[發明專利]一種獲得目標訓練樣本的方法、電子設備及介質

在審

• 申請號: 202210586079.5
• 申請日: 2022-05-26
• 公開（公告）號: CN114861625A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 韓佳;杜新凱;呂超;谷姍姍;張晗;史輝;李文灝;孫垚鋒
• 申請（專利權）人: 陽光保險集團股份有限公司
• 主分類號: G06F40/194
• 分類號: G06F40/194;G06F16/35;G06F40/30;G06K9/62
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 鐘揚飛

1.一種獲得目標訓練樣本的方法，其特征在于，所述方法包括：

獲取多個原始句子集合，其中，所述多個原始句子集合中的各原始句子集合包括一條原始語句、第一語句集合和第二語句集合，所述第一語句集合與所述原始語句的相似度大于閾值，所述第二語句集合與所述原始語句的相似度小于閾值；

計算所述各原始句子集合中兩兩語句之間的差異值，其中，所述差異值用于表征兩個語句之間的差異程度，所述兩兩語句中的一條語句為所述原始語句且另一條語句為所述第一語句集合中的任一語句，所述兩兩語句中的一條語句為所述原始語句且另一條語句為所述第二語句集合中的任一語句，或者所述兩兩語句中的一條語句為第一語句集合中任一語句且另一條語句為所述第二語句集合中任一語句；

基于所述差異值確定是否刪除所述多個原始句子集合中的至少部分集合，獲得目標訓練樣本。

2.根據權利要求1所述的方法，其特征在于，所述計算所述各原始句子集合中兩兩語句之間的差異值，包括：

計算所述原始語句和所述第二語句集合中各語句之間的第一編輯距離，獲得多個第一差異值，其中，所述第一編輯距離是通過將所述第二語句集合中各語句改寫為所述原始語句的改寫次數確定的；

計算所述第一語句集合中各語句與所述第二語句集合中各語句之間的第二編輯距離，獲得多個第二差異值，其中，所述第二編輯距離是通過將所述第二語句集合中各語句改寫為所述第一語句集合中各語句的改寫次數確定的。

3.根據權利要求2所述的方法，其特征在于，所述第一語句集合包括第i語句，所述第二語句集合包括第j語句，i和j為大于或等于1的整數；

所述基于所述差異值確定是否刪除所述多個原始句子集合中的至少部分集合，獲得目標訓練樣本，包括:

選擇所述第i語句對應的第一差異值與所述第j語句對應的第二差異值之間的較小值；

基于所述較小值確定是否刪除所述多個原始句子集合中的至少部分集合，獲得目標訓練樣本。

4.根據權利要求3所述的方法，其特征在于，所述計算所述各原始句子集合中兩兩語句之間的差異值，包括：

計算所述原始語句和所述第一語句集合中各語句之間的第三編輯距離，獲得多個第三差異值，其中，所述第三編輯距離是通過將所述第一語句集合中各語句改寫為所述原始語句的改寫次數確定的；

所述基于所述較小值確定是否刪除所述多個原始句子集合中的至少部分集合，包括：

若所述第i語句對應的第三差異值大于或等于所述較小值，則將所述第i語句、所述第j語句和所述原始語句保留；

若所述第i語句對應的第三差異值小于所述較小值，則將所述第i語句、所述第j語句刪除。

5.根據權利要求1-4任一項所述的方法，其特征在于，在所述獲取多個原始句子集合之前，所述方法還包括：

獲取初始語句集合，其中，所述初始語句集合中包括多個初始語句和待篩選語句，所述多個初始語句為與一個答案相對應的多個標準問題語句；

按照所述待篩選語句與所述多個初始語句的相似度，對所述初始語句集合進行分類，獲得所述多個原始句子集合。

6.根據權利要求5所述的方法，其特征在于，在所述獲取初始語句集合之后，所述方法還包括：

從所述初始語句集合中篩選出與用戶輸入的問題的相似度高于相似度閾值的多個召回語句；

所述按照所述待篩選語句與所述多個初始語句的相似度，對所述初始語句集合進行分類，獲得所述多個原始句子集合，包括：

按照所述多個召回語句中各語句與所述用戶輸入的問題的相似度，對所述多個召回語句進行分類，獲得所述多個原始句子集合。

7.根據權利要求1-4任一項所述的方法，其特征在于，在所述基于所述差異值確定是否刪除所述多個原始句子集合中的至少部分集合，獲得目標訓練樣本之后，所述方法還包括：

將所述目標訓練樣本輸入到初始查詢語句模型中進行再訓練，得到目標查詢語句模型。