[發明專利]用于訓練處罰實體分類模型的方法及裝置

在審

• 申請號: 202010884815.6
• 申請日: 2020-08-28
• 公開（公告）號: CN112015913A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 陳科舟
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/35;G06F40/216;G06F40/284;G06F40/289
• 代理公司: 北京永新同創知識產權代理有限公司 11376
• 代理人: 林錦輝;劉景峰

1.一種用于訓練處罰實體分類模型的方法，包括：

對處罰實體語料庫中的處罰實體樣本進行規則打標，得到第一已標注處罰實體樣本；

使用所述第一已標注處罰實體樣本來對所述處罰實體語料庫中的剩余處罰實體樣本執行標簽傳播，得到第二已標注處罰實體樣本；以及

使用所述第一和第二已標注處罰實體樣本來訓練處罰實體分類模型。

2.如權利要求1所述的方法，其中，所述規則匹配是強規則匹配。

3.如權利要求2所述的方法，其中，所述強規則匹配是基于字符長度和關鍵詞的規則匹配。

4.如權利要求3所述的方法，其中，所述標簽是個人和機構名稱，對處罰實體語料庫中的處罰實體樣本進行規則打標包括：

將所述處罰實體語料庫中所具有的字符串長度不大于預定長度的處罰實體樣本的標簽標注為個人；

將大于所述預定長度的處理實體樣本中的與復姓人名庫匹配的處罰實體樣本的標簽標注為個人；

對與復姓人名庫不匹配的處罰實體樣本進行jieba分詞并標注詞性，將分詞詞性與人名匹配或帶有人名且滿足詞性分布規律的處罰實體樣本的標簽標注為個人；以及

將剩余處罰實體樣本中的與機構關鍵詞庫匹配的處罰實體樣本的標簽標注為機構。

5.如權利要求1所述的方法，其中，使用所述第一已標注處罰實體樣本來對所述處罰實體語料庫中的剩余處罰實體樣本執行標簽傳播包括：

對參與標簽傳播處理的處罰實體樣本進行特征提取；

使用各個處罰實體樣本的所提取出的特征，根據特征相似性來將所述第一已標注處罰實體樣本的標簽傳播到所述處罰實體語料庫中的剩余處罰實體樣本，得到第二已標注處罰實體樣本。

6.如權利要求5所述的方法，其中，所述處罰實體樣本的特征是詞向量嵌入特征，對參與標簽傳播處理的處罰實體樣本進行特征提取包括：

對參與標簽傳播處理的處罰實體樣本進行分詞處理；

統計各個處罰實體樣本的分詞處理結果的詞頻分布信息；以及

根據所統計的詞頻分布信息，確定各個處罰實體樣本的詞向量嵌入特征。

7.如權利要求1所述的方法，其中，所述標簽傳播算法包括基于標簽傳播的局部社區劃分算法。

8.如權利要求1所述的方法，其中，使用所述第一已標注處罰實體樣本來對所述處罰實體語料庫中的剩余處罰實體樣本執行標簽傳播還包括：

從所述第二已標注處罰實體樣本中篩選出標簽分布熵最小的預定數目個第二已標注處罰實體樣本，

使用所述第一和第二處罰實體樣本來訓練處罰實體分類模型包括：

使用所述第一處罰實體樣本和所篩選出的第二處罰實體樣本來訓練處罰實體分類模型。

9.如權利要求1所述的方法，其中，使用所述第一已標注處罰實體樣本來對所述處罰實體語料庫中的剩余處罰實體樣本執行標簽傳播包括：

對所述第一已標注處罰實體樣本按照已知標簽的樣本比例進行樣本采樣；以及

使用所采樣的已標注處罰實體樣本來對所述處罰實體語料庫中的剩余處罰實體樣本執行標簽傳播。

10.如權利要求9所述的方法，其中，所采樣的已標注處罰實體樣本中的具有中等長度的處罰實體樣本的樣本比例不低于預定比例。

11.如權利要求9所述的方法，其中，使用所述第一已標注處罰實體樣本來對所述處罰實體語料庫中的剩余處罰實體樣本執行標簽傳播是迭代處理過程，

在每次迭代處理時，對所述第一已標注處罰實體樣本按照已知標簽的樣本比例進行樣本采樣包括：對在前得到的已標注處罰實體樣本按照已知標簽的樣本比例進行樣本采樣。

12.如權利要求1所述的方法，其中，所述處罰實體分類模型包括TextCNN模型、xgBoost模型或SVM模型。