CN117473092A - 一种健康语料的分类方法、装置、设备及存储介质 - Google Patents
一种健康语料的分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117473092A CN117473092A CN202311561297.4A CN202311561297A CN117473092A CN 117473092 A CN117473092 A CN 117473092A CN 202311561297 A CN202311561297 A CN 202311561297A CN 117473092 A CN117473092 A CN 117473092A
- Authority
- CN
- China
- Prior art keywords
- corpus
- healthy
- original
- classifier
- original healthy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 10
- 238000011068 loading method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 26
- 230000036541 health Effects 0.000 abstract description 23
- 239000013598 vector Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000006467 substitution reaction Methods 0.000 description 4
- 101100202924 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) tsp-2 gene Proteins 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 101000836337 Homo sapiens Probable helicase senataxin Proteins 0.000 description 1
- 102100027178 Probable helicase senataxin Human genes 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000002417 nutraceutical Substances 0.000 description 1
- 235000021436 nutraceutical agent Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种健康语料的分类方法、装置、设备及存储介质,该方法包括:依据第一原始健康语料和/或第二原始健康语料训练第一分类器,第一原始健康语料已划分类别、第二原始健康语料未划分类别;将第二原始健康语料输入第一分类器中划分类别;对第二原始健康语料进行数据增强;若完成数据增强,则筛选类别相同、且语义相似的第一原始健康语料与第二原始健康语料,作为健康语料对;筛选出部分可训练优于第一分类器的第二分类器的健康语料对,作为目标语料对;依据目标语料对训练第三分类器;依据第三分类器对目标语料对滤除噪音,得到目标健康语料。本实施例实现了半监督学习地标注标签,整体上提升了对健康领域的语料标注标签的效率。
Description
技术领域
本发明涉及自然语言处理的技术领域,尤其涉及一种健康语料的分类方法、装置、设备及存储介质。
背景技术
在健康领域中,聊天机器人、智能客服、翻译等业务均可以使用深度学习的神经网络实现,依赖对大量健康领域的语料标注类别,并对神经网络进行有监督学习。
但是,健康领域的语料数据量大,标注类别的过程耗费的事件、人力多,成本高,并且,语料标注的质量与有监督学习的效果关联性强,标注语料的质量稳定性较差,标注的类别容易出现错误或偏差,有监督学习的效果将受到影响,导致对健康领域的语料标注类别的效率较低。
发明内容
本发明提供了一种健康语料的分类方法、装置、设备及存储介质,以解决如何提高对健康领域的语料标注类别的效率的问题。
根据本发明的一方面,提供了一种健康语料的分类方法,包括:
依据第一原始健康语料和/或第二原始健康语料训练第一分类器,所述第一原始健康语料已划分类别、所述第二原始健康语料未划分类别;
将所述第二原始健康语料输入所述第一分类器中划分类别;
对所述第二原始健康语料进行数据增强;
若完成数据增强,则筛选类别相同、且语义相似的所述第一原始健康语料与所述第二原始健康语料,作为健康语料对;
筛选出部分可训练优于所述第一分类器的第二分类器的所述健康语料对,作为目标语料对;
依据所述目标语料对训练第三分类器;
依据所述第三分类器对所述目标语料对滤除噪音,得到目标健康语料。
根据本发明的另一方面,提供了一种健康语料的分类装置,包括:
协同训练模块,用于依据第一原始健康语料和/或第二原始健康语料训练第一分类器,所述第一原始健康语料已划分类别、所述第二原始健康语料未划分类别;
类别划分模块,用于将所述第二原始健康语料输入所述第一分类器中划分类别;
数据增强模块,用于对所述第二原始健康语料进行数据增强;
健康语料对筛选模块,用于若完成数据增强,则筛选类别相同、且语义相似的所述第一原始健康语料与所述第二原始健康语料,作为健康语料对;
目标语料对筛选模块,用于筛选出部分可训练优于所述第一分类器的第二分类器的所述健康语料对,作为目标语料对;
目标训练模块,用于依据所述目标语料对训练第三分类器;
噪音滤除模块,用于依据所述第三分类器对所述目标语料对滤除噪音,得到目标健康语料。
根据本发明的另一方面,提供了一种电子设备,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本发明任一实施例所述的健康语料的分类方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现本发明任一实施例所述的健康语料的分类方法。
在本实施例中,依据第一原始健康语料和/或第二原始健康语料训练第一分类器,第一原始健康语料已划分类别、第二原始健康语料未划分类别;将第二原始健康语料输入第一分类器中划分类别;对第二原始健康语料进行数据增强;若完成数据增强,则筛选类别相同、且语义相似的第一原始健康语料与第二原始健康语料,作为健康语料对;筛选出部分可训练优于第一分类器的第二分类器的健康语料对,作为目标语料对;依据目标语料对训练第三分类器;依据第三分类器对目标语料对滤除噪音,得到目标健康语料。本实施例使用少量标注标签的第一原始健康语料,配合协同过滤、无监督对比学习等技术,可大幅提升自动标注标签的正确性,生成了高质量的目标健康语料,实现了半监督学习地标注标签,减轻了人工标注标签的工作量,同时减少了多人标注标签的质量不一致问题、标注标签不平衡性问题,整体上提升了对健康领域的语料标注标签的效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种健康语料的分类方法的流程图;
图2是根据本发明实施例二提供的一种健康语料的分类装置的结构示意图;
图3是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种健康语料的分类方法的流程图,该方法可以由健康语料的分类装置来执行,该健康语料的分类装置可以采用硬件和/或软件的形式实现,该健康语料的分类装置可配置于电子设备中。如图1所示,该方法包括:
步骤101、依据第一原始健康语料和/或第二原始健康语料训练第一分类器。
在本实施例中,可以通过网站运行记录等方式构建健康领域的数据库,该数据库中可以存储健康领域的语料,尤其与营养品相关的语料,例如,“维生素怎么吃”、“感冒时应该怎么吃营养品”、“维生素与钙片应该怎么搭配吃”,等等。
依据聊天机器人、智能客服、翻译等业务的需求,可以预先设置多个类别,例如,营养品的通用使用方法,某个年龄阶段的用户使用营养品的方式,疾病时使用营养品的方式,营养品之间搭配使用的方式,等等。
在健康领域的数据库中,可以对少量的语料标注标签,记为第一原始健康语料,大量的语料并未标注标签,记为第二原始健康语料,即,第一原始健康语料已划分类别、第二原始健康语料未划分类别。
进一步地,对于健康领域的语料,经过分词、去噪音(如链接)、去停用词、拼音转汉字、大写转小写、文本纠错等预处理方式,筛选出质量较高的语料,作为第二原始健康语料存储至数据库中。
在本实施例中,可以以第一原始健康语料和/或第二原始健康语料作为样本,训练第一分类器C0,其中,第一分类器C0可用于对健康领域的语料标注标签(即划分类别)。
进一步地,可使用dropout训练第一分类器C0,在训练的过程中随机地丢弃一些神经元来对输入的语料(第一原始健康语料和/或第二原始健康语料)进行稀疏化,减少第一分类器C0在训练过程中过拟合的情况,同时也可以增加第一分类器C0的鲁棒性。
在具体实现中,第一分类器包含多个第一语言模型,第一语言模型可单独用于对健康领域的语料标注标签(即划分类别),即,第一分类器为多模型(语言模型)协同的分类器,即,多模型(语言模型)协同对健康领域的语料标注标签(即划分类别)。
在本实施例中,以FastText、RoBERTa、MacBERT作为第一语言模型的示例。
对于FastText,其处理过程如下:
a、输入:给定词的上下文共C个单词,每个单词由V维的一个1-of-V的向量表示,即:
{x1,x2,x3,…,xn-1,xn}
B、映射:每个单词乘以一个(V,N)的输入矩阵W,求和得到一个N维的中间向量h,即:
C、输出:h乘以一个(V,N)的输出矩阵W,得到一个V维向量,每一维做softmax得到这个单词出现的概率,选择其中最大的作为输出:
对于RoBERTa,用了transformer-encoder的结构,其包括如下结构:
1、embedding输入层;
2、Transformer embedding层;
3、Position-wise feed-forward network(前馈网络);
4、利用双层前馈神经网络和GELU激活函数输出结果的预测概率。
MacBERT用了transformer-encoder的结构,其使用了健康领域、医疗领域的语料进行预训练,可以更好地对健康领域的语料进行分类。
在训练第一分类器C0时,考虑到整体训练的效率,对于结构较为简单的语言模型,如FastText等,可以使用第二原始健康语料按照skip的方式训练语言模型,实现语言模型的无监督训练,以及,使用第一原始健康语料对语言模型进行微调(fine-tuning),实现实现语言模型的有监督微调。
对于结构较为复杂的语言模型,如RoBERTa、MacBERT等,可以加载已完成预训练的语言模型,使用第一原始健康语料对语言模型进行微调。
步骤102、将第二原始健康语料输入第一分类器中划分类别。
在本实施例中,可以将各个第二原始健康语料输入第一分类器C0中划分类别,初步标注标签(即类别),由于该标签(即类别)的置信度较低,因此,该标签(即类别)可称为伪标签。
在本实施例中,第一分类器包含多个第一语言模型,那么,多个第一语言模型可以协同对第二原始健康语料划分类别。
在一种协同的方式中,可以将第二原始健康语料分别输入各个第一语言模型中预测类别,每个第一语言模型对第二原始健康语料预测一个类别。
对各个第一语言模型预测的类别进行投票处理,以对同一第二原始健康语料划分类别。
进一步地,假设第二原始健康语料的集合其中,每个待标注标签的第二原始健康语料为yi,其对应有多种标签自动标注方法为labeli,其对应多种第一语言模型生成标签,包括但不限于RoBERTa单句生成标签label1,RoBERTa附带上文生成标签label2,MacBERT单句生成标签label3和MacBERT上下文生成标签label4,FastText生成上下文为label5。
基于假设,采用2n+1个标签识别算法正确率在pi>0.5,其中,i∈2n+1。在保证投票处理为奇数类型的情况下,投票处理的综合概率为:
经过计算,综合概率p综合是要高于任意单一第一语言模型生成标签的概率。
基于上述假设,投票处理的数据步骤包括:1、数据去停词清洗;2、数据增强(如同义词替换,随机增加停用词等);3、多种第一语言模型的数据标注;4、clustering聚类混合标签;5、数据权重打分投票。
在步骤3中,将集合D中的每项第二原始健康语料进行聚类处理,其中距离函数为dist(yi,yj),用于计算距离的可选公式有欧式距离,曼哈顿距离,切比雪夫距离等。以欧式距离举例:
其中,计算了任意两个待标注第二原始健康语料yi与yj的距离,max_a-min_b对某个具体特征进行了标准化转换,m为待标注第一语言模型的特征数量,可以是词袋字典数与稠密向量长度之和。
在步骤4中,计算了两两数据的距离集合,运用KNN近邻算法,将数据增强后相似的第二原始健康语料进行了聚合操作,使得带标签的第二原始健康语料聚类集合为新集合{labeli1,labeli2…labeli4}。
在步骤5中,每一类聚类后的第二原始健康语料会新增n个分类标签,这样,综合计算了标签真实性的两个方面。
第一个方面,是单例数据距离标签聚类中心点越近,所获得一致性标签权重越高。
第二个方面,不同方式获得伪标签方式进行加权评分,统计不同类别的数量,以及赋予不同方法的权重求和。
其中,权重排序依次为:
RoBERTa上下文>MacBERT上下文>FastText上下文>RoBERTa当前文>MacBERT当前文。
最后,生成整体标签,为上述计算信息的后验概率统计:
y^=argmaxγ(yi,labeli)*wK
在一种投票处理中,若至少N个第一语言模型预测的类别相同,则可以将同一第二原始健康语料划分该类别。
其中,N为正整数,N小于所有第一语言模型的数量,例如,所有第一语言模型的数量为3,则N为2。
在另一种协同的方式中,将第二原始健康语料分别输入各个第一语言模型中预测类别。
使用部分第一原始健康语料构建测试集,使用测试集测试各个第一语言模型的准确率。
若某个第一语言模型的准确率在预设的准确范围(如[0.95,1])内,则将第一语言模型预测的类别划分为第二原始健康语料的类别,从而保证第二原始健康语料与类别之间的相关性。
进一步地,上述协同的方式可以单独使用,也可以组合使用,本实施例对此不加以限制。
在第一语言模型对第二原始健康语料预测类别时,可以在第二原始健康语料中查询实体词,例如,营养品的名称、疾病的名称,等等。
在实体词中随机丢弃字符,将随机丢弃字符之后的第二原始健康语料分别输入各个第一语言模型中预测类别,这样子可以第二原始健康语料实现数据增强。
步骤103、对第二原始健康语料进行数据增强。
经过第一分类器中对第二原始健康语料划分类别,类别(即标签)的召回率仍较低,在8%左右,为增加相关性较强且质量较高的语料,本实施例中,可以对标注类别的第二原始健康语料进行数据增强,即,基于当前第二原始健康语料构建新的第二原始健康语料,并将当前第二原始健康语料的类别赋值为新的第二原始健康语料的类别。
一般情况下,可以使用的数据增强的方法有:同义词近义词替换、回译、随机噪音注入等。
但是,这些数据增强方法存在以下问题:
1、数据稀疏性
这些数据增强的方法通常基于已有的数据集,在数据集较小的情况下,数据集存在稀疏性,缺乏足够的样本来训练模型,导致模型学习到的知识不够全面。
2、模型的泛化能力
这些数据增强方法主要通过替换词或添加噪音等方式来增加数据的多样性,但是,这些数据增强方法可能无法保证添加的噪声对模型有积极的影响。因此,模型的泛化能力可能会受到影响。
3、依赖大量的样本
这些数据增强方法依赖大量的样本来作为基本的扩充数据,这对于一些数据集较小的应用场景可能存在困难。
因此,在本发明的一个实施例中,可以加载大语言模型(Large Language Model,LLM)。
将当前第二原始健康语料输入大语言模型中,构建与当前第二原始健康语料语义相似的语料、作为新的第二原始健康语料,以及,将当前第二原始健康语料的类别赋值至新的第二原始健康语料的类别。
在一种方式中,使用同义句进行数据增强,在本方式中,可以使用few shot的方式对大语言模型自学习语义相似的规则,例如,句式变换、同义词替换,等等。
以角色提示的方式对当前第二原始健康语料构造第一提示词prompt,将第一提示词prompt输入大语言模型中、模仿角色按照规则构建与当前第二原始健康语料语义相似的语料、作为新的第二原始健康语料。
例如,构造第一提示词为“你现在是语言领域的专家,请给出以下句子的相似句:XX地大物博”,其中,XX为地名,大语言模型反馈“XX地域辽阔,自然资源丰富”,从中提取新的第二原始健康语料。
在另一种方式中,使用回译的方式进行数据增强,在本方式中,以翻译的方式对当前第二原始健康语料构造第二提示词prompt,将第二提示词prompt输入大语言模型中、将当前第二原始健康语料翻译为文本信息,其中,文本信息的语言类型(如英文)与当前第二原始健康语料的语言类型(如中文)不同。
以翻译的方式对文本信息构造第三提示词prompt,将第三提示词prompt输入大语言模型中、将文本信息回译为与当前第二原始健康语料语义相似的语料、作为新的第二原始健康语料,其中,新的第二原始健康语料的语言类型(如中文)与当前第二原始健康语料的语言类型(如中文)相同,新的第二原始健康语料与当前第二原始健康语料意思一样,但会存在一定的差异。
例如,构造第二提示词为“把以下文本翻译成英文:XX地大物博”,其中,XX为地名,大语言模型反馈文本信息“XX is a vast land with diverse resources.”,构造第三提示词为“把以下文本翻译成中文:XX is a vast land with diverse resources.”,大语言模型反馈“XX是一个辽阔而资源丰富的土地。”,从中提取新的第二原始健康语料。
进一步地,上述数据增强的方式可以单独使用,也可以组合使用,本实施例对此不加以限制。
步骤104、若完成数据增强,则筛选类别相同、且语义相似的第一原始健康语料与第二原始健康语料,作为健康语料对。
在完成对第二原始健康语料进行数据增强时,则可以对标签(类别)执行相关性的筛选,筛选出标签(类别)相同、且语义相似的第一原始健康语料与第二原始健康语料,记为健康语料对。
在具体实现中,可以使用对比学习的思想,使用第二原始健康语料训练第二语言模型,实现第二语言模型的无监督学习。
其中,第二语言模型可用于对健康领域的语料计算相似度,一般情况下,第二语言模型与第一语言模型并不相同。
以Sentence BERT作为第二语言模型的示例,Sentence BERT的基础模型结构为transformer-encoder,其中,训练语料格式为sen1,sen2,label,sen1经过随机删除、随机注入生成正例sen2时,label为0,生成负例sen3时,label为1。
用transformer-encoder结构把sen1生成向量u,sen2生成向量v。
将embedding向量u和v以及它们之间的差向量拼接在一起,组成一个新的向量,乘以权重参数Wt∈R3n*k,n表示向量的维度,k是类别(标签)的数量。
那么,相似度表示为:
O=softmax(Wt(u,v,|u-v|))
其中,O为相似度,softmax为激活函数。
将第一原始健康语料与第二原始健康语料输入第二语言模型中,计算第一原始健康语料与第二原始健康语料之间在语义上的相似度。
若相似度在预设的总范围(如[0.8,1])内、且类别相同,则将第一原始健康语料与第二原始健康语料标记为健康语料对。
若单个第一原始健康语料与单个第二原始健康语料标记为健康语料对,表示第二原始健康语料为单标签(类别)语料,则保留第一原始健康语料所在的健康语料对。
若多个第一原始健康语料与同一第二原始健康语料均标记为健康语料对,表示第二原始健康语料为多标签(类别)语料,则滤除第一原始健康语料所在的所有健康语料对。
步骤105、筛选出部分可训练优于第一分类器的第二分类器的健康语料对,作为目标语料对。
在本实施例中,对于健康语料对,如果可以可训练优于第一分类器的第二分类器,则可以筛选处理,记为目标语料对。
其中,为便于比较,第二分类器C1与第一分类器C0相同或相似,在第一分类器C0包含多个第一语言模型时,第二分类器C1可以为其中一个第一语言模型,也可以为多个第一语言模型,本实施例对此不加以限制。
在具体实现中,可以将总范围划分为多个子范围,其中,多个子范围之间的首位连续,将多个子范围拼接可形成总范围,例如,总范围为[0.8,1],子范围分别为[0.8,0.85)、[0.85,0.9)、[0.9,0.95)与[0.95,1]。
按照从大到小的顺序依次遍历多个子范围,例如,依次遍历[0.95,1]、[0.9,0.95)、[0.85,0.9)与[0.8,0.85)。
在遍历各个子范围的过程中,依据相似度在当前子范围内健康语料对、当前已筛选出的目标语料对训练第二分类器。
对于数值最高的子范围(如[0.95,1]),当前已筛选出的目标语料对为空。
对于数值非最高的子范围(如[0.9,0.95)、[0.85,0.9)与[0.8,0.85)),当前已筛选出的目标语料对为在先遍历数值更高的子范围时累积的目标语料对,当前已筛选出的目标语料可能为空、也可能不为空。
使用部分第一原始健康语料构建测试集,使用同一测试集分别测试第一分类器的准确率与第二分类器的准确率。
将第一分类器的准确率与第二分类器的准确率进行比较。
若第二分类器的准确率高于第一分类器的准确率,则将当前子范围内健康语料对设置为目标语料对。
若第二分类器的准确率低于第一分类器的准确率,则忽略当前子范围内的健康语料对。
若当前子范围并非数值最低的子范围(如[0.8,0.85)),则可以继续遍历下一个子范围,直接遍历完所有子范围。
步骤106、依据目标语料对训练第三分类器。
在本实施例中,可以以目标语料中的第一原始健康语料与第二原始健康语料为样本、第一原始健康语料的类别与第二原始健康语料的类别为标签,训练第三分类器C2,第三分类器C2可用于对健康领域的语料标注标签(即划分类别)。
进一步地,可使用dropout训练第三分类器C2,在训练的过程中随机地丢弃一些神经元来对输入的语料(第一原始健康语料和/或第二原始健康语料)进行稀疏化,减少第三分类器C2在训练过程中过拟合的情况,同时也可以增加第三分类器C2的鲁棒性。
步骤107、依据第三分类器对目标语料对滤除噪音,得到目标健康语料。
在本实施例中,可以使用第三分类器对目标语料执行自预测(类别),从而检测标签中的噪音,对目标语料对滤除噪音,得到目标健康语料。
在具体实现中,分别提取目标语料对中的第一原始健康语料与第二原始健康语料,作为候选健康语料。
将候选健康语料输入第三分类器中,检测候选健康语料属于各个类别的概率。
若概率最高的类别与候选健康语料已划分的类别不同,则确定候选健康语料符合第一噪音条件。
若最高的概率与次高的概率之间的差值小于预设的第一阈值(如0.3),表示标签(类别)之间的差异较小,则确定候选健康语料符合第二噪音条件。
若最高的概率小于预设的第二阈值(如0.3),表示最高的概率数值偏低,则确定候选健康语料符合第三噪音条件。
若候选健康语料符合第一噪音条件、第二噪音条件与第三噪音条件中的至少一者,则可以认为候选健康语料属于噪音,滤除候选健康语料,将剩余的候选健康语料标记为目标健康语料。
在本实施例中,依据第一原始健康语料和/或第二原始健康语料训练第一分类器,第一原始健康语料已划分类别、第二原始健康语料未划分类别;将第二原始健康语料输入第一分类器中划分类别;对第二原始健康语料进行数据增强;若完成数据增强,则筛选类别相同、且语义相似的第一原始健康语料与第二原始健康语料,作为健康语料对;筛选出部分可训练优于第一分类器的第二分类器的健康语料对,作为目标语料对;依据目标语料对训练第三分类器;依据第三分类器对目标语料对滤除噪音,得到目标健康语料。本实施例使用少量标注标签的第一原始健康语料,配合协同过滤、无监督对比学习等技术,可大幅提升自动标注标签的正确性,生成了高质量的目标健康语料,实现了半监督学习地标注标签,减轻了人工标注标签的工作量,同时减少了多人标注标签的质量不一致问题、标注标签不平衡性问题,整体上提升了对健康领域的语料标注标签的效率。
实施例二
图2为本发明实施例二提供的一种健康语料的分类装置的结构示意图。如图2所示,该装置包括:
协同训练模块201,用于依据第一原始健康语料和/或第二原始健康语料训练第一分类器,所述第一原始健康语料已划分类别、所述第二原始健康语料未划分类别;
类别划分模块202,用于将所述第二原始健康语料输入所述第一分类器中划分类别;
数据增强模块203,用于对所述第二原始健康语料进行数据增强;
健康语料对筛选模块204,用于若完成数据增强,则筛选类别相同、且语义相似的所述第一原始健康语料与所述第二原始健康语料,作为健康语料对;
目标语料对筛选模块205,用于筛选出部分可训练优于所述第一分类器的第二分类器的所述健康语料对,作为目标语料对;
目标训练模块206,用于依据所述目标语料对训练第三分类器;
噪音滤除模块207,用于依据所述第三分类器对所述目标语料对滤除噪音,得到目标健康语料。
在本发明的一个实施例中,所述第一分类器包含多个语言模型,所述协同训练模块201包括:
整体训练模块,用于使用第二原始健康语料训练所述语言模型,使用第一原始健康语料对所述语言模型进行微调;
和/或,
微调模块,用于加载已完成预训练的所述语言模型,使用第一原始健康语料对所述语言模型进行微调。
在本发明的一个实施例中,所述第一分类器包含多个第一语言模型,所述类别划分模块202包括:
类别预测模块,用于将所述第二原始健康语料分别输入各个所述第一语言模型中预测类别;
标签投票模块,用于对各个所述第一语言模型预测的类别进行投票处理,以对同一所述第二原始健康语料划分类别;
和/或,
类别预测模块,用于将所述第二原始健康语料分别输入各个所述第一语言模型中预测类别;
范围确定模块,用于若某个所述第一语言模型的准确率在预设的准确范围内,则将所述第一语言模型预测的类别划分为所述第二原始健康语料的类别。
在本发明的一个实施例中,所述类别预测模块包括:
实体词查询模块,用于在所述第二原始健康语料中查询实体词;
字符丢弃模块,用于在所述实体词中随机丢弃字符;
丢弃预测模块,用于将随机丢弃字符之后的所述第二原始健康语料分别输入各个所述第一语言模型中预测类别。
在本发明的一个实施例中,所述数据增强模块203包括:
大语言模型加载模块,用于加载大语言模型;
相似语料生成模块,用于将当前所述第二原始健康语料输入所述大语言模型中,构建与当前所述第二原始健康语料语义相似的语料、作为新的第二原始健康语料;
类别赋值模块,用于将当前所述第二原始健康语料的类别赋值至新的所述第二原始健康语料的类别。
在本发明的一个实施例中,所述相似语料生成模块包括:
规则学习模块,用于对大语言模型自学习语义相似的规则;
第一提示词构造模块,用于以角色提示的方式对当前所述第二原始健康语料构造第一提示词;
第一提示控制模块,用于将所述第一提示词输入所述大语言模型中、模仿所述角色按照所述规则构建与当前所述第二原始健康语料语义相似的语料、作为新的第二原始健康语料;
和/或,
第二提示词构造模块,用于以翻译的方式对当前所述第二原始健康语料构造第二提示词;
第二提示控制模块,用于将所述第二提示词输入所述大语言模型中、将当前所述第二原始健康语料翻译为文本信息;
第三提示词构造模块,用于以翻译的方式对所述文本信息构造第三提示词;
第三提示控制模块,用于将所述第三提示词输入所述大语言模型中、将所述文本信息回译为与当前所述第二原始健康语料语义相似的语料、作为新的第二原始健康语料。
在本发明的一个实施例中,所述健康语料对筛选模块204包括:
语言模型训练模块,用于使用所述第二原始健康语料训练第二语言模型;
相似度计算模块,用于将所述第一原始健康语料与所述第二原始健康语料输入所述第二语言模型中,计算所述第一原始健康语料与所述第二原始健康语料之间在语义上的相似度;
健康语料对标记模块,用于若所述相似度在预设的总范围内、且类别相同,则将所述第一原始健康语料与所述第二原始健康语料标记为健康语料对;
健康语料对保留模块,用于若单个所述第一原始健康语料与单个所述第二原始健康语料标记为健康语料对,则保留所述第一原始健康语料所在的健康语料对;
健康语料对滤除模块,用于若多个所述第一原始健康语料与同一所述第二原始健康语料均标记为健康语料对,则滤除所述第一原始健康语料所在的所有健康语料对。
在本发明的一个实施例中,所述目标语料对筛选模块205包括:
子范围划分模块,用于将所述总范围划分为多个子范围;
子范围遍历模块,用于按照从大到小的顺序依次遍历多个所述子范围;
目标语料对训练模块,用于在遍历各个所述子范围的过程中,依据所述相似度在当前所述子范围内所述健康语料对、当前已筛选出的目标语料对训练第二分类器;
准确率比较模块,用于将所述第一分类器的准确率与所述第二分类器的准确率进行比较;
目标语料对设置模块,用于若所述第二分类器的准确率高于所述第一分类器的准确率,则将当前所述子范围内所述健康语料对设置为目标语料对。
在本发明的一个实施例中,所述噪音滤除模块207包括:
候选健康语料提取模块,用于分别提取所述目标语料对中的所述第一原始健康语料与所述第二原始健康语料,作为候选健康语料;
概率检测模块,用于将所述候选健康语料输入所述第三分类器中,检测所述候选健康语料属于各个类别的概率;
第一噪音条件确定模块,用于若概率最高的所述类别与所述候选健康语料已划分的所述类别不同,则确定所述候选健康语料符合第一噪音条件;
第二噪音条件确定模块,用于若最高的概率与次高的概率之间的差值小于预设的第一阈值,则确定所述候选健康语料符合第二噪音条件;
第三噪音条件确定模块,用于若最高的概率小于预设的第二阈值,则确定所述候选健康语料符合第三噪音条件;
候选健康语料滤除模块,用于若所述候选健康语料符合所述第一噪音条件、所述第二噪音条件与所述第三噪音条件中的至少一者,则滤除所述候选健康语料,将剩余的所述候选健康语料标记为目标健康语料。
本发明实施例所提供的健康语料的分类装置可执行本发明任意实施例所提供的健康语料的分类方法,具备执行健康语料的分类方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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。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/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,如健康语料的分类方法。
在一些实施例中,健康语料的分类方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的健康语料的分类方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行健康语料的分类方法。
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)、负载可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
实施例四
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时实现如本发明任一实施例所提供的健康语料的分类方法。
计算机程序产品在实现的过程中,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发明操作的计算机程序代码,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)。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种健康语料的分类方法,其特征在于,包括:
依据第一原始健康语料和/或第二原始健康语料训练第一分类器,所述第一原始健康语料已划分类别、所述第二原始健康语料未划分类别;
将所述第二原始健康语料输入所述第一分类器中划分类别;
对所述第二原始健康语料进行数据增强;
若完成数据增强,则筛选类别相同、且语义相似的所述第一原始健康语料与所述第二原始健康语料,作为健康语料对;
筛选出部分可训练优于所述第一分类器的第二分类器的所述健康语料对,作为目标语料对;
依据所述目标语料对训练第三分类器;
依据所述第三分类器对所述目标语料对滤除噪音,得到目标健康语料。
2.根据权利要求1所述的方法,其特征在于,所述第一分类器包含多个语言模型,所述依据第一原始健康语料和/或第二原始健康语料训练第一分类器,包括:
使用第二原始健康语料训练所述语言模型,使用第一原始健康语料对所述语言模型进行微调;
和/或,
加载已完成预训练的所述语言模型,使用第一原始健康语料对所述语言模型进行微调。
3.根据权利要求1所述的方法,其特征在于,所述第一分类器包含多个第一语言模型,所述将所述第二原始健康语料输入所述第一分类器中划分类别,包括:
将所述第二原始健康语料分别输入各个所述第一语言模型中预测类别;
对各个所述第一语言模型预测的类别进行投票处理,以对同一所述第二原始健康语料划分类别;
和/或,
将所述第二原始健康语料分别输入各个所述第一语言模型中预测类别;
若某个所述第一语言模型的准确率在预设的准确范围内,则将所述第一语言模型预测的类别划分为所述第二原始健康语料的类别。
4.根据权利要求3所述的方法,其特征在于,所述将所述第二原始健康语料分别输入各个所述第一语言模型中预测类别,包括:
在所述第二原始健康语料中查询实体词;
在所述实体词中随机丢弃字符;
将随机丢弃字符之后的所述第二原始健康语料分别输入各个所述第一语言模型中预测类别。
5.根据权利要求1所述的方法,其特征在于,所述对所述第二原始健康语料进行数据增强包括:
加载大语言模型;
将当前所述第二原始健康语料输入所述大语言模型中,构建与当前所述第二原始健康语料语义相似的语料、作为新的第二原始健康语料;
将当前所述第二原始健康语料的类别赋值至新的所述第二原始健康语料的类别。
6.根据权利要求5所述的方法,其特征在于,所述将当前所述第二原始健康语料输入所述大语言模型中,构建与当前所述第二原始健康语料语义相似的语料、作为新的第二原始健康语料,包括:
对大语言模型自学习语义相似的规则;
以角色提示的方式对当前所述第二原始健康语料构造第一提示词;
将所述第一提示词输入所述大语言模型中、模仿所述角色按照所述规则构建与当前所述第二原始健康语料语义相似的语料、作为新的第二原始健康语料;
和/或,
以翻译的方式对当前所述第二原始健康语料构造第二提示词;
将所述第二提示词输入所述大语言模型中、将当前所述第二原始健康语料翻译为文本信息;
以翻译的方式对所述文本信息构造第三提示词;
将所述第三提示词输入所述大语言模型中、将所述文本信息回译为与当前所述第二原始健康语料语义相似的语料、作为新的第二原始健康语料。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述筛选类别相同、且语义相似的所述第一原始健康语料与所述第二原始健康语料,作为健康语料对,包括:
使用所述第二原始健康语料训练第二语言模型;
将所述第一原始健康语料与所述第二原始健康语料输入所述第二语言模型中,计算所述第一原始健康语料与所述第二原始健康语料之间在语义上的相似度;
若所述相似度在预设的总范围内、且类别相同,则将所述第一原始健康语料与所述第二原始健康语料标记为健康语料对;
若单个所述第一原始健康语料与单个所述第二原始健康语料标记为健康语料对,则保留所述第一原始健康语料所在的健康语料对;
若多个所述第一原始健康语料与同一所述第二原始健康语料均标记为健康语料对,则滤除所述第一原始健康语料所在的所有健康语料对。
8.根据权利要求7所述的方法,其特征在于,所述筛选出部分可训练优于所述第一分类器的第二分类器的所述健康语料对,作为目标语料对,包括:
将所述总范围划分为多个子范围;
按照从大到小的顺序依次遍历多个所述子范围;
在遍历各个所述子范围的过程中,依据所述相似度在当前所述子范围内所述健康语料对、当前已筛选出的目标语料对训练第二分类器;
将所述第一分类器的准确率与所述第二分类器的准确率进行比较;
若所述第二分类器的准确率高于所述第一分类器的准确率,则将当前所述子范围内所述健康语料对设置为目标语料对。
9.根据权利要求1-6、8中任一项所述的方法,其特征在于,所述依据所述第三分类器对所述目标语料对滤除噪音,得到目标健康语料,包括:
分别提取所述目标语料对中的所述第一原始健康语料与所述第二原始健康语料,作为候选健康语料;
将所述候选健康语料输入所述第三分类器中,检测所述候选健康语料属于各个类别的概率;
若概率最高的所述类别与所述候选健康语料已划分的所述类别不同,则确定所述候选健康语料符合第一噪音条件;
若最高的概率与次高的概率之间的差值小于预设的第一阈值,则确定所述候选健康语料符合第二噪音条件;
若最高的概率小于预设的第二阈值,则确定所述候选健康语料符合第三噪音条件;
若所述候选健康语料符合所述第一噪音条件、所述第二噪音条件与所述第三噪音条件中的至少一者,则滤除所述候选健康语料,将剩余的所述候选健康语料标记为目标健康语料。
10.一种健康语料的分类装置,其特征在于,包括:
协同训练模块,用于依据第一原始健康语料和/或第二原始健康语料训练第一分类器,所述第一原始健康语料已划分类别、所述第二原始健康语料未划分类别;
类别划分模块,用于将所述第二原始健康语料输入所述第一分类器中划分类别;
数据增强模块,用于对所述第二原始健康语料进行数据增强;
健康语料对筛选模块,用于若完成数据增强,则筛选类别相同、且语义相似的所述第一原始健康语料与所述第二原始健康语料,作为健康语料对;
目标语料对筛选模块,用于筛选出部分可训练优于所述第一分类器的第二分类器的所述健康语料对,作为目标语料对;
目标训练模块,用于依据所述目标语料对训练第三分类器;
噪音滤除模块,用于依据所述第三分类器对所述目标语料对滤除噪音,得到目标健康语料。
11.一种电子设备,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权利要求1-9中任一项所述的健康语料的分类方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现权利要求1-9中任一项所述的健康语料的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561297.4A CN117473092A (zh) | 2023-11-22 | 2023-11-22 | 一种健康语料的分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561297.4A CN117473092A (zh) | 2023-11-22 | 2023-11-22 | 一种健康语料的分类方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117473092A true CN117473092A (zh) | 2024-01-30 |
Family
ID=89632793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311561297.4A Pending CN117473092A (zh) | 2023-11-22 | 2023-11-22 | 一种健康语料的分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473092A (zh) |
-
2023
- 2023-11-22 CN CN202311561297.4A patent/CN117473092A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
CN110633365A (zh) | 一种基于词向量的层次多标签文本分类方法及系统 | |
CN111581949A (zh) | 学者人名的消歧方法、装置、存储介质及终端 | |
CN113515632A (zh) | 基于图路径知识萃取的文本分类方法 | |
CN114911945A (zh) | 基于知识图谱的多价值链数据管理辅助决策模型构建方法 | |
CN114372475A (zh) | 一种基于RoBERTa模型的网络舆情情感分析方法及系统 | |
CN113343690A (zh) | 一种文本可读性自动评估方法及装置 | |
CN114997288A (zh) | 一种设计资源关联方法 | |
CN114661910A (zh) | 一种意图识别方法、装置、电子设备及存储介质 | |
CN115329101A (zh) | 一种电力物联网标准知识图谱构建方法及装置 | |
CN113486670B (zh) | 基于目标语义的文本分类方法、装置、设备及存储介质 | |
CN110941958A (zh) | 一种文本类目标注方法、装置、电子设备及存储介质 | |
CN112784017B (zh) | 基于主亲和性表示的档案跨模态数据特征融合方法 | |
CN114239828A (zh) | 一种基于因果关系的供应链事理图谱构建方法 | |
CN113656594A (zh) | 一种基于飞行器维修的知识推理方法 | |
Xu et al. | Short text classification of chinese with label information assisting | |
Mehendale et al. | Cyber bullying detection for hindi-english language using machine learning | |
CN112925907A (zh) | 基于事件图卷积神经网络的微博评论观点对象分类方法 | |
US11599588B1 (en) | Apparatus and method of entity data aggregation | |
CN116450938A (zh) | 一种基于图谱的工单推荐实现方法及系统 | |
CN115827871A (zh) | 互联网企业分类的方法、装置和系统 | |
CN117473092A (zh) | 一种健康语料的分类方法、装置、设备及存储介质 | |
Nikolaos et al. | Document classification system based on HMM word map | |
Divya et al. | An Empirical Study on Fake News Detection System using Deep and Machine Learning Ensemble Techniques |
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 |