CN112035628B - 对话数据清洗方法、装置及存储介质 - Google Patents
对话数据清洗方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112035628B CN112035628B CN202010767247.1A CN202010767247A CN112035628B CN 112035628 B CN112035628 B CN 112035628B CN 202010767247 A CN202010767247 A CN 202010767247A CN 112035628 B CN112035628 B CN 112035628B
- Authority
- CN
- China
- Prior art keywords
- dialogue
- data
- style
- cleaned
- classifier
- 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.)
- Active
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims description 63
- 238000013145 classification model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 241000282693 Cercopithecidae Species 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种对话数据清洗方法、装置及存储介质,包括:获取待清洗的对话数据;通过预训练好的风格分类器对待清洗的对话数据进行分类,以确定待清洗的对话数据所对应的对话风格;根据目标对话风格对待清洗的对话数据进行清洗。通过上述技术方案,根据预训练好的风格分类器对待清洗的对话数据进行分类,从而就能够清洗出与对话风格相关的对话数据,这样,带有对话风格的对话数据就能在后续应用于对话模型时提供对话风格的选择,为实现符合对话风格的对话场景提供对话语料上的助益。
Description
技术领域
本公开涉及计算机领域,尤其涉及一种对话数据清洗方法、装置及存储介质。
背景技术
相关技术中,在对对话语料进行清洗的过程中,通常会手动根据规则过滤清洗质量差的语料,或者也会存在通过生成式模型迭代算法进行对话语料的清洗,从而能够从语法和/或语义的角度对对话语料进行清洗,从而使得清洗后的语料在语法和/或语义上能够通顺,但并不能对对话语料进行风格区分。
例如,可以先利用未清洗的数据训练一个<query,response>匹配模型,这个模型在训练集上准确度通常都很低。用训练好的模型把匹配度最低的那些<query,response>数据删掉,然后利用剩下的数据重新训练新的模型,之后再用新模型把匹配度最低的数据删掉,如此重复,直到模型在训练集上达到较高的准确度。为了召回一些被早期模型误过滤掉的样本,把最新的模型应用到原始的全量数据上,这样去除匹配度最低的数据后会留下更多的数据用于接下来的迭代。之后的迭代逻辑和前面的相同,利用模型清除匹配度最低的数据,再用清洗后的新数据训练新模型。由此,就可以得到语法和/或语义上较为通顺的对话数据。
发明内容
为克服相关技术中存在的问题,本公开提供一种对话数据清洗方法、装置及存储介质。
根据本公开实施例的第一方面,提供一种对话数据清洗方法,包括:
获取待清洗的对话数据;
通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格;
根据目标对话风格对所述待清洗的对话数据进行清洗。
可选地,所述待清洗的对话数据包括问题数据和回答数据,所述通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格包括:
将所述待清洗的对话数据中的所述回答数据输入所述风格分类器中,以得到所述回答数据对应的所述对话风格;
根据所述回答数据对应的所述对话风格,确定所述回答数据所对应的所述待清洗的对话数据所对应的所述对话风格。
可选地,所述风格分类器为二分类模型或多分类模型。
可选地,在所述风格分类器为二分类模型的情况下,通过以下方式对风格分类器进行训练:
获取第一训练数据,将所述第一训练数据中属于所述目标对话风格的训练数据标记为正样本语料,将所述第一训练数据中不属于所述目标对话风格的训练数据标记为负样本语料;
根据所述第一训练数据对所述风格分类器进行训练。
可选地,在所述风格分类器为多分类模型的情况下,通过以下方式对所述风格分类器进行训练:
获取第二训练数据,所述第二训练数据中包括属于多个目标分类中的任意一类的训练数据,还包括不属于所述多个目标分类中任意一类的训练数据,所述目标对话风格为所述多个目标分类中的至少一类对话风格;
根据所述第二训练数据对所述风格分类器进行训练。
可选地,所述根据目标对话风格对所述待清洗的对话数据进行清洗包括:
将对应的风格类型不属于所述目标对话风格的所述待清洗的对话数据从所述待清洗的对话数据中移除。
根据本公开实施例的第二方面,提供一种对话数据清洗装置,包括:
获取模块,被配置为获取待清洗的对话数据;
执行模块,被配置为通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格;
清洗模块,被配置为根据目标对话风格对所述待清洗的对话数据进行清洗。
可选地,所述待清洗的对话数据包括问题数据和回答数据,所述执行模块包括:
第一执行子模块,被配置为将所述待清洗的对话数据中的所述回答数据输入所述风格分类器中,以得到所述回答数据对应的所述对话风格;
第二执行子模块,被配置为根据所述回答数据对应的所述对话风格,确定所述回答数据所对应的所述待清洗的对话数据所对应的所述对话风格。
根据本公开实施例的第三方面,提供一种对话数据清洗装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待清洗的对话数据;
通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格;
根据目标对话风格对所述待清洗的对话数据进行清洗。。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所述方法提供的对话数据清洗方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:通过根据预训练好的风格分类器对待清洗的对话数据进行分类,从而就能够清洗出与对话风格相关的对话数据,这样,带有对话风格的对话数据就能在后续应用于对话模型时提供对话风格的选择,为实现符合对话风格的对话场景提供对话语料上的助益。
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。
图1是根据一示例性实施例示出的一种对话数据清洗方法的流程图。
图2是根据又一示例性实施例示出的一种对话数据清洗方法的流程图。
图3是根据本公开又一示例性实施例示出的一种对话数据清洗方法的流程图。
图4是根据一示例性实施例示出的一种对话数据清洗装置的框图。
图5是根据本公开又一示例性实施例示出的一种对话数据清洗装置的框图。
图6是根据一示例性实施例示出的一种装置的框图。
图7是根据一示例性实施例示出的一种装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种对话数据清洗方法的流程图,如图1所示,所述对话数据清洗方法包括步骤101至步骤103。
在步骤101中,获取待清洗的对话数据。该待清洗的对话数据可以为使用任意方法生成的随机对话数据,也可以是在实际的对话场景中所获取到的对话数据。
任意一个对话数据通常由一个问题数据和一个回答数据来组成,如表1所示。
表1
如表1中所示,该问题数据不一定是语法上的问句,任意语料都可以作为该问题数据,而该问题数据对应的回答数据也不一定是陈述句,也可以为与该问题数据对应的问句,只要在语义上能够形成连贯的对话即可。
在一种可能的实施方式中,在获取到该待清洗的对话数据之后,可以先通过人工清洗或生成式模型迭代算法对该待清洗的对话数据进行初步清洗,从而使得该待清洗的对话数据中的每个对话数据在语法和/或语义上是通顺的。另外,步骤101中所获取到的该待清洗的对话数据也可以是已经经过该初步清洗后的对话数据。
在步骤102中,通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格。
该预训练好的风格分类器可以是直接对获取到的该待清洗的对话数据进行分类,可以是对经过该初步清洗后的该待清洗的对话数据进行分类。
该风格分类器可以是根据不同人物的对话风格进行风格分类,例如孙悟空的对话风格、郭德纲的对话风格等等,也可以是根据不同时代的对话风格进行风格分类,例如古风的对话风格、非主流的对话风格等等。
在经过该风格分类器的分类之后,该待清洗的对话数据中的每一条对话数据都可以确定其对应的对话风格。
在步骤103中,根据目标对话风格对所述待清洗的对话数据进行清洗。
该目标对话风格可以为一种对话风格,也可以为多种对话风格。通过该目标对话风格与该待清洗的对话数据分别对应的对话风格,便可以得到清洗后的,仅包括该目标对话风格的对话数据。
通过上述技术方案,根据预训练好的风格分类器对待清洗的对话数据进行分类,从而就能够清洗出与对话风格相关的对话数据,这样,带有对话风格的对话数据就能在后续应用于对话模型时提供对话风格的选择,为实现符合对话风格的对话场景提供对话语料上的助益。
图2是根据又一示例性实施例示出的一种对话数据清洗方法的流程图,如图2所示,所述对话数据清洗方法还包括步骤201和步骤202。
在步骤201中,将所述待清洗的对话数据中的所述回答数据输入所述风格分类器中,以得到所述回答数据对应的所述对话风格。
例如,若该待清洗的对话数据中包括如表1所示的四条对话数据,在步骤201中,会将该四条对话数据中的所有回答数据输入该风格分类器中进行风格分类,并确定每一条回答数据所对应的对话风格。
在步骤202中,根据所述回答数据对应的所述对话风格,确定所述回答数据所对应的所述待清洗的对话数据所对应的所述对话风格。
在得到该待清洗的对话数据中的回答数据所对应的对话风格之后,便可以确定包括该回答数据的该待清洗的对话数据所对应的对话风格。例如,在该目标对话风格为孙悟空的对话风格,且该风格分类器能够实现对该孙悟空的对话风格进行分类的情况下,将如表1中所示出的四条待清洗的对话数据中的回答数据输入该风格分类器中进行分类后,可以确定第四条待清洗的对话数据中的回答数据“俺小爱来也。”是属于该孙悟空的对话风格的,而其他三条待清洗的对话数据中的回答数据都不属于该孙悟空的对话风格。进而,就可以确定表1中示出的四条待清洗的对话数据中,前三条待清洗的对话数据不属于该孙悟空的对话风格,第四条待清洗的对话数据属于该孙悟空的对话风格。
由于对话数据中可能会存在大量包括的问题数据相同,但回答数据不同的对话数据。例如,该待清洗的对话数据中可能会存在多条对话数据中的回答数据都为如表1中所示的第四条对话数据中回答数据“小爱同学”,但不同的对话数据中的回答数据各不相同。因此,在对该待清洗的对话数据进行风格分类时,通过对该待清洗的对话数据中的回答数据进行风格分类,进而对该对话数据进行分类,能够更加准确地对该待清洗的对话数据进行风格分类。
在一种可能的实施方式中,所述风格分类器为二分类模型或多分类模型。
在所述风格分类器为二分类模型的情况下,通过以下方式对风格分类器进行训练:获取第一训练数据,将所述第一训练数据中属于所述目标对话风格的训练数据标记为正样本语料,将所述第一训练数据中不属于所述目标对话风格的训练数据标记为负样本语料;根据所述第一训练数据对所述风格分类器进行训练。
也即,在该风格分类器为二分类模型的情况下,会从该待清洗的对话数据中将属于该目标对话风格的对话数据确定出来,经过该二分类的分割分类器分类后的该待清洗的对话数据会被分为两类对话数据,属于该目标对话分类的对话数据和不属于该目标对话分类的对话数据。
在此情况下,若该目标对话风格包括多种对话风格,则需要分别针对每一种对话风格分别训练一个对应的风格分类器。
在所述风格分类器为多分类模型的情况下,通过以下方式对所述风格分类器进行训练:获取第二训练数据,所述第二训练数据中包括属于多个目标分类中的任意一类的训练数据,还包括不属于所述多个目标分类中任意一类的训练数据,所述目标对话风格为所述多个目标分类中的至少一类对话风格;根据所述第二训练数据对所述风格分类器进行训练。
也即,在该风格分类器为多分类模型的情况下,能够直接判断输入该风格分类器的回答数据是否属于多种对话风格中的任意一者。该目标对话风格可以为该风格分类器能够进行分类的多个目标分类中的任意一类或多类对话风格。
在对该风格分类器进行训练之前,根据该多个目标分类对训练数据标注标签时,每个训练数据的标签可以为one-hot向量,也即多维向量,每一个维度表征一个目标分类,并且,还可以包括一个维度表征该训练数据不属于任意目标分类。例如,在该风格分类器能够将该待清洗的对话数据分为A类对话风格、B类对话风格和C类对话风格的情况下,该风格分类器的训练数据的标签可以为一个4维向量,[1,0,0,0]可以是表征该训练数据属于A类对话风格,[0,1,0,0]可以是表征该训练数据属于B类对话风格,[0,0,1,0]可以是表征该训练数据属于C类对话风格,[0,0,0,1]则可以表征该训练数据不属于A,B,C三类对话风格中的任一类对话风格。
图3是根据本公开又一示例性实施例示出的一种对话数据清洗方法的流程图。如图3所示,所述对话数据清洗方法还包括步骤301。
在步骤301中,将对应的风格类型不属于所述目标对话风格的所述待清洗的对话数据从所述待清洗的对话数据中移除。
或者,也可以将该对应的风格类型属于该目标对话风格的该待清洗的对话数据提取出来,保存为与该目标对话风格对应的对话数据。
通过上述清洗方法,就能够得到与对话风格相关的对话数据,这样,带有对话风格的对话数据就能在后续应用于对话模型时提供对话风格的选择,为实现符合对话风格的对话场景提供对话语料上的助益。
图4是根据一示例性实施例示出的一种对话数据清洗装置的框图。参照图4,该装置包括获取模块10,执行模块20,清洗模块30。
该获取模块10,被配置为获取待清洗的对话数据。
该执行模块20,被配置为通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格。
该清洗模块30,被配置为根据目标对话风格对所述待清洗的对话数据进行清洗。
通过上述技术方案,根据预训练好的风格分类器对待清洗的对话数据进行分类,从而就能够清洗出与对话风格相关的对话数据,这样,带有对话风格的对话数据就能在后续应用于对话模型时提供对话风格的选择,为实现符合对话风格的对话场景提供对话语料上的助益。
图5是根据本公开又一示例性实施例示出的一种对话数据清洗装置的框图。参照图5,该执行模块20包括第一执行子模块201和第二执行子模块202。
该第一执行子模块201,被配置为将所述待清洗的对话数据中的所述回答数据输入所述风格分类器中,以得到所述回答数据对应的所述对话风格。
该第二执行子模块202,被配置为根据所述回答数据对应的所述对话风格,确定所述回答数据所对应的所述待清洗的对话数据所对应的所述对话风格。
在一种可能的实施方式中,所述风格分类器为二分类模型或多分类模型。
在一种可能的实施方式中,在所述风格分类器为二分类模型的情况下,通过以下方式对风格分类器进行训练:获取第一训练数据,将所述第一训练数据中属于所述目标对话风格的训练数据标记为正样本语料,将所述第一训练数据中不属于所述目标对话风格的训练数据标记为负样本语料;根据所述第一训练数据对所述风格分类器进行训练。
在一种可能的实施方式中,在所述风格分类器为多分类模型的情况下,通过以下方式对所述风格分类器进行训练:获取第二训练数据,所述第二训练数据中包括属于多个目标分类中的任意一类的训练数据,还包括不属于所述多个目标分类中任意一类的训练数据,所述目标对话风格为所述多个目标分类中的至少一类对话风格;根据所述第二训练数据对所述风格分类器进行训练。
在一种可能的实施方式中,该清洗模块30还被配置为:将对应的风格类型不属于所述目标对话风格的所述待清洗的对话数据从所述待清洗的对话数据中移除。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的对话数据清洗方法的步骤。
图6是根据一示例性实施例示出的一种用于对话数据清洗的装置600的框图。例如,装置600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置600可以包括以下一个或多个组件:处理组件602,存储器604,电力组件606,多媒体组件606,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制装置600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的对话数据清洗方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件606和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件606为装置600的各种组件提供电力。电力组件606可以包括电源管理***,一个或多个电源,及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当装置600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为装置600提供各个方面的状态评估。例如,传感器组件614可以检测到装置600的打开/关闭状态,组件的相对定位,例如所述组件为装置600的显示器和小键盘,传感器组件614还可以检测装置600或装置600一个组件的位置改变,用户与装置600接触的存在或不存在,装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的对话数据清洗方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由装置600的处理器620执行以完成上述的对话数据清洗方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的对话数据清洗方法的代码部分。
图7是根据一示例性实施例示出的一种用于……的装置700的框图。例如,装置700可以被提供为一服务器。参照图7,装置700包括处理组件722,其进一步包括一个或多个处理器,以及由存储器732所代表的存储器资源,用于存储可由处理组件722的执行的指令,例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件722被配置为执行指令,以执行上述的对话数据清洗方法。
装置700还可以包括一个电源组件726被配置为执行装置700的电源管理,一个有线或无线网络接口750被配置为将装置700连接到网络,和一个输入输出(I/O)接口756。装置700可以操作基于存储在存储器732的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后,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 (9)
1.一种对话数据清洗方法,其特征在于,包括:
获取待清洗的对话数据;
通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格;
根据目标对话风格对所述待清洗的对话数据进行清洗;
其中,所述根据目标对话风格对所述待清洗的对话数据进行清洗,包括:
将对应的风格类型不属于所述目标对话风格的所述待清洗的对话数据从所述待清洗的对话数据中移除。
2.根据权利要求1所述的对话数据清洗方法,其特征在于,所述待清洗的对话数据包括问题数据和回答数据,所述通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格包括:
将所述待清洗的对话数据中的所述回答数据输入所述风格分类器中,以得到所述回答数据对应的所述对话风格;
根据所述回答数据对应的所述对话风格,确定所述回答数据所对应的所述待清洗的对话数据所对应的所述对话风格。
3.根据权利要求1所述对话数据清洗方法,其特征在于,所述风格分类器为二分类模型或多分类模型。
4.根据权利要求3所述的对话数据清洗方法,其特征在于,在所述风格分类器为二分类模型的情况下,通过以下方式对风格分类器进行训练:
获取第一训练数据,将所述第一训练数据中属于所述目标对话风格的训练数据标记为正样本语料,将所述第一训练数据中不属于所述目标对话风格的训练数据标记为负样本语料;
根据所述第一训练数据对所述风格分类器进行训练。
5.根据权利要求3所述的对话数据清洗方法,其特征在于,在所述风格分类器为多分类模型的情况下,通过以下方式对所述风格分类器进行训练:
获取第二训练数据,所述第二训练数据中包括属于多个目标分类中的任意一类的训练数据,还包括不属于所述多个目标分类中任意一类的训练数据,所述目标对话风格为所述多个目标分类中的至少一类对话风格;
根据所述第二训练数据对所述风格分类器进行训练。
6.一种对话数据清洗装置,其特征在于,包括:
获取模块,被配置为获取待清洗的对话数据;
执行模块,被配置为通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格;
清洗模块,被配置为根据目标对话风格对所述待清洗的对话数据进行清洗;
其中,所述清洗模块还被配置为将对应的风格类型不属于所述目标对话风格的所述待清洗的对话数据从所述待清洗的对话数据中移除。
7.根据权利要求6所述的对话数据清洗装置,其特征在于,所述待清洗的对话数据包括问题数据和回答数据,所述执行模块包括:
第一执行子模块,被配置为将所述待清洗的对话数据中的所述回答数据输入所述风格分类器中,以得到所述回答数据对应的所述对话风格;
第二执行子模块,被配置为根据所述回答数据对应的所述对话风格,确定所述回答数据所对应的所述待清洗的对话数据所对应的所述对话风格。
8.一种对话数据清洗装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待清洗的对话数据;
通过预训练好的风格分类器对所述待清洗的对话数据进行分类,以确定所述待清洗的对话数据所对应的对话风格;
根据目标对话风格对所述待清洗的对话数据进行清洗;
其中,所述根据目标对话风格对所述待清洗的对话数据进行清洗包括:
将对应的风格类型不属于所述目标对话风格的所述待清洗的对话数据从所述待清洗的对话数据中移除。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767247.1A CN112035628B (zh) | 2020-08-03 | 2020-08-03 | 对话数据清洗方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767247.1A CN112035628B (zh) | 2020-08-03 | 2020-08-03 | 对话数据清洗方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112035628A CN112035628A (zh) | 2020-12-04 |
CN112035628B true CN112035628B (zh) | 2024-07-09 |
Family
ID=73583788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767247.1A Active CN112035628B (zh) | 2020-08-03 | 2020-08-03 | 对话数据清洗方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035628B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378583A (zh) * | 2021-07-15 | 2021-09-10 | 北京小米移动软件有限公司 | 对话回复方法及装置、对话模型训练方法及装置、存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168990A (zh) * | 2017-03-28 | 2017-09-15 | 厦门快商通科技股份有限公司 | 基于用户性格的智能客服***及对话方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7086993B2 (ja) * | 2017-05-10 | 2022-06-20 | オラクル・インターナショナル・コーポレイション | コミュニケーション用談話ツリーの使用による修辞学的分析の可能化 |
CN108304436B (zh) * | 2017-09-12 | 2019-11-05 | 深圳市腾讯计算机***有限公司 | 风格语句的生成方法、模型的训练方法、装置及设备 |
CN110889028A (zh) * | 2018-08-15 | 2020-03-17 | 北京嘀嘀无限科技发展有限公司 | 一种语料处理以及模型训练的方法及*** |
KR20200027331A (ko) * | 2018-09-04 | 2020-03-12 | 엘지전자 주식회사 | 음성 합성 장치 |
US11609942B2 (en) * | 2018-11-15 | 2023-03-21 | Microsoft Technology Licensing, Llc | Expanding search engine capabilities using AI model recommendations |
CN109783603B (zh) * | 2018-12-13 | 2023-05-26 | 平安科技(深圳)有限公司 | 基于自编码神经网络的文本生成方法、装置、终端及介质 |
CN110598037B (zh) * | 2019-09-23 | 2022-01-04 | 腾讯科技(深圳)有限公司 | 一种图像搜索方法、装置和存储介质 |
-
2020
- 2020-08-03 CN CN202010767247.1A patent/CN112035628B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168990A (zh) * | 2017-03-28 | 2017-09-15 | 厦门快商通科技股份有限公司 | 基于用户性格的智能客服***及对话方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112035628A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111539443A (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
CN109255128B (zh) | 多层级标签的生成方法、装置和存储介质 | |
CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
EP3734472A1 (en) | Method and device for text processing | |
CN112150457A (zh) | 视频检测方法、装置及计算机可读存储介质 | |
CN111813932B (zh) | 文本数据的处理方法、分类方法、装置及可读存储介质 | |
CN116166843B (zh) | 基于细粒度感知的文本视频跨模态检索方法和装置 | |
CN111160047A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN111797262A (zh) | 诗词生成方法、装置、电子设备和存储介质 | |
CN113850275A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112035628B (zh) | 对话数据清洗方法、装置及存储介质 | |
CN112381091B (zh) | 视频内容识别方法、装置、电子设备及存储介质 | |
CN111739535A (zh) | 一种语音识别方法、装置和电子设备 | |
CN111797746B (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
CN113920293A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN113936697B (zh) | 语音处理方法、装置以及用于语音处理的装置 | |
CN112328809A (zh) | 实体分类方法、装置及计算机可读存储介质 | |
CN111831132A (zh) | 一种信息推荐方法、装置和电子设备 | |
CN107122801B (zh) | 图像分类的方法和装置 | |
CN113157923B (zh) | 实体分类方法、装置及可读存储介质 | |
CN113506324B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109887492A (zh) | 一种数据处理方法、装置和电子设备 | |
CN117642817A (zh) | 识别音频数据类别的方法、装置及存储介质 | |
CN113127613B (zh) | 聊天信息处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |