CN110674260B - 语义相似模型的训练方法、装置、电子设备和存储介质 - Google Patents
语义相似模型的训练方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110674260B CN110674260B CN201910927594.3A CN201910927594A CN110674260B CN 110674260 B CN110674260 B CN 110674260B CN 201910927594 A CN201910927594 A CN 201910927594A CN 110674260 B CN110674260 B CN 110674260B
- Authority
- CN
- China
- Prior art keywords
- vector
- sample sentence
- semantic similarity
- training
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 220
- 230000008451 emotion Effects 0.000 claims abstract description 119
- 238000012360 testing method Methods 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 230000002996 emotional effect Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了语义相似模型的训练方法、装置、电子设备和存储介质，涉及NLP领域，具体实现方案为：获取第一样本句和第二样本句；根据预先训练的语义相似度模型对第一样本句进行识别生成第一语义相似度向量，并对第二样本句进行识别以生成第二语义相似度向量；根据预先训练的情感分析模型对第一样本句进行识别以生成第一情感向量，并对第二样本句进行识别以生成第二情感向量；将第一语义相似度向量和第一情感向量拼接为第一测试向量；将第二语义相似度向量和第二情感向量拼接为第二测试向量；根据第一测试向量和第二测试向量对语义相似模型进行训练。该方法得到兼容情感倾向相反的语义相似模型，提高了情感倾向相反的句子之间的相似度的计算准确度。
Description
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理(Natural LanguageProcessing，NLP)技术领域，尤其涉及一种语义相似模型的训练方法、装置、电子设备和存储介质。
背景技术
计算语义相似度是一种十分通用的NLP任务。目前，常用的计算语义相似度的方法是采用有监督学习的神经网络模型。对于情感倾向相反的句子对，相似度应该比较低，但该模型计算出来的相似度却比较高。可见，对于情感倾向相反的句子对，现有的用于计算语义相似度的模型计算出的语义相似度，准确性较差。
发明内容
本申请提出一种语义相似模型的训练方法、装置、电子设备和存储介质，用于解决相关技术中，用于计算语义相似度的模型，对于情感倾向相反的句子，计算出的语义相似度准确性较差的问题。
本申请一方面实施例提出了一种语义相似模型的训练方法，包括：
获取第一样本句和第二样本句；
根据预先训练的语义相似度模型对所述第一样本句进行识别以生成第一语义相似度向量，并对所述第二样本句进行识别以生成第二语义相似度向量；
根据预先训练的情感分析模型对所述第一样本句进行识别以生成第一情感向量，并对所述第二样本句进行识别以生成第二情感向量；
将所述第一语义相似度向量和所述第一情感向量拼接为第一测试向量；
将所述第二语义相似度向量和所述第二情感向量拼接为第二测试向量；
根据所述第一测试向量和所述第二测试向量对所述语义相似模型进行训练。
本申请实施例的语义相似模型的训练方法，通过首先获取第一样本句和第二样本句，然后根据预先训练的语义相似度模型对第一样本句进行识别以生成第一语义相似度向量，并对第二样本句进行识别以生成第二语义相似度向量，根据预先训练的情感分析模型对第一样本句进行识别以生成第一情感向量，并对第二样本句进行识别以生成第二情感向量，再将第一语义相似度向量和第一情感向量拼接为第一测试向量，将第二语义相似度向量和第二情感向量拼接为第二测试向量，最后根据第一测试向量和第二测试向量对语义相似模型进行训练。由此，通过对预先训练的语义相似度训练模型和情感分析模型得到的语义相似向量和情感向量进行拼接，利用拼接后的向量对语义相似模型进行训练，得到兼容情感倾向相反的语义相似模型，从而可以提高对情感倾向相反的句子之间的相似度的计算准确度。
本申请另一方面实施例提出了一种语义相似模型的训练装置，包括：
获取模块，用于获取第一样本句和第二样本句；
第一生成模块，用于根据预先训练的语义相似度模型对所述第一样本句进行识别以生成第一语义相似度向量，并对所述第二样本句进行识别以生成第二语义相似度向量；
第二生成模块，用于根据预先训练的情感分析模型对所述第一样本句进行识别以生成第一情感向量，并对所述第二样本句进行识别以生成第二情感向量；
第一拼接模块，用于将所述第一语义相似度向量和所述第一情感向量拼接为第一测试向量；
第二拼接模块，用于将所述第二语义相似度向量和所述第二情感向量拼接为第二测试向量；
训练模块，用于根据所述第一测试向量和所述第二测试向量对所述语义相似模型进行训练。
本申请实施例的语义相似模型的训练装置，通过获取第一样本句和第二样本句，根据预先训练的语义相似度模型对第一样本句进行识别以生成第一语义相似度向量，并对第二样本句进行识别以生成第二语义相似度向量，根据预先训练的情感分析模型对第一样本句进行识别以生成第一情感向量，并对第二样本句进行识别以生成第二情感向量，将第一语义相似度向量和第一情感向量拼接为第一测试向量，将第二语义相似度向量和第二情感向量拼接为第二测试向量，根据第一测试向量和第二测试向量对语义相似模型进行训练。由此，通过对预先训练的语义相似度训练模型和情感分析模型得到的语义相似向量和情感向量进行拼接，利用拼接后的向量对语义相似模型进行训练，得到兼容情感倾向相反的语义相似模型，从而可以提高对情感倾向相反的句子之间的相似度的计算准确度。
本申请另一方面实施例提出了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的语义相似模型的训练方法。
本申请另一方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的语义相似模型的训练方法。
上述申请中的实施例具有如下有益效果：上述通过训练得到的语义相似模型可以准确计算情感倾向相反的句子对之间的相似度。因为采用对预先训练的语义相似度训练模型和情感分析模型得到的语义相似向量和情感向量进行拼接，利用拼接后的向量对语义相似模型进行训练的技术手段，所以克服了相关技术中的用于计算语义相似度的模型，计算的情感倾向相反的句子对的相似度准确差的技术问题，进而达到得到的兼具情感倾向相反的语义相似模型，能够准确计算情感倾向相反的句子对之间的相似度的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的一种语义相似模型的训练方法的流程示意图；
图2为本申请实施例提供的另一种语义相似模型的训练方法的流程示意图；
图3为本申请实施例提供的另一种语义相似模型的训练方法的流程示意图；
图4为本申请实施例提供的一种网络结构示意图；
图5为本申请实施例提供的另一种语义相似模型的训练方法的流程示意图；
图6为本申请实施例提供的另一种网络结构的示意图；
图7为本申请实施例提供的一种语义相似模型的训练装置的结构示意图；
图8为根据本申请实施例的语义相似模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的语义相似模型的训练方法、装置、电子设备和存储介质。
本申请实施例，针对相关技术中，用于计算语义相似度的模型，对于对情感倾向相反的句子对计算出的语义相似度，准确性较差的问题，提出一种语义相似模型的训练方法。
本申请实施例的语义相似模型的训练方法，通过对预先训练的语义相似度训练模型和情感分析模型得到的语义相似向量和情感向量进行拼接，利用拼接后的向量对语义相似模型进行训练，以得到兼容情感倾向相反的语义相似模型。
图1为本申请实施例提供的一种语义相似模型的训练方法的流程示意图。
如图1所示，该语义相似模型的训练方法包括：
步骤101，获取第一样本句和第二样本句。
本实施例中，第一样本句和第二样本句可以是情感倾向相反的句子对，比如，“喜欢看电影”与“不喜欢看电影”，也可以是其他不具有情感倾向的句子对。也即本实施例中，用于训练的句子对中，包含一定数量的情感倾向相反的句子对。
步骤102，根据预先训练的语义相似度模型对第一样本句进行识别以生成第一语义相似度向量，并对第二样本句进行识别以生成第二语义相似度向量。
其中，预先训练的语义相似度模型，是指普通的不能够准确计算情感倾向相反的句子对之间的相似度的语义相似度模型。
本实施例中，将第一样本句输入至预先训练的语义相似度模型，得到第一语义相似度向量，并将第二样本句输入至预先训练的语义相似度模型得到第二语义相似度向量。其中，第一语义相似度向量和第二语义相似度向量为词嵌入向量。
步骤103，根据预先训练的情感分析模型对第一样本句进行识别以生成第一情感向量，并对第二样本句进行识别以生成第二情感向量。
其中，情感分析模型是指能够识别一个句子的情感倾向的模型。情感分析模型可以采用基于深度学习的文本分类模型，其本质是对句子进行分类：积极与消极。文本分类模型能够输出句子属于积极倾向的概率，概率越高情感倾向越积极，具体可以是双向长短期记忆网络模型。
本实施例中，分别将第一样本句子和第二样本句子输入至情感分析模型，得到第一样本句的第一情感向量和第二样本句的第二情感向量。其中，第一情感向量和第二情感向量也是词嵌入向量。
需要说明的是，对于上述步骤102与步骤103，可以先执行步骤102后执行步骤103，也可以先执行步骤103后执行步骤102，也可以同时执行步骤102和103，即本实施例对步骤102与步骤103的执行顺序不进行限定。
步骤104，将第一语义相似度向量和第一情感向量拼接为第一测试向量。
本实施例中，对于第一样本句，将第一语义相似度向量和第一情感向量进行拼接，得到与第一样本句对应的第一测试向量。具体地，在拼接时，可以将第一情感向量拼接到第一语义相似度向量，当然也可以将第一语义相似度向量拼接到第一情感向量。
本实施例中，将第一语义相似度向量和第一情感向量进行拼接，从而可以使拼接后的向量同时包含语义相似度向量和情感向量。
步骤105，将第二语义相似度向量和第二情感向量拼接为第二测试向量。
本实施例中，对于第二样本句，将第二语义相似度向量和第二情感向量进行拼接，得到与第二样本句对应的第二测试向量。具体地，在拼接时，可以将第二情感向量拼接到第二语义相似度向量，当然也可以将第二语义相似度向量拼接到第二情感向量。
本实施例中，将第二语义相似度向量和第二情感向量进行拼接，从而可以使拼接后的向量同时包含语义相似度向量和情感向量。
步骤106，根据第一测试向量和第二测试向量对语义相似模型进行训练。
本实施例中，根据第一样本句对应的第一测试向量，和第二样本句对应的第二测试向量对语义相似模型进行训练。具体地，利用第一测试向量和第二测试向量计算损失函数，根据损失函数调整模型参数，再根据调整后的参数进行下一次训练。由此，通过大量的句子对，利用上述训练方法，可以得到满足目标要求的语义相似模型。
由于第一测试向量与第二测试向量同时包含语义相似度向量和情感向量，那么通过训练得到的语义相似模型，相比预先训练的语义相似度模型，能够准确计算出情感倾向相反的句子对的语义相似度。
在获取语义相似模型后，可通过评测数据对该模型进行测试。在实际应用中，对于情感倾向相反的相似句对比较难找，可通过的技术手段进行构造。首先，基于网络爬虫获取大量点评网站中的用户具有明确观点倾向的评论，然后取出其涉及观点的名词形容词短语，如观点是“味道不错”还是“味道不好”，是“上菜速度快”还是“上菜速度慢”等。然后，通过规则获取其中的倾向判断词“不错”、“不好”、“快”、“慢”等。基于已经维护好的反义词表，如将“不错”替换为“不好”、“快”替换为“慢”，作为原始评论的对应评论。这样基于一个具有情感倾向的句子，就能构造出与其情感倾向相反的句子，从而形成一对句子作为训练好的语义相似模型的评测数据。
本申请实施例的语义相似模型的训练方法，通过对预先训练的语义相似度训练模型和情感分析模型得到的语义相似向量和情感向量进行拼接，利用拼接后的向量对语义相似模型进行训练，得到兼容情感倾向相反的语义相似模型，从而可以提高对情感倾向相反的句子对的相似度的计算准确度。
图2为本申请实施例提供的另一种语义相似模型的训练方法的流程示意图。
如图2所示，上述获取第一样本句和第二样本句，可包括：
步骤201，获取用户的搜索查询词，并将查询词作为第一样本句。
用户在使用搜索引擎时，可在搜索框中输入搜索查询词，本实施例中，可将用户输入的搜索查询词作为第一样本句。
步骤202，获取根据搜索词生成的多个搜索结果。
本实施例中，根据用户的搜索词进行搜索，可以生成多个搜索结果，那么获取根据搜索查询词生成的多个搜索结果。
步骤203，获取用户从多个搜索结果之中点击的点击结果，并将点击结果作为第二样本句。
在实际应用中，搜索引擎通常会提供多个搜索结果，用户可以从中选择一个或多个与搜索查询词相关的搜索结果进行点击。基于此，本实施例中，获取用户从多个搜索结果之中点击的点击结果，并将点击结果作为第二样本句。具体地，可将用户点击打开的搜索结果对应的页面的题目，作为第二样本句，也可将从搜索结果页面提取的关键语句作为第二样本句等。
本申请实施例中，通过将用户的搜索查询词作为第一样本句，将用户从搜索结果中点击的点击结果作为第二样本句，由此，可以获取大量的训练样本句，对语义相似模型进行训练。
在实际应用中，在训练样本中可能存在被标注为相似但情感倾向相反的样本，在本申请的一个实施例中，为了提高模型的准确性，在对训练样本进行训练之前，可对第一样本句和第二样本句之间的标签进行修改。
具体地，可将第一样本句和第二样本句分别输入至预先训练的情感分析模型，得到第一样本语句和第二样本语句的情感倾向。如果第一样本句和第二样本句之间的情感倾向相反，且第一样本句和第二样本句之间的原标签为相似，那么将第一样本句和第二样本句之间的标签由相似修改为不相似。
比如，句子A“喜欢吃甜品”与句子B“不喜欢吃甜品”之间，原标签为相似，那么根据上述方法，将句子A与句子B之间的标签改为不相似。
需要说明的是，如果第一样本句和第二样本句之间的标签为不相似且情感倾向相同，那么无需修改两样本句之间的标签。
本申请实施例中，通过修改第一样本句和第二样本句之间的标签，可以提高训练得到的语义相似模型的准确性。
图3为本申请实施例提供的另一种语义相似模型的训练方法的流程示意图。如图3所示，该语义相似模型的训练方法包括：
步骤301，获取第一样本句和第二样本句。
步骤302，根据预先训练的语义相似度模型对第一样本句进行识别以生成第一语义相似度向量，并对第二样本句进行识别以生成第二语义相似度向量。
步骤303，根据预先训练的情感分析模型对第一样本句进行识别以生成第一情感向量，并对第二样本句进行识别以生成第二情感向量。
步骤304，将第一语义相似度向量和第一情感向量拼接为第一测试向量。
步骤305，将第二语义相似度向量和第二情感向量拼接为第二测试向量。
本实施例中，步骤301-步骤305，与上述步骤101-步骤105类似，故在此不再赘述。
步骤306，将第一测试向量输入第一卷积神经网络以生成第一结果。
本实施例中，将通过拼接得到的第一样本句对应的第一测试向量，输入至第一卷积神经网络，以生成第一结果。其中，第一结果可以是将第一测试向量的每一维度的最大值取出进行输出，即第一结果仍然是一个向量。
步骤307，将第二测试向量输入第二卷积神经网络以生成第二结果。
本实施例中，将通过拼接得到的第二样本句对应的第二测试向量，输入至第二卷积神经网络，以生成第二结果。其中，第二结果可以是将第二测试向量的每一维度的最大值取出进行输出，即第二结果仍然是一个向量。
步骤308，根据第一结果和第二结果通过余弦相似度计算生成余弦相似度计算结果，并根据余弦相似度计算结果和语义相似度训练目标对语义相似训练模型进行训练。
本实施例中，计算第一结果和第二结果的余弦相似度，然后根据余弦相似度计算结果和语义相似度训练目标，对语义相似模型的参数进行调整，再以调整后的参数进行下一次训练，直到余弦相似度计算结果满足要求，得到语义相似模型。由此，通过采用梯度下降的方法更新该网络里的参数，最终得到合理的参数，即得到语义相似模型。
下面结合图4进行说明，图4为本申请实施例提供的一种网络结构示意图。图4中，以句子a和句子b对模型进行训练为例，将句子a对应的测试向量输入至第一卷积神经网络，将句子b对应的测试向量输入至第二卷积神经网络，计算两个卷积神经网络的输出结果的余弦值。
其中，句子a和句子b的测试向量是由语义相似度向量与情感向量拼接得到的，图4中的圆圈可以看作是句子中的词语，将语义相似度向量与情感向量进行拼接，可以看作是将每个词语的语义相似度向量与情感向量进行拼接。
本申请实施例中，通过将第一测试向量和第二测试向量分别输入至卷积神经网络，并计算两个卷积神经网络的输出结果的余弦相似度，根据余弦相似度计算结果和语义相似度训练目标，对语义相似训练模型进行训练，得到能够准确计算情感倾向相反的句子对之间的相似度的模型。
上述实施例中，以语义相似度任务训练模型，为了对于兼容情感倾向相反的语义相似度任务能够有更好的适应，在本申请的一个实施例中，可以情感分析任务和语义相似度任务学习训练语义相似模型。
图5为本申请实施例提供的另一种语义相似模型的训练方法的流程示意图。
如图5所示，该语义相似模型的训练方法还包括：
步骤401，根据第一结果通过全连接神经网络进行非线性变换，以生成非线性变换结果。
本实施例中，可将第一结果输入至全连接神经网络中，以通过全连接神经网络进行模型参数的非线性变换，以提升模型的拟合能力。
需要说明的是，也可将第二结果输入至全连接神经网络，以进行模型参数的非线性变换，即本实施例中，对是将第一结果输入至全连接神经网络，还是第二结果输入至全连接神经网络不作限定。
步骤402，根据非线性变换结果生成分类概率。
本实施例中，可根据全连接神经网络输出的非线性变换结果生成分类概率，即输出第一样本语句对应的情感倾向的分类概率。
步骤403，根据分类概率和情感分析训练目标，对第一卷积神经网络和全连接神经网络进行训练。
本实施例中，可根据分类概率和情感分析训练目标，计算损失函数，根据损失函数，对第一卷积神经网络和全连接神经网络的参数进行调整，根据调整后的参数进行下一次的情感分析任务的学习。
在具体实施时，如果用于训练的是一个句子，那么进行情感分析任务的学习，如果用于训练的是两个句子，那么进行语义相似度任务的学习。当情感分析任务和语义相似度任务均达到训练目标时，停止训练。在多任务学习训练好后，只需要使用语义相似度任务对应的神经网络部分进行预测即可。
图6为本申请实施例提供的另一种网络结构的示意图。图6与图4相比，第一卷积神经网络连接全连接神经网络，也即将第一卷积神经网络生成的第一结果，输入至全连接神经网络中进行模型参数的非线性变换。然后，根据非线性变换结果，利用logistic将实数域的数变换为[0,1]之间，具备分类概率的意义，进行情感分析任务的训练目标，即loss1是针对情感分析任务的训练目标，loss2是针对语义相似度任务的训练目标。
本申请实施例中，通过进行情感分析任务和语义相似度任务的多任务学习，使得语义相似模型对不同任务的支持更好，并且对于兼容情感倾向相反的语义相似度任务能够有更好的适应。
为了实现上述实施例，本申请实施例还提出一种语义相似模型的训练装置。图7为本申请实施例提供的一种语义相似模型的训练装置的结构示意图。
如图7所示，该语义相似模型的训练装置500包括：获取模块510、第一生成模块520、第二生成模块530、第一拼接模块540、第二拼接模块550和训练模块560。
获取模块510，用于获取第一样本句和第二样本句。
第一生成模块520，用于根据预先训练的语义相似度模型对第一样本句进行识别以生成第一语义相似度向量，并对第二样本句进行识别以生成第二语义相似度向量。
第二生成模块530，用于根据预先训练的情感分析模型对第一样本句进行识别以生成第一情感向量，并对第二样本句进行识别以生成第二情感向量。
第一拼接模块540，用于将第一语义相似度向量和第一情感向量拼接为第一测试向量。
第二拼接模块550，用于将第二语义相似度向量和第二情感向量拼接为第二测试向量。
训练模块560，用于根据第一测试向量和第二测试向量对语义相似模型进行训练。
在本申请实施例一种可能的实现方式中，上述获取模块510，具体用于：
获取用户的搜索查询词，并将查询词作为所述第一样本句；
获取根据搜索词生成的多个搜索结果；
获取用户从所述多个搜索结果之中点击的点击结果，并将点击结果作为第二样本句。
在本申请实施例一种可能的实现方式中，该装置还包括：修改模块，用于修改第一样本句和第二样本句之间的标签。
在本申请实施例一种可能的实现方式中，训练模块560，具体用于：
将第一测试向量输入第一卷积神经网络以生成第一结果；
将第二测试向量输入第二卷积神经网络以生成第二结果；
根据第一结果和第二结果通过余弦相似度计算生成余弦相似度计算结果，并根据余弦相似度计算结果和语义相似度训练目标对语义相似训练模型进行训练。
在本申请实施例一种可能的实现方式中，该装置还包括：
第三生成模块，用于根据第一结果通过全连接神经网络进行非线性变换，以生成非线性变换结果；
第四生成模块，用于根据非线性变换结果生成分类概率；
训练模块，还用于根据分类概率和情感分析训练目标，对第一卷积神经网络和全连接神经网络进行训练。
需要说明的是，前述对语义相似模型的训练方法实施例的解释说明，也适用于该实施例的语义相似模型的训练装置，故在此不再赘述。
本申请实施例的语义相似模型的训练装置，通过获取第一样本句和第二样本句，根据预先训练的语义相似度模型对第一样本句进行识别以生成第一语义相似度向量，并对第二样本句进行识别以生成第二语义相似度向量，根据预先训练的情感分析模型对第一样本句进行识别以生成第一情感向量，并对第二样本句进行识别以生成第二情感向量，将第一语义相似度向量和第一情感向量拼接为第一测试向量，将第二语义相似度向量和第二情感向量拼接为第二测试向量，根据第一测试向量和第二测试向量对语义相似模型进行训练。由此，通过对预先训练的语义相似度训练模型和情感分析模型得到的语义相似向量和情感向量进行拼接，利用拼接后的向量对语义相似模型进行训练，得到兼容情感倾向相反的语义相似模型，从而可以提高情感倾向相反的句子之间的相似度的计算准确度。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的语义相似模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语义相似模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语义相似模型的训练方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语义相似模型的训练方法对应的程序指令/模块(例如，附图7所示的获取模块510、第一生成模块520、第二生成模块530、第一拼接模块540、第二拼接模块550和训练模块560)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的语义相似模型的训练方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据语义相似模型的训练电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至语义相似模型的训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
语义相似模型的训练方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与语义相似模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过对预先训练的语义相似度训练模型和情感分析模型得到的语义相似向量和情感向量进行拼接，利用拼接后的向量对语义相似模型进行训练，得到兼容情感倾向相反的语义相似模型，从而可以提高情感倾向相反的句子之间的相似度的计算准确度。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种语义相似模型的训练方法，其特征在于，所述方法包括：
获取第一样本句和第二样本句；
根据预先训练的语义相似度模型对所述第一样本句进行识别以生成第一语义相似度向量，并对所述第二样本句进行识别以生成第二语义相似度向量；
根据预先训练的情感分析模型对所述第一样本句进行识别以生成第一情感向量，并对所述第二样本句进行识别以生成第二情感向量；
将所述第一语义相似度向量和所述第一情感向量拼接为第一测试向量；
将所述第二语义相似度向量和所述第二情感向量拼接为第二测试向量；
根据所述第一测试向量和所述第二测试向量对所述语义相似模型进行训练，还包括：若所述第一样本句和第二样本句的情感倾向相反，且所述第一样本句和所述第二样本句之间的标签相似，则修改所述第一样本句和所述第二样本句之间的标签。
2.如权利要求1所述的语义相似模型的训练方法，其特征在于，所述获取第一样本句和第二样本句，包括：
获取用户的搜索查询词，并将所述查询词作为所述第一样本句；
获取根据搜索词生成的多个搜索结果；
获取所述用户从所述多个搜索结果之中点击的点击结果，并将所述点击结果作为所述第二样本句。
3.如权利要求1所述的语义相似模型的训练方法，其特征在于，所述根据所述第一测试向量和所述第二测试向量对所述语义相似模型进行训练，包括：
将所述第一测试向量输入第一卷积神经网络以生成第一结果；
将所述第二测试向量输入第二卷积神经网络以生成第二结果；
根据所述第一结果和第二结果通过余弦相似度计算生成余弦相似度计算结果，并根据所述余弦相似度计算结果和语义相似度训练目标对所述语义相似训练模型进行训练。
4.如权利要求3所述的语义相似模型的训练方法，其特征在于，还包括：
根据所述第一结果通过全连接神经网络进行非线性变换，以生成非线性变换结果；
根据所述非线性变换结果生成分类概率；
根据所述分类概率和情感分析训练目标，对所述第一卷积神经网络和所述全连接神经网络进行训练。
5.一种语义相似模型的训练装置，其特征在于，包括：
获取模块，用于获取第一样本句和第二样本句；
第一生成模块，用于根据预先训练的语义相似度模型对所述第一样本句进行识别以生成第一语义相似度向量，并对所述第二样本句进行识别以生成第二语义相似度向量；
第二生成模块，用于根据预先训练的情感分析模型对所述第一样本句进行识别以生成第一情感向量，并对所述第二样本句进行识别以生成第二情感向量；
第一拼接模块，用于将所述第一语义相似度向量和所述第一情感向量拼接为第一测试向量；
第二拼接模块，用于将所述第二语义相似度向量和所述第二情感向量拼接为第二测试向量；
训练模块，用于根据所述第一测试向量和所述第二测试向量对所述语义相似模型进行训练，还包括：若所述第一样本句和第二样本句的情感倾向相反，且所述第一样本句和所述第二样本句之间的标签相似，则修改所述第一样本句和所述第二样本句之间的标签。
6.如权利要求5所述的语义相似模型的训练装置，其特征在于，所述获取模块，具体用于：
获取用户的搜索查询词，并将所述查询词作为所述第一样本句；
获取根据搜索词生成的多个搜索结果；
获取所述用户从所述多个搜索结果之中点击的点击结果，并将所述点击结果作为所述第二样本句。
7.如权利要求5所述的语义相似模型的训练装置，其特征在于，训练模块，具体用于：
将所述第一测试向量输入第一卷积神经网络以生成第一结果；
将所述第二测试向量输入第二卷积神经网络以生成第二结果；
根据所述第一结果和第二结果通过余弦相似度计算生成余弦相似度计算结果，并根据所述余弦相似度计算结果和语义相似度训练目标对所述语义相似训练模型进行训练。
8.如权利要求7所述的语义相似模型的训练装置，其特征在于，还包括：
第三生成模块，用于根据所述第一结果通过全连接神经网络进行非线性变换，以生成非线性变换结果；
第四生成模块，用于根据所述非线性变换结果生成分类概率；
训练模块，还用于根据所述分类概率和情感分析训练目标，对所述第一卷积神经网络和所述全连接神经网络进行训练。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的语义相似模型的训练方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的语义相似模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910927594.3A CN110674260B (zh) | 2019-09-27 | 2019-09-27 | 语义相似模型的训练方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910927594.3A CN110674260B (zh) | 2019-09-27 | 2019-09-27 | 语义相似模型的训练方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110674260A CN110674260A (zh) | 2020-01-10 |
| CN110674260B true CN110674260B (zh) | 2022-05-24 |
Family
ID=69079714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910927594.3A Active CN110674260B (zh) | 2019-09-27 | 2019-09-27 | 语义相似模型的训练方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674260B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113157829A (zh) * | 2020-01-22 | 2021-07-23 | 百度在线网络技术（北京）有限公司 | 一种兴趣点名称比对方法、装置、电子设备和存储介质 |
| CN111859997B (zh) * | 2020-06-16 | 2024-01-26 | 北京百度网讯科技有限公司 | 机器翻译中的模型训练方法、装置、电子设备及存储介质 |
| CN112269872B (zh) * | 2020-10-19 | 2023-12-19 | 北京希瑞亚斯科技有限公司 | 简历解析方法、装置、电子设备及计算机存储介质 |
| CN113722457B (zh) * | 2021-08-11 | 2024-08-06 | 北京零秒科技有限公司 | 意图识别方法以及装置、存储介质、电子装置 |
| CN113673225A (zh) * | 2021-08-20 | 2021-11-19 | 中国人民解放军国防科技大学 | 中文句子相似性判别方法、装置、计算机设备和存储介质 |
| CN116227466B (zh) * | 2023-05-06 | 2023-08-18 | 之江实验室 | 一种语义不同措辞相似的句子生成方法、装置及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609009A (zh) * | 2017-07-26 | 2018-01-19 | 北京大学深圳研究院 | 文本情感分析方法、装置、存储介质和计算机设备 |
| CN109145299A (zh) * | 2018-08-16 | 2019-01-04 | 北京金山安全软件有限公司 | 一种文本相似度确定方法、装置、设备及存储介质 |
| CN109284399A (zh) * | 2018-10-11 | 2019-01-29 | 深圳前海微众银行股份有限公司 | 相似度预测模型训练方法、设备及计算机可读存储介质 |
| CN110083834A (zh) * | 2019-04-24 | 2019-08-02 | 北京百度网讯科技有限公司 | 语义匹配模型训练方法、装置、电子设备及存储介质 |
| CN110188202A (zh) * | 2019-06-06 | 2019-08-30 | 北京百度网讯科技有限公司 | 语义关系识别模型的训练方法、装置及终端 |
| CN110210041A (zh) * | 2019-05-23 | 2019-09-06 | 北京百度网讯科技有限公司 | 互译句对齐方法、装置及设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5356197B2 (ja) * | 2009-12-01 | 2013-12-04 | 株式会社日立製作所 | 単語意味関係抽出装置 |
| CN106407235B (zh) * | 2015-08-03 | 2019-06-11 | 北京众荟信息技术股份有限公司 | 一种基于点评数据的语义词典构建方法 |
| CN105205699A (zh) * | 2015-09-17 | 2015-12-30 | 北京众荟信息技术有限公司 | 基于酒店点评的用户标签和酒店标签匹配方法及装置 |
| US11113599B2 (en) * | 2017-06-22 | 2021-09-07 | Adobe Inc. | Image captioning utilizing semantic text modeling and adversarial learning |
| CN108509411B (zh) * | 2017-10-10 | 2021-05-11 | 腾讯科技（深圳）有限公司 | 语义分析方法和装置 |
| CN108804612B (zh) * | 2018-05-30 | 2021-11-02 | 武汉烽火普天信息技术有限公司 | 一种基于对偶神经网络模型的文本情感分类方法 |
| CN110263164A (zh) * | 2019-06-13 | 2019-09-20 | 南京邮电大学 | 一种基于模型融合的情感倾向分析方法 |
-
2019
- 2019-09-27 CN CN201910927594.3A patent/CN110674260B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609009A (zh) * | 2017-07-26 | 2018-01-19 | 北京大学深圳研究院 | 文本情感分析方法、装置、存储介质和计算机设备 |
| CN109145299A (zh) * | 2018-08-16 | 2019-01-04 | 北京金山安全软件有限公司 | 一种文本相似度确定方法、装置、设备及存储介质 |
| CN109284399A (zh) * | 2018-10-11 | 2019-01-29 | 深圳前海微众银行股份有限公司 | 相似度预测模型训练方法、设备及计算机可读存储介质 |
| CN110083834A (zh) * | 2019-04-24 | 2019-08-02 | 北京百度网讯科技有限公司 | 语义匹配模型训练方法、装置、电子设备及存储介质 |
| CN110210041A (zh) * | 2019-05-23 | 2019-09-06 | 北京百度网讯科技有限公司 | 互译句对齐方法、装置及设备 |
| CN110188202A (zh) * | 2019-06-06 | 2019-08-30 | 北京百度网讯科技有限公司 | 语义关系识别模型的训练方法、装置及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 互联网用户生成多语言文本的情感分析研究;王飞翔;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20190115;正文第29-38页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110674260A (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674260B (zh) | 语义相似模型的训练方法、装置、电子设备和存储介质 | |
| CN111428008B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN111428507B (zh) | 实体链指方法、装置、设备以及存储介质 | |
| CN111523326B (zh) | 实体链指方法、装置、设备以及存储介质 | |
| CN110717339B (zh) | 语义表示模型的处理方法、装置、电子设备及存储介质 | |
| CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
| CN110727806B (zh) | 基于自然语言和知识图谱的文本处理方法及装置 | |
| CN111104514B (zh) | 文档标签模型的训练方法及装置 | |
| CN112560479B (zh) | 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备 | |
| CN111522994B (zh) | 用于生成信息的方法和装置 | |
| CN111191428B (zh) | 评论信息处理方法、装置、计算机设备和介质 | |
| CN110674314B (zh) | 语句识别方法及装置 | |
| CN111738016B (zh) | 多意图识别方法及相关设备 | |
| CN111625635A (zh) | 问答处理、语言模型的训练方法、装置、设备及存储介质 | |
| CN111221984A (zh) | 多模态内容处理方法、装置、设备及存储介质 | |
| US11947578B2 (en) | Method for retrieving multi-turn dialogue, storage medium, and electronic device | |
| CN111428514A (zh) | 语义匹配方法、装置、设备以及存储介质 | |
| JP2022040026A (ja) | エンティティリンキング方法、装置、電子デバイス及び記憶媒体 | |
| CN111144507A (zh) | 情感分析模型预训练方法、装置及电子设备 | |
| CN111539209B (zh) | 用于实体分类的方法和装置 | |
| CN112163405A (zh) | 问题的生成方法和装置 | |
| JP7295200B2 (ja) | 汎化処理方法、装置、デバイス、コンピュータ記憶媒体及びプログラム | |
| CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
| CN112084150B (zh) | 模型训练、数据检索方法，装置，设备以及存储介质 | |
| CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |