CN111666500A - 文本分类模型的训练方法及相关设备 - Google Patents
文本分类模型的训练方法及相关设备 Download PDFInfo
- Publication number
- CN111666500A CN111666500A CN202010514986.XA CN202010514986A CN111666500A CN 111666500 A CN111666500 A CN 111666500A CN 202010514986 A CN202010514986 A CN 202010514986A CN 111666500 A CN111666500 A CN 111666500A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- text
- training
- training text
- 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
- 238000012549 training Methods 0.000 title claims abstract description 303
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000013145 classification model Methods 0.000 title claims abstract description 91
- 238000003062 neural network model Methods 0.000 claims abstract description 288
- 238000012545 processing Methods 0.000 claims abstract description 73
- 239000013598 vector Substances 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003042 antagnostic effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 83
- 238000010586 diagram Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供了一种文本分类模型的训练方法及装置、电子设备和存储介质。该方法包括:获取训练文本及其类别标签信息和群体标签信息;通过第一神经网络模型对训练文本进行处理,并根据类别标签信息获得第一神经网络模型的初始网络参数;通过第二神经网络模型和第一神经网络模型对训练文本进行处理,获得训练文本的第一预测群体信息;根据训练文本的群体标签信息及其第一预测群体信息对抗训练第一神经网络模型和第二神经网络模型,确定第一神经网络模型的目标网络参数,将包括目标网络参数的第一神经网络模型确定为文本分类模型。本公开实施例提供的方法得到的文本分类模型能够在不损失模型精度的条件下,给出无群体歧视的分类结果。
Description
技术领域
本公开涉及计算机技术领域,具体而言,涉及一种文本分类模型的训练方法及装置、电子设备和计算机可读存储介质。
背景技术
评论过滤是新闻、社区类等应用中的一项功能,用户生成的评论、发言中,可能包含负面消极、甚至违反法律的信息,筛选出这些负面评论或者不良评论并将其删除是很重要的。
相关技术中,通常采用文本分类模型来过滤评论。文本分类是自然语言处理中的基础任务,指的是给定一句话,根据其语义判断它的类别标签。典型的文本分类任务包括语言情感分析、舆情监测等。在评论过滤的场景中,文本分类模型用来判断一个评论是否是负面评论或者不良评论。
相关技术中,一般采用人工标注的数据集来训练文本分类模型,然后利用训练好的文本分类模型来预测用户提交的评论是否是负面评论或者不良评论。
但是,研究发现人工标注的数据集中,常常带有对某些少数群体的偏见与歧视,换言之,在数据集中某些群体更倾向于是某种标签。这种数据集中的歧视可能是人类社会中固有的偏见导致的,也可能反应了数据标注者在标注过程中的歧视性偏差。相关技术中的文本分类模型在训练过程中会学习到这种偏差,当模型在实际应用中预测时,会给出歧视性的预测结果,甚至放大这些社会偏见。
比如,在攻击性评论检测(Abusive Language Detection)任务中的一些数据集中,关于女性群体的句子中“攻击性”标签的比例明显高于男性群体,换言之,在数据集中,包含女性群体的句子的类别标签是“攻击性”的概率更高。这种偏差导致用这些数据集训练的模型可能会把“你是个好女人”误判为“攻击性”,尽管这句话明显没有任何攻击性。这种歧视性预测的一个直接结果是女性群体有关的言论可能会受到更多限制,导致了模型对女性的歧视。
相关技术中的文本分类模型得到的分类结果含有群体歧视,偏差较大,准确性较低。
因此,需要一种新的文本分类模型的训练方法及装置、电子设备和计算机可读存储介质。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开实施例提供一种文本分类模型的训练方法及装置、电子设备和计算机可读存储介质,训练得到的文本分类模型能够至少在一定程度上减轻分类结果中的群体歧视,提高模型分类的准确性。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
本公开实施例提供一种文本分类模型的训练方法,该方法包括:获取训练文本及其类别标签信息和群体标签信息;通过第一神经网络模型对训练文本进行处理,并根据训练文本的类别标签信息获得第一神经网络模型的初始网络参数;通过第二神经网络模型和包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一预测群体信息;根据训练文本的群体标签信息及其第一预测群体信息对抗训练第一神经网络模型和第二神经网络模型,以使得第二神经网络模型识别出训练文本中的目标群体信息,并利用第一神经网络模型去除目标群体信息,确定第一神经网络模型的目标网络参数,将包括目标网络参数的第一神经网络模型确定为文本分类模型。
本公开实施例提供一种文本分类方法,该方法包括:获取待分类文本,其中,待分类文本中包含目标群体信息;将待分类文本输入到已训练的文本分类模型中,获得待分类文本的预测类别信息,其中文本分类模型去除待分类文本中的目标群体信息,以使得待分类文本的预测类别信息与目标群体信息无关。
本公开实施例提供一种文本分类模型的训练装置,该装置包括:训练文本获取模块,用于获取训练文本及其类别标签信息和群体标签信息;第一处理模块,用于通过第一神经网络模型对训练文本进行处理,并根据训练文本的类别标签信息获得第一神经网络模型的初始网络参数;第二处理模块,用于通过第二神经网络模型和包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一预测群体信息;对抗训练模块,用于根据训练文本的群体标签信息及其第一预测群体信息对抗训练第一神经网络模型和第二神经网络模型,以使得第二神经网络模型识别出训练文本中的目标群体信息,并利用第一神经网络模型去除目标群体信息,确定第一神经网络模型的目标网络参数,用于将包括目标网络参数的第一神经网络模型确定为文本分类模型。
在本公开的一些示例性实施例中,第二处理模块包括:第一向量获得单元,用于通过包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一特征编码向量;第一预测单元,用于通过第二神经网络模型对训练文本的第一特征编码向量进行处理,获得训练文本的第一预测群体信息。
在本公开的一些示例性实施例中,对抗训练模块包括:第一损失函数获得单元,用于根据训练文本的群体标签信息及其第一预测群体信息获得第一损失函数;第一参数获得单元,用于根据第一损失函数训练第二神经网络模型,获得第二神经网络模型的目标网络参数。
在本公开的一些示例性实施例中,对抗训练模块包括:第二向量获得单元,用于利用第一神经网络模型对训练文本进行处理,获得训练文本的第二特征编码向量;第二预测单元,用于通过包括目标网络参数的第二神经网络模型对训练文本的第二特征编码向量进行处理,获得训练文本的第二预测群体信息;第二损失函数获得单元,用于根据训练文本的群体标签信息及其第二预测群体信息获得第二损失函数,第一损失函数和第二损失函数互逆;第二参数获得单元,用于根据第二损失函数训练第一神经网络模型,调整初始网络参数,获得第一神经网络模型的目标网络参数。
在本公开的一些示例性实施例中,训练文本获取模块包括:预测信息获得单元,用于通过第一神经网络模型对训练文本进行处理,获得训练文本的预测标签信息;第三损失函数获得单元,用于根据训练文本的类别标签信息及其预测标签信息获得第三损失函数;第三参数获得单元,用于根据第三损失函数训练第一神经网络模型,获得第一神经网络模型的初始网络参数。
在本公开的一些示例性实施例中,文本分类模型的训练装置还包括:第三预测单元,用于通过第一神经网络模型和第二神经网络模型对训练文本进行处理,获得训练文本的第三预测群体信息;第四损失函数获得模块,用于根据训练文本的群体标签信息及其第三预测群体信息获得第四损失函数;第四参数获得单元,用于根据第四损失函数训练第二神经网络模型,获得第二神经网络模型的初始网络参数。
在本公开的一些示例性实施例中,文本分类模型的训练装置还包括:文本获取模块,用于获取待分类文本,其中,待分类文本中包含目标群体信息;类别获得模块,用于将待分类文本输入到文本分类模型中,获得待分类文本的预测类别信息。
在本公开的一些示例性实施例中,文本分类模型的训练装置还包括:文本发送模块,用于若待分类文本的预测类别信息为第一类别,则向客户端发送待分类文本,以将待分类文本显示于客户端上。
根据本公开实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的文本分类模型的训练方法或文本分类方法。
根据本公开实施例的一个方面,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时,使得所述一个或多个处理器实现如上述实施例中所述的文本分类模型的训练方法或文本分类方法。
本公开某些实施方式提供的文本分类模型的训练方法,通过对抗训练第一神经网络模型和第二神经网络模型,能够使第二神经网络模型识别出训练文本中的目标群体信息,进而可以利用第一神经网络模型去除该目标群体信息,并基于训练好的第一神经网络模型获得文本分类模型;一方面,可以提高文本分类模型的精度,提高分类结果的准确性;另一方面,通过该文本分类模型得到的分类结果可以消除群体歧视,得到的分类结果更加公平,同时可以避免带来不好的社会影响。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1示出了可以应用本公开实施例的文本分类模型的训练方法或文本分类模型的训练装置的示例性***架构的示意图;
图2示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图;
图3示意性示出了根据本公开的一实施例的文本分类模型的训练方法的流程图;
图4示意性示出了根据本公开的一实施例的神经网络模型的示意图;
图5示出了图3中所示的步骤S330在一实施例中的处理过程示意图;
图6示出了图3中所示的步骤S340在一实施例中的处理过程示意图;
图7示出了图3中所示的步骤S340在一实施例中的处理过程示意图;
图8示出了图3中所示的步骤S320在一实施例中的处理过程示意图;
图9示意性示出了根据本公开的一实施例的文本分类模型的训练方法的流程图;
图10示意性示出了根据本公开的一实施例的文本分类模型的训练方法的流程图;
图11示意性示出了根据本公开的一实施例的文本分类模型的训练方法的流程图;
图12示意性示出了根据本公开的一实施例的应用界面的示意图;
图13示意性示出了根据本公开的一实施例的文本分类模型的训练装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本公开实施例的文本分类模型的训练方法、文本分类方法或文本分类模型的训练装置、文本分类装置的示例性***架构100的示意图。
如图1所示,***架构100可以包括服务器101、网络102和终端设备103。网络102用以在终端设备103和服务器101之间提供通信链路的介质。网络102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104可以使用终端设备103通过网络102与服务器101交互,以接收或发送消息等。其中,终端设备103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、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器101可以是提供各种服务的服务器,例如对用户104利用终端设备103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备。
服务器101可例如获取训练文本及其类别标签信息和群体标签信息;服务器101可例如通过第一神经网络模型对训练文本进行处理,并根据训练文本的类别标签信息获得第一神经网络模型的初始网络参数;服务器101可例如通过第二神经网络模型和包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一预测群体信息;服务器101可例如根据训练文本的群体标签信息及其第一预测群体信息对抗训练第一神经网络模型和第二神经网络模型,以使得第二神经网络模型识别出训练文本中的目标群体信息,并利用第一神经网络模型去除目标群体信息,确定第一神经网络模型的目标网络参数,将包括目标网络参数的第一神经网络模型确定为文本分类模型。
服务器101可例如获取待分类文本,其中,待分类文本中包含目标群体信息;服务器101可例如将待分类文本输入到已训练的文本分类模型中,获得待分类文本的预测类别信息,其中文本分类模型去除待分类文本中的目标群体信息,以使得待分类文本的预测类别信息与目标群体信息无关;服务器101可例如当待分类文本的预测类别信息为第一类别时,将待分类文本返回至终端设备103。
用户104可以在终端设备103中输入文本,文本例如可以为评论内容。终端设备103通过网络102与服务器101交互,服务器101可以通过文本分类模型对用户104输入的文本进行分类,获得104输入的文本的类别。服务器101可以对文本的类别进行判断,若该文本的类别为第一类别时,服务器101存储该文本并将该文本发送至终端设备103,终端设备103可以将该文本显示在屏幕上;若该文本的类别为第二类别时,服务器101可以不将该文本发送至终端设备103,终端设备103可以不显示该文本。
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,服务器101可以是一个实体的服务器,还可以为多个服务器组成的服务器集群,还可以是云端服务器,根据实际需要,可以具有任意数目的终端设备、网络和服务器。
图2示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
需要说明的是,图2示出的电子设备的计算机***200仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示,计算机***200包括中央处理单元(CPU,Central Processing Unit)201,其可以根据存储在只读存储器(ROM,Read-Only Memory)202中的程序或者从储存部分208加载到随机访问存储器(RAM,Random Access Memory)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有***操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(input/output,I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分207;包括硬盘等的储存部分208;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,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210上,以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地,根据本公开的实施例,下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存储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209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的方法和/或装置中限定的各种功能。
需要说明的是,本公开所示的计算机可读存储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(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)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存储介质,该计算机可读存储介质可以发送、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。计算机可读存储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(RadioFrequency,射频)等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的方法、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,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***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。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。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的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。上述计算机可读存储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电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。例如,所述的电子设备可以实现如图3或图5或图6或图7或图8或图9或图10或图11或图12所示的各个步骤。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本公开实施例提供的技术方案涉及人工智能技术的自然语言处理及机器学习技术等方面,下面通过具体的实施例进行举例说明。
相关技术中,存在以下两种主要的方式解决文本分类模型中的群体歧视问题:
第一种方式:添加数据方法,即在训练集中针对特定群体添加样本,从而使得不同群体中标签的分布类似。
第二种方式:通过群体交换做数据增强,即对于训练集里每句话,将这句话中的群体实体词依次替换为其他所有群体的对应实体词,并将替换后的句子和原标签作为增强数据加入数据集,通过这种方式也能使得数据集中群体信息与标签无关。
上述两种文本分类模型主要存在以下问题:
上述第一种方式中,补充数据的人工成本很高,需要补充的数据量和数据集大小成正比关系;补充的数据需要根据句子中的群体信息仔细的挑选,才能使得群体信息与标签无关;同时挑选的过程甚至还可能涉及到其他与群体信息相关的特征,比如句子长度等。
上述第二种方式中,实际上是在假设无歧视的理想数据分布满足以下公式:
P(X′|Z)=P(X′) (1)
P(Y|X′,Z)=P(Y|X′) (2)
上述公式(1)和公式(2)中,X′表示句子中除群体信息以外的部分,Z表示句子中的群体信息,Y表示句子的标签信息。
而实际上无歧视的理想分布并不一定必须满足这两个假设。比如第一个假设可能会导致一些无意义的句子,如原句子为“她生了一个孩子”,经过替换后变成了:“他生了一个孩子”。同时实践中,这种方法会牺牲掉模型的一些精度。
针对上述相关技术中存在的技术问题,本公开实施例提供了一种文本分类模型的训练方法,以用于至少解决上述技术问题中的一个或者全部。图3示意性示出了根据本公开的一实施例的文本分类模型的训练方法的流程图。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行,例如如图1中的终端设备103和/或服务器101。
如图3所示,本公开实施例提供的文本分类模型的训练方法可以包括以下步骤。
在步骤S310中,获取训练文本及其类别标签信息和群体标签信息。
本公开实施例中,训练文本包括但不限于社交、电子商务等网站或者应用(Application,APP)上用户提交的评论、文章等。类别标签信息例如可以为正面评论、负面评论。正面评论可以为用户发表的积极的评论,例如“这篇文章分析的很好”;负面评论可以为用户发表的消极的评论或违反法律的评论,例如“这篇文章的作者道德品质败坏”。群体可以为文本中蕴含、表征的人类群体信息,例如种族、民族、性别等。群体标签信息可以具体的应用场景而定,例如可以为女性、男性,也可以为老师、学生,本公开对此不做限定。在下面的举例说明中,均以训练文本为评论文本为例进行举例说明,但本公开的保护范围并不限定于此。
当训练文本为评论文本时,可以通过人工标注或者基于规则的方法来获取各评论文本的类别标签和群体标签。例如,评论文本例如可以为“我是一个女生”,通过人工标注或者基于规则的方法获取的该评论文本的类别标签例如可以为“正面评论”,通过人工标注或者基于规则的方法获取的该评论文本的群体标签例如可以为“女性”。根据基于规则的方法来获取群体标签,例如可以设定一些规则,用来检测评论文本中是否包含“女性”的同义词、近义词或相关词,例如“女生”、“女孩”、“美女”等,当评论文本中匹配到其中的至少一条规则时,该评论文本的群体标签可以为“女性”。
在步骤S320中,通过第一神经网络模型对训练文本进行处理,并根据训练文本的类别标签信息获得第一神经网络模型的初始网络参数。
本公开实施例中,第一神经网络模型可以是任意的能够对文本进行分类的神经网络,本公开对此不做限定。下面以图4为例进行举例说明。
图4示意性示出了根据本公开的一实施例的神经网络模型的示意图。
如图4所示,第一神经网络模型例如可以包括输入层410、隐层420及输出层430。其中,隐层420可以使用LTSM(Long Short-Term Memory,长短时记忆网络)、循环神经网络、卷积神经网络、Transformer(转换器)网络等,本公开对此不做限制。输出层430例如可以使用MLP(Multilayer Perceptron,多层感知机)对隐层输出的特征编码向量进行解码。
例如可以将训练文本输入到第一神经网络模型的输入层410中,输入层410中对该训练文本进行特征处理,特征处理例如可以包括文本清洗、分词及词向量嵌入。
以训练文本为评论文本为例,评论文本中可能包含符号、链接信息等,这些信息对判断评论文本的类别没有帮助,反而会增大输入空间和训练负荷。例如可以通过字符串匹配方法将这些信息过滤掉。字符串匹配方法例如可以为正则表达式。
对过滤掉无用信息的评论文本进行分词处理。分词处理例如可以使用简单的字典匹配的方法,也可以使用预先训练好的分词模型,如jieba(结巴)分词和Standford(斯坦福)分词等,本公开对此不做限制。
将分词处理结果转化为词向量。词向量为一个固定维数的向量,可以表示一个词。在本公开实施例中,可以使用预先训练好的词向量,如GloVe(Global Vectors for WordRepresentation,基于全局词频统计的词表征工具)、word2vec(word to vector,词向量生成工具)等,也可以直接随机初始化。在词向量嵌入时,可以将每句话的长度固定,不够的可以用0填充。例如词向量可以设置为300维,评论固定长度可以设置为100,完成词向量嵌入后,每条评论可以被表征为100*300的矩阵,称之为句子向量。
例如可以将特征处理后的训练文本的句子向量输入到隐层420中进行编码,获得训练文本的初始特征编码向量,将训练文本的初始特征编码向量输入至输出层430,通过输出层430输出的训练文本的预测类别信息,根据训练文本的预测类别信息和该训练文本的类别标签信息,确定目标函数,根据该目标函数训练第一神经网络模型,获得第一神经网络模型的初始网络参数。
在步骤S330中,通过第二神经网络模型和包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一预测群体信息。
如图4所示,第二神经网络模型440例如可以为任意的二分类器或者多分类器,当第二神经网络模型可以识别某一种目标群体信息时,可以采用二分类器,当第二神经网络模型可以识别两种或者以上目标群体信息时,可以采用多分类器,分类器例如可以使用MLP、多层前馈神经网络等。第二神经网络模型440可以对隐层420输出的特征编码向量进行解码,第二神经网络模型440的输出向量的维度为预先划分的目标群体的数量,每一维表示训练文本属于对应目标群体的概率。本公开实施例中,第二神经网络模型440可以回传梯度至隐层420。
在示例性实施例中,通过第二神经网络模型和包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一预测群体信息,可以包括:通过包括初始网络参数的第一神经网络模型对训练文本进行处理,可以获得该训练文本的第一特征编码向量,将第一特征编码向量输入到第二神经网络模型中进行处理,可以获得该训练文本的第一预测群体信息。
在步骤S340中,根据训练文本的群体标签信息及其第一预测群体信息对抗训练第一神经网络模型和第二神经网络模型,以使得第二神经网络模型识别出训练文本中的目标群体信息,并利用第一神经网络模型去除目标群体信息,确定第一神经网络模型的目标网络参数,将包括目标网络参数的第一神经网络模型确定为文本分类模型。
例如可以根据训练文本的群体标签信息及其第一预测群体信息获取第一损失函数,固定第一神经网络模型的参数为上述步骤S320获得的初始网络参数,根据第一损失函数训练第二神经网络模型,使第二神经网络模型识别出该训练文本中的目标群体信息,获得第二神经网络模型的目标网络参数。
在确定了第二神经网络模型的目标网络参数之后,利用第一神经网络模型对训练文本进行处理,获得该训练文本的第二特征编码向量,将第二特征编码向量输入到包含目标网络参数的第二神经网络模型中进行处理,即此时固定第二神经网络模型的参数为上述训练步骤获得的目标网络参数,然后获得该训练文本的第二预测群体信息,即第二神经网络模型识别出该训练文本的目标群体信息;根据该训练文本的群体标签信息及第二预测群体信息获取第二损失函数,其中,第一损失函数与第二损失函数互逆;根据第二损失函数训练第一神经网络模型,调整第一神经网络模型的初始网络参数,使得第一神经网络模型输出的第二特征编码向量中不包含第二神经网络模型根据第一特征编码向量识别出的目标群体信息,即第二神经网络模型不能根据调整后的第一神经网络模型输出的第二特征编码向量再识别出目标群体信息,将调整后的第一神经网络模型的参数作为第一神经网络模型的目标网络参数。
以评论文本为“你是个好女人”为例,相关技术中的文本分类模型可能对女性这个群体存在群体歧视,对该评论的分类结果可能为“负面评论”。本公开实施例中,将该评论文本编码后输入到第二神经网络模型中,固定第一神经网络模型的参数为初始网络参数,根据第一损失函数训练第二神经网络模型,调整第二神经网络模型的参数至目标网络参数,使第二神经网络模型可以识别出该评论文本中的目标群体信息:“女性”。然后,再固定第二神经网络模型的参数为其目标网络参数,根据第二损失函数训练第一神经网络模型,调整第一神经网络模型的参数,使第一神经网络模型输出的该评论文本的第二特征编码向量中不包括目标群体信息,例如输出的该评论文本的第二特征编码向量表示的文本为“你是个好人”,将该第二特征编码向量输入到第二神经网络模型中,第二神经网络模型不能识别出目标群体信息“女性”。将调整后的第一神经网络模型的参数作为第一神经网络模型的目标网络参数,将包括目标网络参数的第一神经网络模型确定为文本分类模型。用该文本分类模型识别评论文本“你是个好女人”,可以得到识别结果为“正面评论”,该识别结果不带有群体歧视。
本公开实施方式提供的文本分类模型的训练方法,通过对抗训练第一神经网络模型和第二神经网络模型,能够使第二神经网络模型识别出训练文本中的目标群体信息,使第一神经网络模型去除目标群体信息,可以基于训练好的第一神经网络模型获得文本分类模型;一方面,可以提高文本分类模型的精度,提高分类结果的准确性;另一方面,通过该文本分类模型得到的分类结果可以消除群体歧视,得到的分类结果更加公平,同时可以避免带来不好的社会影响。
图5示出了图3中所示的步骤S330在一实施例中的处理过程示意图。
如图5所示,本公开实施例中,上述步骤S330可以进一步包括以下步骤。
在步骤S331中,通过包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一特征编码向量。
训练文本仍以“你是一个好女人”为例,该训练文本的群体标签信息为“女性”。通过包括初始网络参数的第一神经网络模型对该训练文本进行处理,可以获得该训练文本的第一特征编码向量,其中,第一特征编码向量用来表示该训练文本,且其中包含表示“女人”的词向量。
在步骤S332中,通过第二神经网络模型对训练文本的第一特征编码向量进行处理,获得训练文本的第一预测群体信息。
本公开实施例中的训练文本中,可以包含一个或多个群体信息,本公开对此不做限制。
通过第二神经网络模型对上述训练文本的第一特征编码向量进行处理,可以获得该训练文本的第一预测群体信息,其中,第二神经网络模型可以由一个二分类器组成,第一预测群体信息例如可以表示该训练文本属于女性群体和男性群体的概率;第二神经网络模型也可以由多个分类器组成,其中,每个分类器用于一个群体的分类,第一预测群体信息例如可以表示该训练文本属于各群体的概率,其中,群体可以预先设置,例如可以设置有女性群体、学生群体、青少年群体等。
例如可以设置一个预定义的群体实体词表,使用字典匹配的手段提取出文本中的群体信息。
图6示出了图3中所示的步骤S340在一实施例中的处理过程示意图。如图6所示,本公开实施例中,上述步骤S340可以进一步包括以下步骤。
在步骤S341中,根据训练文本的群体标签信息及其第一预测群体信息获得第一损失函数。
本公开实施例中,第一损失函数可以用以下公式表达:
在公式(3)中,Loss1表示第一损失函数,k表示一个批次中所包含的训练样本数量,i表示训练集中每个样本的标号,xi表示第i个样本,zi表示第i个样本的群体标签信息,f(zi|xi)表示输入为xi时,第一预测群体信息为zi的概率。
本公开实施例中,第一损失函数也可以使用其他损失函数,例如添加正则项,均方差损失函数等,本公开对此不做限制。
在步骤S342中,根据第一损失函数训练第二神经网络模型,获得第二神经网络模型的目标网络参数。
本公开实施例中,可以固定第一神经网络模型的参数,根据公式(3),调整第二神经网络模型的参数,使第二神经网络模型能够识别出训练文本中的目标群体信息,将训练好的第二神经网络模型的参数作为第二神经网络模型的目标网络参数。
图7示出了图3中所示的步骤S340在一实施例中的处理过程示意图。
如图7所示,本公开实施例中,上述步骤S340可以进一步包括以下步骤。
在步骤S343中,利用第一神经网络模型对训练文本进行处理,获得训练文本的第二特征编码向量。
训练文本仍以“你是一个好女人”为例,该训练文本的群体标签信息为“女性”。利用第一神经网络模型对该训练文本进行处理,可以获得该训练文本的第二特征编码向量。
在步骤S344中,通过包括目标网络参数的第二神经网络模型对训练文本的第二特征编码向量进行处理,获得训练文本的第二预测群体信息。
仍以上述训练文本为例,通过已训练好的第二神经网络模型对该训练文本的第二特征编码向量进行处理,可以获得该训练文本的第二预测群体信息。
在步骤S345中,根据训练文本的群体标签信息及其第二预测群体信息获得第二损失函数,第一损失函数和第二损失函数互逆。
本公开实施例中,第二损失函数可以用以下公式表达:
Loss2=-Loss1 (4)
在公式(4)中,Loss2表示第二损失函数,在本公开实施例中,第二损失函数与第一损失函数互为相反数,第二损失函数也可以根据实际情况设置,本公开对此不做限制。第一损失函数和第二损失函数互逆,可以使得第一神经网络模型输出的第二特征向量中不包含目标群体信息,使得第二神经网络模型根据第二特征向量识别不出训练文本中的目标群体信息。
在步骤S346中,根据第二损失函数训练第一神经网络模型,调整初始网络参数,获得第一神经网络模型的目标网络参数。
本公开实施例中,可以固定第二神经网络模型的参数,根据公式(4),调整第一神经网络模型的参数,使第二神经网络模型识别不出训练文本的目标群体信息,将调整好的第一神经网络模型的参数作为第一神经网络模型的目标网络参数。
仍以上述训练文本为例,例如,通过第一神经网络模型对训练文本“你是一个好女人”进行处理,得到的第二特征编码向量中包含表示“女人”的词向量,固定第二神经网络模型的参数为第二神经网络模型的目标网络参数,通过第二神经网络模型对第二特征编码向量进行处理,可以得到第二预测群体信息为“女性”,根据公式(4)调整第一神经网络模型的参数,使第一神经网络模型输出的该评论文本的第二特征编码向量中不包括目标群体信息“女性”,例如输出的该评论文本的第二特征编码向量表示的文本为“你是个好人”,将该第二特征编码向量输入到第二神经网络模型中,获得的第二预测群体信息中表示该训练文本属于女性的概率为50%,属于男性的概率为50%,即第二神经网络模型识别不出该训练文本的目标群体信息。利用训练好的第一神经网络模型对训练文本进行识别,可以去除训练文本中的群体信息,从而得到和群体信息无关的识别结果,消除群体歧视。
图8示出了图3中所示的步骤S320在一实施例中的处理过程示意图。
如图8所示,本公开实施例中,上述步骤S320可以进一步包括以下步骤。
在步骤S321中,通过第一神经网络模型对训练文本进行处理,获得训练文本的预测标签信息。
如图4所示,例如可以将训练文本输入到第一神经网络模型的输入层410中,输入层410中对该训练文本进行特征处理,将特征处理后的训练文本输入到隐层420中进行编码,将编码后的特征向量输入到输出层430中,输出层430可以输出该训练文本的预测标签信息。
在步骤S322中,根据训练文本的类别标签信息及其预测标签信息获得第三损失函数。
本公开实施例中,第三损失函数可以用以下公式表达:
在公式(5)中,Loss3表示第三损失函数,k表示一个批次中所包含的训练样本数量,i表示训练集中每个样本的标号,xi表示第i个样本,yi表示第i个样本的类别标签信息,f(yi|xi)表示输入为xi时,预测标签信息为yi的概率。
在步骤S323中,根据第三损失函数训练第一神经网络模型,获得第一神经网络模型的初始网络参数。
根据公式(5)训练第一神经网络模型,调整第一神经网络模型的参数,使第一神经网络模型可以识别训练文本中的类别,将调整好的第一神经网络模型的参数作为第一神经网络模型的初始网络参数。
本公开实施例提供的方案,可以保证训练得到的文本分类模型的精度,保证分类结果的准确性。
图9示意性示出了根据本公开的一实施例的文本分类模型的训练方法的流程图。
如图9所示,与上述实施例的不同之处,在步骤S320之前,本公开实施例提供的方法还可以进一步包括以下步骤。
在步骤S910中,通过第一神经网络模型和第二神经网络模型对训练文本进行处理,获得训练文本的第三预测群体信息。
通过第一神经网络模型对训练文本进行处理,获得该训练文本的特征编码向量,将该特征编码向量输入到第二神经网络模型中,获得该训练文本的第三预测群体信息。
在步骤S920中,根据训练文本的群体标签信息及其第三预测群体信息获得第四损失函数。
本公开实施例中,第四损失函数可以用以下公式表达:
在公式(6)中,Loss4表示第四损失函数,k表示一个批次中所包含的训练样本数量,i表示训练集中每个样本的标号,xi表示第i个样本,zi表示第i个样本的群体标签信息,f(zi|xi)表示输入为xi时,第三预测群体信息为zi的概率。
在步骤S930中,根据第四损失函数训练第二神经网络模型,获得第二神经网络模型的初始网络参数。
根据公式(6),固定第一神经网络模型的参数,训练第二神经网络模型,获得第二神经网络模型的初始网络参数。在第一神经网络模型和第二神经网络模型的对抗训练之前,对第二神经网络模型进行训练,可以使第二神经网络模型对群体信息的识别效果更好。
图10示意性示出了根据本公开的一实施例的文本分类模型的训练方法的流程图。
如图10所示,本公开实施例提供的文本分类模型的训练方法可以包括以下步骤。
在步骤S1001中,初始化参数。
在本公开实施例中,可以将第一神经网络模型的参数和第二神经网络模型的参数初始化,可以根据实际情况设置n和k的值,其中,n表示训练样本的批次数量,n为大于或者等于1的正整数,可以设置i表示第i个批次,i为大于或者等于1且小于或者等于n的正整数,i的初始值可以为1;k表示每个批次中所包含的训练样本数量,k为大于或者等于1的正整数,可以用j表示当前批次中的第j个训练样本,j为大于或者等于1且小于或者等于k的正整数,j的初始值可以为1。
在步骤S1002中,根据第四损失函数,训练第二神经网络模型。
第四损失函数如公式(6)所示,第二神经网络模型例如可以为任意的二分类器或者多分类器。
根据公式(6),固定第一神经网络模型的参数,训练第二神经网络模型,获得第二神经网络模型的初始网络参数。
在对抗训练第一神经网络模型和第二神经网络模型之前,根据第四损失函数,对第二神经网络模型进行训练,可以使第二神经网络模型对群体信息的识别效果更好。
在步骤S1003中,判断i是否小于或者等于n。
当i小于或者等于n时,执行步骤S1004;当i大于n时,结束该流程。
在步骤S1004中,j=1。
将j的值设置为1,便于后续循环过程进行。
在步骤S1005中,判断j是否小于或者等于k。
当j小于或者等于k时,执行步骤S1006;当j大于k时,执行步骤S1011。
在步骤S1006中,获取一批训练文本。
训练文本例如可以为数据生成器生成的数据,训练文本可以分为多个批次,用于第一神经网络模型和第二神经网络模型的对抗训练。
在步骤S1007中,根据第三损失函数,训练第一神经网络模型。
第三损失函数如公式(5)所示,可以固定第二神经网络模型为第二神经网络模型的初始网络参数,根据公式(5)训练第一神经网络模型,调整第一神经网络模型的参数,使第一神经网络模型可以识别训练文本中的类别,将调整好的第一神经网络模型的参数作为第一神经网络模型的初始网络参数。
根据第三损失函数,训练第一神经网络模型,可以保证训练得到的文本分类模型的精度,保证分类结果的准确性。
在步骤S1008中,根据第一损失函数,训练第二神经网络模型。
第一损失函数如公式(3)所示,可以固定第一神经网络模型的参数为第一神经网络模型的初始网络参数,根据公式(3),调整第二神经网络模型的参数,使第二神经网络模型能够识别出训练文本中的目标群体信息,将训练好的第二神经网络模型的参数作为第二神经网络模型的目标网络参数。
在步骤S1009中,根据第二损失函数,训练第一神经网络模型。
第二损失函数如公式(4)所示,可以固定第二神经网络模型的参数为第二神经网络模型的目标网络参数,根据公式(4),调整第一神经网络模型的参数,使第二神经网络模型识别不出训练文本的目标群体信息,将调整好的第一神经网络模型的参数作为第一神经网络模型的目标网络参数。
在步骤S1010中,j=j+1。
在步骤S1011中,i=i+1。
通过获取k批训练文本,对第一神经网络模型和第二神经网络模型进行对抗训练,可以在保证文本分类模型精度的情况下,得到不含有群体歧视的分类结果。
图11示意性示出了根据本公开的一实施例的文本分类模型的训练方法的流程图。
如图11所示,本公开实施例提供的文本分类模型的训练方法可以包括以下步骤。
在步骤S1110中,获取待分类文本,其中,待分类文本中包含目标群体信息。
待分类文本可以为评论文本,评论文本例如可以为“你是一个好女人”,目标群体例如可以为女性。
本公开实施例中,待分类文本中可以包含一个或多个目标群体信息。
在步骤S1120中,将待分类文本输入到已训练的文本分类模型中,获得待分类文本的预测类别信息,其中文本分类模型去除待分类文本中的目标群体信息,以使得待分类文本的预测类别信息与目标群体信息无关。
文本分类模型例如可以根据图3所示的文本分类模型的训练方法训练得到。
预测类别信息例如可以为正面评论或负面评论。
以上述评论文本“你是一个好女人”为例,将该待分类文本输入到已训练的文本分类模型中,可以得到预测类别信息可以为正面评论。其中,文本分类模型可以去除该评论文本的目标群体信息,例如可以经过处理,将“你是一个好女人”处理为“你是一个好人”,使得该评论文本的预测类别信息与女性群体无关。
本公开实施例提供的文本分类模型的训练方法还可以包括:若待分类文本的预测类别信息为第一类别,则向客户端发送待分类文本,以将待分类文本显示于客户端上。
仍以上述评论文本为例,该方法可以对预测类别信息进行判断,第一类别例如可以为正面评论,第二类别例如可以为负面评论。若该评论文本的预测类别信息为正面评论时,可以向客户端发送该评论文本,将该评论文本显示在客户端上。
图12示意性示出了根据本公开的一实施例的应用界面的示意图。
如图12所示,该应用界面可以为手机的应用界面,也可以为其他终端设备的应用界面。用户阅读文章后,可以对文章内容输入评论内容,终端设备可以通过网络将该评论内容发送给服务器,服务器可以根据上述文本分类模型识别该评论内容的类别,若该评论内容为正面评论,将该评论内容发送给该终端设备,该终端设备将该评论内容显示在评论区;若该评论内容为负面评论,服务器可以不将该评论内容发送给该终端设备,该终端设备可以不显示该评论内容。
本公开实施方式提供的文本分类模型的训练方法,通过已训练的文本分类模型对待分类文本进行分类,该文本分类模型可以去除待分类文本中的目标群体信息,可以获得与目标群体信息无关的待分类文本的预测类别信息。该文本分类方法可以在保证文本分类模型精度的情况下,得到不含有群体歧视的分类结果。
图13示意性示出了根据本公开的一实施例的文本分类模型的训练装置的框图。如图13所示,本公开实施方式提供的文本分类模型的训练装置1300可以包括:训练文本获取模块1310、第一处理模块1320、第二处理模块1330以及对抗训练模块1340。
其中,训练文本获取模块1310可以用于获取训练文本及其类别标签信息和群体标签信息;第一处理模块1320可以用于通过第一神经网络模型对训练文本进行处理,并根据训练文本的类别标签信息获得第一神经网络模型的初始网络参数;第二处理模块1330可以用于通过第二神经网络模型和包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一预测群体信息;对抗训练模块1340可以用于根据训练文本的群体标签信息及其第一预测群体信息对抗训练第一神经网络模型和第二神经网络模型,以使得第二神经网络模型识别出训练文本中的目标群体信息,并利用第一神经网络模型去除目标群体信息,确定第一神经网络模型的目标网络参数,用于将包括目标网络参数的第一神经网络模型确定为文本分类模型。
在示例性实施例中,第二处理模块1330可以包括:第一向量获得单元,可以用于通过包括初始网络参数的第一神经网络模型对训练文本进行处理,获得训练文本的第一特征编码向量;第一预测单元,可以用于通过第二神经网络模型对训练文本的第一特征编码向量进行处理,获得训练文本的第一预测群体信息。
在示例性实施例中,对抗训练模块1340可以包括:第一损失函数获得单元,可以用于根据训练文本的群体标签信息及其第一预测群体信息获得第一损失函数;第一参数获得单元,可以用于根据第一损失函数训练第二神经网络模型,获得第二神经网络模型的目标网络参数。
在示例性实施例中,对抗训练模块1340可以包括:第二向量获得单元,可以用于利用第一神经网络模型对训练文本进行处理,获得训练文本的第二特征编码向量;第二预测单元,可以用于通过包括目标网络参数的第二神经网络模型对训练文本的第二特征编码向量进行处理,获得训练文本的第二预测群体信息;第二损失函数获得单元,可以用于根据训练文本的群体标签信息及其第二预测群体信息获得第二损失函数,第一损失函数和第二损失函数互逆;第二参数获得单元,可以用于根据第二损失函数训练第一神经网络模型,调整初始网络参数,获得第一神经网络模型的目标网络参数。
在示例性实施例中,训练文本获取模块1310可以包括:包括:预测信息获得单元,可以用于通过第一神经网络模型对训练文本进行处理,获得训练文本的预测标签信息;第三损失函数获得单元,可以用于根据训练文本的类别标签信息及其预测标签信息获得第三损失函数;第三参数获得单元,可以用于根据第三损失函数训练第一神经网络模型,获得第一神经网络模型的初始网络参数。
在示例性实施例中,文本分类模型的训练装置1300还可以包括:第三预测单元,可以用于通过第一神经网络模型和第二神经网络模型对训练文本进行处理,获得训练文本的第三预测群体信息;第四损失函数获得模块,可以用于根据训练文本的群体标签信息及其第三预测群体信息获得第四损失函数;第四参数获得单元,可以用于根据第四损失函数训练第二神经网络模型,获得第二神经网络模型的初始网络参数。
在示例性实施例中,第二处理模块1330可以包括:第二处理单元,可以用于通过包括所述初始网络参数的所述第二神经网络模型和包括所述初始网络参数的所述第一神经网络模型对所述训练文本进行处理。
在示例性实施例中,文本分类模型的训练装置1300还可以包括:文本获取模块,可以用于获取待分类文本,其中,待分类文本中包含目标群体信息;类别获得模块,可以用于将待分类文本输入到文本分类模型中,获得待分类文本的预测类别信息。
在示例性实施例中,文本分类模型的训练装置1300还可以包括:文本发送模块,可以用于若待分类文本的预测类别信息为第一类别,则向客户端发送待分类文本,以将待分类文本显示于客户端上。本公开实施例提供的文本分类模型的训练装置中的各个单元的具体实现可以参照上述文本分类模型的训练方法中的内容,在此不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (11)
1.一种文本分类模型的训练方法,其特征在于,包括:
获取训练文本及其类别标签信息和群体标签信息;
通过第一神经网络模型对所述训练文本进行处理,并根据所述训练文本的类别标签信息获得所述第一神经网络模型的初始网络参数;
通过第二神经网络模型和包括所述初始网络参数的所述第一神经网络模型对所述训练文本进行处理,获得所述训练文本的第一预测群体信息;
根据所述训练文本的群体标签信息及其第一预测群体信息对抗训练所述第一神经网络模型和所述第二神经网络模型,以使得所述第二神经网络模型识别出所述训练文本中的目标群体信息,并利用所述第一神经网络模型去除所述目标群体信息,确定所述第一神经网络模型的目标网络参数,将包括所述目标网络参数的第一神经网络模型确定为所述文本分类模型。
2.根据权利要求1所述的方法,其特征在于,通过第二神经网络模型和包括所述初始网络参数的所述第一神经网络模型对所述训练文本进行处理,获得所述训练文本的第一预测群体信息,包括:
通过包括所述初始网络参数的第一神经网络模型对所述训练文本进行处理,获得所述训练文本的第一特征编码向量;
通过第二神经网络模型对所述训练文本的第一特征编码向量进行处理,获得所述训练文本的第一预测群体信息。
3.根据权利要求2所述的方法,其特征在于,根据所述训练文本的群体标签信息及其第一预测群体信息训练所述第二神经网络模型,包括:
根据所述训练文本的群体标签信息及其第一预测群体信息获得第一损失函数;
根据所述第一损失函数训练所述第二神经网络模型,获得所述第二神经网络模型的目标网络参数。
4.根据权利要求3所述的方法,其特征在于,根据所述训练文本的群体标签信息训练所述第一神经网络模型,还包括:
利用所述第一神经网络模型对所述训练文本进行处理,获得所述训练文本的第二特征编码向量;
通过包括所述目标网络参数的第二神经网络模型对所述训练文本的第二特征编码向量进行处理,获得所述训练文本的第二预测群体信息;
根据所述训练文本的群体标签信息及其第二预测群体信息获得第二损失函数,所述第一损失函数和所述第二损失函数互逆;
根据所述第二损失函数训练所述第一神经网络模型,调整所述初始网络参数,获得所述第一神经网络模型的目标网络参数。
5.根据权利要求1所述的方法,其特征在于,通过第一神经网络模型对所述训练文本进行处理,并根据所述训练文本的类别标签信息获得所述第一神经网络模型的初始网络参数,包括:
通过所述第一神经网络模型对所述训练文本进行处理,获得所述训练文本的预测标签信息;
根据所述训练文本的类别标签信息及其预测标签信息获得第三损失函数;
根据所述第三损失函数训练所述第一神经网络模型,获得所述第一神经网络模型的初始网络参数。
6.根据权利要求1所述的方法,其特征在于,在通过第一神经网络模型对所述训练文本进行处理之前,还包括:
通过所述第一神经网络模型和所述第二神经网络模型对所述训练文本进行处理,获得所述训练文本的第三预测群体信息;
根据所述训练文本的群体标签信息及其第三预测群体信息获得第四损失函数;
根据所述第四损失函数训练所述第二神经网络模型,获得所述第二神经网络模型的初始网络参数;
其中,通过第二神经网络模型和包括所述初始网络参数的所述第一神经网络模型对所述训练文本进行处理,包括:
通过包括所述初始网络参数的所述第二神经网络模型和包括所述初始网络参数的所述第一神经网络模型对所述训练文本进行处理。
7.根据权利要求1所述的方法,其特征在于,还包括:
获取待分类文本,其中,所述待分类文本中包含目标群体信息;
将所述待分类文本输入到所述文本分类模型中,获得所述待分类文本的预测类别信息。
8.根据权利要求7所述的方法,其特征在于,还包括:
若所述待分类文本的预测类别信息为第一类别,则向客户端发送所述待分类文本,以将所述待分类文本显示于所述客户端上。
9.一种文本分类模型的训练装置,其特征在于,包括:
训练文本获取模块,用于获取训练文本及其类别标签信息和群体标签信息;
第一处理模块,用于通过第一神经网络模型对所述训练文本进行处理,并根据所述训练文本的类别标签信息获得所述第一神经网络模型的初始网络参数;
第二处理模块,用于通过第二神经网络模型和包括所述初始网络参数的所述第一神经网络模型对所述训练文本进行处理,获得所述训练文本的第一预测群体信息;
对抗训练模块,用于根据所述训练文本的群体标签信息及其第一预测群体信息对抗训练所述第一神经网络模型和所述第二神经网络模型,以使得所述第二神经网络模型识别出所述训练文本中的目标群体信息,并利用所述第一神经网络模型去除所述目标群体信息,确定所述第一神经网络模型的目标网络参数,用于将包括所述目标网络参数的第一神经网络模型确定为所述文本分类模型。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
11.一种电子设备,其特征在于,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时,使得所述一个或多个处理器实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514986.XA CN111666500A (zh) | 2020-06-08 | 2020-06-08 | 文本分类模型的训练方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514986.XA CN111666500A (zh) | 2020-06-08 | 2020-06-08 | 文本分类模型的训练方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111666500A true CN111666500A (zh) | 2020-09-15 |
Family
ID=72387007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010514986.XA Pending CN111666500A (zh) | 2020-06-08 | 2020-06-08 | 文本分类模型的训练方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666500A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528023A (zh) * | 2020-12-09 | 2021-03-19 | 北京百度网讯科技有限公司 | 训练属性预测模型的方法、属性预测方法和装置 |
CN112560434A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 确定文本中要素属性冲突的方法、装置、设备和介质 |
CN113052257A (zh) * | 2021-04-13 | 2021-06-29 | 中国电子科技集团公司信息科学研究院 | 一种基于视觉转换器的深度强化学习方法及装置 |
CN113178189A (zh) * | 2021-04-27 | 2021-07-27 | 科大讯飞股份有限公司 | 一种信息分类方法及装置、信息分类模型训练方法及装置 |
CN113220964A (zh) * | 2021-04-01 | 2021-08-06 | 国家计算机网络与信息安全管理中心 | 一种基于网信领域短文本的观点挖掘方法 |
CN114564964A (zh) * | 2022-02-24 | 2022-05-31 | 杭州中软安人网络通信股份有限公司 | 一种基于k近邻对比学习的未知意图检测方法 |
CN114897154A (zh) * | 2022-03-23 | 2022-08-12 | 阿里巴巴(中国)有限公司 | 数据预测方法及装置 |
-
2020
- 2020-06-08 CN CN202010514986.XA patent/CN111666500A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528023A (zh) * | 2020-12-09 | 2021-03-19 | 北京百度网讯科技有限公司 | 训练属性预测模型的方法、属性预测方法和装置 |
CN112560434A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 确定文本中要素属性冲突的方法、装置、设备和介质 |
CN112560434B (zh) * | 2020-12-16 | 2024-05-28 | 北京百度网讯科技有限公司 | 确定文本中要素属性冲突的方法、装置、设备和介质 |
CN113220964A (zh) * | 2021-04-01 | 2021-08-06 | 国家计算机网络与信息安全管理中心 | 一种基于网信领域短文本的观点挖掘方法 |
CN113220964B (zh) * | 2021-04-01 | 2024-03-22 | 国家计算机网络与信息安全管理中心 | 一种基于网信领域短文本的观点挖掘方法 |
CN113052257A (zh) * | 2021-04-13 | 2021-06-29 | 中国电子科技集团公司信息科学研究院 | 一种基于视觉转换器的深度强化学习方法及装置 |
CN113052257B (zh) * | 2021-04-13 | 2024-04-16 | 中国电子科技集团公司信息科学研究院 | 一种基于视觉转换器的深度强化学习方法及装置 |
CN113178189B (zh) * | 2021-04-27 | 2023-10-27 | 科大讯飞股份有限公司 | 一种信息分类方法及装置、信息分类模型训练方法及装置 |
WO2022227297A1 (zh) * | 2021-04-27 | 2022-11-03 | 科大讯飞股份有限公司 | 一种信息分类方法及装置、信息分类模型训练方法及装置 |
CN113178189A (zh) * | 2021-04-27 | 2021-07-27 | 科大讯飞股份有限公司 | 一种信息分类方法及装置、信息分类模型训练方法及装置 |
CN114564964B (zh) * | 2022-02-24 | 2023-05-26 | 杭州中软安人网络通信股份有限公司 | 一种基于k近邻对比学习的未知意图检测方法 |
CN114564964A (zh) * | 2022-02-24 | 2022-05-31 | 杭州中软安人网络通信股份有限公司 | 一种基于k近邻对比学习的未知意图检测方法 |
CN114897154A (zh) * | 2022-03-23 | 2022-08-12 | 阿里巴巴(中国)有限公司 | 数据预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444709B (zh) | 文本分类方法、装置、存储介质及设备 | |
CN111444340B (zh) | 文本分类方法、装置、设备及存储介质 | |
CN111090987B (zh) | 用于输出信息的方法和装置 | |
CN111737476B (zh) | 文本处理方法、装置、计算机可读存储介质及电子设备 | |
CN111666500A (zh) | 文本分类模型的训练方法及相关设备 | |
CN110705301B (zh) | 实体关系抽取方法及装置、存储介质、电子设备 | |
CN113254785B (zh) | 推荐模型训练方法、推荐方法和相关设备 | |
CN112231569B (zh) | 新闻推荐方法、装置、计算机设备及存储介质 | |
CN111259647A (zh) | 基于人工智能的问答文本匹配方法、装置、介质及电子设备 | |
Biradar et al. | Machine learning tool for exploring sentiment analysis on twitter data | |
CN111897934A (zh) | 问答对生成方法及装置 | |
CN113392209A (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 | |
CN113761190A (zh) | 文本识别方法、装置、计算机可读介质及电子设备 | |
CN113392179A (zh) | 文本标注方法及装置、电子设备、存储介质 | |
CN112528654A (zh) | 自然语言处理方法、装置及电子设备 | |
CN113486174B (zh) | 模型训练、阅读理解方法、装置、电子设备及存储介质 | |
CN112926341A (zh) | 文本数据处理方法、装置 | |
CN111723186A (zh) | 用于对话***的基于人工智能的知识图谱生成方法、电子设备 | |
CN116628207A (zh) | 文本分类模型的训练方法和装置、电子设备及存储介质 | |
CN111414755A (zh) | 一种基于细粒度情感字典的网络情绪分析方法 | |
CN113806507B (zh) | 一种多标签分类方法、装置及可读介质 | |
CN113657092B (zh) | 识别标签的方法、装置、设备以及介质 | |
CN115544210A (zh) | 基于持续学习的事件抽取的模型训练、事件抽取的方法 | |
CN114911940A (zh) | 文本情感识别方法及装置、电子设备、存储介质 | |
CN110472140B (zh) | 对象词推荐方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200915 |