CN114138972A - 文本类别的识别方法及装置 - Google Patents

Abstract

本公开涉及人工智能技术领域，提供了一种文本类别的识别方法及装置。该方法包括：在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别；在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别；根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合；在检测到第二待标注文本时，根据第二待标注文本更新类别集合；在检测到待识别文本时，使用最邻近算法，从类别集合中确定出待识别文本对应的类别。

Description

文本类别的识别方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及一种文本类别的识别方法及装置。

背景技术

在文本类别的识别中，现有技术往往是一次性标注完，根据标注完的文本进行文本识别。但是在一些文本识别场景下，需要进行多次文本类别的识别的操作，或者说需要多次更新标注的文本，才能保证文本识别的准确率不会低于预期。针对上述情况，现有技术还无法解决。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：因为无法实时更新标注的文本，导致识别文本类别的准确率低的问题。

发明内容

有鉴于此，本公开实施例提供了一种文本类别的识别方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，因为无法实时更新标注的文本，导致文本类别的识别的准确率低的问题。

本公开实施例的第一方面，提供了一种文本类别的识别方法，包括：获取第一待标注文本，其中，第一待标注文本包括多个类别的待标注文本，每个类别的待标注文本包括一个标准问和多个相似问；在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别；在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别；根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合；在检测到第二待标注文本时，根据第二待标注文本更新类别集合；在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别。

本公开实施例的第二方面，提供了一种文本类别的识别装置，包括：获取模块，被配置为获取第一待标注文本，其中，第一待标注文本包括多个类别的待标注文本，每个类别的待标注文本包括一个标准问和多个相似问；第一确定模块，被配置为在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别；第二确定模块，被配置为在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别；第三确定模块，被配置为根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合；更新模块，被配置为在检测到第二待标注文本时，根据第二待标注文本更新类别集合；识别模块，被配置为在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：因为在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别；在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别；根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合；在检测到第二待标注文本时，根据第二待标注文本更新类别集合；在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别，因此采用上述技术手段，可以解决现有技术中，因为无法实时更新标注的文本，导致文本类别的识别的准确率低的问题，进而一种可以实时更新标注的文本，进而识别文本类别的方法。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的一种文本类别的识别方法的流程示意图；

图3是本公开实施例提供的一种文本类别的识别装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种文本类别的识别方法和装置。

图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。

终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。

用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

图2是本公开实施例提供的一种文本类别的识别方法的流程示意图。图2的文本类别的识别方法可以由图1的服务器执行。如图2所示，该文本类别的识别方法包括：

S201，获取第一待标注文本，其中，第一待标注文本包括多个类别的待标注文本，每个类别的待标注文本包括一个标准问和多个相似问；

S202，在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别；

S203，在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别；

S204，根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合；

S205，在检测到第二待标注文本时，根据第二待标注文本更新类别集合；

S206，在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别。

需要说明的是，确定每个类别的待标注文本对应的标准子类别，确定每个类别的待标注文本对应的非标准子类别以及确定类别集合可以理解为对第一待标注文本进行标注处理，属于第一次文本类别的识别。因为对第一待标注文本进行标注处理，是第一次文本类别的识别，所以需要确定标准子类别、非标准子类别以及类别集合的顺序依次进行。根据第二待标注文本更新类别集合可以理解为对第二待标注文本进行标注处理，将对第二待标注文本进行标注处理的结果添加到类别集合中，属于非第一次文本类别的识别。因为对第二待标注文本进行标注处理，是非第一次文本类别的识别，所以可以不按照确定标准子类别、非标准子类别以及类别集合的顺序依次进行，只需要和类别集合进行比较。相似度可以是余弦相似度，文本相似度等。

根据本公开实施例提供的技术方案，因为在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别；在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别；根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合；在检测到第二待标注文本时，根据第二待标注文本更新类别集合；在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别，因此采用上述技术手段，可以解决现有技术中，因为无法实时更新标注的文本，导致文本类别的识别的准确率低的问题，进而一种可以实时更新标注的文本，进而识别文本类别的方法。

在步骤S202中，在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别，包括：在每个类别的待标注文本中：计算标准问和每个相似问的第一相似度；在第一相似度大于预设阈值时，将大于预设阈值的第一相似度对应的相似问添加到标准子类别中，并在待标注文本中将已经添加到标准子类别中的相似问删除。

一个类别的待标注文本的标准问，可以理解为该待标注文本的文本表示的平均值，或者该待标注文本的文本表示的最中心的部分或数据，一个类别的待标注文本的相似问，可以理解为该待标注文本的文本表示中，除了标准问之外的其他部分或者数据。一个文本的标准问和相似问，可以先使得该文本通过文本编码器，得到该文本的文本表示，以文本表示的最中心的部分或数据为该文本的标准问，其他部分或数据为该文本的相似问。

本公开实施例中的类别集合包括每个类别的待标注文本的一个标准子类别和多个非标准子类别，实际上是将每个类别的待标注文本表示为了多个向量，每个子类别对应一个向量，而现有技术中，往往只可以将每个类别的待标注文本表示为了一个向量。因为本公开实施例将每个类别的待标注文本表示为了多个向量，使得根据该类别集合的文本识别更加精确。

在步骤S203中，在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别，包括：在每个类别的待标注文本中：计算任意一个相似问与其他的每个相似问的第二相似度；在第二相似度大于预设阈值时，将大于预设阈值的第二相似度对应的相似问添加到任意一个相似问对应的非标准子类别中，并在待标注文本中将已经添加到非标准子类别中的相似问删除。

因为在文本类别的识别时，是先确定标准子类别，再确定非标准子类别，因此本公开实施例中的待标注文本是在将已经添加到标准子类别中的相似问删除后的待标注文本。举例说明，在一个类别中，经过确定标准子类别后，待标注文本还有10个相似问。计算第1个相似问与其他9个相似问的第二相似度，其中，第1个相似问与第5个和第7个相似问的第二相似度大于预设阈值，所以将第5个和第7个相似问添加到第1个相似问对应的非标准子类别中；然后计算第2个相似问与其他9个相似问的第二相似度，确定第2个相似问对应的非标准子类别……每个相似问都会对应一个非标准子类别。非标准子类别可以理解为一个队列，非标准子类别初始时，为空。

在步骤S204中，根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合，包括：在每个类别的待标注文本对应的标准子类别和多个非标准子类别中：计算每个非标准子类别中的所有相似问的算术平均值，得到每个非标准子类别对应的非标准子类别表示，计算标准子类别中的标准问和所有相似问的算术平均值，得到标准子类别对应的标准子类别表示，计算所有非标准子类别表示和标准子类别表示的算术平均值，得到每个类别的待标注文本对应的母类别表示；根据每个类别的待标注文本对应的多个非标准子类别表示、标准子类别表示和母类别表示，确定类别集合。

每个类别的待标注文本对应的母类别表示就是该类别的类别表示，每个类别就是一个母类别，之所以称之为母类别表示，意在区别每个类别下有多个子类别，每个子类别的文本表示为子类别表示。本公开实施例中，计算每个非标准子类别中的所有相似问的算术平均值，将该算术平均值作为每个非标准子类别对应的非标准子类别表示，可以是先根据文本表示的相关知识，求得每个非标准子类别中的所有相似问对应的向量，然后计算每个非标准子类别中的所有相似问对应的向量的算术平均值，将该算术平均值作为每个非标准子类别对应的非标准子类别表示。还可以是计算每个非标准子类别中的所有相似问的加权求和，再对加权求和的结果求平均值，将求平均的值作为每个非标准子类别对应的非标准子类别表示。标准子类别表示和母类别表示的计算与非标准子类别表示的计算类似。

在步骤S205中，在检测到第二待标注文本时，根据第二待标注文本更新类别集合，包括：将第二待标注文本输入文本编码器，得到第二待标注文本对应的第一文本表示；计算第一文本表示与类别集合中每个母类别表示的第三相似度，在第三相似度大于预设阈值时：计算第一文本表示与类别集合中每个母类别表示对应的标准子类别表示的第四相似度，在第四相似度大于预设阈值时，将第二待标注文本添加到标准子类别中，并更新标准子类别表示；在第四相似度小于预设阈值时，计算第一文本表示与类别集合中每个母类别表示对应的每个非标准子类别表示的第五相似度，在第五相似度大于预设阈值时，将第二待标注文本添加到大于预设阈值的第五相似度对应的非标准子类别中，并更新大于预设阈值的第五相似度对应的非标准子类别表示；在第三相似度小于预设阈值时，将第一文本表示作为一个新的母类别表示添加到类别集合中。

文本编码器可以是BERT模型，该文本编码器已经经过训练，学习并保存有待标注文本与文本表示之间的对应关系。

第三相似度大于预设阈值，说明第二待标注文本必定属于大于预设阈值的第三相似度对应的母类别，因此该第二待标注文本要么属于该母类别的标准子类别，要么属于该母类别的一个非标准子类别。因此在第四相似度小于预设阈值时，那么第五相似度必定大于预设阈值。待标注文本、母类别和子类别可以理解为文本信息，文本表示、子类别表示和母类别表示可以理解为向量信息。第三相似度小于预设阈值，说明第二待标注文本不属于类别集合中任何一个母类别，所以将第二待标注文本作为一个新的母类别添加到类别集合中。类别集合包括各个母类别、各个子类别、各个母类别表示和各个子类别表示，或者可以理解为类别集合包括各个母类别表示和各个子类别表示，各个母类别表示是包含对应的母类别，各个子类别表示是包含对应的子类别。将第二待标注文本添加到标准子类别中，并更新标准子类别表示，其中，更新标准子类别表示是指将第一文本表示加入到标准子类别表示中。进一步地，还可以将第二待标注文本作为一个新的母类别的一个新的子类别添加到类别集合中，在后续检测到其他待标注文本时，完善或者更新该新的母类别。如果第三待标注文本和第二待标注文本对应的相似度大于预设阈值，但是小于第二预设阈值的情况下，可以将第三待标注文本作为该新的母类别中，除了第二待标注文本之外，另外一个新的子类别。

在执行步骤S205之后，在检测到第二待标注文本时，根据所述第二待标注文本更新所述类别集合之后，所述方法还包括：在接收到文本识别指令时，获取所述待识别文本和类别集合；将待识别文本输入文本编码器，得到待识别文本对应的第二文本表示；计算第二文本表示与以下任意一个类别表示的第六相似度：类别集合中的每个母类别表示、每个母类别表示对应的标准子类别表示和每个母类别表示对应的任意一个非标准子类别表示；在第六相似度大于预设阈值时，将待识别文本识别为大于预设阈值的第六相似度对应的类别。

本公开实施例提供的文本识别方法，可以识别出待识别文本的母类别，也可以识别出待识别文本的子类别，子类别，包括：非标准子类别和标准子类别。本公开中的出现过多次预设阈值，可以是同一个阈值，比如都为0.7，也可以是不同本公开实施例出现的预设阈值不同。在第六相似度大于预设阈值时，将待识别文本识别为大于预设阈值的第六相似度对应的类别。其中，该类别可以为类别集合中任意一个母类别或任意一个母类别下的任意一个子类别。

在步骤S206中，在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别，包括：将所述待识别文本输入文本编码器，得到待识别文本对应的第二文本表示；使用最邻近算法，根据第二文本表示，从类别集合中确定出待识别文本对应的类别。

举例说明，使用最邻近算法，从类别集合中每个母类别挑选出50个与第二文本表示最邻近的子类别，然后分别计算每个母类别挑选出的50个子类别的算数平均值，将每个母类别的算数平均值与第二文本表示最相近的母类别作为待识别文本对应的类别。

在一个可选实施例中，还可以对于子类中的相似问进行预警，辅助类别集合中已经标注数据质量的提升。具体地，将标准子类和非标准子类中与其他的相似问的相似度小于一定阈值的相似问，重新进行标注处理，或者文本表示。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种文本类别的识别装置的示意图。如图3所示，该文本类别的识别装置包括：

获取模块301，被配置为获取第一待标注文本，其中，第一待标注文本包括多个类别的待标注文本，每个类别的待标注文本包括一个标准问和多个相似问；

第一确定模块302，被配置为在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别；

第二确定模块303，被配置为在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别；

第三确定模块304，被配置为根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合；

更新模块305，被配置为在检测到第二待标注文本时，根据第二待标注文本更新类别集合；

识别模块306，被配置为在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别。

需要说明的是，确定每个类别的待标注文本对应的标准子类别，确定每个类别的待标注文本对应的非标准子类别以及确定类别集合可以理解为对第一待标注文本进行标注处理，属于第一次文本类别的识别。因为对第一待标注文本进行标注处理，是第一次文本类别的识别，所以需要确定标准子类别、非标准子类别以及类别集合的顺序依次进行。根据第二待标注文本更新类别集合可以理解为对第二待标注文本进行标注处理，将对第二待标注文本进行标注处理的结果添加到类别集合中，属于非第一次文本类别的识别。因为对第二待标注文本进行标注处理，是非第一次文本类别的识别，所以可以不按照确定标准子类别、非标准子类别以及类别集合的顺序依次进行，只需要和类别集合进行比较。相似度可以是余弦相似度，文本相似度等。

根据本公开实施例提供的技术方案，因为在每个类别的待标注文本中，根据标准问和每个相似问的第一相似度，确定每个类别的待标注文本对应的标准子类别；在每个类别的待标注文本中，根据任意一个相似问与其他的每个相似问的第二相似度，确定每个类别的待标注文本对应的非标准子类别；根据每个类别的待标注文本对应的标准子类别和多个非标准子类别，确定类别集合；在检测到第二待标注文本时，根据第二待标注文本更新类别集合；在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别，因此采用上述技术手段，可以解决现有技术中，因为无法实时更新标注的文本，导致文本类别的识别的准确率低的问题，进而一种可以实时更新标注的文本，进而识别文本类别的方法。

可选地，第一确定模块302还被配置为在每个类别的待标注文本中：计算标准问和每个相似问的第一相似度；在第一相似度大于预设阈值时，将大于预设阈值的第一相似度对应的相似问添加到标准子类别中，并在待标注文本中将已经添加到标准子类别中的相似问删除。

一个类别的待标注文本的标准问，可以理解为该待标注文本的文本表示的平均值，或者该待标注文本的文本表示的最中心的部分或数据，一个类别的待标注文本的相似问，可以理解为该待标注文本的文本表示中，除了标准问之外的其他部分或者数据。一个文本的标准问和相似问，可以先使得该文本通过文本编码器，得到该文本的文本表示，以文本表示的最中心的部分或数据为该文本的标准问，其他部分或数据为该文本的相似问。

本公开实施例中的类别集合包括每个类别的待标注文本的一个标准子类别和多个非标准子类别，实际上是将每个类别的待标注文本表示为了多个向量，每个子类别对应一个向量，而现有技术中，往往只可以将每个类别的待标注文本表示为了一个向量。因为本公开实施例将每个类别的待标注文本表示为了多个向量，使得根据该类别集合的文本识别更加精确。

可选地，第二确定模块303还被配置为在每个类别的待标注文本中：计算任意一个相似问与其他的每个相似问的第二相似度；在第二相似度大于预设阈值时，将大于预设阈值的第二相似度对应的相似问添加到任意一个相似问对应的非标准子类别中，并在待标注文本中将已经添加到非标准子类别中的相似问删除。

因为在文本类别的识别时，是先确定标准子类别，再确定非标准子类别，因此本公开实施例中的待标注文本是在将已经添加到标准子类别中的相似问删除后的待标注文本。举例说明，在一个类别中，经过确定标准子类别后，待标注文本还有10个相似问。计算第1个相似问与其他9个相似问的第二相似度，其中，第1个相似问与第5个和第7个相似问的第二相似度大于预设阈值，所以将第5个和第7个相似问添加到第1个相似问对应的非标准子类别中；然后计算第2个相似问与其他9个相似问的第二相似度，确定第2个相似问对应的非标准子类别……每个相似问都会对应一个非标准子类别。非标准子类别可以理解为一个队列，非标准子类别初始时，为空。

可选地，第二确定模块304还被配置为在每个类别的待标注文本对应的标准子类别和多个非标准子类别中：计算每个非标准子类别中的所有相似问的算术平均值，得到每个非标准子类别对应的非标准子类别表示，计算标准子类别中的标准问和所有相似问的算术平均值，得到标准子类别对应的标准子类别表示，计算所有非标准子类别表示和标准子类别表示的算术平均值，得到每个类别的待标注文本对应的母类别表示；根据每个类别的待标注文本对应的多个非标准子类别表示、标准子类别表示和母类别表示，确定类别集合。

每个类别的待标注文本对应的母类别表示就是该类别的类别表示，每个类别就是一个母类别，之所以称之为母类别表示，意在区别每个类别下有多个子类别，每个子类别的文本表示为子类别表示。本公开实施例中，计算每个非标准子类别中的所有相似问的算术平均值，将该算术平均值作为每个非标准子类别对应的非标准子类别表示，可以是先根据文本表示的相关知识，求得每个非标准子类别中的所有相似问对应的向量，然后计算每个非标准子类别中的所有相似问对应的向量的算术平均值，将该算术平均值作为每个非标准子类别对应的非标准子类别表示。还可以是计算每个非标准子类别中的所有相似问的加权求和，再对加权求和的结果求平均值，将求平均的值作为每个非标准子类别对应的非标准子类别表示。标准子类别表示和母类别表示的计算与非标准子类别表示的计算类似。

可选地，更新模块305还被配置为将第二待标注文本输入文本编码器，得到第二待标注文本对应的第一文本表示；计算第一文本表示与类别集合中每个母类别表示的第三相似度，在第三相似度大于预设阈值时：计算第一文本表示与类别集合中每个母类别表示对应的标准子类别表示的第四相似度，在第四相似度大于预设阈值时，将第二待标注文本添加到标准子类别中，并更新标准子类别表示；在第四相似度小于预设阈值时，计算第一文本表示与类别集合中每个母类别表示对应的每个非标准子类别表示的第五相似度，在第五相似度大于预设阈值时，将第二待标注文本添加到大于预设阈值的第五相似度对应的非标准子类别中，并更新大于预设阈值的第五相似度对应的非标准子类别表示；在第三相似度小于预设阈值时，将第一文本表示作为一个新的母类别表示添加到类别集合中。

文本编码器可以是BERT模型，该文本编码器已经经过训练，学习并保存有待标注文本与文本表示之间的对应关系。

第三相似度大于预设阈值，说明第二待标注文本必定属于大于预设阈值的第三相似度对应的母类别，因此该第二待标注文本要么属于该母类别的标准子类别，要么属于该母类别的一个非标准子类别。因此在第四相似度小于预设阈值时，那么第五相似度必定大于预设阈值。待标注文本、母类别和子类别可以理解为文本信息，文本表示、子类别表示和母类别表示可以理解为向量信息。第三相似度小于预设阈值，说明第二待标注文本不属于类别集合中任何一个母类别，所以将第二待标注文本作为一个新的母类别添加到类别集合中。类别集合包括各个母类别、各个子类别、各个母类别表示和各个子类别表示，或者可以理解为类别集合包括各个母类别表示和各个子类别表示，各个母类别表示是包含对应的母类别，各个子类别表示是包含对应的子类别。将第二待标注文本添加到标准子类别中，并更新标准子类别表示，其中，更新标准子类别表示是指将第一文本表示加入到标准子类别表示中。进一步地，还可以将第二待标注文本作为一个新的母类别的一个新的子类别添加到类别集合中，在后续检测到其他待标注文本时，完善或者更新该新的母类别。如果第三待标注文本和第二待标注文本对应的相似度大于预设阈值，但是小于第二预设阈值的情况下，可以将第三待标注文本作为该新的母类别中，除了第二待标注文本之外，另外一个新的子类别。

可选地，识别模块306还被配置为在接收到文本识别指令时，获取所述待识别文本和类别集合；将待识别文本输入文本编码器，得到待识别文本对应的第二文本表示；计算第二文本表示与以下任意一个类别表示的第六相似度：类别集合中的每个母类别表示、每个母类别表示对应的标准子类别表示和每个母类别表示对应的任意一个非标准子类别表示；在第六相似度大于预设阈值时，将待识别文本识别为大于预设阈值的第六相似度对应的类别。

本公开实施例提供的文本识别方法，可以识别出待识别文本的母类别，也可以识别出待识别文本的子类别，子类别，包括：非标准子类别和标准子类别。本公开中的出现过多次预设阈值，可以是同一个阈值，比如都为0.7，也可以是不同本公开实施例出现的预设阈值不同。在第六相似度大于预设阈值时，将待识别文本识别为大于预设阈值的第六相似度对应的类别。其中，该类别可以为类别集合中任意一个母类别或任意一个母类别下的任意一个子类别。

可选地，识别模块306还被配置为将所述待识别文本输入文本编码器，得到待识别文本对应的第二文本表示；使用最邻近算法，根据第二文本表示，从类别集合中确定出待识别文本对应的类别。

举例说明，使用最邻近算法，从类别集合中每个母类别挑选出50个与第二文本表示最邻近的子类别，然后分别计算每个母类别挑选出的50个子类别的算数平均值，将每个母类别的算数平均值与第二文本表示最相近的母类别作为待识别文本对应的类别。

可选地，更新模块305还被配置为对于子类中的相似问进行预警，辅助类别集合中已经标注数据质量的提升。具体地，将标准子类和非标准子类中与其他的相似问的相似度小于一定阈值的相似问，重新进行标注处理，或者文本表示。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种文本类别的识别方法，其特征在于，包括：

获取第一待标注文本，其中，所述第一待标注文本包括多个类别的待标注文本，每个类别的待标注文本包括一个标准问和多个相似问；

在每个类别的所述待标注文本中，根据所述标准问和每个所述相似问的第一相似度，确定每个类别的所述待标注文本对应的标准子类别；

在每个类别的所述待标注文本中，根据任意一个所述相似问与其他的每个所述相似问的第二相似度，确定每个类别的所述待标注文本对应的非标准子类别；

根据每个类别的所述待标注文本对应的所述标准子类别和多个所述非标准子类别，确定类别集合；

在检测到第二待标注文本时，根据所述第二待标注文本更新所述类别集合；

在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别。

2.根据权利要求1所述的方法，其特征在于，所述在每个类别的所述待标注文本中，根据所述标准问和每个所述相似问的第一相似度，确定每个类别的所述待标注文本对应的标准子类别，包括：

在每个类别的所述待标注文本中：

计算所述标准问和每个相似问的第一相似度；

在所述第一相似度大于预设阈值时，将大于所述预设阈值的所述第一相似度对应的相似问添加到标准子类别中，并在所述待标注文本中将已经添加到所述标准子类别中的相似问删除。

3.根据权利要求1所述的方法，其特征在于，所述在每个类别的所述待标注文本中，根据任意一个所述相似问与其他的每个所述相似问的第二相似度，确定每个类别的所述待标注文本对应的非标准子类别，包括：

在每个类别的所述待标注文本中：

计算任意一个相似问与其他的每个相似问的第二相似度；

在所述第二相似度大于预设阈值时，将大于所述预设阈值的所述第二相似度对应的相似问添加到所述任意一个相似问对应的非标准子类别中，并在所述待标注文本中将已经添加到所述非标准子类别中的相似问删除。

4.根据权利要求1所述的方法，其特征在于，所述根据每个类别的所述待标注文本对应的所述标准子类别和多个所述非标准子类别，确定类别集合，包括：

在每个类别的所述待标注文本对应的所述标准子类别和多个所述非标准子类别中：计算每个所述非标准子类别中的所有所述相似问的算术平均值，得到每个所述非标准子类别对应的非标准子类别表示，计算所述标准子类别中的所述标准问和所有所述相似问的算术平均值，得到所述标准子类别对应的标准子类别表示，计算所有所述非标准子类别表示和所述标准子类别表示的算术平均值，得到每个类别的所述待标注文本对应的母类别表示；

根据每个类别的所述待标注文本对应的多个所述非标准子类别表示、所述标准子类别表示和所述母类别表示，确定所述类别集合。

5.根据权利要求1所述的方法，其特征在于，所述在检测到第二待标注文本时，根据所述第二待标注文本更新所述类别集合，包括：

将所述第二待标注文本输入文本编码器，得到所述第二待标注文本对应的第一文本表示；

计算所述第一文本表示与所述类别集合中每个母类别表示的第三相似度，在所述第三相似度大于预设阈值时：

计算所述第一文本表示与所述类别集合中每个母类别表示对应的所述标准子类别表示的第四相似度，在所述第四相似度大于预设阈值时，将所述第二待标注文本添加到所述标准子类别中，并更新所述标准子类别表示；

在所述第四相似度小于预设阈值时，计算所述第一文本表示与所述类别集合中每个母类别表示对应的每个所述非标准子类别表示的第五相似度，在所述第五相似度大于预设阈值时，将所述第二待标注文本添加到大于所述预设阈值的所述第五相似度对应的非标准子类别中，并更新大于所述预设阈值的所述第五相似度对应的所述非标准子类别表示；

在所述第三相似度小于预设阈值时，将所述第一文本表示作为一个新的母类别表示添加到所述类别集合中。

6.根据权利要求1所述的方法，其特征在于，在检测到第二待标注文本时，根据所述第二待标注文本更新所述类别集合之后，所述方法还包括：

在接收到文本识别指令时，获取所述待识别文本和所述类别集合；

将所述待识别文本输入文本编码器，得到所述待识别文本对应的第二文本表示；

计算所述第二文本表示与以下任意一个类别表示的第六相似度：

所述类别集合中的每个母类别表示、每个母类别表示对应的所述标准子类别表示和每个母类别表示对应的任意一个所述非标准子类别表示；

在所述第六相似度大于预设阈值时，将所述待识别文本识别为大于所述预设阈值的所述第六相似度对应的类别。

7.根据权利要求1所述的方法，其特征在于，在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别，包括：

将所述待识别文本输入文本编码器，得到所述待识别文本对应的第二文本表示；

使用最邻近算法，根据所述第二文本表示，从所述类别集合中确定出所述待识别文本对应的类别。

8.一种文本类别的识别装置，其特征在于，包括：

获取模块，被配置为获取第一待标注文本，其中，所述第一待标注文本包括多个类别的待标注文本，每个类别的待标注文本包括一个标准问和多个相似问；

第一确定模块，被配置为在每个类别的所述待标注文本中，根据所述标准问和每个所述相似问的第一相似度，确定每个类别的所述待标注文本对应的标准子类别；

第二确定模块，被配置为在每个类别的所述待标注文本中，根据任意一个所述相似问与其他的每个所述相似问的第二相似度，确定每个类别的所述待标注文本对应的非标准子类别；

第三确定模块，被配置为根据每个类别的所述待标注文本对应的所述标准子类别和多个所述非标准子类别，确定类别集合；

更新模块，被配置为在检测到第二待标注文本时，根据所述第二待标注文本更新所述类别集合；

识别模块，被配置为在检测到待识别文本时，使用最邻近算法，从所述类别集合中确定出所述待识别文本对应的类别。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7中任一项所述方法的步骤。

Images