CN110209658B - 数据清洗方法和装置 - Google Patents

Abstract

本公开的实施例公开了数据清洗方法和装置。该方法的一具体实施方式包括：获取待清洗的训练样本集合；提取训练样本集合中的训练样本的特征数据；对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本；基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合。该实施方式丰富了数据清洗的方式，有助于提高数据清洗的效率和准确性。

Description

数据清洗方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及数据清洗方法和装置。

背景技术

数据清洗是指发现并纠正数据中的错误的一道程序，其任务是过滤掉不符合要求的数据。一般来说，数据清理是对清洗前的数据进行精简以得到清洗后的数据的过程。

现有的数据清洗通常需要数据清洗人员手工实现，通过人工检查，逐个验证数据。

发明内容

本公开提出了数据清洗方法和装置。

第一方面，本公开的实施例提供了一种数据清洗方法，该方法包括：获取待清洗的训练样本集合；提取训练样本集合中的训练样本的特征数据；对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本；基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合。

在一些实施例中，在获取待清洗的训练样本集合之后，提取训练样本集合中的训练样本的特征数据之前，该方法还包括：基于训练样本集合，训练得到包括特征提取层的模型；以及提取训练样本集合中的训练样本的特征数据，包括：采用特征提取层提取训练样本集合中的训练样本的特征数据。

在一些实施例中，基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合，包括：删除训练样本集合中孤立的训练样本，得到清洗后的训练样本集合。

在一些实施例中，基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合，包括：响应于检测到针对孤立的训练样本的删除操作，从训练样本集合中，删除所检测到的删除操作指示的训练样本，得到清洗后的训练样本集合。

在一些实施例中，基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合，包括：针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的聚类簇中心的距离，得到该训练样本对应的距离；按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量个训练样本；响应于检测到针对目标数量个训练样本中的训练样本的删除操作，删除上述删除操作所指示的训练样本，得到清洗后的训练样本集合。

在一些实施例中，基于训练样本集合，训练得到包括特征提取层的模型，包括：获取包括特征提取层的初始模型；采用深度学习算法，基于初始模型和训练样本集合，训练得到包括特征提取层的模型；以及该方法还包括：采用深度学习算法，基于初始模型、清洗后的训练样本集合，训练得到模型。

在一些实施例中，模型包括特征提取层序列；以及采用特征提取层提取训练样本集合中的训练样本的特征数据，包括：采用位于特征提取层序列中部的特征提取层提取训练样本集合中的训练样本的特征数据。

在一些实施例中，模型包括特征提取层集合；以及采用特征提取层提取训练样本集合中的训练样本的特征数据，包括：采用特征提取层集合中的各个特征提取层提取训练样本集合中的训练样本的特征数据；以及对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本，包括：对特征提取层集合中的每个特征提取层提取的特征数据依次进行聚类处理，得到与每个特征提取层相对应的孤立的训练样本。

第二方面，本公开的实施例提供了一种数据清洗装置，该装置包括：获取单元，被配置成获取待清洗的训练样本集合；提取单元，被配置成提取训练样本集合中的训练样本的特征数据；聚类单元，被配置成对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本；清洗单元，被配置成基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合。

在一些实施例中，该装置还包括：第一训练单元，被配置成基于训练样本集合，训练得到包括特征提取层的模型；以及提取单元包括：提取模块，被配置成采用特征提取层提取训练样本集合中的训练样本的特征数据。

在一些实施例中，清洗单元包括：第一删除模块，被配置成删除训练样本集合中孤立的训练样本，得到清洗后的训练样本集合。

在一些实施例中，清洗单元包括：第二删除模块，被配置成响应于检测到针对孤立的训练样本的删除操作，从训练样本集合中，删除所检测到的删除操作指示的训练样本，得到清洗后的训练样本集合。

在一些实施例中，清洗单元包括：计算模块，被配置成针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的聚类簇中心的距离，得到该训练样本对应的距离；选取模块，被配置成按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量个训练样本；第三删除模块，被配置成响应于检测到针对目标数量个训练样本中的训练样本的删除操作，删除上述删除操作所指示的训练样本，得到清洗后的训练样本集合。

在一些实施例中，第一训练单元包括：第一获取模块，被配置成获取包括特征提取层的初始模型；第四删除模块，被配置成采用深度学习算法，基于初始模型和训练样本集合，训练得到包括特征提取层的模型；以及该装置还包括：第二训练单元，被配置成采用深度学习算法，基于初始模型、清洗后的训练样本集合，训练得到模型。

在一些实施例中，模型包括特征提取层序列；以及提取模块包括：第一提取子模块，被配置成采用位于特征提取层序列中部的特征提取层提取训练样本集合中的训练样本的特征数据。

在一些实施例中，模型包括特征提取层集合；以及提取模块包括：第二提取子模块，被配置成采用特征提取层集合中的各个特征提取层提取训练样本集合中的训练样本的特征数据；以及聚类单元包括：聚类模块，被配置成对特征提取层集合中的每个特征提取层提取的特征数据依次进行聚类处理，得到与每个特征提取层相对应的孤立的训练样本。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述数据清洗方法中任一实施例的方法。

第四方面，本公开的实施例提供了一种数据清洗计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述数据清洗方法中任一实施例的方法。

本公开的实施例提供的数据清洗方法和装置，通过获取待清洗的训练样本集合，然后，提取训练样本集合中的训练样本的特征数据，之后，对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本，最后，基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合，丰富了数据清洗的方式，有助于提高数据清洗的效率和准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的数据清洗方法的一个实施例的流程图；

图3是根据本公开的数据清洗方法的一个应用场景的示意图；

图4是根据本公开的数据清洗方法的又一个实施例的流程图；

图5是针对图4的得到清洗后的训练样本集合的示意图；

图6是根据本公开的数据清洗装置的一个实施例的结构示意图；

图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的数据清洗方法或数据清洗装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送数据(例如待清洗的训练样本)等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频播放软件、新闻资讯类应用、图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的数据进行处理的后台服务器。后台服务器可以对接收到的待清洗的训练样本集合等数据进行数据清洗等处理，获得处理结果(例如清洗后的训练样本集合)。作为示例，服务器105可以是云端服务器，也可以是物理服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开的实施例所提供的数据清洗方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，数据清洗装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当数据清洗方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括数据清洗方法运行于其上的电子设备(例如服务器或终端设备)。

继续参考图2，示出了根据本公开的数据清洗方法的一个实施例的流程200。该数据清洗方法，包括以下步骤：

步骤201，获取待清洗的训练样本集合。

在本实施例中，数据清洗方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取待清洗的训练样本集合。

其中，上述待清洗的训练样本集合中的训练样本可以是待清洗的训练样本的集合。上述待清洗的训练样本集合可以在经过清洗后，用于有监督的模型的训练。

可以理解，上述待清洗的训练样本集合中的训练样本可以包括输入数据和期望输出数据。输入数据可以包括但不限于以下至少一项：图像、文本。期望输出数据可以用于指示输入数据的属性(例如类别、属于某一特定类别的概率等等)。

步骤202，提取训练样本集合中的训练样本的特征数据。

在本实施例中，上述执行主体可以提取步骤201中所获取到的训练样本集合中的训练样本的特征数据。

作为示例，当上述待清洗的训练样本集合中的训练样本包括的输入数据为图像时，上述特征数据可以包括但不限于以下至少一项：颜色特征、纹理特征、轮廓特征、材质特征等等。当上述待清洗的训练样本集合中的训练样本包括的输入数据为文本时，上述特征数据可以包括但不限于以下至少一项：语义特征、语境特征、词性特征等等。

在这里，上述执行主体可以采用但不限于如下方式来提取训练样本集合中的训练样本的特征数据：LBP(Local Binary Patterns，局部二值模式)特征提取算法、方向梯度直方图(Histogram of Oriented Gradient,HOG)特征提取算法、LoG(Laplacian ofGaussian)特征提取算法、SIFT(Scale-invariant feature transform，尺度不变特征变换)特征提取算子、SURF(Speeded Up Robust Features)特征提取算法、词频－逆向文件频率(TF-IDF)等等。

步骤203，对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本。

在本实施例中，上述执行主体可以对步骤202中所得到的特征数据进行聚类处理，以确定步骤201中获取到的清洗前的训练样本集合中孤立的训练样本。

在这里，上述执行主体可以采用但不限于如下方式，对所得到的特征数据进行聚类处理：K-Means(K均值)聚类算法、K-MEDOIDS(K-中心点)算法、基于随机选择的聚类算法等等。

可以理解，上述清洗前的训练样本集合中的每个训练样本可以对应一个特征数据。在采用聚类算法对所得到的特征数据进行聚类处理后，可以得到孤立点。这里，每个孤立点与一个特征数据相对应，因而，在步骤203中所确定出的孤立的训练样本，即，与聚类处理后得到的孤立点对应的特征数据相对应的训练样本。

步骤204，基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合。

在本实施例中，上述执行主体可以基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合。

作为示例，上述执行主体可以采用如下方式执行该步骤204：

首先，将所确定出的孤立的训练样本进行呈现，以供清洗人员浏览。

然后，响应于检测到针对孤立的训练样本的删除或者修改操作，对待清洗的训练样本集合中的训练样本进行相应的操作(即删除或修改)，从而得到清洗后的训练样本集合。

在本实施例的一些可选的实现方式中，在执行步骤201之后，并且，在执行步骤202之前，上述执行主体还可以基于待清洗的训练样本集合，训练得到包括特征提取层的模型。由此，上述执行主体还可以采用如下方式，来执行步骤202：采用上述模型包括的特征提取层提取训练样本集合中的训练样本的特征数据。

具体地，上述执行主体可以采用机器学习算法，基于训练样本集合和包括特征提取层的初始模型(例如卷积神经网络)，训练得到包括特征提取层的模型。其中，特征提取层可以用于提取训练样本包括的输入数据的特征数据。特征提取层可以包括一个或多个卷积层和采样层。

可以理解，采用待清洗的训练样本集合训练得到的特征提取层，来提取待清洗的训练样本集合中的各个训练样本的特征数据，进而对所提取的特征数据进行聚类，可以更为准确地确定出孤立点，进而更为准确地确定出孤立的训练样本(即脏数据)。由此，可以得到更为准确的、符合要求的清洗后数据。

在本实施例的一些可选的实现方式中，上述基于训练样本集合，训练得到包括特征提取层的模型，包括如下步骤：

步骤一，获取包括特征提取层的初始模型。

在这里，可以使用各种现有的包括特征提取层的卷积神经网络结构作为初始模型。卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元。这里，也可以使用其他模型作为初始模型，并不限于卷积神经网络，具体的模型结构可以根据实际需求设定，此处不作限定。

步骤二，采用深度学习算法，基于初始模型和待清洗的训练样本集合，训练得到包括特征提取层的模型。

由此，基于上述步骤一和步骤二，上述执行主体还可以采用深度学习算法，基于上述步骤一所获取的初始模型、步骤204得到的清洗后的训练样本集合，训练得到模型。

可以理解，本可选的实现方式首先采用待清洗的训练样本集合来训练模型，然后，采用训练得到的模型包括的特征提取层来提取待清洗的训练样本集合中的训练样本的特征数据，以实现数据清洗，得到清洗后的训练样本集合，之后，采用清洗后的训练样本集合来重新训练模型，由此，实现了自动化地进行数据清洗，节省了人力成本，以及一定程度上减少了人为因素导致的数据清洗操作上的错误。

在本实施例的一些可选的实现方式中，上述模型(包括初始模型，以及训练得到的模型)包括特征提取层序列。由此，上述采用特征提取层提取训练样本集合中的训练样本的特征数据，包括：采用位于特征提取层序列中部的特征提取层提取训练样本集合中的训练样本的特征数据。

在这里，上述位于特征提取层序列中部的特征提取层可以是除特征提取层序列的第一个和最后一个特征提取层之外的任一个特征提取层。作为示例，当模型包括的特征提取层的数量为奇数时，位于特征提取层序列中部的特征提取层可以是位于特征提取层序列中间的特征提取层；当模型包括的特征提取层的数量为偶数时，位于特征提取层序列中部的特征提取层可以是位于特征提取层序列中间的两个特征提取层中的任意一个。

可以理解，模型中的卷积层可以用于提取特征数据。一个模型可以包括多个卷积层。实践中，靠近输入层的卷积层所提取的特征数据可以更好地确定训练样本包括的输入数据之间的外观(视觉上)的相似程度，而靠近输出层的卷积层所提取的特征数据可以更好地确定训练样本包括的输入数据之间的语义上的相似程度。由此，本可选的实现方式选取位于特征提取层序列中部的特征提取层提取训练样本集合中的训练样本的特征数据，可以结合训练样本包括的输入数据之间的外观以及语义上二者的相似程度，来综合确定该训练样本是否属于孤立的训练样本，这样可以使得数据清洗更为准确。

在本实施例的一些可选的实现方式中，上述模型包括特征提取层集合。由此，上述采用特征提取层提取训练样本集合中的训练样本的特征数据，包括：采用特征提取层集合中的各个特征提取层提取训练样本集合中的训练样本的特征数据。

基于此，上述对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本，包括：对特征提取层集合中的每个特征提取层提取的特征数据依次进行聚类处理，得到与每个特征提取层相对应的孤立的训练样本。

可以理解，模型中的卷积层可以用于提取特征数据。一个模型可以包括多个卷积层。实践中，靠近输入层的卷积层所提取的特征数据可以更好地确定训练样本包括的输入数据之间的外观(视觉上)的相似程度，而靠近输出层的卷积层所提取的特征数据可以更好地确定训练样本包括的输入数据之间的语义上的相似程度。由此，本可选的实现方式采用模型包括的多个特征提取层，依次针对待清洗的训练样本集合中的每个训练样本进行特征提取，可以针对一个训练样本，得到多个(与模型包括的特征提取层的数量相等)特征数据，由此，可以综合每个训练样本的视觉上的特征和语义特征，来确定该训练样本是否属于孤立的训练样本，这样可以使得数据清洗更为准确。

在本实施例的一些可选的实现方式中，上述执行主体还可以采用如下方式，来执行步骤204：删除训练样本集合中孤立的训练样本，得到清洗后的训练样本集合。

可以理解，本可选的实现方式直接删除清洗前的训练样本集合中的孤立的训练样本，由此，可以更快速递完成数据清洗，进而得到清洗后的训练样本集合。

在本实施例的一些可选的实现方式中，上述执行主体还可以采用如下方式，来执行步骤204：响应于检测到针对孤立的训练样本的删除操作，从训练样本集合中，删除所检测到的删除操作指示的训练样本，得到清洗后的训练样本集合。

在这里，上述删除操作可以是数据清洗人员在操作上述执行主体，或者与上述执行主体通信连接的电子设备时所产生的、用于删除训练样本的操作。

可以理解，本可选的实现方式在确定出孤立的训练样本之后，可以经由数据清洗人员进行进一步的判断，以确定需要从待清洗的训练样本集合中删除的训练样本，由此，进一步提高了数据清洗的准确性。

在本实施例的一些可选的实现方式中，上述执行主体还可以采用如下方式，来执行步骤204：

首先，针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的聚类簇中心的距离，得到该训练样本对应的距离。

可以理解，在进行聚类处理后，可以得到多个聚类簇。每个聚类簇可以包括多个训练样本的特征数据。属于同一个聚类簇的训练样本的特征数据对应的类别相同。位于每个聚类簇的中心的训练样本的特征数据通常被称为聚类簇中心。

上述距离可以用于表征两个特征数据间的相似度。由此，通过计算两个特征数据急案的相似度，可以得到两个特征数据分别对应的两个训练样本之间的相似度，从而有助于确定两个训练样本是否属于同一个类别(即具有相同的标签)，以及是否为脏数据。上述距离可以是两个特征数据间的欧几里得距离(Euclidean distance)、马氏距离(Mahalanobis distance)、闵可夫斯基距离(Minkowsk distance)、汉明距离(Hammingdistance)、皮尔逊相关系数(Pearson correlation coefficient)、余弦相似度(cosinesimilarity)等等。

然后，按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量个训练样本。

在这里，上述目标数量可以是预先确定的数量，也可以是基于清洗前的训练样本集合包括的训练样本集合的数量而确定的数量(例如清洗前的训练样本集合包括的训练样本集合的数量的10％)，还可以是基于孤立的训练样本的数量而确定的数量(例如孤立的训练样本的数量的80％)。

在这里，上述执行主体通常可以选取距离较大的目标数量个训练样本。

最后，响应于检测到针对目标数量个训练样本中的训练样本的删除操作，删除上述删除操作所指示的训练样本，得到清洗后的训练样本集合。

在这里，上述删除操作可以是数据清洗人员在操作上述执行主体，或者与上述执行主体通信连接的电子设备时所产生的、用于删除训练样本的操作。

可以理解，本可选的实现方式在确定出孤立的训练样本之后，可以经由数据清洗人员进行进一步的判断，并且，通过设置目标数量的具体取值，可以将全部或者部分孤立的训练样本交由数据清洗人员进行进一步的判别，由此，可以根据实际需求来控制交由数据清洗人员进行判别的训练样本的数量，可以灵活控制数据清洗的时间，以及根据数据清洗人员的数量，来灵活确定需要进行人工筛选的训练样本的数量，提高了数据清洗的灵活性。

继续参见图3，图3是根据本实施例的数据清洗方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先获取待清洗的训练样本集合3011，然后，服务器301提取训练样本集合3011中的训练样本的特征数据3012，之后，服务器301对所得到的特征数据3012进行聚类处理，以确定训练样本集合3011中孤立的训练样本3013，最后，服务器301基于所确定出的孤立的训练样本3013，对训练样本集合3011进行清洗，得到清洗后的训练样本集合3014。

本公开的上述实施例提供的方法，通过获取待清洗的训练样本集合，然后，提取训练样本集合中的训练样本的特征数据，之后，对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本，最后，基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合，由此，通过聚类算法实现了数据清洗，丰富了数据清洗的方式，有助于提高数据清洗的效率和准确性。

进一步参考图4，其示出了数据清洗方法的又一个实施例的流程400。该数据清洗方法的流程400，包括以下步骤：

步骤401，获取待清洗的训练样本集合。

在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。

步骤402，基于训练样本集合，训练得到包括特征提取层的模型。

在本实施例中，数据清洗方法的执行主体(例如图1所示的服务器或终端设备)可以基于训练样本集合，训练得到包括特征提取层的模型。

步骤403，采用特征提取层提取训练样本集合中的训练样本的特征数据。

在本实施例中，上述执行主体可以采用特征提取层提取训练样本集合中的训练样本的特征数据。

步骤404，对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本。

在本实施例中，步骤404与图2对应实施例中的步骤203基本一致，这里不再赘述。

步骤405，针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的中心训练样本的距离，得到该训练样本对应的距离。

在本实施例中，上述执行主体可以针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的中心训练样本的距离，得到该训练样本对应的距离。

步骤406，按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量个训练样本。

在本实施例中，上述执行主体可以按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量个训练样本。

步骤407，响应于检测到针对目标数量个训练样本中的训练样本的删除操作，删除上述删除操作所指示的训练样本，得到清洗后的训练样本集合。

在本实施例中，上述执行主体可以响应于检测到针对目标数量个训练样本中的训练样本的删除操作，从训练样本集合中，删除所检测到的删除操作指示的训练样本，得到清洗后的训练样本集合。

作为示例，请参考图5，图5是针对图4的得到清洗后的训练样本集合的示意图。在图5中，每一个点可以表征一个训练样本对应的特征数据。上述执行主体在对所得到的特征数据进行聚类处理后，确定出了训练样本集合中孤立的训练样本为图5中未被圈住的所有点对应的训练样本。图5中的圈501、502和503分别表示一个聚类簇。每个聚类簇中通过“+”标识的点表征该聚类簇的聚类簇中心。之后，上述执行主体针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的中心训练样本的距离，得到该训练样本对应的距离。然后，按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量(例如1000)个训练样本。最后，响应于检测到针对目标数量个训练样本中的训练样本的删除操作，删除上述删除操作所指示的训练样本，得到清洗后的训练样本集合。

需要说明的是，除上面所记载的内容外，本申请实施例还可以包括与图2对应的实施例相同或类似的特征、效果，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的数据清洗方法的流程400突出了采用待清洗的训练样本集合训练得到的特征提取层，来提取待清洗的训练样本集合中的各个训练样本的特征数据，进而对所提取的特征数据进行聚类的步骤，以及在确定出孤立的训练样本之后，经由数据清洗人员进行进一步的判断的步骤。由此，本实施例描述的方案可以更为准确地确定出孤立点，进而更为准确地确定出孤立的训练样本(即脏数据)。由此，可以得到更为准确的、符合要求的清洗后数据。此外，通过设置目标数量的具体取值，可以将全部或者部分孤立的训练样本交由数据清洗人员进行进一步的判别，由此，可以根据实际需求来控制交由数据清洗人员进行判别的训练样本的数量，可以灵活控制数据清洗的时间，以及根据数据清洗人员的数量，来灵活确定需要进行人工筛选的训练样本的数量，提高了数据清洗的灵活性。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种数据清洗装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征，以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的数据清洗装置600包括：获取单元601，被配置成获取待清洗的训练样本集合；提取单元602，被配置成提取训练样本集合中的训练样本的特征数据；聚类单元603，被配置成对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本；清洗单元604，被配置成基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合。

在本实施例中，数据清洗装置600的获取单元601可以获取待清洗的训练样本集合。其中，上述待清洗的训练样本集合中的训练样本可以是待清洗的训练样本的集合。上述待清洗的训练样本集合可以在经过清洗后，用于有监督的模型的训练。

在本实施例中，上述提取单元602可以提取获取单元601获取到的训练样本集合中的训练样本的特征数据。

在本实施例中，上述聚类单元603可以对提取单元602所提取的特征数据进行聚类处理，以确定获取单元601获取到的训练样本集合中孤立的训练样本。

在本实施例中，上述清洗单元604可以基于聚类单元603所确定出的孤立的训练样本，对获取单元601获取到的训练样本集合进行清洗，得到清洗后的训练样本集合。

在本实施例的一些可选的实现方式中，该装置600还包括：第一训练单元(图中未示出)被配置成基于训练样本集合，训练得到包括特征提取层的模型；以及提取单元602包括：提取模块(图中未示出)被配置成采用特征提取层提取训练样本集合中的训练样本的特征数据。

在本实施例的一些可选的实现方式中，清洗单元604包括：第一删除模块(图中未示出)被配置成删除训练样本集合中孤立的训练样本，得到清洗后的训练样本集合。

在本实施例的一些可选的实现方式中，清洗单元604包括：第二删除模块(图中未示出)被配置成响应于检测到针对孤立的训练样本的删除操作，从训练样本集合中，删除所检测到的删除操作指示的训练样本，得到清洗后的训练样本集合。

在本实施例的一些可选的实现方式中，清洗单元604包括：计算模块(图中未示出)被配置成针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的中心训练样本的距离，得到该训练样本对应的距离；选取模块(图中未示出)被配置成按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量个训练样本；第三删除模块(图中未示出)被配置成响应于检测到针对目标数量个训练样本中的训练样本的删除操作，删除上述删除操作所指示的训练样本，得到清洗后的训练样本集合。

在本实施例的一些可选的实现方式中，第一训练单元包括：第一获取模块(图中未示出)被配置成获取初始模型；第四删除模块(图中未示出)被配置成采用深度学习算法，基于初始模型和训练样本集合，训练得到包括特征提取层的模型；以及该装置600还包括：第二训练单元(图中未示出)被配置成采用深度学习算法，基于初始模型、清洗后的训练样本集合，训练得到模型。

在本实施例的一些可选的实现方式中，模型包括特征提取层序列；以及提取模块包括：第一提取子模块(图中未示出)被配置成采用位于特征提取层序列中部的特征提取层提取训练样本集合中的训练样本的特征数据。

在本实施例的一些可选的实现方式中，模型包括特征提取层集合；以及提取模块包括：第二提取子模块(图中未示出)被配置成采用特征提取层集合中的各个特征提取层提取训练样本集合中的训练样本的特征数据；以及聚类单元603包括：聚类模块(图中未示出)被配置成对特征提取层集合中的每个特征提取层提取的特征数据依次进行聚类处理，得到与每个特征提取层相对应的孤立的训练样本。

本公开的上述实施例提供的装置，通过获取单元601获取待清洗的训练样本集合，然后，提取单元602提取训练样本集合中的训练样本的特征数据，之后，聚类单元603对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本，最后，清洗单元604基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合，由此，通过聚类算法实现了数据清洗，丰富了数据清洗的方式，有助于提高数据清洗的效率和准确性。

下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待清洗的训练样本集合；提取训练样本集合中的训练样本的特征数据；对所得到的特征数据进行聚类处理，以确定训练样本集合中孤立的训练样本；基于所确定出的孤立的训练样本，对训练样本集合进行清洗，得到清洗后的训练样本集合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、聚类单元和清洗单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待清洗的训练样本集合的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种数据清洗方法，包括：

获取待清洗的训练样本集合；

基于所述训练样本集合，对初始模型进行有监督训练得到包括特征提取层的模型；

采用所述特征提取层提取所述训练样本集合中的训练样本的特征数据；

对所得到的特征数据进行聚类处理，以确定所述训练样本集合中孤立的训练样本；

基于所确定出的孤立的训练样本，对所述训练样本集合进行清洗，得到清洗后的训练样本集合，以及利用所述清洗后的训练样本集合重新对所述初始模型进行有监督训练。

2.根据权利要求1所述的方法，其中，所述基于所确定出的孤立的训练样本，对所述训练样本集合进行清洗，得到清洗后的训练样本集合，包括：

删除所述训练样本集合中孤立的训练样本，得到清洗后的训练样本集合。

3.根据权利要求1所述的方法，其中，所述基于所确定出的孤立的训练样本，对所述训练样本集合进行清洗，得到清洗后的训练样本集合，包括：

响应于检测到针对孤立的训练样本的删除操作，从所述训练样本集合中，删除所检测到的删除操作指示的训练样本，得到清洗后的训练样本集合。

4.根据权利要求1所述的方法，其中，所述基于所确定出的孤立的训练样本，对所述训练样本集合进行清洗，得到清洗后的训练样本集合，包括：

针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的聚类簇中心的距离，得到该训练样本对应的距离；

按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量个训练样本；

响应于检测到针对所述目标数量个训练样本中的训练样本的删除操作，删除所述删除操作所指示的训练样本，得到清洗后的训练样本集合。

5.根据权利要求1所述的方法，其中，所述基于所述训练样本集合，训练得到包括特征提取层的模型，包括：

获取包括特征提取层的初始模型；

采用深度学习算法，基于所述初始模型和所述训练样本集合，训练得到包括特征提取层的模型；以及

所述方法还包括：

采用深度学习算法，基于所述初始模型、所述清洗后的训练样本集合，训练得到模型。

6.根据权利要求1-5之一所述的方法，其中，模型包括特征提取层序列；以及

所述采用所述特征提取层提取所述训练样本集合中的训练样本的特征数据，包括：

采用位于所述特征提取层序列中部的特征提取层提取所述训练样本集合中的训练样本的特征数据。

7.根据权利要求1-5之一所述的方法，其中，模型包括特征提取层集合；以及

所述采用所述特征提取层提取所述训练样本集合中的训练样本的特征数据，包括：

采用所述特征提取层集合中的各个特征提取层提取所述训练样本集合中的训练样本的特征数据；以及

所述对所得到的特征数据进行聚类处理，以确定所述训练样本集合中孤立的训练样本，包括：

对所述特征提取层集合中的每个特征提取层提取的特征数据依次进行聚类处理，得到与每个特征提取层相对应的孤立的训练样本。

8.一种数据清洗装置，包括：

获取单元，被配置成获取待清洗的训练样本集合；

第一训练单元，被配置成基于所述训练样本集合，对初始模型进行有监督训练得到包括特征提取层的模型；

提取单元，被配置成采用所述特征提取层提取所述训练样本集合中的训练样本的特征数据；

聚类单元，被配置成对所得到的特征数据进行聚类处理，以确定所述训练样本集合中孤立的训练样本；

清洗单元，被配置成基于所确定出的孤立的训练样本，对所述训练样本集合进行清洗，得到清洗后的训练样本集合；

所述第一训练单元进一步被配置成利用所述清洗后的训练样本集合重新对所述初始模型进行有监督训练。

9.根据权利要求8所述的装置，其中，所述清洗单元包括：

第一删除模块，被配置成删除所述训练样本集合中孤立的训练样本，得到清洗后的训练样本集合。

10.根据权利要求8所述的装置，其中，所述清洗单元包括：

第二删除模块，被配置成响应于检测到针对孤立的训练样本的删除操作，从所述训练样本集合中，删除所检测到的删除操作指示的训练样本，得到清洗后的训练样本集合。

11.根据权利要求8所述的装置，其中，所述清洗单元包括：

计算模块，被配置成针对所确定出的孤立的训练样本中的训练样本，计算该训练样本的特征数据与该训练样本所属的聚类簇的聚类簇中心的距离，得到该训练样本对应的距离；

选取模块，被配置成按照训练样本对应的距离的大小顺序，从所确定出的孤立的训练样本中选取目标数量个训练样本；

第三删除模块，被配置成响应于检测到针对所述目标数量个训练样本中的训练样本的删除操作，删除所述删除操作所指示的训练样本，得到清洗后的训练样本集合。

12.根据权利要求8所述的装置，其中，所述第一训练单元包括：

第一获取模块，被配置成获取包括特征提取层的初始模型；

第四删除模块，被配置成采用深度学习算法，基于所述初始模型和所述训练样本集合，训练得到包括特征提取层的模型；以及

所述装置还包括：

第二训练单元，被配置成采用深度学习算法，基于所述初始模型、所述清洗后的训练样本集合，训练得到模型。

13.根据权利要求8-12之一所述的装置，其中，模型包括特征提取层序列；以及

所述提取模块包括：

第一提取子模块，被配置成采用位于所述特征提取层序列中部的特征提取层提取所述训练样本集合中的训练样本的特征数据。

14.根据权利要求8-12之一所述的装置，其中，模型包括特征提取层集合；以及

所述提取模块包括：

第二提取子模块，被配置成采用所述特征提取层集合中的各个特征提取层提取所述训练样本集合中的训练样本的特征数据；以及

所述聚类单元包括：

聚类模块，被配置成对所述特征提取层集合中的每个特征提取层提取的特征数据依次进行聚类处理，得到与每个特征提取层相对应的孤立的训练样本。

15.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images