CN110472055B - 用于标注数据的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于标注数据的方法和装置。该方法的一具体实施方式包括：响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据；对预定数目个数据与待标注的数据进行第二相似度的计算；将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合；若数据集合不为空，且数据集合中不存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用数据集合中的与待标注的数据的第二相似度最高的数据对应的聚类作为待标注的数据的聚类，将待标注的数据***预定数据库中，其中，数据合并阈值大于聚类阈值。该实施方式能够提高云计算速度，提升标注工作的效率和效果。

Description

用于标注数据的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于标注数据的方法和装置。

背景技术

随着人工智能技术的迅猛发展，智能客服***被大规模应用，逐渐代替传统的人工客服***。为了提升智能客服***的准确率和召回率，需要对智能客服***产生的对话数据进行及时标注，当智能客服***处理的请求越多时，产生的对话数据就越多，标注人员需要对大量相同或相似的问题进行重复的标注，这降低了标注人员的工作效率，也降低了标注操作的及时性。

现有的标注***，要么是对对话的明细数据进行标注，这种方式，没有对相同或相似的数据进行聚类处理，导致了数据重复标注的问题；要么是对标注数据进行离线聚类计算，由于计算时间久，导致数据无法及时标注。

发明内容

本公开的实施例提出了用于标注数据的方法和装置。

第一方面，本公开的实施例提供了一种用于标注数据的方法，包括：响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据；对预定数目个数据与待标注的数据进行第二相似度的计算；将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合；若数据集合不为空，且数据集合中不存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用数据集合中的与待标注的数据的第二相似度最高的数据对应的聚类作为待标注的数据的聚类，将待标注的数据***预定数据库中，其中，数据合并阈值大于聚类阈值。

在一些实施例中，该方法还包括：若数据集合为空，则为待标注的数据生成新的聚类，将待标注的数据***预定数据库中。

在一些实施例中，该方法还包括：若数据集合中存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则对数据集合中与待标注的数据最相似的数据进行计数加1。

在一些实施例中，在将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合之后，该方法还包括：计算数据集合中任意两个数据的第二相似度；基于第二相似度合并数据集合中的数据。

在一些实施例中，基于第二相似度合并数据集合中的数据，包括：将第二相似度大于预定的数据合并阈值的数据进行数据合并。

在一些实施例中，基于第二相似度合并数据集合中的数据，包括：将第二相似度在预定的聚类阈值和预定的数据合并阈值之间的数据进行聚类的合并。

在一些实施例中，该方法还包括：按照聚类标识对应的数据总量降序展示数据。

第二方面，本公开的实施例提供了一种用于标注数据的装置，包括：查询单元，被配置成响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据；计算单元，被配置成对预定数目个数据与待标注的数据进行第二相似度的计算；聚集单元，被配置成将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合；***单元，被配置成若数据集合不为空，且数据集合中不存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用数据集合中的与待标注的数据的第二相似度最高的数据对应的聚类作为待标注的数据的聚类，将待标注的数据***预定数据库中，其中，数据合并阈值大于聚类阈值。

在一些实施例中，***单元进一步被配置成：若数据集合为空，则为待标注的数据生成新的聚类，将待标注的数据***预定数据库中。

在一些实施例中，***单元进一步被配置成：若数据集合中存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则对数据集合中与待标注的数据最相似的数据进行计数加1。

在一些实施例中，聚集单元进一步被配置成：在将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合之后，计算数据集合中任意两个数据的第二相似度；基于第二相似度合并数据集合中的数据。

在一些实施例中，聚集单元进一步被配置成：将第二相似度大于预定的数据合并阈值的数据进行数据合并。

在一些实施例中，聚集单元进一步被配置成：将第二相似度在预定的聚类阈值和预定的数据合并阈值之间的数据进行聚类的合并。

在一些实施例中，该装置还包括展示单元，被配置成：按照聚类标识对应的数据总量降序展示数据。

第三方面，本公开的实施例提供了一种用于标注数据的电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的装置。

第四方面，本公开的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，其中，程序被处理器执行时实现如第一方面中任一的装置。

本公开的实施例提供的用于标注数据的方法和装置，实现了一种在对话数据收集阶段进行实时数据聚类计算的方法，解决了相同或相似数据需要重复标注的问题，降低了需要标注数据的数量，帮助标注人员优先标注高频问题，提升了标注工作的效率和效果。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性***架构图；

图2是根据本公开的用于标注数据的装置的一个实施例的流程图；

图3是根据本公开的用于标注数据的装置的一个应用场景的示意图；

图4是根据本公开的用于标注数据的装置的又一个实施例的流程图；

图5是根据本公开的用于标注数据的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本公开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，本公开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公开。

图1示出了可以应用本公开的用于标注数据的方法或用于标注数据的装置的实施例的示例性***架构100。

如图1所示，***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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

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，可以是具有显示屏并且支持会话的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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(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。

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上人机对话提供支持的后台对话服务器。后台对话服务器可以对接收到的问题进行分析等处理，并将处理结果(例如答案)反馈给终端设备。服务器还可收集对话进行标注，筛选出高频的问题方便人工标注。

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的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。

需要说明的是，本公开的实施例所提供的用于标注数据的方法一般由服务器105执行，相应地，用于标注数据的装置一般设置于服务器105中。

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，示出了根据本公开的用于标注数据的方法的一个实施例的流程200。该用于标注数据的方法，包括以下步骤：

步骤201，响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据。

在本实施例中，用于标注数据的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行人机交互的终端接收待标注的数据(例如，用户提出的问题)。在人机交互***完成问题回复时，异步地将对话数据，发送给数据通道，在不影响对话***的性能的同时，保证数据发送的实时性。

服务器流式接收数据通道中的对话数据，并将接收到的数据交给线程池处理。使用已接收对话数据Q中的问题，在支持全文检索的DB(对话标注数据的存储数据库)中，查询聚类不同且第一相似度最高的N个数据。第一相似度可通过TF-IDF(词频-逆文档频率)等方式表示文本相似度。两个句子的第一相似度计算的步骤是：

1.通过中文分词，把完整的句子根据分词算法分为独立的词集合

2.求出两个词集合的并集(词包)

3.计算各自词集的词频并把词频向量化

4.带入向量计算模型就可以求出文本相似度。

第一相似度采用较快的相似度计算方法，粗略地从DB中筛选出比较相似的数据，再用其它相似度计算法精确计算筛选出数据与Q的相似度。这样可以先减少用于计算相似度的数据的数量，提高计算速度。例如，通过TF-IDF方法计算Q与DB中各数据的相似度，从每个聚类的数据中选择相似度最高的数据。然后从这些选择的数据中选择相似度最高的预定数目个数据。即，同一聚类中最多选择出一个数据用于下一步计算。

在本实施例中，待标注的数据可以仅是问题，还可能是问题+答案的组合。计算第一相似度或第二相似度都可以是仅针对“问题”进行计算，不需要考虑“答案”。

步骤202，对预定数目个数据与待标注的数据进行第二相似度的计算。

在本实施例中，第二相似度可以是语义相似度。在很多情况下，直接计算词语之间的相似度非常的困哪，一般情况下，先计算词语之间的距离，再转换为相似度。语义之间的距离，通常有两种计算方式，一种是通过大量的语料库进行统计，一种是根据某种本体或分类关系。

步骤203，将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合。

在本实施例中，依次计算出预定数目个数据与待标注的数据的第二相似度之后，将第二相似度超过预定的聚类阈值S1的数据放入到数据集合U中。

步骤204，若数据集合不为空，且数据集合中不存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用数据集合中的与待标注的数据的第二相似度最高的数据对应的聚类作为待标注的数据的聚类，将待标注的数据***预定数据库中。

在本实施例中，若数据集合不为空，说明预定数据库中存在与待标注的数据相同或相似的数据。需要进一步区分与待标注的数据是相同，还是相似度。当第二相似度大于数据合并阈值，则认为是相同数据。如果第二相似度仅是大于聚类阈值，则认为是相似数据，属于同一聚类。数据合并阈值大于所述聚类阈值。如果不存在相同的数据，但存在相似数据，并且相似数据有多个，则将相似数据中相似度最高的数据对应的聚类作为待标注的数据的聚类。

步骤205，若数据集合为空，则为待标注的数据生成新的聚类，将待标注的数据***预定数据库中。

在本实施例中，若数据集合为空，说明预定数据库中不存在与待标注的数据相同或相似的数据，要为待标注的数据创建新的聚类，然后将待标注的数据根据新的聚类***到预定数据库。

步骤206，若数据集合中存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则对数据集合中与待标注的数据最相似的数据进行计数加1。

在本实施例中，若数据集合中存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，将待标注的数据合并到数据集合中。如果有多个与待标注的数据的第二相似度大于预定的数据合并阈值的数据，将对数据集合中与待标注的数据最相似的数据进行计数加1。

在本实施例的一些可选的实现方式中，该方法还包括：按照聚类标识对应的数据总量降序展示数据。每个聚类都有相应的聚类标识。使用数据加工过程中计算出的聚类标识，在存储DB中进行聚合查询，在列表中按照聚类标识对应的数据总量降序展示数据，将高频聚类数据高优展示。标注人员可以针对查询到的DB中的聚类，按照由高频到低频的顺序标注数据，以最小的时间成本高优解决高频问题，最大化地优化智能客服***的效果。

继续参见图3，图3是根据本实施例的用于标注数据的方法的应用场景的一个示意图。在图3的应用场景中，用户通过终端将问题Q发给服务器。服务器使用已接收对话数据Q中的问题，在支持全文检索的DB(对话标注数据的存储DB)中，查询聚类不同且相似度最高的N个数据后，对这N个数据与Q进行语义相似度的计算，将相似度超过S1(聚类阈值)的数据放入到集合U。如果生成的集合U为空，为会话数据Q生成新的聚类，在存储会话标注数据的DB中***该数据，数据加工结束。如果集合U不为空，在数据集合U中存在和会话数据Q相似度超过S2的数据,不***数据，对U中与其最相似的数据进行计数加1，数据加工结束。果在数据集合U中不存在和会话数据Q相似度超过S2的数据，使用数据集合U中的与Q相似度最高的数据对应的聚类作为新数据聚类，***一条新的标注数据，数据加工结束。

本公开的上述实施例提供的方法，将语义相似度大于聚类合并阈值的文本会聚集在一个聚类下，将语义相似度大于数据合并阈值的文本会进行合并。聚类是由一系列相似度大于S1的数据进行合并后(相似度大于S2)聚集到一起形成的，用户可以根据数据量由高到低来进行数据标注，花费最少的时间干预线上最高频的数据，达到事半功倍的效果，同时基于S2的数据合并会大大降低标注工作量，提升标注效率。

进一步参考图4，其示出了用于标注数据的方法的又一个实施例的流程400。该用于标注数据的方法的流程400，包括以下步骤：

步骤401，响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据。

步骤402，对预定数目个数据与待标注的数据进行第二相似度的计算。

步骤403，将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合。

步骤401-403与步骤201-203基本相同，因此不再赘述。

步骤404，若数据集合为空，则为待标注的数据生成新的聚类，将待标注的数据***预定数据库中。

步骤404与步骤205基本相同，因此不再赘述。

步骤405，计算数据集合中任意两个数据的第二相似度，基于第二相似度合并数据集合中的数据。

在本实施例中，通过语义计算，将集合U中相似度超过S2(数据合并阈值，S2>S1)的数据进行合并；将集合U中相似度在(S1，S2)范围内的数据，进行聚类的合并；(为了提升聚类计算的性能，保证算法的实时性，本方法采用多线程的方式进行聚类计算的处理，在大大提升了计算性能的同时，可能会带来聚类效果的降低，假如在同一时间有多条在历史标注数据中不存在的请求数据时，由于在DB中进行全文检索找不到相似的数据，聚类计算在不同的线程内会对这些数据生成不同的聚类，导致相同或者相似的数据被计算成不同的聚类，因此需要对集合U中的数据进行一次语义相似度计算，对语义相似度高于S2的数据进行合并、语义相似度在(S1，S2)间的数据进行聚类的合并，采用多线程聚类加后续补偿的方式来实现实时聚类标注的效果。)根据合并后的数据集合更新DB。

步骤406，若数据集合中存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则对数据集合中与待标注的数据最相似的数据进行计数加1。

步骤406与步骤206基本相同，区别仅在于步骤406采用的是合并后的数据集合。

步骤407，若数据集合不为空，且数据集合中不存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用数据集合中的与待标注的数据的第二相似度最高的数据对应的聚类作为待标注的数据的聚类，将待标注的数据***预定数据库中。

步骤407与步骤204基本相同，因此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于标注数据的方法的流程400体现了数据合并的步骤。由此，本实施例描述的方案可以采用多线程聚类加后续补偿的方式来实现实时聚类标注的效果。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于标注数据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，本实施例的用于标注数据的装置500包括：查询单元501、计算单元502、聚集单元503和***单元504。其中，查询单元501，被配置成响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据；计算单元502，被配置成对预定数目个数据与待标注的数据进行第二相似度的计算；聚集单元503，被配置成将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合；***单元504，被配置成若数据集合不为空，且数据集合中不存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用数据集合中的与待标注的数据的第二相似度最高的数据对应的聚类作为待标注的数据的聚类，将待标注的数据***预定数据库中，其中，数据合并阈值大于聚类阈值。

在本实施例中，用于标注数据的装置500的查询单元501、计算单元502、聚集单元503和***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、步骤204。

在本实施例的一些可选的实现方式中，***单元504进一步被配置成：若数据集合为空，则为待标注的数据生成新的聚类，将待标注的数据***预定数据库中。

在本实施例的一些可选的实现方式中，***单元504进一步被配置成：若数据集合中存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则对数据集合中与待标注的数据最相似的数据进行计数加1。

在本实施例的一些可选的实现方式中，聚集单元503进一步被配置成：在将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合之后，计算数据集合中任意两个数据的第二相似度；基于第二相似度合并数据集合中的数据。

在本实施例的一些可选的实现方式中，聚集单元503进一步被配置成：将第二相似度大于预定的数据合并阈值的数据进行数据合并。

在本实施例的一些可选的实现方式中，聚集单元503进一步被配置成：将第二相似度在预定的聚类阈值和预定的数据合并阈值之间的数据进行聚类的合并。

在本实施例的一些可选的实现方式中，装置500还包括展示单元(附图中未示出)，被配置成：按照聚类标识对应的数据总量降序展示数据。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的装置中限定的上述功能。需要说明的是，本公开的实施例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***、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。在本公开的实施例中，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***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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该电子设备执行时，使得该电子设备：响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据；对预定数目个数据与待标注的数据进行第二相似度的计算；将预定数目个数据中与待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合；若数据集合不为空，且数据集合中不存在与待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用数据集合中的与待标注的数据的第二相似度最高的数据对应的聚类作为待标注的数据的聚类，将待标注的数据***预定数据库中，其中，数据合并阈值大于聚类阈值。

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公开的实施例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，图示了按照本公开各种实施例的***、装置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***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的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：一种处理器包括查询单元、计算单元、聚集单元和***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，查询单元还可以被描述为“响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据的单元”。

以上描述仅为本公开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，本公开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所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。例如上述特征与本公开中公开的(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。

Claims (16)

1.一种用于标注数据的方法，包括：

响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据；

对所述预定数目个数据与所述待标注的数据进行第二相似度的计算；

将所述预定数目个数据中与所述待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合；

若所述数据集合不为空，且所述数据集合中不存在与所述待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用所述数据集合中的与所述待标注的数据的第二相似度最高的数据对应的聚类作为所述待标注的数据的聚类，将所述待标注的数据***预定数据库中，其中，所述数据合并阈值大于所述聚类阈值。

2.根据权利要求1所述的方法，其中，所述方法还包括：

若所述数据集合为空，则为所述待标注的数据生成新的聚类，将所述待标注的数据***预定数据库中。

3.根据权利要求1所述的方法，其中，所述方法还包括：

若所述数据集合中存在与所述待标注的数据的第二相似度大于预定的数据合并阈值的数据，则对所述数据集合中与所述待标注的数据最相似的数据进行计数加1。

4.根据权利要求1所述的方法，其中，在将所述预定数目个数据中与所述待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合之后，所述方法还包括：

计算所述数据集合中任意两个数据的第二相似度；

基于第二相似度合并所述数据集合中的数据。

5.根据权利要求4所述的方法，其中，所述基于第二相似度合并所述数据集合中的数据，包括：

将第二相似度大于预定的数据合并阈值的数据进行数据合并。

6.根据权利要求4所述的方法，其中，所述基于第二相似度合并所述数据集合中的数据，包括：

将第二相似度在预定的聚类阈值和预定的数据合并阈值之间的数据进行聚类的合并。

7.根据权利要求1-6之一所述的方法，其中，所述方法还包括：

按照聚类标识对应的数据总量降序展示数据。

8.一种用于标注数据的装置，包括：

查询单元，被配置成响应于接收到待标注的数据，查询聚类不同且第一相似度最高的预定数目个数据；

计算单元，被配置成对所述预定数目个数据与所述待标注的数据进行第二相似度的计算；

聚集单元，被配置成将所述预定数目个数据中与所述待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合；

***单元，被配置成若所述数据集合不为空，且所述数据集合中不存在与所述待标注的数据的第二相似度大于预定的数据合并阈值的数据，则使用所述数据集合中的与所述待标注的数据的第二相似度最高的数据对应的聚类作为所述待标注的数据的聚类，将所述待标注的数据***预定数据库中，其中，所述数据合并阈值大于所述聚类阈值。

9.根据权利要求8所述的装置，其中，所述***单元进一步被配置成：

若所述数据集合为空，则为所述待标注的数据生成新的聚类，将所述待标注的数据***预定数据库中。

10.根据权利要求8所述的装置，其中，所述***单元进一步被配置成：

若所述数据集合中存在与所述待标注的数据的第二相似度大于预定的数据合并阈值的数据，则对所述数据集合中与所述待标注的数据最相似的数据进行计数加1。

11.根据权利要求8所述的装置，其中，所述聚集单元进一步被配置成：

在将所述预定数目个数据中与所述待标注的数据的第二相似度超过预定的聚类阈值的数据放入到数据集合之后，计算所述数据集合中任意两个数据的第二相似度；

基于第二相似度合并所述数据集合中的数据。

12.根据权利要求11所述的装置，其中，所述聚集单元进一步被配置成：

将第二相似度大于预定的数据合并阈值的数据进行数据合并。

13.根据权利要求11所述的装置，其中，所述聚集单元进一步被配置成：

将第二相似度在预定的聚类阈值和预定的数据合并阈值之间的数据进行聚类的合并。

14.根据权利要求8-13之一所述的装置，其中，所述装置还包括展示单元，被配置成：

按照聚类标识对应的数据总量降序展示数据。

15.一种用于标注数据的电子设备，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如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images