[发明专利]噪音样本的识别方法、装置、电子设备以及存储介质

权利要求书

1.一种噪音样本的识别方法，包括：

获取原始样本集合；

采用预设的调整规则，对所述原始样本集合中的原始训练语料添加掩码，以得到目标样本集合；

利用预训练的语言模型，对所述目标样本集合中的多个目标训练语料进行掩码预测，以得到各所述目标训练语料对应的第一掩码预测字符；

将各所述目标训练语料对应的第一掩码预测字符与预设条件进行匹配；

根据所述目标样本集合中所述第一掩码预测字符不匹配所述预设条件的目标训练语料，确定所述原始样本集合中对应的原始训练语料为噪音样本。

2.根据权利要求1所述的方法，其中，所述预训练的语言模型，是采用所述目标样本集合中的多个目标训练语料，对掩码预训练语言模型进行训练得到的。

3.根据权利要求2所述的方法，其中，在所述采用预设的调整规则，对所述原始样本集合中的原始训练语料添加掩码，以得到目标样本集合之前，还包括：

根据所述掩码预训练语言模型在预训练过程中执行的训练任务，确定所述调整规则。

4.根据权利要求3所述的方法，其中，所述训练任务为文本分类任务；

所述调整规则，包括：

对于每个所述原始训练语料，将所述原始训练语料与第一类别标签掩码通过第一关联词拼接，以得到所述训练任务对应的所述目标训练语料；其中，所述第一类别标签掩码，指示将对应的位置预测为所述原始训练语料对应的类别；

或者，对于每个所述原始训练语料，将所述原始训练语料与拼接文本进行拼接，以得到所述训练任务对应的所述目标训练语料；其中，所述拼接文本是将所述原始训练语料中的文本片段与第二类别标签掩码通过第二关联词拼接后得到的；其中，所述第二类别标签掩码，指示将对应的位置预测为所述文本片段对应的类别。

5.根据权利要求3所述的方法，其中，所述采用预设的调整规则，对所述原始样本集合中的原始训练语料添加掩码，以得到目标样本集合，包括：

根据所述调整规则，对所述原始样本集合中的多个原始训练语料添加掩码，以得到所述训练任务对应的各所述目标训练语料；

根据所述训练任务对应的各所述目标训练语料，生成所述训练任务对应的目标样本集合。

6.根据权利要求1-5任一项所述的方法，其中，所述原始样本集合中各原始训练语料具有对应的标注；所述预训练的语言模型，已学习得到输入的目标训练语料与对应原始训练语料的标注之间的映射关系。

7.根据权利要求1-5任一项所述的方法，其中，所述第一掩码预测字符指示所述目标训练语料对应的预测类别，所述预设条件包括所述预测类别属于预测类别的集合；

在所述将各所述目标训练语料对应的第一掩码预测字符与预设条件进行匹配之后，还包括：

在第一目标训练语料对应的第一预测类别属于所述预测类别的集合时，确定所述第一目标训练语料对应的第一掩码预测字符匹配所述预设条件；

在第二目标训练语料对应的第二预测类别不属于所述预测类别的集合时，确定所述第二目标训练语料对应的第一掩码预测字符不匹配所述预设条件。

8.根据权利要求1-5任一项所述的方法，其中，在所述根据所述目标样本集合中所述第一掩码预测字符不匹配所述预设条件的目标训练语料，确定所述原始样本集合中对应的原始训练语料为噪音样本之后，还包括：

对所述噪音样本进行修正；

利用修正后的所述噪音样本更新所述原始样本集合。