CN116862020A - 文本分类模型的训练方法、文本分类方法及装置 - Google Patents
文本分类模型的训练方法、文本分类方法及装置 Download PDFInfo
- Publication number
- CN116862020A CN116862020A CN202310842676.4A CN202310842676A CN116862020A CN 116862020 A CN116862020 A CN 116862020A CN 202310842676 A CN202310842676 A CN 202310842676A CN 116862020 A CN116862020 A CN 116862020A
- Authority
- CN
- China
- Prior art keywords
- text
- classification model
- category
- text classification
- sample
- 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 193
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 230000004044 response Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 17
- 235000019580 granularity Nutrition 0.000 claims description 14
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种文本分类模型的训练方法、文本分类方法及装置,涉及人工智能技术领域,尤其涉及自然语言处理、机器学习等技术领域。实现方案为:获取样本集;基于样本集对第一文本分类模型的参数进行至少一次调整,以得到经训练的第二文本分类模型,每一次调整包括:利用当前样本集的第一子集调整当前第一文本分类模型的参数,得到调整后的文本分类模型;利用当前样本集的第二子集确定调整后的文本分类模型的各第一输出类别的第一评价值;响应于任一第一输出类别的第一评价值小于阈值,从当前样本集中删除类别标签为该第一输出类别的样本;响应于各第一输出类别的第一评价值均大于或等于阈值,将调整后的文本分类模型确定为第二文本分类模型。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理、机器学习等技术领域,具体涉及一种文本分类模型的训练方法及装置、文本分类方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能(Artificial Intelligence,AI)是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
文本分类是一种常见的自然语言处理任务。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种文本分类模型的训练方法及装置、文本分类方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种文本分类模型的训练方法,包括:获取样本集,其中,所述样本集包括多个样本,所述多个样本中的每个样本包括样本文本和所述样本文本的类别标签;以及基于所述样本集,对第一文本分类模型的参数进行至少一次调整,以得到经训练的第二文本分类模型,其中,所述至少一次调整中的每一次调整包括:利用当前样本集的第一子集调整当前第一文本分类模型的参数,以得到调整后的第一文本分类模型;利用所述当前样本集的第二子集确定所述调整后的第一文本分类模型的多个第一输出类别各自的第一评价值,其中,所述第二子集与所述第一子集不相交,所述第一评价值指示所述调整后的第一文本分类模型对相应第一输出类别的分类效果;响应于所述多个第一输出类别中的任一第一输出类别的第一评价值小于阈值,从所述当前样本集中删除类别标签为所述第一输出类别的样本;或者响应于所述多个第一输出类别各自的第一评价值均大于或等于所述阈值,将所述调整后的第一文本分类模型确定为所述第二文本分类模型。
根据本公开的一方面,提供了一种文本分类方法,包括:获取待分类的文本;采用多种分词粒度对所述文本进行分词,以得到所述文本的词集合;以及对于所述词集合中的每一个词,利用文本分类模型确定所述词所属的类别,其中,所述文本分类模型是根据上述文本分类模型的训练方法训练得到的。
根据本公开的一方面,提供了一种文本分类模型的训练装置,包括:第一获取模块,被配置为获取样本集,其中,所述样本集包括多个样本,所述多个样本中的每个样本包括样本文本和所述样本文本的类别标签;以及第一调整模块,被配置为基于所述样本集,对第一文本分类模型的参数进行至少一次调整,以得到经训练的第二文本分类模型,其中,所述第一调整模块包括:调整单元,被配置为利用当前样本集的第一子集调整当前第一文本分类模型的参数,以得到调整后的第一文本分类模型;第一评价单元,被配置为利用所述当前样本集的第二子集确定所述调整后的第一文本分类模型的多个第一输出类别各自的第一评价值,其中,所述第二子集与所述第一子集不相交,所述第一评价值指示所述调整后的第一文本分类模型对相应第一输出类别的分类效果;删除单元,被配置为响应于所述多个第一输出类别中的任一第一输出类别的第一评价值小于阈值,从所述当前样本集中删除类别标签为所述第一输出类别的样本;或者第一确定单元,被配置为响应于所述多个第一输出类别各自的第一评价值均大于或等于所述阈值,将所述调整后的第一文本分类模型确定为所述第二文本分类模型。
根据本公开的一方面,提供了一种文本分类装置,包括:获取模块,被配置为获取待分类的文本;分词模块,被配置为采用多种分词粒度对所述文本进行分词,以得到所述文本的词集合;以及分类模块,被配置为对于所述词集合中的每一个词,利用文本分类模型确定所述词所属的类别,其中,所述文本分类模型是根据上述文本分类模型的训练装置训练得到的。
根据本公开的一方面,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上述任一方面的方法。
根据本公开的一方面,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,所述计算机指令用于使计算机执行上述任一方面的方法。
根据本公开的一方面,提供了一种计算机程序产品,包括计算机程序指令,所述计算机程序指令在被处理器执行时实现上述任一方面的方法。
根据本公开的一个或多个实施例,能够提高文本分类的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开实施例的文本分类模型的训练方法的流程图;
图3示出了根据本公开实施例的文本分类方法的流程图;
图4示出了根据本公开实施例的文本分类模型的训练装置的结构框图;
图5示出了根据本公开实施例的文本分类装置的结构框图;以及
图6示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。“多个”指的是两个或两个以上。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
随着信息技术的发展,企业沉淀了大量的数据。以金融机构为例,用户在使用金融机构的应用程序时会产生行为数据,并且可能向该应用程序的服务器发送请求数据,并且接收服务器返回的响应数据。用户的行为数据、请求数据、响应数据等数据将被存储,作为该金融机构的数据资产。企业通过网络获取的数据通常为JSON(JavaScript ObjectNotation)、HTML(Hyper Text Markup Language)等格式的非结构化数据。
为了实现企业的数据建设、数据应用和数据安全,有必要对数据进行分类分级。例如,从监管要求来看,《数据安全法》《个人信息保护法》等法律法规提出了对数据进行分类分级的要求。从价值需求来看,企业所收集的绝大部分数据都是价值尚不明确、无法用于其他用途的暗数据。在大数据时代,数据是新的生产要素,资产化逐步成为趋势。对数据进行分类分级能够有效甄别企业的重要数据和敏感数据,并按照行业标准和要求进行分类、分级,所以数据分类分级尤为重要。从数据治理的角度看,数据分类分级是一切数据应用的基础,只有对数据做好了分类分级,才能更有利的保障数据安全,更快速的实现数据应用。例如,对于数据敏感等级的划分,可以直接应用到数据安全防护工作,快速地为不同敏感等级的数据制定不同的数据安全策略。
数据分类指的是从业务的角度将数据归到某个类别,类别可以是企业数据库表中的一个字段。例如,数据“张三”和“李四”的类别为“姓名”,数据“A市B区C街001号”的类别为“地址”,等等。数据类别的数量通常较多。在一些情况下,类别的数量可以多达几百上千个。数据分级指的是从监管、安全性、敏感性等角度将数据归到某个等级,例如一级、二级、三级等。数据等级的数量通常较少,为个位数。
数据通常以文本的方式存储。相关技术中,通常采用样本数据训练文本分类模型,并用训练好的文本分类模型对待分类的真实数据进行分类。但是,样本数据的质量参差不齐,例如,某个类别的样本数据的数量过少、各类别的样本数据的数量不平衡、样本数据与真实数据的数据分布不一致等,导致文本分类模型的分类准确性较低。
针对上述问题,本公开实施例提供了一种文本分类模型的训练方法,能够提高文本分类模型的分类准确性,避免对文本数据的误分类。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,客户端设备101、102、103、104、105和106以及服务器120可以运行使得能够执行文本分类方法或文本分类模型的训练方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
客户端设备101、102、103、104、105和/或106可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、车载设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统;或包括各种移动操作系统,例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、Wi-Fi)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120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。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开实施例的文本分类模型的训练方法200的流程图。方法200的各个步骤的执行主体通常是服务器,例如图1中所示的服务器120。在一些实施例中,方法200的执行主体也可以是客户端设备,例如图1中所示的客户端设备101-106。
如图2所示,方法200包括步骤S210和S220。
在步骤S210中,获取样本集。样本集包括多个样本,多个样本中的每个样本包括样本文本和该样本文本的类别标签。
在步骤S220中,基于上述样本集,对第一文本分类模型的参数进行至少一次调整,以得到经训练的第二文本分类模型。
上述步骤S220的至少一次调整中的每一次调整包括步骤S221-S224。
在步骤S221中,利用当前样本集的第一子集调整当前第一文本分类模型的参数,以得到调整后的第一文本分类模型。
在步骤S222中,利用当前样本集的第二子集确定调整后的第一文本分类模型的多个第一输出类别各自的第一评价值。第二子集与第一子集不相交。第一评价值指示调整后的第一文本分类模型对相应第一输出类别的分类效果。
在步骤S223中,响应于多个第一输出类别中的任一第一输出类别的第一评价值小于阈值,从当前样本集中删除类别标签为该第一输出类别的样本。
在步骤S224中,响应于多个第一输出类别各自的第一评价值均大于或等于阈值,将调整后的第一文本分类模型确定为第二文本分类模型。
根据本公开的实施例,在文本分类模型的训练过程中,动态评估每个类别的分类效果。若某种类别的分类效果较差,则删除该类别的样本数据,重新对模型进行训练,直至所有类别的分类效果都达到阈值为止。由此能够保证文本分类模型的分类准确性,避免对文本的误分类。
以下详细介绍方法200的各个步骤。
在步骤S210中,获取样本集。样本集包括多个样本,每个样本包括样本文本和该样本文本的类别标签。
根据一些实施例,为了实现特定行业(例如,金融行业)的数据分类,可以预先设置该行业的数据库分类模板。数据库分类模板包括特定行业下的多个字段和各字段下的示例性数据项(即,demo数据)。数据库中的每个字段对应于数据分类的一个类别。例如,数据库分类模板包括字段“姓名”,该字段下包括张三、李四、王五等多个示例性数据项。
根据一些实施例,步骤S210中的样本集可以是数据库分类模板中的各字段下的示例性数据项。也就是说,将数据库中的字段的标识作为类别标签,将该字段下的示例性数据项作为具有该类别标签的样本文本。
可以理解,为了实现特定行业的规范的数据分类,在绝大部分情况下,均需要构建该行业的数据库分类模板。根据上述实施例,直接利用数据库分类模板中的结构化数据构建用于训练文本分类模型的样本集,无需对非结构化的真实文本(例如,通过网络获取的JSON文本、HTML文本等)进行标注,提高了样本的获取效率,从而提高了模型训练效率。
可以理解,在上述实施例中,样本文本(数据库分类模板中的示例性数据)是结构化的虚拟文本,每个样本文本对应于且仅对应于一个类别标签。但是,待分类的真实文本是非结构化的网络数据,例如通过API采集或反馈的JSON文本、HTML文本等。每个待分类的真实文本可能对应于一个类别,也可能对应于多个类别。例如,真实文本“张三”对应于类别“姓名”,真实文本“D公司,1234567,A市B区C街001号”中的片段“D公司”、“1234567”、“A市B区C街001号”分别对应于类别“公司名”、“公司电话”和“公司地址”。因此,样本文本与真实文本的数据分布不同。本公开实施例的步骤S220用于在样本文本与真实文本的数据分布不同的情况下,保证文本分类模型的分类准确性。
根据一些实施例,可以对数据库分类模板进行数据预处理,并将处理后的数据库分类模板作为样本集。预处理例如可以包括剔除脏数据,例如含有“待定”、“测试”、“test”等标识的数据,由此可以保证模型的准确性,避免低质量数据对模型效果造成干扰。预处理例如还可以包括对数据进行筛选。例如,若某个字段(类别)下的示例性数据项的数量少于阈值(例如100个),则模型放弃对该类别的预测。这是由于如果某类别下的样本文本太少,会造成模型对该类别的文本的认识不足,从而导致分类效果不好。即使在训练阶段取得了较好的分类效果,但由于样本文本太少,不具备泛化性和可信度,无法保证在真实文本上的分类效果,因此放弃对该类别的训练和预测。
如上所述,在步骤S220中,基于样本集,对第一文本分类模型的参数进行至少一次调整,得到经训练的第二文本分类模型。上述至少一次调整中的每一次调整包括步骤S221-S224。
在步骤S221中,利用当前样本集的第一子集调整当前第一文本分类模型的参数,以得到调整后的第一文本分类模型。
需要说明的是,第一次调整中的当前样本集为样本集的初始值,即通过步骤S210所获取的样本集。第二次以及后续每次调整中的当前样本集为上一次调整更新后的样本集。
第一次调整中的当前第一文本分类模型为初始的第一文本分类模型。初始的第一文本分类模型的参数例如可以全是零或者是随机数。第二次以及后续每次调整中的当前第一文本分类模型为上一次调整后的第一文本分类模型。
根据一些实施例,第一文本分类模型为轻量级的模型,例如随机森林,由此能够保证模型训练、模型更新迭代、尤其是模型预测的效率。业务系统的常用数据处理业务例如脱敏、识别、防护等的QPS(Queries Per Second)往往达到成千上万的量级,为了不影响业务系统的正常运行,需要保证模型预测的QPS较高。并且,根据一些实施例,为了避免标注,样本集使用了数据库分类模板,模板通常只有少量的示例性数据,例如几十或几百条。而在少量数据上就可以获得很好效果的模型也往往只有轻量化的小模型。
根据一些实施例,当前样本集的第一子集可以包括当前样本集中的半数以上的样本,例如,包括样本集中的70%的样本。第一子集例如可以通过对当前样本集中的样本进行随机抽取而得到。
根据一些实施例,步骤S221可以包括步骤S2211-S2214。
在步骤S2211中,获取用于提取文本特征的关键词表。
在步骤S2212中,对于第一子集中的任一样本文本:基于关键词表,提取样本文本的文本特征;以及将文本特征输入当前第一文本分类模型,以得到当前第一文本分类模型输出的样本文本的预测类别。
在步骤S2213中,基于第一子集中的各样本文本的预测类别和类别标签,确定当前第一文本分类模型的损失值。
在步骤S2214中,基于损失值,调整当前第一文本分类模型的参数。
根据上述实施例,利用关键词表提取文本特征,能够提高文本特征的针对性和准确性。进而,文本分类模型利用文本特征确定样本文本的预测类别,能够提高模型的分类准确性。
根据一些实施例,步骤S2211中的关键词表是通过对步骤S210所获取的样本集中的样本文本进行统计分析确定的。由此能够提高关键词表的获取效率和针对性。
根据一些实施例,可以对各个类别标签下的样本文本进行分词,统计各个词在该类别标签下的出现次数或出现频率,将出现次数或出现频率最高的一个或多个词作为关键词。例如,若某个词在某个类别标签中的出现次数的排名在30以内,并且出现次数大于该类别标签下的样本文本的总数量的10%,则可以将该词确定为关键词。
根据一些实施例,在步骤S2212中,对于第一子集中的任一样本文本,可以通过查询关键词表,确定该样本文本所包括的关键词以及该关键词的出现次数(或出现频率),进而基于该关键词来生成该样本文本的文本特征。文本特征例如可以是由该样本文本所包括的各关键词的出现次数(或出现频率)所组成的关键词向量。
根据一些实施例,还可以结合样本文本所包括的各字符的统计信息或者样本文本的语义信息来生成其文本特征。字符的统计信息例如包括中文字符的数量、英文字符的数量、数字的数量、特殊符号的数量等。将各项统计信息进行拼接,可以得到样本文本的字符统计向量。样本文本的语义信息例如可以通过文本表示模型获得。具体地,通过将样本文本输入文本表示模型,可以得到文本表示模型输出的该样本文本的语义向量。
根据一些实施例,可以将关键词向量与上述字符统计向量、语义向量中的至少一者进行拼接,以得到样本文本的文本特征。
将样本文本的文本特征输入当前第一文本分类模型,当前第一文本分类模型可以输出该样本文本的预测类别。预测类别可以表示为一个概率分布,即,样本文本属于各个类别的概率。其中,概率最大的类别为样本文本的预测类别。
根据一些实施例,在步骤S2213中,当前第一文本分类模型的损失值例如可以是预测类别与类别标签的交叉熵。
在步骤S2214中,沿着减小损失值的方向调整当前第一文本分类模型的参数。
可以理解,步骤S2212-S2214可以循环执行多次,直至达到预设的终止条件时,得到调整后的第一文本分类模型。终止条件例如可以是循环次数达到阈值、模型的分类准确率达到阈值、准确率收敛等。
在通过步骤S221得到调整后的第一文本分类模型后,执行步骤S222,利用当前样本集的第二子集确定调整后的第一文本分类模型的多个第一输出类别各自的第一评价值。
第二子集与用于调整模型参数的第一子集不相交。根据一些实施例,第二子集可以是当前样本集与第一子集的差集,即,第二子集包括当前样本集中的不属于第一子集的所有样本。
第一输出类别为调整后的第一文本分类模型可以输出的类别。
根据一些实施例,第一评价值可以是第一输出类别的精确率(Precision,又称查准率)。具体地,第一输出类别的精确率为预测类别和类别标签均为该第一输出类别的样本文本的数量与预测类别为该第一输出类别的样本文本的数量的比值。
根据一些实施例,第一评价值也可以是第一输出类别的召回率(Recall,又称查全率)、F1 score等。
第一评价值的取值范围通常为0到1之间。为了保证模型的分类效果,第一评价值的阈值通常被设置为一个较大的数值,例如可以是0.9、0.95等。
第一输出类别的第一评价值大于或等于阈值,说明调整后的第一文本分类模型对该类别的分类效果较好,能够实现准确预测。
第一输出类别的第一评价值小于阈值,说明调整后的第一文本分类模型对该类别的分类效果较差,很难对该类别预测准确,因此放弃对该类别的预测。相应地,在步骤S223中,从当前样本集中删除类别标签为该类别的样本,并利用更新后的样本集进行下一次模型参数调整。
例如,实践中,可以放弃对“昵称”这一类别的预测。因为该类别很难预测准确,什么都有可能,很容易与其他类别相混淆。
所有第一输出类别的第一评价值均大于或等于阈值,说明调整后的第一分类模型可以实现对所有第一输出类别的准确预测,整体上能够取得较好的分类效果。相应地,在步骤S224中,将调整后的第一文本分类模型作为经训练的第二文本分类模型,结束模型训练过程。
经训练的第二文本分类模型可以对待分类的真实文本进行分类。
根据一些实施例,方法200还包括步骤S230。
在步骤S230中,确定第二文本分类模型的多个第二输出类别各自的预测阈值。其中,预测阈值用于响应于第二文本分类模型输出的待分类文本属于相应第二输出类别的概率大于预测阈值,确定待分类文本的预测类别为该第二输出类别。例如,“姓名”类别的预测阈值为0.9。将待分类文本“小明”输入第二文本分类模型,第二文本分类模型输出“小明”属于“姓名”类别的概率为0.93。0.93大于“姓名”类别的预测阈值0.9,因此确定“小明”的预测类别为“姓名”。
可以理解,如果某类别的预测阈值设置得过小(例如0.3),会影响该类别的精确率,存在大量的误分类,即,将原本不属于该类别的文本错误判定为属于该类别。如果某类别的预测阈值设置得较大(例如0.9),会影响该类别的召回率,存在一定的漏分类,即,将原本属于该类别的文本错误判定为属于其他类别。
根据上述实施例,通过为每个类别分别设置预测阈值,能够保证各类别的预测阈值与该类别相适应,减少误分类或漏分类,从而保证各个类别的分类效果。
第一输出类别为第二文本分类模型可以输出的类别。预测阈值例如可以是0.8、0.9等。
根据一些实施例,各第二输出类别的预测阈值可以根据步骤S231和S232确定。
在步骤S231中,对于多个候选预测阈值中的任一候选预测阈值:
基于该候选预测阈值,利用第二文本分类模型确定当前样本集的第二子集中的每个样本文本的预测类别;
基于当前样本集的第二子集中的每个样本文本的预测类别和类别标签,确定多个第二输出类别各自的第二评价值,其中,第二评价值指示第二文本分类模型对相应第二输出类别的分类效果。
在步骤S232中,对于多个第二输出类别中的任一第二输出类别,将多个候选预测阈值中的使该第二输出类别的第二评价值最大的候选预测阈值确定为该第二输出类别的预测阈值。
根据上述实施例,将使各类别的分类效果最好的候选预测阈值作为其预测阈值,能够保证各类别的分类效果,减少误分类或漏分类。
根据上述实施例,候选预测阈值可以是按照预设的采样间隔对预设的采样区间进行采样而得到的。例如,采样区间为0.6-0.9,采样间隔为0.05,则候选预测阈值为0.6、0.65、0.7、0.75、0.8、0.85、0.9。
在步骤S231中,当前样本集为训练得出第二文本分类模型的样本集。可以理解,该当前样本集是步骤S210获取的样本集的子集。
根据一些实施例,通过将当前样本集的第二子集中的样本文本的文本特征输入第二文本分类模型,可以得到第二文本分类模型输出的该样本文本属于各第二输出类别的概率。若其中的最大概率大于当前的候选预测阈值,则将该最大概率对应的第二输出类别确定为该样本文本的预测类别。若其中的最大概率小于或等于当前的候选预测阈值,则将该样本文本的预测类别设置为空,即,认为该样本文本不属于任何类别。
在确定了第二子集中的各样本文本的预测类别的情况下,可以基于各样本文本的预测类别和类别标签,确定各第二输出类别的第二评价值。
第二评价值例如可以是第二输出类别的F1 score。F1 score是精确率和召回率的调和平均数,即,F1 score=2*precision*recall/(precision+recall),其中,precision和recall分别表示精确率和召回率。
第二输出类别的精确率为预测类别和类别标签均为该第二输出类别的样本文本的数量与预测类别为该第二输出类别的样本文本的数量的比值。
第二输出类别的召回率为预测类别和类别标签均为该第二输出类别的样本文本的数量与类别标签为该第二输出类别的样本文本的数量的比值。
根据上述实施例,F1 score是基于第二输出类别的精确率和召回率确定的。将F1score作为第二评价值,既能够评价第二输出类别的精确率,也能够评价第二输出类别的召回率,从而提高预测阈值的准确性,降低误分类和漏分类。
根据一些实施例,第二评价值也可以是第二输出类别的精确率或召回率。
根据一些实施例,方法200还包括步骤S240-S260。
在步骤S240中,利用第二文本分类模型对待分类文本进行分类,以得到待分类文本的预测类别。
在步骤S250中,获取待分类文本的类别标注结果。
在步骤S260中,响应于预测类别与类别标注结果不同,基于待分类文本和类别标注结果调整第二文本分类模型的参数,以得到经训练的第三文本分类模型。
根据上述实施例,能够在第二文本分类模型的应用过程中动态检测其分类效果,利用分类错误的真实文本对模型进行更新,实现对模型的纠偏。并且,通过利用真实文本对模型进行更新,能够使训练文本与真实文本的分布越来越一致,从而提高模型对真实文本的分类准确性。
根据一些实施例,在步骤S250中,待分类文本的类别标注结果可以通过人工标注或机器标注的方式获取。
在步骤S260中,将待分类文本及其类别标注结果作为样本,调整第二文本分类模型的参数,即,对第二文本分类模型进行迭代更新。由此得到更新后的第三文本分类模型。可以理解,第三文本分类模型的准确性优于第二文本分类模型。
根据方法200训练得出的文本分类模型(包括第二文本分类模型和第三文本分类模型)可以用于实现本公开实施例的文本分类方法300,对待分类的真实文本进行分类。
图3示出了根据本公开实施例的文本分类方法300的流程图。方法300的执行主体可以是服务器(例如,图1中所示的服务器120),也可以是客户端设备(例如,图1中所示的客户端设备101-106)。如图3所示,方法300包括步骤S310-S330。
在步骤S310中,获取待分类的文本。
在步骤S320中,采用多种分词粒度对该文本进行分词,以得到该文本的词集合。
在步骤S330中,对于词集合中的每一个词,利用文本分类模型确定该词所属的类别。其中,文本分类模型是根据本公开实施例的文本分类模型的训练方法训练得到的。例如,文本分类模型可以是方法200中的第二文本分类模型或第三文本分类模型。
根据本公开的实施例,对待分类的文本进行不同粒度的分词,并利用经训练的准确性较高的文本分类模型来确定各个词的类别,能够提高文本分类的准确性。
根据一些实施例,待分类的文本为接口(API)数据或网页(HTML)数据中的值(value)数据。API数据通常为JSON格式。
例如,在获取到JSON格式的API数据后,对JSON进行解析,提取出其中的value作为待分类的文本。对该文本使用不同粒度的分词算法进行分词,其中包括粗粒度分词算法、细粒度分词算法。例如,对于“张大明在北京百度上班”这一文本进行不同粒度的分词,得到词集合为{张大明在北京百度上班,张大明,北京,百度,北京百度,上班}。对每一个词都调用文本分类模型进行预测,结合每个类别的预测阈值确定其所属的类别。例如,模型预测“北京”属于“首都”类别的概率为0.95,大于“首都”类别的预测阈值0.9,则将“首都”判定为“北京”的类别;模型预测“百度”为“城市”类别的概率为0.3,小于“城市”类别的预测阈值0.8,则判定“百度”不属于“城市”类别,该预测结果被放弃不使用。
在本公开的实施例中,待分类的文本是非结构化的,其可能对应于一种类别,也可能对应于多种类别。通过对待分类的文本进行不同粒度的分词,能够保证词集合中的词能够全面覆盖所有可能的类别,由此能够使真实文本与训练文本的分布一致,避免文本的漏分类。
根据一些实施例,可以预先设置类别与等级的对应关系。相应地,在确定了文本所属的类别之后,可以基于类别与等级的对应关系,进一步确定该文本所属的等级。等级表示数据具有某种属性(例如敏感性、安全性等)的程度,通常用数字表示,例如一级、二级、三级等。
根据本公开的实施例,还提供了一种文本分类模型的训练装置。图4示出了根据本公开实施例的文本分类模型的训练装置400的结构框图。如图4所示,装置400包括第一获取模块410和第一调整模块420。
第一获取模块410被配置为获取样本集。所述样本集包括多个样本,所述多个样本中的每个样本包括样本文本和所述样本文本的类别标签。
第一调整模块420被配置为基于所述样本集,对第一文本分类模型的参数进行至少一次调整,以得到经训练的第二文本分类模型。
第一调整模块420包括调整单元421、第一评价单元422、删除单元423和第一确定单元424。
调整单元421被配置为利用当前样本集的第一子集调整当前第一文本分类模型的参数,以得到调整后的第一文本分类模型。
第一评价单元422被配置为利用所述当前样本集的第二子集确定所述调整后的第一文本分类模型的多个第一输出类别各自的第一评价值,其中,所述第二子集与所述第一子集不相交,所述第一评价值指示所述调整后的第一文本分类模型对相应第一输出类别的分类效果。
删除单元423被配置为响应于所述多个第一输出类别中的任一第一输出类别的第一评价值小于阈值,从所述当前样本集中删除类别标签为所述第一输出类别的样本。
第一确定单元424被配置为响应于所述多个第一输出类别各自的第一评价值均大于或等于所述阈值,将所述调整后的第一文本分类模型确定为所述第二文本分类模型。
根据本公开的实施例,在文本分类模型的训练过程中,动态评估每个类别的分类效果。若某种类别的分类效果较差,则删除该类别的样本数据,重新对模型进行训练,直至所有类别的分类效果都达到阈值为止。由此能够保证文本分类模型的分类准确性,避免对文本的误分类。
根据一些实施例,所述类别标签为数据库中的字段的标识,具有所述类别标签的样本文本为所述字段下的示例性数据项。
根据一些实施例,装置400还包括:分类模块,被配置为利用所述第二文本分类模型对待分类文本进行分类,以得到所述待分类文本的预测类别;第二获取模块,被配置为获取所述待分类文本的类别标注结果;以及第二调整模块,被配置为响应于所述预测类别与所述类别标注结果不同,基于所述待分类文本和所述类别标注结果调整所述第二文本分类模型的参数,以得到经训练的第三文本分类模型。
根据一些实施例,装置400还包括:确定模块,被配置为确定所述第二文本分类模型的多个第二输出类别各自的预测阈值,其中,所述预测阈值用于响应于所述第二文本分类模型输出的待分类文本属于相应第二输出类别的概率大于所述预测阈值,确定所述待分类文本的预测类别为所述第二输出类别。
根据一些实施例,所述确定模块包括:第二评价单元,被配置为对于多个候选预测阈值中的任一候选预测阈值:基于所述候选预测阈值,利用所述第二文本分类模型确定所述当前样本集的第二子集中的每个样本文本的预测类别;以及基于所述当前样本集的第二子集中的每个样本文本的预测类别和类别标签,确定所述多个第二输出类别各自的第二评价值,其中,所述第二评价值指示所述第二文本分类模型对相应第二输出类别的分类效果;以及第二确定单元,被配置为对于所述多个第二输出类别中的任一第二输出类别,将所述多个候选预测阈值中的使所述第二输出类别的第二评价值最大的候选预测阈值确定为所述第二输出类别的预测阈值。
根据一些实施例,所述调整单元421包括:获取子单元,被配置为获取用于提取文本特征的关键词表;预测子单元,被配置为对于所述第一子集中的任一样本文本:基于所述关键词表,提取所述样本文本的文本特征;以及将所述文本特征输入所述当前第一文本分类模型,以得到所述当前第一文本分类模型输出的所述样本文本的预测类别;确定子单元,被配置为基于所述第一子集中的各样本文本的预测类别和类别标签,确定所述当前第一文本分类模型的损失值;以及调整子单元,被配置为基于所述损失值,调整所述当前第一文本分类模型的参数。
根据一些实施例,所述关键词表是通过对所述样本集中的样本文本进行统计分析确定的。
应当理解,图4中所示装置400的各个模块和单元可以与参考图2描述的方法200中的各个步骤相对应。由此,上面针对方法200描述的操作、特征和优点同样适用于装置400及其包括的模块和单元。为了简洁起见,某些操作、特征和优点在此不再赘述。
根据本公开的实施例,还提供了一种文本分类装置。图5示出了根据本公开实施例的文本分类装置500的结构框图。如图5所示,装置500包括获取模块510、分词模块520和分类模块530。
获取模块510被配置为获取待分类的文本。
分词模块520被配置为采用多种分词粒度对所述文本进行分词,以得到所述文本的词集合。
分类模块530被配置为对于所述词集合中的每一个词,利用文本分类模型确定所述词所属的类别,其中,所述文本分类模型是本公开实施例的文本分类模型的训练装置训练得到的。
根据本公开的实施例,对待分类的文本进行不同粒度的分词,并利用经训练的准确性较高的文本分类模型来确定各个词的类别,能够提高文本分类的准确性。
在本公开的实施例中,待分类的文本是非结构化的,其可能对应于一种类别,也可能对应于多种类别。通过对待分类的文本进行不同粒度的分词,能够保证词集合中的词能够全面覆盖所有可能的类别,由此能够使真实文本与训练文本的分布一致,避免文本的漏分类。
应当理解,图5中所示装置500的各个模块和单元可以与参考图3描述的方法300中的各个步骤相对应。由此,上面针对方法300描述的操作、特征和优点同样适用于装置500及其包括的模块和单元。为了简洁起见,某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。
还应当理解,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图4、图5描述的各个单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些单元可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些单元可以被实现为硬件逻辑/电路。例如,在一些实施例中,模块410-530中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的实施例,还提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器,该存储器存储有可被上述至少一个处理器执行的指令,该指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行本公开实施例的文本分类模型的训练方法和/或文本分类方法。
根据本公开的实施例,还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,该计算机指令用于使计算机执行本公开实施例的文本分类模型的训练方法和/或文本分类方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序指令,该计算机程序指令在被处理器执行时实现本公开实施例的文本分类模型的训练方法和/或文本分类方法。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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,个人数字助理、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/或者要求的本公开的实现。
如图6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备,输入单元606可以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和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、Wi-Fi设备、WiMAX设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如方法200或方法300。例如,在一些实施例中,方法200和方法300可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的方法200和方法300的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200或方法300。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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,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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本公开的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (20)
1.一种文本分类模型的训练方法,包括:
获取样本集,其中,所述样本集包括多个样本,所述多个样本中的每个样本包括样本文本和所述样本文本的类别标签;以及
基于所述样本集,对第一文本分类模型的参数进行至少一次调整,以得到经训练的第二文本分类模型,
其中,所述至少一次调整中的每一次调整包括:
利用当前样本集的第一子集调整当前第一文本分类模型的参数,以得到调整后的第一文本分类模型;
利用所述当前样本集的第二子集确定所述调整后的第一文本分类模型的多个第一输出类别各自的第一评价值,其中,所述第二子集与所述第一子集不相交,所述第一评价值指示所述调整后的第一文本分类模型对相应第一输出类别的分类效果;
响应于所述多个第一输出类别中的任一第一输出类别的第一评价值小于阈值,从所述当前样本集中删除类别标签为所述第一输出类别的样本;或者
响应于所述多个第一输出类别各自的第一评价值均大于或等于所述阈值,将所述调整后的第一文本分类模型确定为所述第二文本分类模型。
2.根据权利要求1所述的方法,其中,所述类别标签为数据库中的字段的标识,具有所述类别标签的样本文本为所述字段下的示例性数据项。
3.根据权利要求1或2所述的方法,还包括:
利用所述第二文本分类模型对待分类文本进行分类,以得到所述待分类文本的预测类别;
获取所述待分类文本的类别标注结果;以及
响应于所述预测类别与所述类别标注结果不同,基于所述待分类文本和所述类别标注结果调整所述第二文本分类模型的参数,以得到经训练的第三文本分类模型。
4.根据权利要求1-3中任一项所述的方法,还包括:
确定所述第二文本分类模型的多个第二输出类别各自的预测阈值,其中,所述预测阈值用于响应于所述第二文本分类模型输出的待分类文本属于相应第二输出类别的概率大于所述预测阈值,确定所述待分类文本的预测类别为所述第二输出类别。
5.根据权利要求4所述的方法,其中,所述确定所述第二文本分类模型的多个第二输出类别各自的预测阈值包括:
对于多个候选预测阈值中的任一候选预测阈值:
基于所述候选预测阈值,利用所述第二文本分类模型确定所述当前样本集的第二子集中的每个样本文本的预测类别;以及
基于所述当前样本集的第二子集中的每个样本文本的预测类别和类别标签,确定所述多个第二输出类别各自的第二评价值,其中,所述第二评价值指示所述第二文本分类模型对相应第二输出类别的分类效果;
以及
对于所述多个第二输出类别中的任一第二输出类别,将所述多个候选预测阈值中的使所述第二输出类别的第二评价值最大的候选预测阈值确定为所述第二输出类别的预测阈值。
6.根据权利要求1-5中任一项所述的方法,其中,所述利用当前样本集的第一子集调整当前第一文本分类模型的参数,以得到调整后的第一文本分类模型包括:
获取用于提取文本特征的关键词表;
对于所述第一子集中的任一样本文本:
基于所述关键词表,提取所述样本文本的文本特征;以及
将所述文本特征输入所述当前第一文本分类模型,以得到所述当前第一文本分类模型输出的所述样本文本的预测类别;
基于所述第一子集中的各样本文本的预测类别和类别标签,确定所述当前第一文本分类模型的损失值;以及
基于所述损失值,调整所述当前第一文本分类模型的参数。
7.根据权利要求6所述的方法,其中,所述关键词表是通过对所述样本集中的样本文本进行统计分析确定的。
8.一种文本分类方法,包括:
获取待分类的文本;
采用多种分词粒度对所述文本进行分词,以得到所述文本的词集合;以及
对于所述词集合中的每一个词,利用文本分类模型确定所述词所属的类别,其中,所述文本分类模型是根据权利要求1-7中任一项所述的方法训练得到的。
9.根据权利要求8所述的方法,其中,所述文本为接口数据或网页数据中的值数据。
10.一种文本分类模型的训练装置,包括:
第一获取模块,被配置为获取样本集,其中,所述样本集包括多个样本,所述多个样本中的每个样本包括样本文本和所述样本文本的类别标签;以及
第一调整模块,被配置为基于所述样本集,对第一文本分类模型的参数进行至少一次调整,以得到经训练的第二文本分类模型,
其中,所述第一调整模块包括:
调整单元,被配置为利用当前样本集的第一子集调整当前第一文本分类模型的参数,以得到调整后的第一文本分类模型;
第一评价单元,被配置为利用所述当前样本集的第二子集确定所述调整后的第一文本分类模型的多个第一输出类别各自的第一评价值,其中,所述第二子集与所述第一子集不相交,所述第一评价值指示所述调整后的第一文本分类模型对相应第一输出类别的分类效果;
删除单元,被配置为响应于所述多个第一输出类别中的任一第一输出类别的第一评价值小于阈值,从所述当前样本集中删除类别标签为所述第一输出类别的样本;或者
第一确定单元,被配置为响应于所述多个第一输出类别各自的第一评价值均大于或等于所述阈值,将所述调整后的第一文本分类模型确定为所述第二文本分类模型。
11.根据权利要求10所述的装置,其中,所述类别标签为数据库中的字段的标识,具有所述类别标签的样本文本为所述字段下的示例性数据项。
12.根据权利要求10或11所述的装置,还包括:
分类模块,被配置为利用所述第二文本分类模型对待分类文本进行分类,以得到所述待分类文本的预测类别;
第二获取模块,被配置为获取所述待分类文本的类别标注结果;以及
第二调整模块,被配置为响应于所述预测类别与所述类别标注结果不同,基于所述待分类文本和所述类别标注结果调整所述第二文本分类模型的参数,以得到经训练的第三文本分类模型。
13.根据权利要求10-12中任一项所述的装置,还包括:
确定模块,被配置为确定所述第二文本分类模型的多个第二输出类别各自的预测阈值,其中,所述预测阈值用于响应于所述第二文本分类模型输出的待分类文本属于相应第二输出类别的概率大于所述预测阈值,确定所述待分类文本的预测类别为所述第二输出类别。
14.根据权利要求13所述的装置,其中,所述确定模块包括:
第二评价单元,被配置为对于多个候选预测阈值中的任一候选预测阈值:
基于所述候选预测阈值,利用所述第二文本分类模型确定所述当前样本集的第二子集中的每个样本文本的预测类别;以及
基于所述当前样本集的第二子集中的每个样本文本的预测类别和类别标签,确定所述多个第二输出类别各自的第二评价值,其中,所述第二评价值指示所述第二文本分类模型对相应第二输出类别的分类效果;
以及
第二确定单元,被配置为对于所述多个第二输出类别中的任一第二输出类别,将所述多个候选预测阈值中的使所述第二输出类别的第二评价值最大的候选预测阈值确定为所述第二输出类别的预测阈值。
15.根据权利要求10-14中任一项所述的装置,其中,所述调整单元包括:
获取子单元,被配置为获取用于提取文本特征的关键词表;
预测子单元,被配置为对于所述第一子集中的任一样本文本:
基于所述关键词表,提取所述样本文本的文本特征;以及
将所述文本特征输入所述当前第一文本分类模型,以得到所述当前第一文本分类模型输出的所述样本文本的预测类别;
确定子单元,被配置为基于所述第一子集中的各样本文本的预测类别和类别标签,确定所述当前第一文本分类模型的损失值;以及
调整子单元,被配置为基于所述损失值,调整所述当前第一文本分类模型的参数。
16.根据权利要求15所述的装置,其中,所述关键词表是通过对所述样本集中的样本文本进行统计分析确定的。
17.一种文本分类装置,包括:
获取模块,被配置为获取待分类的文本;
分词模块,被配置为采用多种分词粒度对所述文本进行分词,以得到所述文本的词集合;以及
分类模块,被配置为对于所述词集合中的每一个词,利用文本分类模型确定所述词所属的类别,其中,所述文本分类模型是根据权利要求10-16中任一项所述的装置训练得到的。
18.一种电子设备,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1-9中任一项所述的方法。
19.一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计算机执行根据权利要求1-9中任一项所述的方法。
20.一种计算机程序产品,包括计算机程序指令,其中,所述计算机程序指令在被处理器执行时实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842676.4A CN116862020A (zh) | 2023-07-10 | 2023-07-10 | 文本分类模型的训练方法、文本分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842676.4A CN116862020A (zh) | 2023-07-10 | 2023-07-10 | 文本分类模型的训练方法、文本分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862020A true CN116862020A (zh) | 2023-10-10 |
Family
ID=88231788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310842676.4A Pending CN116862020A (zh) | 2023-07-10 | 2023-07-10 | 文本分类模型的训练方法、文本分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862020A (zh) |
-
2023
- 2023-07-10 CN CN202310842676.4A patent/CN116862020A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116028605B (zh) | 逻辑表达式生成方法、模型训练方法、装置及介质 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
KR20230006601A (ko) | 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN115759100A (zh) | 数据处理方法、装置、设备及介质 | |
CN113596011B (zh) | 流量识别方法及装置,计算设备和介质 | |
CN112905743B (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN114724146A (zh) | 异常文本识别方法及装置、电子设备和存储介质 | |
CN116862020A (zh) | 文本分类模型的训练方法、文本分类方法及装置 | |
CN113963234B (zh) | 数据标注处理方法、装置、电子设备和介质 | |
CN116883181B (zh) | 基于用户画像的金融服务推送方法、存储介质及服务器 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115033782B (zh) | 推荐对象的方法、机器学习模型的训练方法、装置和设备 | |
CN114120420B (zh) | 图像检测方法和装置 | |
CN116405551B (zh) | 基于社交平台的数据推送方法、系统及云平台 | |
CN117909235A (zh) | 代码风险检测方法、深度学习模型的训练方法和装置 | |
CN114547427A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN114186032A (zh) | 一种识别异常搜索语句的方法及装置、电子设备和介质 | |
CN116739136A (zh) | 数据预测方法、装置、电子设备和介质 |
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 |