[发明专利]一种语音或文本数据的数据增强方法及装置

说明书

本申请提供一种语音或文本数据的数据增强方法及装置，应用于语音识别领域，其中，在语音或文本数据的数据增强方法中，根据当前语料数据可以确定属于每一个分类意图的单句以及每一个分类意图对应的相关分类意图；然后，通过将属于分类意图的单句与属于对应的相关分类意图的单句进行拼接，得到拼接后的长句，并确定该拼接后的长句的长句意图，以将该拼接后的长句作为新增的语料数据。其中，由于可以直接根据已有的当前语料数据得到新的语句，因此无需待用户输入后才能收集，从而提高了收集语料数据的速度；同时，由于拼接后的长句可能不是用户已经输入过的数据，因此还可以提高收集语料数据的时效性。

技术领域

本申请涉及语音识别领域，具体而言，涉及一种语音或文本数据的数据增强方法及装置。

背景技术

随着语音识别技术的发展，语义识别模型被广泛的应用在各个领域，用于根据用户输入的语料数据来识别其中的语义信息。但是，由于难以收集到高质量的语料数据，从而导致目前的语义识别模型的训练数据(即语料数据)相对较为匮乏，从而使得训练得到的语义识别模型的准确率也相对较低。

在现有技术中，一般采用用户数据累积的方式来收集语义识别模型的训练数据，即每天采集用户输入的语料数据的历史记录。但是，由于需要等待用户输入后才能收集到语料数据，且收集到的语料数据均为用户已经输入过的数据，因此，收集训练数据的速度慢且时效性较低。

发明内容

本申请实施例的目的在于提供一种语音或文本数据的数据增强方法及装置，用以解决收集语义识别模型的训练数据的速度慢且时效性较低的技术问题。

第一方面，本申请实施例提供一种语音或文本数据的数据增强方法，包括：针对语料数据按意图分类后得到的每一个分类意图，将属于所述分类意图的单句与属于相关分类意图的单句进行拼接，得到拼接后的长句；其中，属于所述分类意图的单句以及所述相关分类意图根据当前语料数据确定，所述语料数据包括语音或文本数据；根据所述拼接后的长句中每个单句对应的单句意图的等级权重确定所述拼接后的长句的长句意图，以将所述拼接后的长句加入所述当前语料数据中。在上述方案中，根据当前语料数据可以确定属于每一个分类意图的单句以及每一个分类意图对应的相关分类意图；然后，通过将属于分类意图的单句与属于对应的相关分类意图的单句进行拼接，得到拼接后的长句，并确定该拼接后的长句的长句意图，以将该拼接后的长句作为新增的语料数据。其中，由于可以直接根据已有的当前语料数据得到新的语句，因此无需待用户输入后才能收集，从而提高了收集语料数据的速度；同时，由于拼接后的长句可能不是用户已经输入过的数据，因此还可以提高收集语料数据的时效性。

在可选的实施方式中，所述将属于所述分类意图的单句与属于相关分类意图的单句进行拼接，包括：选取属于所述分类意图的N个单句以及属于所述相关分类意图的M个单句；其中，N和M均为大于零的整数；将所述N个单句与所述M个单句进行拼接。在上述方案中，可以选取属于分类意图的单句以及属于相关分类意图的单句进行拼接，从而可以直接根据已有的当前语料数据得到新的语句，因此无需待用户输入后才能收集，从而提高了收集语料数据的速度；同时，由于拼接后的长句可能不是用户已经输入过的数据，因此还可以提高收集语料数据的时效性。

在可选的实施方式中，所述选取属于所述分类意图的N个单句以及属于所述相关分类意图的M个单句，包括：选取所述分类意图中出现频率最高的N个单句以及所述相关分类意图中出现频率最高的M个单句。在上述方案中，可以选取分类意图中出现频率最高的单句以及相关分类意图中出现频率最高的单句进行拼接，从而可以直接根据已有的当前语料数据得到新的语句，因此无需待用户输入后才能收集，从而提高了收集语料数据的速度；同时，由于拼接后的长句可能不是用户已经输入过的数据，并且可能是用户会输入的数据的概率较高，因此还可以提高收集语料数据的时效性。