[发明专利]文本数据增强处理方法、装置、电子设备和可读存储介质

权利要求书

1.一种文本数据增强处理方法，其特征在于，所述方法包括：

将待处理的文本数据导入预先训练得到的识别模型，获得所述文本数据包含的每个词汇的词标签，所述词标签表征所述词汇对所述文本数据的句标签产生影响，或所述词汇对所述文本数据的句标签不产生影响，所述识别模型为利用包含多个训练文本的训练集训练得到；

根据所述文本数据中的各个词汇的词标签对所述文本数据进行转换处理；

将处理前后的文本数据添加至所述训练集中，再基于所述训练集对所述识别模型进行训练，得到满足预设要求的识别模型。

2.根据权利要求1所述的文本数据增强处理方法，其特征在于，所述根据所述文本数据中的各个词汇的词标签对所述文本数据进行转换处理的步骤，包括：

筛选出所述文本数据中词标签表征所述词汇对所述文本数据的句标签不产生影响的所有词汇；

将筛选出的词汇替换为与其匹配的预设词汇，或删除筛选出的词汇。

3.根据权利要求1所述的文本数据增强处理方法，其特征在于，所述将待处理的文本数据导入预先训练得到的识别模型，获得所述文本数据包含的每个词汇的词标签的步骤，包括：

获得待处理的文本数据包含的各个词汇的词向量；

将多个词向量导入预先训练得到的识别模型，获得各所述词汇对应的权重值；

根据各所述词汇的权重值为对应词汇进行词标签设置。

4.根据权利要求1所述的文本数据增强处理方法，其特征在于，所述方法还包括预先利用所述训练集训练获得所述识别模型的步骤，该步骤包括：

针对所述训练集中的每个训练样本，将所述训练样本拆分为多个训练词汇，所述训练样本具有真实标签向量；

获得各所述训练词汇的词向量，构建包含多个词向量的数值型矩阵；

将所述数值型矩阵导入构建的神经网络模型中，输出所述训练样本的分类标签向量；

基于所述真实标签向量和所述分类标签向量进行构建的损失函数的最小化处理，并调整所述神经网络模型的模型参数，直至所述损失函数的函数值满足预设条件时，得到所述识别模型。

5.根据权利要求4所述的文本数据增强处理方法，其特征在于，所述神经网络模型包括双向记忆网络层、多层感知器和分类层；

所述将所述数值型矩阵导入构建的神经网络模型中，输出所述训练样本的分类标签向量的步骤，包括：

将所述数值型矩阵导入所述双向记忆网络层，得到学习有各所述训练词汇的上下文信息的输出矩阵；

将所述输出矩阵导入所述多层感知器，输出包含各所述训练词汇的权重值的注意力矩阵；

结合所述数值型矩阵和所述注意力矩阵，并通过所述分类层，输出表征训练样本的分类信息的分类标签向量。

6.根据权利要求5所述的文本数据增强处理方法，其特征在于，所述多层感知器包括第一感知层和第二感知层，所述第一感知层和所述第二感知层通过激活函数连接；

所述将所述输出矩阵导入所述多层感知器，输出包含各所述训练词汇的权重值的注意力矩阵的步骤，包括：

将所述输出矩阵导入所述第一感知层，输出包含各所述训练词汇的第一权重值的第一注意力矩阵；

将所述输出矩阵导入所述第二感知层，输出包含各所述训练词汇的第二权重值的第二注意力矩阵；

基于所述激活函数、所述第一注意力矩阵和所述第二注意力矩阵，得到所述注意力矩阵。

7.根据权利要求5所述的文本数据增强处理方法，其特征在于，所述分类层包括全连接层和输出层；

所述结合所述数值型矩阵和所述注意力矩阵，并通过所述分类层，输出表征训练样本的分类信息的分类标签向量的步骤，包括：

将所述数值型矩阵和所述注意力矩阵相乘得到结合矩阵；

通过所述全连接层将所述结合矩阵的特征信息映射至样本标记空间；

通过所述输出层对映射后的标签信息进行归一化处理，得到表征训练样本的分类信息的分类标签向量。