类别标签获取所述第一样本文本中的关键词,包括:
对所述第一样本文本进行分词处理,并对所述分词处理的结果进行停用词处理,得到所述第一样本文本的分词结果;
对所述类别标签下所述第一样本文本的分词结果中的词进行词频统计,得到所述类别标签下每个词对应的词频;
确定所述类别标签对应的词频阈值;
将所述第一样本文本的分词结果之中所述词频大于或等于所述词频阈值的词,确定为所述第一样本文本中的关键词。
3.如权利要求1所述的方法,其中,所述根据所述类别标签对应的掩码概率、所述关键词和所述第一样本文本,获取第二样本文本,包括:
按照所述类别标签对应的掩码概率,对所述第一样本文本中的所述关键词进行掩码处理;
将经过掩码处理后的第一样本文本,确定为所述第二样本文本。
4.如权利要求3所述的方法,其中,所述按照所述类别标签对应的掩码概率,对所述第一样本文本中的所述关键词进行掩码处理,包括:
以所述类别标签对应的掩码概率,将所述第一样本文本中的所述关键词替换为MASK。
5.如权利要求1所述的方法,其中,所述根据所述第二样本文本和所述类别标签训练初始的文本分类模型,得到训练好的文本分类模型,包括:
将所述第二样本文本输入至初始的文本分类模型;其中,所述初始的文本分类模型为基于Transformer模型构建的;
获取所述文本分类模型输出的分类预测结果;
根据所述预测结果和所述类别标签,获取模型损失值;
根据所述模型损失值对所述文本分类模型进行训练,得到训练好的文本分类模型。
6.一种文本分类方法,包括:
获取待处理文本;
将所述待处理文本输入至预设的文本分类模型,获得所述待处理文本的分类预测结果;
其中,所述文本分类模型为采用如权利要求1至5中任一项所述的训练方法训练得到的模型。
7.一种文本分类模型的训练装置,包括:
第一获取模块,用于获取第一样本文本和所述第一样本文本的类别标签;
第二获取模块,用于基于所述类别标签获取所述第一样本文本中的关键词;
确定模块,用于确定所述类别标签对应的掩码概率;
第三获取模块,用于根据所述类别标签对应的掩码概率、所述关键词和所述第一样本文本,获取第二样本文本;
训练模块,用于根据所述第二样本文本和所述类别标签训练初始的文本分类模型,得到训练好的文本分类模型。
8.如权利要求7所述的装置,其中,所述第二获取模块具体用于:
对所述第一样本文本进行分词处理,并对所述分词处理的结果5进行停用词处理,得到所述第一样本文本的分词结果;
对所述类别标签下所述第一样本文本的分词结果中的词进行词频统计,得到所述类别标签下每个词对应的词频;
确定所述类别标签对应的词频阈值;
将所述第一样本文本的分词结果之中所述词频大于或等于所述0词频阈值的词,确定为所述第一样本文本中的关键词。
9.如权利要求7所述的装置,其中,所述第三获取模块具体用于:
按照所述类别标签对应的掩码概率,对所述第一样本文本中的5所述关键词进行掩码处理;
将经过掩码处理后的第一样本文本,确定为所述第二样本文本。
10.如权利要求9所述的装置,其中,所述第三获取模块具体用于:
0以所述类别标签对应的掩码概率,将所述第一样本文本中的所述关键词替换为MASK。
11.如权利要求7所述的装置,其中,所述训练模块具体用于:
将所述第二样本文本输入至初始的文本分类模型;其中,所述5初始的文本分类模型为基于Transformer模型构建的;
获取所述文本分类模型输出的分类预测结果;
根据所述预测结果和所述类别标签,获取模型损失值;
根据所述模型损失值对所述文本分类模型进行训练,得到训练好的文本分类模型。
12.一种文本分类装置,包括:
获取模块,用于获取待处理文本;
预测模块,用于将所述待处理文本输入至预设的文本分类模型,获得所述待处理文本的分类预测结果;
其中,所述文本分类模型为采用如权利要求7至11中任一项所述的训练装置训练得到的模型。
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至5中任一项所述的方法,或者,以使所述至少一个处理器能够执行权利要求6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权利要求1至5中任一项所述的方法,或者,使所述计算机执行权利要求6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至5中任一项所述方法的步骤,或者实现权利要求6所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010897.5A CN116049400A (zh) | 2023-01-04 | 2023-01-04 | 文本分类模型的训练方法、文本分类方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010897.5A CN116049400A (zh) | 2023-01-04 | 2023-01-04 | 文本分类模型的训练方法、文本分类方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116049400A true CN116049400A (zh) | 2023-05-02 |
Family
ID=86123239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310010897.5A Pending CN116049400A (zh) | 2023-01-04 | 2023-01-04 | 文本分类模型的训练方法、文本分类方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116049400A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539223A (zh) * | 2020-05-29 | 2020-08-14 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
CN112632283A (zh) * | 2020-12-30 | 2021-04-09 | 北京有竹居网络技术有限公司 | 模型生成方法、文本分类方法、装置、设备及介质 |
CN114416984A (zh) * | 2022-01-12 | 2022-04-29 | 平安科技(深圳)有限公司 | 基于人工智能的文本分类方法、装置、设备及存储介质 |
CN114626376A (zh) * | 2022-03-22 | 2022-06-14 | 平安普惠企业管理有限公司 | 文本分类模型的训练方法、装置及文本分类方法 |
-
2023
- 2023-01-04 CN CN202310010897.5A patent/CN116049400A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539223A (zh) * | 2020-05-29 | 2020-08-14 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
CN112632283A (zh) * | 2020-12-30 | 2021-04-09 | 北京有竹居网络技术有限公司 | 模型生成方法、文本分类方法、装置、设备及介质 |
CN114416984A (zh) * | 2022-01-12 | 2022-04-29 | 平安科技(深圳)有限公司 | 基于人工智能的文本分类方法、装置、设备及存储介质 |
CN114626376A (zh) * | 2022-03-22 | 2022-06-14 | 平安普惠企业管理有限公司 | 文本分类模型的训练方法、装置及文本分类方法 |
Non-Patent Citations (2)
Title |
---|
宋冠仪: "基于BERT的多任务文本分析研究", 《中国优秀硕士学位论文全文数据库》, no. 2022, pages 3 - 4 * |
陈维: "基于深度语义融合特征的情感文本分类", 《中国优秀硕士学位论文全文数据库》, no. 2022 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
CN111539223B (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
CN111737994B (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
JP7269913B2 (ja) | ナレッジグラフ構築方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN111967262A (zh) | 实体标签的确定方法和装置 | |
CN111709234B (zh) | 文本处理模型的训练方法、装置及电子设备 | |
CN111709247A (zh) | 数据集处理方法、装置、电子设备和存储介质 | |
KR102565673B1 (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
CN113361578B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN113553414B (zh) | 智能对话方法、装置、电子设备和存储介质 | |
CN111522944B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
KR20220029384A (ko) | 엔티티 링킹 방법, 장치, 전자 기기 및 기록 매체 | |
CN111859953B (zh) | 训练数据的挖掘方法、装置、电子设备及存储介质 | |
CN111127191B (zh) | 风险评估方法及装置 | |
CN112380847B (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
CN112163405A (zh) | 问题的生成方法和装置 | |
CN112560499B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
CN113360751A (zh) | 意图识别方法、装置、设备和介质 | |
CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
CN112597288B (zh) | 人机交互方法、装置、设备及存储介质 | |
CN114943228B (zh) | 端到端敏感文本召回模型的训练方法、敏感文本召回方法 | |
CN113312451B (zh) | 文本标签确定方法和装置 |
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 |