CN112085080B - 样本均衡方法、装置、设备以及存储介质 - Google Patents
样本均衡方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112085080B CN112085080B CN202010899784.1A CN202010899784A CN112085080B CN 112085080 B CN112085080 B CN 112085080B CN 202010899784 A CN202010899784 A CN 202010899784A CN 112085080 B CN112085080 B CN 112085080B
- Authority
- CN
- China
- Prior art keywords
- samples
- target
- sample set
- balanced
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000015654 memory Effects 0.000 claims description 19
- 230000003416 augmentation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing For Digital Recording And Reproducing (AREA)
Abstract
本申请公开了一种样本均衡方法、装置、设备以及存储介质，涉及数据处理技术领域，尤其涉及深度学习、人工智能和智能搜索技术。具体实现方案为：根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本；增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集；若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本。根据本申请的技术提高了样本集中各标签对应样本数量的均衡度。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及深度学习、人工智能和智能搜索技术。具体地，本申请提供了一种样本均衡方法、装置、设备以及存储介质。
背景技术
在训练多分类模型的过程中，由于多标签分类任务的特殊性，通常客户标注的多标签分类任务的数据样本满足不了模型训练的样本均衡要求。而经过不均衡样本训练得到的模型往往将数据误分为样本占比高的标签类别，从而导致模型分类错误。
发明内容
本公开提供了一种样本均衡方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种样本均衡方法，包括：
根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签；
增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集；
若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量。
根据本公开的另一方面，提供了一种样本均衡装置，包括：
标签确定模块，用于根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签；
第一增加模块，用于增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集；
第二增加模块，用于若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量。
根据本公开的又一方面，提供了一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例中任一项所述的方法。
根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本申请实施例中任一项所述的方法。
根据本申请的技术提高了样本集中各标签对应样本数量的均衡度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的一种样本均衡方法的流程图；
图2是本申请实施例提供的另一种样本均衡方法的流程图；
图3是本申请实施例提供的又一种样本均衡方法的流程图；
图4是本申请实施例提供的又一种样本均衡方法的流程图；
图5是本申请实施例提供的又一种样本均衡方法的流程图；
图6是本申请实施例提供的一种样本均衡装置的示意图；
图7是根据本申请实施例的样本均衡方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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是本申请实施例提供的一种样本均衡方法的流程图。本实施例可适用于均衡多标签分类模型的训练样本的情况。该方法可以由一种样本均衡装置来执行。该装置可以由软件和/或硬件的方式实现。参见图1，本申请实施例提供的样本均衡方法包括：
S110、根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签。
其中，待均衡样本集是指待进行均衡处理的样本集，也即该样本集中不同标签的样本分布不均衡。
待均衡样本集关联的至少两个标签是指待均衡样本集中的样本具有的标签。
示例性地，以待分类文本为法律文书为例，该标签可以是交通肇事和非交通肇事，也可以是交通肇事、财产纠纷和非法融资等。
目标标签是指待均衡样本的标签。
在一个实施例中，目标标签的确定可以包括：
根据待均衡样本集中标签对应的样本数量，将最小样本数量对应的标签作为目标标签。
可选地，在另一个实施例中，目标标签的确定也可以包括：
根据待均衡样本集中标签对应的样本数量，将样本数量小于设定数量阈值的样本数量对应的标签作为目标标签。
目标样本是指待均衡样本集中与目标标签对应的样本，也即待均衡样本集中标注目标标签的样本。
S120、增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集。
其中，目标样本数量是指均衡后目标标签应该具有的样本数量。
可选地，目标样本数量的确定包括：
根据待均衡样本集中各标签对应样本数量的最大值或均值，确定目标样本数量。
在一个实施例中，增加目标样本，可以包括：
将目标样本输入预先训练的模型中，将输出的目标样本的相似样本增加至待均衡样本集中；或者，
复制目标样本，将复制得到的样本增加至待均衡样本集中。
新的样本集是指增加目标样本后，目标标签的样本数量达到目标样本数量的待均衡样本集。
S130、若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量。
其中，其他标签是指新样本集中除目标标签外的标签。
新样本集中除所述目标标签外的其他标签对应的样本是指，新样本集中标注有其他标签的样本。
本申请实施例的技术方案，通过若新样本集中除目标标签外的其他标签对应的样本数量小于目标样本数量，则增加新样本集中除目标标签外的其他标签对应的样本，从而实现对目标标签外其他标签的均衡，进而实现对多标签样本集的样本均衡，提高多标签样本集的均衡度。
图2是本申请实施例提供的另一种样本均衡方法的流程图。本方案是在上述方案的基础上，对上述方案的扩展。参见图2，本申请实施例提供的样本均衡方法包括：
S210、根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签。
S220、增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集。
S230、基于增加的目标样本，统计所述新样本集中除所述目标标签外的其他标签的样本数量。
当目标样本为多标签样本时，目标样本除了具有目标标签外，还具其他标签。
例如，目标样本为第一句子，目标标签为财产纠纷。第一句子具有的其他标签可以是非法融资等。
S240、若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量。
在一个实施例中，所述若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量，包括：
若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则根据所述其他标签对应的样本数量和所述目标样本数量，从所述其他标签中确定待均衡标签，以及所述新样本集中与所述待均衡标签对应的待均衡样本；
增加所述待均衡样本，使所述新样本集中所述待均衡标签的样本数量达到所述目标样本数量。
其中，待均衡标签是指待进行均衡处理的标签。
待均衡样本是指新样本集中具有待均衡标签的样本。
在一个实施例中，根据所述其他标签对应的样本数量和所述目标样本数量，从所述其他标签中确定待均衡标签，包括：
分别比较新样本集中除目标标签外的其他标签的样本数量与目标样本数量；
若其他标签的样本数量小于目标样本数量，则将其他标签作为待均衡标签。
本方案通过基于增加的目标样本，对新样本集中除目标标签外的其他标签对应的样本数量进行统计；根据统计结果触发对其他标签的样本均衡处理，以实现对样本集中除目标标签外的其他标签的样本均衡。
图3是本申请实施例提供的又一种样本均衡方法的流程图。本方案是在上述方案的基础上，对步骤“增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集”的具体优化。参见图3，本申请实施例提供的样本均衡方法包括：
S310、根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签。
S320、确定所述待均衡样本集中所述目标标签的样本数量与所述目标样本数量的差值。
S330、根据确定的差值，增加所述目标样本，使所述目标标签的样本数量达到所述目标样本数量，得到新样本集。
S340、若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量。
本方案通过根据待均衡样本集中目标标签的样本数量与目标样本数量的差值，增加待均衡样本集中目标标签的样本至目标样本数量，从而实现将待均衡样本集中目标标签的样本增加至目标样本数量。
图4是本申请实施例提供的又一种样本均衡方法的流程图。本方案是在上述方案的基础上，对步骤“增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集”的具体优化。参见图3，本申请实施例提供的样本均衡方法包括：
S410、根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签。
S420、若所述目标样本的种类为至少两种，且所述目标样本数量为至少两个，则根据所述目标样本数量，增加至少两种的目标样本，使所述待均衡样本集中所述目标标签的样本数量达到所述目标样本数量，得到新样本集。
其中至少两种的目标样本包括两种、三种或目标样本的全部种类。
示例性地，若待均衡样本集中目标标签的样本为第一样本和第二样本，则分别复制第一样本和第二样本，并将复制得到的第一样本和第二样本添加至待均衡样本集中，从而使得待均衡样本集中的第一样本与第二样本的数量相当，进而提高待均衡样本集的丰富度。
在一个实施例中，所述根据所述目标样本数量，增加至少两种的目标样本，使所述待均衡样本集中所述目标标签的样本数量达到所述目标样本数量，得到新样本集，包括：
根据所述目标样本数量，确定所述至少两种的目标样本中各种目标样本的增加数量，其中各种目标样本的增加数量之间的差值小于设定差值阈值；
根据确定的各种目标样本的增加数量，增加所述至少两种的目标样本，得到新样本集。
其中，设定差值阈值可以根据实际需要确定，本实施例对此不限定。
示例性地，过目标样本数量为8，目标样本的种类为2，均衡处理前待均衡样本集中包括目标样本的数量为2个，则确定每种目标样本的增加数量为3，计算公式为：(8-2)÷2。
S430、若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量。
本方案通过若目标样本的种类为至少两种，且目标样本数量为至少两个，则根据目标样本数量，增加至少两种的目标样本，从而提高新样本集中样本的丰富度。
图5是本申请实施例提供的又一种样本均衡方法的流程图。本实施例是在上述实施例的基础上，对上述方案的扩展。参见图5，本申请实施例提供的样本均衡方法包括：
S510、根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签。
S520、增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集。
S530、若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量。
S540、确定所述新样本集的高频标签。
其中，高频标签是指样本出现频率高于样本集中其他标签的样本出现频率的标签。
在一个实施例中，所述确定所述新样本集的高频标签，包括：
确定所述新样本集中各标签的样本数量与所述目标样本数量的差值；
根据确定的差值从该样本集关联的至少两个标签中确定所述高频标签。
例如，将差值最大的样本数量对应的标签作为高频标签。
可选地，所述确定增加后的样本集的高频标签，包括：
确定新样本集中不同标签间的样本数量差值；
根据确定的差值从该样本集关联的至少两个标签中确定所述高频标签。
S550、从所述新样本集中确定标签数量为一，且标注有所述高频标签的高频样本。
其中，高频样本是仅标注有高频标签的样本。
S560、减少所述高频样本的数量，以降低所述高频标签的样本数量与所述新样本集中除所述高频标签外的其他标签的样本数量的差值。
在一个实施例中，可以按照设定数量对高频样本进行删除。
为提高删除的准确率，可以根据高频标签的样本数量与目标样本数量的差值，删除高频样本。
以待均衡样本集中的样本为多标签样本为例，具体如下：
sentence1 a,b,c
sentence2 a,c
sentence3 a,d
sentence4 a,e
其中，sentence1、sentence2、sentence3和sentence4为不同样本，a、b、c、d和e为样本的不同标签。这里设置目标样本数量为4，均衡处理前各标签对应的样本数量为：a:4,b:1,c:2,d:1,e:1。利用本申请实施例提供的样本均衡方法进行样本均衡，具体过程如下：
将样本数量最小的标签作为待均衡的第一标签，此处以e为例，复制sentence4，并将复制得到的3个sentence4添加至样本集中，得到第一样本集；
对第一样本集进行重新统计，得到第一统计结果为：a:7,b:1,c:2,d:1,e:4；
根据第一统计结果，确定待均衡的第二标签，此处以b为例，复制sentence1，并将复制得到的3个sentence1添加至第一样本集中，得到第二样本集；
对第二样本集进行重新统计，得到第二统计结果为：a:10,b:4,c:5,d:1,e:4；
根据第二统计结果，确定待均衡的第三标签为d，复制sentence3，并将复制得到的3个sentence3添加至第二样本集中，得到第三样本集；
对第三样本集进行重新统计，得到第三统计结果为：a:13,b:4,c:5,d:4,e:4；
由于均衡后会导致高频标签样本量级过高，在分析大量样本时，若在减少高频标签样本的同时可以保证其他标签个数不变，则可适当减少高频标签对应的样本数数量。如若存在"sentence5 a"这种的样本，则可以适当删除，以保证各标签对应的样本均衡。
为保证样本的丰富性，c对应的两个样本分别为sentence1，sentence2。在提高c的样本数量时，重复构造这两个样本，而不是只构造某一个样本。
本方案通过在提高低频样本的占比后，降低因提高低频样本的样本数量所导致的高频样本的数量提高，从而进一步提高样本集中各标签样本的均衡度。
图6是本申请实施例提供的一种样本均衡装置的示意图。参见图6本申请实施例提供的样本均衡装置600包括：标签确定模块601、第一增加模块602和第二增加模块603。
其中，标签确定模块601，用于根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签；
第一增加模块602，用于增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集；
第二增加模块603，用于若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量。
本申请实施例的技术方案，通过若新样本集中除目标标签外的其他标签对应的样本数量小于目标样本数量，则增加新样本集中除目标标签外的其他标签对应的样本，从而实现对目标标签外其他标签的均衡，进而实现对多标签样本集的样本均衡，提高多标签样本集的均衡度。
进一步地，所述装置还包括：
数量统计模块，用于所述若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量之前，基于增加的目标样本，统计所述新样本集中除所述目标标签外的其他标签的样本数量。
进一步地，其中，所述第二增加模块，包括：
标签确定单元，用于若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则根据所述其他标签对应的样本数量和所述目标样本数量，从所述其他标签中确定待均衡标签，以及所述新样本集中与所述待均衡标签对应的待均衡样本；
样本增加单元，用于增加所述待均衡样本，使所述新样本集中所述待均衡标签的样本数量达到所述目标样本数量。
进一步地，其中，所述第一增加模块，包括：
样本差值单元，用于确定所述待均衡样本集中所述目标标签的样本数量与所述目标样本数量的差值；
样本增加单元，用于根据确定的差值，增加所述目标样本，使所述目标标签的样本数量达到所述目标样本数量，得到新样本集。
进一步地，所述第一增加模块，包括：
样本增加单元，用于若所述目标样本的种类为至少两种，且所述目标样本数量为至少两个，则根据所述目标样本数量，增加至少两种的目标样本，使所述待均衡样本集中所述目标标签的样本数量达到所述目标样本数量，得到新样本集。
进一步地，所述样本增加单元，具体用于：
根据所述目标样本数量，确定所述至少两种的目标样本中各种目标样本的增加数量，其中各种目标样本的增加数量之间的差值小于设定差值阈值；
根据确定的各种目标样本的增加数量，增加所述至少两种的目标样本，得到新样本集。
进一步地，所述装置还包括：
高频标签确定模块，用于所述若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量之后，确定所述新样本集的高频标签；
高频样本确定模块，用于从所述新样本集中确定标签数量为一，且标注有所述高频标签的高频样本；
样本数量减少模块，用于减少所述高频样本的数量，以降低所述高频标签的样本数量与所述新样本集中除所述高频标签外的其他标签的样本数量的差值。
进一步地，所述高频标签确定模块，包括：
差值确定单元，用于确定所述新样本集中各标签对应的样本数量与所述目标样本数量的差值；
高频标签确定单元，用于根据确定的差值从所述新样本集对应的至少两个标签中确定所述高频标签。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的样本均衡方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的样本均衡的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的样本均衡方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的样本均衡方法对应的程序指令/模块(例如，附图6所示的标签确定模块601、第一增加模块602和第二增加模块603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的样本均衡的方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据样本均衡电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至样本均衡电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
样本均衡方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与样本均衡电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案提高了样本集中各标签对应样本数量的均衡度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种样本均衡方法，包括：
根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签，所述样本包括多标签样本；
增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集；
若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量；
确定所述新样本集的高频标签；
从所述新样本集中确定标签数量为一，且标注有所述高频标签的高频样本；
减少所述高频样本的数量，以降低所述高频标签的样本数量与所述新样本集中除所述高频标签外的其他标签的样本数量的差值；
其中，所述增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集，包括：
若所述目标样本的种类为至少两种，且所述目标样本数量为至少两个，则根据所述目标样本数量，增加至少两种的目标样本，使所述待均衡样本集中所述目标标签的样本数量达到所述目标样本数量，得到新样本集；每种目标样本的多标签内容相同。
2.根据权利要求1所述的方法，所述若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量之前，所述方法还包括：
基于增加的目标样本，统计所述新样本集中除所述目标标签外的其他标签的样本数量。
3.根据权利要求1或2所述的方法，其中，所述若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量，包括：
若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则根据所述其他标签对应的样本数量和所述目标样本数量，从所述其他标签中确定待均衡标签，以及所述新样本集中与所述待均衡标签对应的待均衡样本；
增加所述待均衡样本，使所述新样本集中所述待均衡标签的样本数量达到所述目标样本数量。
4.根据权利要求1或2所述的方法，其中，所述增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集，还包括：
确定所述待均衡样本集中所述目标标签的样本数量与所述目标样本数量的差值；
根据确定的差值，增加所述目标样本，使所述目标标签的样本数量达到所述目标样本数量，得到新样本集。
5.根据权利要求1所述的方法，其中，所述根据所述目标样本数量，增加至少两种的目标样本，使所述待均衡样本集中所述目标标签的样本数量达到所述目标样本数量，得到新样本集，包括：
根据所述目标样本数量，确定所述至少两种的目标样本中各种目标样本的增加数量，其中各种目标样本的增加数量之间的差值小于设定差值阈值；
根据确定的各种目标样本的增加数量，增加所述至少两种的目标样本，得到新样本集。
6.根据权利要求1所述的方法，其中，所述确定所述新样本集的高频标签，包括：
确定所述新样本集中各标签对应的样本数量与所述目标样本数量的差值；
根据确定的差值从所述新样本集对应的至少两个标签中确定所述高频标签。
7.一种样本均衡的装置，包括：
标签确定模块，用于根据待均衡样本集中标签对应的样本数量，从所述待均衡样本集关联的至少两个标签中，确定待均衡的目标标签，且将所述待均衡样本集中与所述目标标签对应的样本作为目标样本，所述待均衡样本集包括至少二个样本，每个样本具有至少一个标签，所述样本包括多标签样本；
第一增加模块，用于增加所述目标样本，使所述待均衡样本集中所述目标标签对应的样本数量达到目标样本数量，得到新样本集；
第二增加模块，用于若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量；
高频标签确定模块，用于所述若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量之后，确定所述新样本集的高频标签；
高频样本确定模块，用于从所述新样本集中确定标签数量为一，且标注有所述高频标签的高频样本；
样本数量减少模块，用于减少所述高频样本的数量，以降低所述高频标签的样本数量与所述新样本集中除所述高频标签外的其他标签的样本数量的差值；
其中，所述第一增加模块，包括：
样本增加单元，用于若所述目标样本的种类为至少两种，且所述目标样本数量为至少两个，则根据所述目标样本数量，增加至少两种的目标样本，使所述待均衡样本集中所述目标标签的样本数量达到所述目标样本数量，得到新样本集，每种目标样本的多标签内容相同。
8.根据权利要求7所述的装置，所述装置还包括：
数量统计模块，用于所述若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则增加所述新样本集中除所述目标标签外的其他标签对应的样本，使所述待均衡样本集中所述其他标签对应的样本数量达到目标样本数量之前，基于增加的目标样本，统计所述新样本集中除所述目标标签外的其他标签的样本数量。
9.根据权利要求7或8所述的装置，其中，所述第二增加模块，包括：
标签确定单元，用于若所述新样本集中除所述目标标签外的其他标签对应的样本数量小于所述目标样本数量，则根据所述其他标签对应的样本数量和所述目标样本数量，从所述其他标签中确定待均衡标签，以及所述新样本集中与所述待均衡标签对应的待均衡样本；
样本增加单元，用于增加所述待均衡样本，使所述新样本集中所述待均衡标签的样本数量达到所述目标样本数量。
10.根据权利要求7或8所述的装置，其中，所述第一增加模块，还包括：
样本差值单元，用于确定所述待均衡样本集中所述目标标签的样本数量与所述目标样本数量的差值；
样本增加单元，用于根据确定的差值，增加所述目标样本，使所述目标标签的样本数量达到所述目标样本数量，得到新样本集。
11.根据权利要求7所述的装置，其中，所述样本增加单元，具体用于：
根据所述目标样本数量，确定所述至少两种的目标样本中各种目标样本的增加数量，其中各种目标样本的增加数量之间的差值小于设定差值阈值；
根据确定的各种目标样本的增加数量，增加所述至少两种的目标样本，得到新样本集。
12.根据权利要求7所述装置，其中，所述高频标签确定模块，包括：
差值确定单元，用于确定所述新样本集中各标签对应的样本数量与所述目标样本数量的差值；
高频标签确定单元，用于根据确定的差值从所述新样本集对应的至少两个标签中确定所述高频标签。
13. 一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010899784.1A CN112085080B (zh) | 2020-08-31 | 2020-08-31 | 样本均衡方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010899784.1A CN112085080B (zh) | 2020-08-31 | 2020-08-31 | 样本均衡方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085080A CN112085080A (zh) | 2020-12-15 |
| CN112085080B true CN112085080B (zh) | 2024-03-08 |
Family
ID=73731635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010899784.1A Active CN112085080B (zh) | 2020-08-31 | 2020-08-31 | 样本均衡方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085080B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874279A (zh) * | 2015-12-11 | 2017-06-20 | 腾讯科技（深圳）有限公司 | 生成应用类别标签的方法及装置 |
| CN108628971A (zh) * | 2018-04-24 | 2018-10-09 | 深圳前海微众银行股份有限公司 | 不均衡数据集的文本分类方法、文本分类器及存储介质 |
| WO2019169704A1 (zh) * | 2018-03-08 | 2019-09-12 | 平安科技（深圳）有限公司 | 一种数据分类方法、装置、设备及计算机可读存储介质 |
| CN110852379A (zh) * | 2019-11-11 | 2020-02-28 | 北京百度网讯科技有限公司 | 训练样本生成方法、装置以及电子设备 |
| CN111061581A (zh) * | 2018-10-16 | 2020-04-24 | 阿里巴巴集团控股有限公司 | 一种故障检测方法、装置及设备 |
| CN111079811A (zh) * | 2019-12-06 | 2020-04-28 | 西安电子科技大学 | 一种针对多标签分类数据不均衡问题的采样方法 |
| KR20200054121A (ko) * | 2019-11-29 | 2020-05-19 | 주식회사 루닛 | 기계 학습 방법 및 장치 |
| CN111198906A (zh) * | 2019-12-20 | 2020-05-26 | 天阳宏业科技股份有限公司 | 一种数据处理方法、装置、***及存储介质 |
| CN111400499A (zh) * | 2020-03-24 | 2020-07-10 | 网易（杭州）网络有限公司 | 文档分类模型的训练方法、文档分类方法、装置及设备 |
-
2020
- 2020-08-31 CN CN202010899784.1A patent/CN112085080B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874279A (zh) * | 2015-12-11 | 2017-06-20 | 腾讯科技（深圳）有限公司 | 生成应用类别标签的方法及装置 |
| WO2019169704A1 (zh) * | 2018-03-08 | 2019-09-12 | 平安科技（深圳）有限公司 | 一种数据分类方法、装置、设备及计算机可读存储介质 |
| CN108628971A (zh) * | 2018-04-24 | 2018-10-09 | 深圳前海微众银行股份有限公司 | 不均衡数据集的文本分类方法、文本分类器及存储介质 |
| CN111061581A (zh) * | 2018-10-16 | 2020-04-24 | 阿里巴巴集团控股有限公司 | 一种故障检测方法、装置及设备 |
| CN110852379A (zh) * | 2019-11-11 | 2020-02-28 | 北京百度网讯科技有限公司 | 训练样本生成方法、装置以及电子设备 |
| KR20200054121A (ko) * | 2019-11-29 | 2020-05-19 | 주식회사 루닛 | 기계 학습 방법 및 장치 |
| CN111079811A (zh) * | 2019-12-06 | 2020-04-28 | 西安电子科技大学 | 一种针对多标签分类数据不均衡问题的采样方法 |
| CN111198906A (zh) * | 2019-12-20 | 2020-05-26 | 天阳宏业科技股份有限公司 | 一种数据处理方法、装置、***及存储介质 |
| CN111400499A (zh) * | 2020-03-24 | 2020-07-10 | 网易（杭州）网络有限公司 | 文档分类模型的训练方法、文档分类方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| Using high-frequency water quality data to assess sampling strategies for the EU Water Framework Directive;R. A. Skeffington 等;Hydrology and Earth System Sciences;全文 * |
| 一种多标签随机均衡采样算法;李思豪;陈福才;黄瑞阳;;计算机应用研究(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085080A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
| CN111753914B (zh) | 模型优化方法和装置、电子设备及存储介质 | |
| CN111104514B (zh) | 文档标签模型的训练方法及装置 | |
| CN111522967B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
| JP7235817B2 (ja) | 機械翻訳モデルのトレーニング方法、装置及び電子機器 | |
| CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| CN112380847B (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
| CN111860769A (zh) | 预训练图神经网络的方法以及装置 | |
| CN111127191B (zh) | 风险评估方法及装置 | |
| CN110569370B (zh) | 一种知识图谱的构建方法、装置、电子设备及存储介质 | |
| EP3822815A1 (en) | Method and apparatus for mining entity relationship, electronic device, storage medium, and computer program product | |
| CN111241810A (zh) | 标点预测方法及装置 | |
| CN111984774B (zh) | 搜索方法、装置、设备以及存储介质 | |
| CN111783427B (zh) | 用于训练模型与输出信息的方法、装置、设备及存储介质 | |
| CN111310058B (zh) | 资讯主题的推荐方法、装置、终端及存储介质 | |
| CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
| CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
| CN112597288B (zh) | 人机交互方法、装置、设备及存储介质 | |
| CN112100530B (zh) | 网页分类方法、装置、电子设备及存储介质 | |
| CN111125445B (zh) | 社区主题生成方法、装置、电子设备及存储介质 | |
| CN115688802B (zh) | 文本风险检测方法及其装置 | |
| CN112016524A (zh) | 模型训练方法、人脸识别方法、装置、设备和介质 | |
| CN112085080B (zh) | 样本均衡方法、装置、设备以及存储介质 | |
| CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
| CN113312451B (zh) | 文本标签确定方法和装置 |
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 |