[发明专利]数据增强方法及装置、存储介质、电子设备

说明书

本公开属于数据处理技术领域，涉及一种数据增强方法及装置、存储介质、电子设备。该方法包括：获取原始文本以及与原始文本对应的类别标签，并根据类别标签确定原始文本要增强的增强数量；基于增强数量，对原始文本中进行替换得到初始增强文本，并计算原始文本和初始增强文本之间的目标相似度；根据目标相似度对初始增强文本进行过滤得到目标增强文本，以利用目标增强文本和原始文本训练文本分析模型。本公开对不同领域的原始文本设置定制化的数量，保证了增强数据的类别平衡性，在无需人工标注的情况下提供了自动生成增强文本的方法，保证了目标增强文本的准确性，提升了文本分析模型的准确性、有效性和鲁棒性，帮助提升语音合成等系统的效果。

技术领域

本公开涉及数据处理技术领域，尤其涉及一种数据增强方法与数据增强装置、计算机可读存储介质及电子设备。

背景技术

语音合成系统(Text To Speech，TTS)中的前端文本分析包含多个部分，其中较为重要的一个是文本的韵律分析。通过文本的韵律分析可以使得合成的语音更加自然和有表现力。尽管随着深度学习技术的飞速发展，基于端到端学习的语音合成效果有了很大提升，但从目前来看，作为高质量语音合成系统中重要部分的文本韵律分析模块仍然存在很大不足。

近年来，使用神经网络的机器学习算法极大地提升了文本韵律分析的准确率，但是，这些算法通常需要大量训练数据，而数据的构建和标注是十分困难和昂贵的。除此之外，往往还存在严重的数据分布不均衡问题，例如小说、剧本对话、诗歌等领域的韵律标注较少。这些情况限制了构建一个更好的韵律分析模块，对于低资源语种更是如此。

鉴于此，本领域亟需开发一种新的数据增强方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种数据增强方法、数据增强装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的数据分布不均衡和数据标准成本高的技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本发明实施例的第一个方面，提供一种数据增强方法，所述方法包括：

获取原始文本以及与所述原始文本对应的类别标签，并根据所述类别标签确定所述原始文本要增强的增强数量；

基于所述增强数量，对所述原始文本进行替换得到初始增强文本，并计算所述原始文本和所述初始增强文本之间的目标相似度；

根据所述目标相似度对所述初始增强文本进行过滤得到目标增强文本，以利用所述目标增强文本和所述原始文本训练文本分析模型。

在本发明的一种示例性实施例中，所述类别标签，包括：新闻类别、小说类别、剧本类别和诗歌类别。

在本发明的一种示例性实施例中，所述根据所述类别标签确定所述原始文本要增强的增强数量，包括：

获取与所述类别标签对应的目标数量，并统计所述原始文本的现有数量；

根据所述目标数量和所述现有数量计算所述原始文本要增强的增强数量。

在本发明的一种示例性实施例中，所述对所述原始文本进行替换得到初始增强文本，包括：

利用语言处理工具识别所述原始文本中的关键词，并确定所述原始文本中除所述关键词的其他词汇；

获取遮蔽符号，并利用所述遮蔽符号对所述其他词汇进行遮蔽得到遮蔽文本；

根据所述遮蔽文本预测目标词汇，并利用所述目标词汇替换所述遮蔽符号得到初始增强文本。