[发明专利]一种数据增强模型的训练方法及装置

权利要求书

1.一种数据增强模型的训练方法，其特征在于，所述数据增强模型包括第一seq2seq模型和第二seq2seq模型，所述方法包括：

将第一语料数据输入第一seq2seq模型得到第二语料数据，将第二语料数据输入第二seq2seq模型得到第三语料数据；

将第一语料数据和第三语料数据分别输入文本分类模型，并通过所述文本分类模型进行识别，得到分类结果，所述分类结果用于表征第三语料数据是第一语料数据或由所述数据增强模型生成的语料数据；

根据所述分类结果计算损失值，并通过预设优化算法利用所述损失值优化所述第一seq2seq模型、第二seq2seq模型和所述文本分类模型的参数；

循环迭代上述步骤，直至满足预设终止条件时得到训练好的数据增强模型。

2.根据权利要求1所述的方法，其特征在于，所述第一seq2seq模型和第二seq2seq模型均包括编码器和解码器；

将第一语料数据输入第一seq2seq模型得到第二语料数据，包括：

通过所述第一seq2seq模型中的编码器将所述第一语料数据编码为第一特征向量，并输出给所述第一seq2seq模型中的解码器；

通过所述第一seq2seq模型中的解码器将所述第一特征向量解码为第二语料数据；

将所述第二语料数据输入第二seq2seq模型得到第三语料数据，包括：

通过所述第二seq2seq模型中的编码器将所述第二语料数据编码为第二特征向量，并输出给所述第二seq2seq模型中的解码器；

通过所述第二seq2seq模型中的解码器将所述第二特征向量解码为第三语料数据。

3.根据权利要求2所述的方法，其特征在于，所述解码器和所述编码器均包括门控循环网络；

通过所述第一seq2seq模型中的编码器将所述第一语料数据编码为第一特征向量，包括：

通过所述编码器中门控循环网络对所述第一语料数据包含的长度为n的字符序列生成长度为n的隐层状态序列，并选取所述隐层状态序列中的最后一个隐层状态作为第一特征向量输出；

所述通过所述第一seq2seq模型中的解码器将所述第一特征向量解码为第二语料数据，包括：

通过所述解码器中门控循环网络对所述第一特征向量进行转换得到长度为m的隐层状态序列，并基于所述隐层状态序列输出长度为m的第二语料数据序列。

4.根据权利要求1所述的方法，其特征在于，所述文本分类模型为TextCNN网络，所述通过所述文本分类模型进行识别，得到分类结果，包括：

通过所述TextCNN网络中的至少一个卷积层分别对所述第一语料数据和第三语料数据进行卷积运算，得到第一卷积特征和第二卷积特征；

通过所述TextCNN网络中的池化层分别对所述第一卷积特征和第二卷积特征进行池化处理；

通过所述TextCNN网络中的全连接层对池化后的第一卷积特征和第二卷积特征进行二分类，得到分类结果。

5.一种自然语言处理任务模型的训练方法，其特征在于，所述方法包括：

获取中文语料集；

将所述中文语料集中的每一中文语料依次输入采用上述权利要求1～4任一项所述的训练方法训练得到的数据增强模型，重构新中文语料并输出；

将输出的新中文语料和所述中文语料集作为训练集训练所述自然语言处理任务模型。