一种数据增强方法和装置与流程

本发明涉及计算机技术领域，尤其涉及一种数据增强方法和装置。

背景技术：

在考察语义相似性时，往往需要使用词向量的方式进行相似性比对。但是碍于向量训练数据有限，这种方式取得的效果往往并不理想，因此需要扩充词向量训练数据。目前。常用的数据增强方法有multi-scale和multi-crop。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

multi-scale主要是对图像的旋转、平移、缩放；multi-crop是从原始图像中裁剪一部分相对较小的作为训练数据，因此现有技术中的数据增强方法只能针对图像处理，不能应用到自然语言处理中。

技术实现要素：

有鉴于此，本发明实施例提供一种数据增强方法和装置，以解决只能针对图像处理，不能应用到自然语言处理中的技术问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种数据增强方法，包括：

采用分词器对原始词向量训练数据中的标题进行分词，得到多个分词；

分别确定相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中；

随机打乱所述结果序列中的分词和短语的位序，将打乱后的结果序列作为新的词向量训练数据。

可选地，分别计算相邻两个分词之间的关联性，包括：

通过以下公式分别计算相邻两个分词的点互信息，

其中，x、y分别表示相邻的两个分词，pmi(x,y)表示分词x、分词y的点互信息，p(x,y)表示分词x、分词y共同出现的概率，p(x)表示分词x出现的概率，p(y)表示分词y出现的概率；

根据所述点互信息和超参数的乘积与随机数的差值，确定所述相邻两个分词之间的关联性；其中，所述超参数大于0并且小于1，所述随机数大于0并且小于1。

可选地，根据所述点互信息和超参数的乘积与随机数的差值，确定相邻两个分词之间的关联性，包括：

若所述点互信息和超参数的乘积大于所述随机数，则确定所述两个分词之间具有强关联性；

若所述点互信息和超参数的乘积小于等于所述随机数，则确定所述两个分词之间具有弱关联性。

可选地，随机打乱所述结果序列中的分词和短语的位序，将打乱后的结果序列作为新的词向量训练数据，包括：

将每个所述结果序列中的分词和短语的位序随机打乱n次，将得到的n*m个打乱后的结果序列作为新的词向量训练数据；

其中，n为正整数，m为原始词向量训练数据中的标题数量，并且m为正整数。

可选地，采用分词器对标题进行分词，得到多个分词，包括：

采用条件随机场模型作为分词器，对原始词向量训练数据中的标题进行分词，得到多个分词。

另外，根据本发明实施例的另一个方面，提供了一种数据增强装置，包括：

分词模块，用于采用分词器对原始词向量训练数据中的标题进行分词，得到多个分词；

关联模块，用于分别确定相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中；

打乱模块，用于随机打乱所述结果序列中的分词和短语的位序，将打乱后的结果序列作为新的词向量训练数据。

可选地，分别计算相邻两个分词之间的关联性，包括：

通过以下公式分别计算相邻两个分词的点互信息，

其中，x、y分别表示相邻的两个分词，pmi(x,y)表示分词x、分词y的点互信息，p(x,y)表示分词x、分词y共同出现的概率，p(x)表示分词x出现的概率，p(y)表示分词y出现的概率；

根据所述点互信息和超参数的乘积与随机数的差值，确定所述相邻两个分词之间的关联性；其中，所述超参数大于0并且小于1，所述随机数大于0并且小于1。

可选地，根据所述点互信息和超参数的乘积与随机数的差值，确定相邻两个分词之间的关联性，包括：

若所述点互信息和超参数的乘积大于所述随机数，则确定所述两个分词之间具有强关联性；

若所述点互信息和超参数的乘积小于等于所述随机数，则确定所述两个分词之间具有弱关联性。

可选地，所述打乱模块用于：

将每个所述结果序列中的分词和短语的位序随机打乱n次，将得到的n*m个打乱后的结果序列作为新的词向量训练数据；

其中，n为正整数，m为原始词向量训练数据中的标题数量，并且m为正整数。

可选地，所述分词模块用于：

采用条件随机场模型作为分词器，对原始词向量训练数据中的标题进行分词，得到多个分词。

根据本发明实施例的另一个方面，还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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上述任一实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用对原始词向量训练数据中的标题进行分词，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中的技术手段，所以克服了只能针对图像处理，不能应用到自然语言处理中的技术问题。本发明是基于相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中，并将其打乱，从而有效地扩充了词向量训练数据。因此，采用数据增强后的词向量训练数据进行词向量训练，可以获得质量更高的词向量，从而在语义相似性判断时得出更加准确的判断结果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的数据增强方法的主要流程的示意图；

图2是根据本发明一个可参考实施例的数据增强方法的主要流程的示意图；

图3是根据本发明实施例的数据增强装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明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，而不会背离本发明的范围和精神。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。

图1是根据本发明实施例的数据增强方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述数据增强方法可以包括：

步骤101，采用分词器对原始词向量训练数据中的标题进行分词，得到多个分词。

由于原始词向量训练集中的标题数量有限，本发明实施例需要增加原始词向量训练集中的标题数量，因此，在步骤101中，可以采用分词器对原始词向量训练数据中的标题进行分词，得到多个分词。举例来说，对原始词向量训练数据中的某一个标题进行分词，得到“牛奶”、“伊利”、“无菌”、“多颗粒”等分词。

因此，在步骤101中，对原始词向量训练数据中的每一个标题分别进行分词后，每一个标题都有对应于其自身的一组分词，每组分词包括多个分词。

作为本发明的另一个实施例，可以采用条件随机场模型(conditionalrandomfields，简称crf或crfs)作为分词器，对原始词向量训练数据中的标题进行分词，得到多个分词。条件随机场由lafferty等人于2001年提出，结合了最大熵模型和隐马尔可夫模型的特点，是一种无向图模型，采用条件随机场模型作为分词器，可以提高分词的准确性和可靠性。

步骤102，分别确定相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中。

在得到了各个标题对应的分词之后，需要针对每个标题对应的分词，分别确定相邻两个分词之间的关联性，判断这两个分词之间具有强关联性还是弱关联性；然后将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中。

举例来说，某一个标题对应的分词包括：分词a、分词b、分词c、分词d、分词e和分词f，则分别计算分词a和分词b之间的关联性、分词b和分词c之间的关联性、分词c和分词d之间的关联性、分词d和分词e之间的关联性、分词e和分词f之间的关联性。

作为本发明的另一个实施例，分别计算相邻两个分词之间的关联性，包括：

通过以下公式分别计算相邻两个分词的点互信息，

其中，x、y分别表示相邻的两个分词，pmi(x,y)表示分词x、分词y的点互信息，p(x,y)表示分词x、分词y共同出现的概率，p(x)表示分词x出现的概率，p(y)表示分词y出现的概率；

根据所述点互信息和超参数的乘积与随机数的差值，确定所述相邻两个分词之间的关联性；其中，所述超参数大于0并且小于1，所述随机数大于0并且小于1。

首先，根据伯努利大数定律，当原始词向量训练数据中的标题数量足够多的时候，p(x,y)、p(x)、p(y)可以由标题数量统计得出，统计方法是：

由此，可以统计得到p(x,y)、p(x)、p(y)的取值，从而根据p(x,y)、p(x)、p(y)计算得到两个相邻分词x、y之间的点互信息。

接着，根据所述点互信息和超参数的乘积与随机数的差值，确定相邻两个分词之间的关联性，计算得到两者具有强关联性或者弱关联性的结果。

可选地，根据所述点互信息和超参数的乘积与随机数的差值，确定相邻两个分词之间的关联性，包括：若所述点互信息和超参数的乘积大于所述随机数，则确定所述两个分词之间具有强关联性；若所述点互信息和超参数的乘积小于等于所述随机数，则确定所述两个分词之间具有弱关联性。在该实施例中，相邻的两个分词之间的强弱关联性取决于两者的点互信息与α(超参数)的乘积与rand(随机数)的差值，判断α·pmi(x,y)与随机数之间大小关系，如果α·pmi(x,y)＞rand，则说明两个相邻分词x、y之间具有强关联性，如果α·pmi(x,y)≤rand，则说明两个相邻分词x、y之间具有弱关联性。其中，超参数α∈(0,1)，随机数rand∈(0,1)。

步骤103，随机打乱所述结果序列中的分词和短语的位序，将打乱后的结果序列作为新的词向量训练数据。

在该步骤中，可以多次地随机打乱所述结果序列中的分词和短语的位序，每打乱一次，就会新得到一个结果序列。

作为本发明的再一个实施例，所述步骤103可以具体包括：将每个所述结果序列中的分词和短语的位序随机打乱n次，将得到的n*m个打乱后的结果序列作为新的词向量训练数据；其中，n为正整数，m为原始词向量训练数据中的标题数量，并且m为正整数。

可见，原始词向量训练数据中的标题数量有限，仅有m个，采用本发明实施例的方法，可以将词向量训练数据中的标题数量增加到n*m个，有效地扩充了词向量训练数据。

因此，本发明实施例通过对词向量训练数据做一系列随机变化，来产生相似但又有不同的训练样本，从而扩大词向量训练数据规模，达到了数据增强的目的。

根据上面所述的各种实施例，可以看出本发明通过对原始词向量训练数据中的标题进行分词，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中的技术手段，从而解决了只能针对图像处理，不能应用到自然语言处理中的问题。本发明是基于相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中，并将其打乱，从而有效地扩充了词向量训练数据。因此，采用数据增强后的词向量训练数据进行词向量训练，可以获得质量更高的词向量，从而在语义相似性判断时得出更加准确的判断结果。

图2是根据本发明一个可参考实施例的数据增强方法的主要流程的示意图，所述数据增强方法可以具体包括：

步骤201，采用条件随机场模型作为分词器，对原始词向量训练数据中的标题进行分词，得到多个分词；

步骤202，分别计算任意的相邻两个分词的点互信息；

步骤203，根据所述点互信息和超参数的乘积与随机数的差值，判断相邻两个分词之间是否具有强关联性；若是，则执行步骤204；若否，则执行步骤205；

步骤204，将具有强关联性的两个分词作为一个短语加入到结果序列中；

步骤205，将具有弱关联性的两个分词分别加入到结果序列中；

步骤206，将每个结果序列中的分词和短语的位序随机打乱n次；

步骤207，将得到的n*m个打乱后的结果序列作为新的词向量训练数据。

其中，m为原始词向量训练数据中的标题数量。

另外，在本发明一个可参考实施例中数据增强方法的具体实施内容，在上面所述数据增强方法中已经详细说明了，故在此重复内容不再说明。

图3是根据本发明实施例的数据增强装置的主要模块的示意图，如图3所示，所述数据增强装置300包括分词模块301、关联模块302和打乱模块303。其中，所述分词模块301采用分词器对原始词向量训练数据中的标题进行分词，得到多个分词；所述关联模块302分别确定相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中；所述打乱模块303随机打乱所述结果序列中的分词和短语的位序，将打乱后的结果序列作为新的词向量训练数据。

可选地，分别计算相邻两个分词之间的关联性，包括：

通过以下公式分别计算相邻两个分词的点互信息，

其中，x、y分别表示相邻的两个分词，pmi(x,y)表示分词x、分词y的点互信息，p(x,y)表示分词x、分词y共同出现的概率，p(x)表示分词x出现的概率，p(y)表示分词y出现的概率；

根据所述点互信息和超参数的乘积与随机数的差值，确定所述相邻两个分词之间的关联性；其中，所述超参数大于0并且小于1，所述随机数大于0并且小于1。

可选地，根据所述点互信息和超参数的乘积与随机数的差值，确定相邻两个分词之间的关联性，包括：

若所述点互信息和超参数的乘积大于所述随机数，则确定所述两个分词之间具有强关联性；

若所述点互信息和超参数的乘积小于等于所述随机数，则确定所述两个分词之间具有弱关联性。

可选地，所述打乱模块303将每个所述结果序列中的分词和短语的位序随机打乱n次，将得到的n*m个打乱后的结果序列作为新的词向量训练数据；其中，n为正整数，m为原始词向量训练数据中的标题数量，并且m为正整数。

可选地，所述分词模块301采用条件随机场模型作为分词器，对原始词向量训练数据中的标题进行分词，得到多个分词。

根据上面所述的各种实施例，可以看出本发明通过对原始词向量训练数据中的标题进行分词，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中的技术手段，从而解决了只能针对图像处理，不能应用到自然语言处理中的问题。本发明是基于相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中，并将其打乱，从而有效地扩充了词向量训练数据。因此，采用数据增强后的词向量训练数据进行词向量训练，可以获得质量更高的词向量，从而在语义相似性判断时得出更加准确的判断结果。

需要说明的是，在本发明所述数据增强装置的具体实施内容，在上面所述数据增强方法中已经详细说明了，故在此重复内容不再说明。

图4示出了可以应用本发明实施例的数据增强方法或数据增强装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器404交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息——仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的数据增强方法一般在公共场所的终端设备401、402、403上执行，也可以由服务器405执行，相应地，所述数据增强装置一般设置在公共场所的终端设备401、402、403上，也可以设置在服务器405中。

应该理解，图4中的终端设备、网络和服务器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终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(cpu)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部分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ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502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。

以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，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，本发明公开的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。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示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。在本发明中，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。而在本发明中，计算机可读的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。计算机可读的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：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括分词模块、关联模块和打乱模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，使得该设备包括：采用分词器对原始词向量训练数据中的标题进行分词，得到多个分词；分别确定相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中；随机打乱所述结果序列中的分词和短语的位序，将打乱后的结果序列作为新的词向量训练数据。

根据本发明实施例的技术方案，因为采用对原始词向量训练数据中的标题进行分词，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中的技术手段，所以克服了只能针对图像处理，不能应用到自然语言处理中的技术问题。本发明是基于相邻两个分词之间的关联性，将具有强关联性的两个分词作为一个短语加入到结果序列中，将具有弱关联性的两个分词分别加入到结果序列中，并将其打乱，从而有效地扩充了词向量训练数据。因此，采用数据增强后的词向量训练数据进行词向量训练，可以获得质量更高的词向量，从而在语义相似性判断时得出更加准确的判断结果。

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，取决于设计要求和其他因素，可以发生各种各样的修改、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。