[發明專利]一種輔助語料標注方法、裝置、設備及計算機存儲介質

在審

• 申請號: 202110208697.1
• 申請日: 2021-02-25
• 公開（公告）號: CN112925910A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 任小芹
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/332;G06F16/33;G06F40/30;G06K9/62;G06N3/08
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 李艷麗

本申請適用于自然語言處理技術領域，提供了一種輔助語料標注方法、裝置、設備及計算機存儲介質，所述方法包括：獲取第一標簽，所述第一標簽為對于預設的第一語料數據的預測標簽具有異議時，對所述第一語料數據標注的異議標簽；從預設的語料數據庫中確定第一集合中出現次數最多的第二標簽，所述第一集合包括與所述第一語料數據的相似度滿足第一預設條件的多個第二語料數據和所述多個第二語料數據分別對應的標簽；根據所述第二標簽和所述第一標簽的比較結果，從所述第一標簽和所述多個第二語料數據分別對應的標簽中確定所述第一語料數據的標簽。通過上述輔助語料標注方法不僅可以提高語料數據標注的準確性，還可以節約大量的人力成本。

技術領域

本申請屬于自然語言處理領域，尤其涉及一種輔助語料標注方法、裝置、設備及計算機存儲介質。

背景技術

語料數據標注是自然語言處理(Natural Language Processing，NLP)技術中非常重要的階段，語料數據標注的準確性，決定著人機交流的溝通效率。目前，為了提高語料數據標注的準確率，往往在第一次人工標注后，會再一次通過人工抽檢的方式對已有的標簽進行復核。而人工抽檢的結果取決于標注人員對語料的理解，因此，抽檢過程中通常會發生標注人員不認可已有標簽并重新標注的情況。而重新標注的標簽也是基于標注人員對語料數據的理解。因此，可能需要更多次的重復抽檢，以不斷提高語料標注的準確性。多次重復抽檢的方式不僅降低了標注效率，而且增加了大量的人力成本。

發明內容

本申請實施例提供了一種輔助語料標注方法、裝置、設備及計算機可讀存儲介質，可以解決語料數據標注階段人力成本較高的問題。

第一方面，本申請實施例提供了一種輔助語料標注方法，所述方法包括：獲取第一標簽，所述第一標簽為對于預設的第一語料數據的預測標簽具有異議時，對所述第一語料數據標注的異議標簽；從預設的語料數據庫中確定第一集合中出現次數最多的第二標簽，所述第一集合包括與所述第一語料數據的相似度滿足第一預設條件的多個第二語料數據和所述多個第二語料數據分別對應的標簽；根據所述第二標簽和所述第一標簽的比較結果，從所述第一標簽和所述多個第二語料數據分別對應的標簽中確定所述第一語料數據的標簽。

采用本申請提供的一種輔助語料標注方法，在標注人員判斷第一語料數據對應的預測標簽不正確，并選擇或輸入自己認為正確的第一標簽時，標注人員可以基于第一集合中出現次數最多的第二標簽判斷第一標簽是否正確，然后根據第二標簽和第一標簽的比較結果，從第一標簽和多個第二語料數據分別對應的標簽中確定第一語料數據的標簽。利用上述方法可以避免標注人員完全依賴于自身對語料數據的理解來對語料數據進行標注，提高了語料數據標注的準確性。因此，無需通過執行多次人工抽檢的方式來提高語料數據標注的準確性，從而可以減少復核次數，以減少人力成本。

可選的，所述從預設的語料數據庫中確定第一集合中出現次數最多的第二標簽，包括：在所述語料數據庫中獲取第二集合，所述第二集合包括與所述第一語料數據的語義相似度滿足第二預設條件多個第三語料數據和所述多個第三語料數據分別對應的標簽；根據預設的字符相似度條件從所述第二集合中確定所述第一集合；統計所述第一集合中每個標簽的出現次數，確定出現次數最多的標簽為所述第二標簽。

可選的，所述根據所述第二標簽和所述第一標簽的比較結果，從所述第一標簽和所述多個第二語料數據分別對應的標簽中確定所述第一語料數據的標簽，包括：若所述第一標簽與所述第二標簽一致，則將所述預測標簽更新為所述第一標簽；若所述第一標簽與所述第二標簽不一致，則確定所述標注人員從所述多個第二語料數據分別對應的標簽中選擇的第三標簽，將所述預測標簽更新為所述第三標簽。