数据增广方法、装置、电子设备与存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115910031A(43)申请公布日2023.04.04(21)申请号202211379545.9G06F40/289(2020.01)(22)申请日2022.11.04G06F18/214(2023.01)G06F18/241(2023.01)(71)申请人北京达佳互联信息技术有限公司地址100085北京市海淀区上地西路6号1幢1层101D1-7(72)发明人强春雨(74)专利代理机构北京律智知识产权代理有限公司11438专利代理师刘莉(51)Int.Cl.G10L13/08(2013.01)G10L25/30(2013.01)G10L13/02(2013.01)G06N3/044(2023.01)G06N3/0464(2023.01)权利要求书3页说明书19页附图6页(54)发明名称数据增广方法、装置、电子设备与存储介质(57)摘要本公开提供了一种数据增广方法、装置、电子设备及计算机可读存储介质，涉及智能语音技术领域。该方法包括：获取未标记原始文本，对未标记原始文本进行音素预测处理，生成对应的预测音素序列；对预测音素序列进行文本预测处理，得到对应的预测文本序列；确定预测文本序列与未标记原始文本的对比结果，在对比结果表征数据一致的情况下，根据未标记原始文本确定增广样本文本；从预测音素序列中，获取与增广样本文本匹配的预测音素标签；基于增广样本文本与预测音素标签生成增广样本数据；增广样本数据用于处理字音转换任务。本公开可以根据对未标记原始文本的反向预测结果生成增广样本数据，有效解决模型训练数据集较少，且构造成本较高的问题。CN115910031ACN115910031A权利要求书1/3页1.一种数据增广方法，其特征在于，包括：获取未标记原始文本，对所述未标记原始文本进行音素预测处理，生成所述未标记原始文本对应的预测音素序列；对所述预测音素序列进行文本预测处理，得到所述预测音素序列对应的预测文本序列；确定所述预测文本序列与所述未标记原始文本的对比结果，在所述对比结果表征数据一致的情况下，根据所述未标记原始文本确定增广样本文本；从所述预测音素序列中，获取与所述增广样本文本匹配的预测音素标签；基于所述增广样本文本与所述预测音素标签生成增广样本数据；所述增广样本数据用于处理字音转换任务。2.根据权利要求1所述的方法，其特征在于，所述对所述未标记原始文本进行音素预测处理，生成所述未标记原始文本对应的预测音素序列，包括：获取预先训练的初始字音转换模型，所述初始字音转换模型包括第一预测子网络、第一掩码层与第一归一化层；对所述未标记原始文本进行数据预处理，得到对应的模型输入序列；将所述模型输入序列输入至所述第一预测子网络，得到所述模型输入序列对应的初始音素预测序列；由所述第一掩码层对所述初始音素预测序列进行掩码处理，得到对应的候选音素预测序列；将所述候选音素预测序列输入至所述第一归一化层，由所述第一归一化层输出所述预测音素序列。3.根据权利要求2所述的方法，其特征在于，所述对所述未标记原始文本进行数据预处理，得到对应的模型输入序列，包括：对所述未标记原始文本进行文本标注处理，得到对应的输入文本序列；通过预先训练的编码器对所述输入文本序列进行编码处理，得到文本隐特征序列；对所述输入文本序列进行分割处理，得到对应的词序列；对所述词序列进行词性标记，得到所述词序列对应的词性序列；基于所述词序列、所述词性序列与所述文本隐特征序列生成所述模型输入序列；所述词序列、所述词性序列与所述输入文本序列的序列长度相同。4.根据权利要求3所述的方法，其特征在于，所述对所述未标记原始文本进行文本标注处理，得到对应的输入文本序列，包括：对所述未标记原始文本进行文本序列转换处理，得到所述未标记原始文本对应的文本向量；对所述未标记原始文本进行分词处理，得到所述未标记原始文本对应的词语集合；所述词语集合中包含多个词语；对所述多个词语进行词性标注处理，生成各所述词语对应的词语信息向量；基于所述文本向量与所述词语信息向量生成所述输入文本序列。5.根据权利要求1所述的方法，其特征在于，所述对所述预测音素序列进行文本预测处理，得到所述预测音素序列对应的预测文本序列，包括：2CN115910031A权利要求书2/3页获取预先训练的初始音字转换模型；所述初始音字转换模型包括第二预测子网络、第二掩码层与第二归一化层；对所述预测音素序列进行编码处理，得到所述预测音素序列对应的音素编码序列；所述编码处理包括独热编码方式；将所述音素编码序列输入至所述第二预测子网络，得到所述音素编码序列对应的初始文本预测序列；由所述第二掩码层对所述初始文本预测序列进行掩码处理，得到候选文本预测序列；将所述候选文本预测序列输入至所述第二归一化层，由所