用于生成模型的方法和装置与流程

本申请实施例涉及计算机技术领域，尤其涉及用于生成模型的方法和装置。

背景技术：

随着AI(Artificial Intelligence，人工智能)技术的发展，各种各样的任务均可以通过机器学习模型实现，例如语音分类任务、文本分类任务。在执行实际任务之前，需要先进行模型训练，获得具备相应能力的机器学习模型。

技术实现要素：

本申请实施例提出了用于生成模型的方法和装置。

第一方面，本申请实施例提供了一种用于生成模型的方法，该方法包括：获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同。

在一些实施例中，根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合，包括：根据统计出的比例，从第一训练样本集合中抽取训练样本；去除所抽取的训练样本中包括预设关键词的训练样本，得到第二训练样本集合。

在一些实施例中，文本处理模型包括二分类模型，第一训练样本集合中的训练样本包括正样本和负样本。

在一些实施例中，统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例，包括：统计第一训练样本集合中不同长度的样本文本在正样本中所占的比例，并统计第一训练样本集合中不同长度的样本文本在负样本中所占的比例；以及根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合，包括：根据统计出的不同长度的样本文本在正样本中所占的比例，从第一训练样本集合包括的正样本中抽取正样本，并根据统计出的不同长度的样本文本在负样本中所占的比例，从第一训练样本集合包括的负样本中抽取负样本，得到第二训练样本集合。

在一些实施例中，去除所抽取的训练样本中包括预设关键词的训练样本，得到第二训练样本集合，包括：去除所抽取的负样本中包括正样本中的关键词的训练样本，得到第二训练样本集合。

第二方面，本申请实施例提供了一种用于生成模型的装置，该装置包括：获取单元，被配置成获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计单元，被配置成统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；抽取单元，被配置成根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；训练单元，被配置成利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同。

在一些实施例中，抽取单元，包括：抽取子单元，被配置成根据统计出的比例，从第一训练样本集合中抽取训练样本；去除单元，被配置成去除所抽取的训练样本中包括预设关键词的训练样本，得到第二训练样本集合。

在一些实施例中，文本处理模型包括二分类模型，第一训练样本集合中的训练样本包括正样本和负样本。

在一些实施例中，统计单元，进一步被配置成：统计第一训练样本集合中不同长度的样本文本在正样本中所占的比例，并统计第一训练样本集合中不同长度的样本文本在负样本中所占的比例；以及抽取单元，进一步被配置成：根据统计出的不同长度的样本文本在正样本中所占的比例，从第一训练样本集合包括的正样本中抽取正样本，并根据统计出的不同长度的样本文本在负样本中所占的比例，从第一训练样本集合包括的负样本中抽取负样本，得到第二训练样本集合。

在一些实施例中，去除单元，进一步被配置成：去除所抽取的负样本中包括正样本中的关键词的训练样本，得到第二训练样本集合。

第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的用于生成模型的方法和装置，通过获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同，提供了一种基于具体场景抽取训练样本的模型训练机制，提高了模型输出结果的准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成模型的方法的一个实施例的流程图；

图3是根据本申请的用于生成模型的方法的应用场景的一个示意图；

图4是根据本申请的用于生成模型的方法的又一个实施例的流程图；

图5是根据本申请的用于生成模型的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器或终端的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成模型的方法或用于生成模型的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如文本处理类应用、语音处理类应用、地图类应用、搜索类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、智能音箱、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用提供支持的后台服务器，服务器105可以获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同。

需要说明的是，本申请实施例所提供的用于生成模型的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成模型的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、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。

继续参考图2，示出了根据本申请的用于生成模型的方法的一个实施例的流程200。该用于生成模型的方法，包括以下步骤：

步骤201，获取第一训练样本集合。

在本实施例中，用于生成模型的方法执行主体(例如图1所示的服务器或终端)可以首先获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本。样本文本可以来源于具体的场景，例如，搜索引擎接收到的查询语句，智能音箱接收到的语音指令转换得到的文本，或车载智能设备接收到的语音指令转换得到的文本，可以从线上收集一段时间的文本，作为样本文本。

步骤202，统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例。

在本实施例中，上述执行主体可以统计步骤201中获取的第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例。例如，长度3的样本文本有300000条，占比为15％，长度4样本文本有60000条，占比为30％，长度5样本文本有60000条，占比为30％，长度6的样本文本有300000条，占比为15％，其他长度的样本文本有200000条，占比为10％。

步骤203，根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合。

在本实施例中，上述执行主体可以根据步骤202中统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合。作为示例，步骤201中统计出长度3的样本文本有300000条，占比为15％，长度4样本文本有600000条，占比为30％，长度5样本文本有600000条，占比为30％，长度6的样本文本有300000条，占比为15％，其他长度的样本文本有200000条，占比为10％。上述执行主体可以从第一训练样本集合中抽取长度3的样本文本3000条，占比为15％，抽取长度4样本文本6000条，占比为30％，抽取长度5样本文本6000条，占比为30％，抽取长度6的样本文本3000条，占比为15％，抽取其他长度的样本文本2000条，占比为10％。具体的抽样比例与统计出的比例的偏差在预先设置的范围内都是可以接受的。

此外，从第一训练样本集合中抽取样本文本后，还可以对抽取出的样本文本进行标注，相比于对第一训练样本集合中所有样本文本进行标注，节省了系统资源。与样本文本对应的标注信息可以由人工或者机器标注得到，标注信息根据具体模型的不同而不同，例如，待训练模型为用于识别情绪的模型，标注信息可以包括高兴、不高兴等情绪信息。

步骤204，利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型。

在本实施例中，上述执行主体可以利用机器学习算法，将步骤203中得到的第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型。文本处理模型可以是用于识别情绪的模型，用于判断文本意图的模型等。在这里，目标文本与第一训练样本集合中的样本文本来源相同。来源相同可以是数据产生自同一应用场景，例如，都来源于智能音箱，都来源于搜索引擎，或都来源于车载智能设备。

具体地，上述执行主体可以利用机器学习算法，将步骤203得到的第二训练样本集合中的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，对初始模型(例如循环神经网络，卷积神经网络)进行训练，针对每次训练输入的样本文本，可以得到实际输出。其中，实际输出是初始模型实际输出的。然后，上述执行主体可以采用梯度下降等方法，基于实际输出和期望输出，调整初始模型的参数，将每次调整参数后得到的模型作为下次训练的初始模型，并在满足预设的训练结束条件的情况下，结束训练，从而训练得到文本处理模型。此外，在此过程中，还可以包括对样本文本进行分词、删除停用词等预处理步骤，以及基于卷积神经网络、循环神经网络或词袋模型等机器学习模型将预处理后的词转换为词向量。

在本实施例的一些可选实现方式中，文本处理模型包括二分类模型，第一训练样本集合中的训练样本包括正样本和负样本。

在本实施例的一些可选实现方式中，统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例，包括：统计第一训练样本集合中不同长度的样本文本在正样本中所占的比例，并统计第一训练样本集合中不同长度的样本文本在负样本中所占的比例；以及根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合，包括：根据统计出的不同长度的样本文本在正样本中所占的比例，从第一训练样本集合包括的正样本中抽取正样本，并根据统计出的不同长度的样本文本在负样本中所占的比例，从第一训练样本集合包括的负样本中抽取负样本，得到第二训练样本集合。

在本实现方式中，在训练二分类模型时，通过分别调整正负样本中不同长度的样本文本的比例，使得正负样本中不同长度的文本的分布与实际场景中不同长度的文本的分布更加贴近，进一步提高了训练出的模型的输出的准确度。

本申请的上述实施例提供的方法通过获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同，提供了一种基于具体场景抽取训练样本的模型训练机制，提高了模型输出结果的准确度。

继续参见图3，图3是根据本实施例的用于生成模型的方法的应用场景的一个示意图。在图3的应用场景中，服务器301可以获取车载智能设备302，车载智能设备303采集到的语音信息转化得到的文本及与其对应的标注信息作为训练样本，从而得到第一训练样本集合304；而后可以统计第一训练样本集合304中不同长度的样本文本在第一训练样本集合304中所占的比例；根据统计出的比例，从第一训练样本集合304中抽取训练样本得到第二训练样本集合，最后利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对车载智能设备302，车载智能设备303或其他车载智能设备采集到的语音信息转化得到的文本的文本处理模型。

进一步参考图4，其示出了用于生成模型的方法的又一个实施例的流程400。该用于生成模型的方法的流程400，包括以下步骤：

步骤401，获取第一训练样本集合。

在本实施例中，用于生成模型的方法执行主体(例如图1所示的服务器或终端)可以首先获取第一训练样本集合。

步骤402，统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例。

在本实施例中，上述执行主体可以统计步骤401中获取的第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例。

步骤403，根据统计出的比例，从第一训练样本集合中抽取训练样本。

在本实施例中，上述执行主体可以根据步骤402中统计出的比例，从第一训练样本集合中抽取训练样本。

步骤404，去除所抽取的训练样本中包括预设关键词的训练样本，得到第二训练样本集合。

在本实施例中，上述执行主体可以去除步骤403中抽取的训练样本中包括预设关键词的训练样本，得到第二训练样本集合。关键词可以包括容易导致训练模型出现较大的偏差的词，例如，与标注信息较为接近的词。

在本实施例的一些可选实现方式中，去除所抽取的训练样本中包括预设关键词的训练样本，得到第二训练样本集合，包括：去除所抽取的负样本中包括正样本中的关键词的训练样本，得到第二训练样本集合。负样本中包括正样本中的关键词会导致部分正样本和负样本之间有较高的相似度，容易导致训练模型出现较大的偏差，去除后可以减少干扰，进一步提高了生成的模型输出结果的准确度。作为示例，待训练模型用于判断文本中的情绪是高兴或不高兴，其中，高兴为正样本，不高兴为负样本，可以去除包括的“高兴”负样本。

在本实施例的一些可选实现方式中，同样也可以去除所抽取的正样本中包括负样本中的关键词的训练样本。

步骤405，利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型。

在本实施例中，上述执行主体可以利用机器学习算法，将步骤404中得到的第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型。

在本实施例中，步骤401、步骤402、步骤403、步骤405的操作与步骤201、步骤202、步骤203、步骤204的操作基本相同，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成模型的方法的流程400中通过去除所抽取的训练样本中包括预设关键词的训练样本，进一步提高了训练样本的质量，由此，本实施例描述的方案中进一步提高了生成的模型输出结果的准确度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成模型的装置500包括：获取单元501、统计单元502、抽取单元503、训练单元504。其中，获取单元，被配置成获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计单元，被配置成统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；抽取单元，被配置成根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；训练单元，被配置成利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同。

在本实施例中，用于生成模型的装置500的获取单元501、统计单元502、抽取单元503、训练单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选实现方式中，抽取单元，包括：抽取子单元，被配置成根据统计出的比例，从第一训练样本集合中抽取训练样本；去除单元，被配置成去除所抽取的训练样本中包括预设关键词的训练样本，得到第二训练样本集合。

在本实施例的一些可选实现方式中，文本处理模型包括二分类模型，第一训练样本集合中的训练样本包括正样本和负样本。

在本实施例的一些可选实现方式中，统计单元，进一步被配置成：统计第一训练样本集合中不同长度的样本文本在正样本中所占的比例，并统计第一训练样本集合中不同长度的样本文本在负样本中所占的比例；以及抽取单元，进一步被配置成：根据统计出的不同长度的样本文本在正样本中所占的比例，从第一训练样本集合包括的正样本中抽取正样本，并根据统计出的不同长度的样本文本在负样本中所占的比例，从第一训练样本集合包括的负样本中抽取负样本，得到第二训练样本集合。

在本实施例的一些可选实现方式中，去除单元，进一步被配置成：去除所抽取的负样本中包括正样本中的关键词的训练样本，得到第二训练样本集合。

本申请的上述实施例提供的装置，通过获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同，提供了一种基于具体场景抽取训练样本的模型训练机制，提高了模型输出结果的准确度。

下面参考图6，其示出了适于用来实现本申请实施例的服务器或终端的计算机系统600的结构示意图。图6示出的服务器或终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 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。

以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

特别地，根据本公开的实施例，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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。在本申请中，计算机可读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。而在本申请中，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。

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申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、统计单元、抽取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如获取单元还可以被描述为“被配置成获取第一训练样本集合的单元”。

作为另一方面，本申请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装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。