CN110991661A - 用于生成模型的方法和装置 - Google Patents
用于生成模型的方法和装置 Download PDFInfo
- Publication number
- CN110991661A CN110991661A CN201911325352.3A CN201911325352A CN110991661A CN 110991661 A CN110991661 A CN 110991661A CN 201911325352 A CN201911325352 A CN 201911325352A CN 110991661 A CN110991661 A CN 110991661A
- Authority
- CN
- China
- Prior art keywords
- corpus
- model
- domain
- basic model
- general
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Machine Translation (AREA)
Abstract
本公开的实施例公开了用于生成模型的方法和装置。该方法的一具体实施方式包括:响应于接收到语料模型的生成请求,获取通用语料对样本集合,利用通用语料对样本集合得到基础模型;获取领域语料对样本集合,迭代执行基础模型参数更新步骤,基础模型参数更新步骤包括:分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本;依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型;响应于确定出基础模型参数更新步骤迭代执行K次,将第K次迭代更新的基础模型确定为语料模型。该实施方式实现了采用较少的领域语料对样本训练得到可靠性较好的语料模型。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成模型的方法和装置。
背景技术
随着机器学习的发展,现有的AI技术在各行业被广泛应用,例如机器翻译、机器问答、图像识别等。将A1技术应用到各行业时,需要获取大量的样本数据进行模型训练。然而,现实应用中某些行业往往会存在数据缺乏的问题,导致传统的模型训练方法生成的模型可靠性较差。例如,在机器翻译行业,医学、法律等行业的样本数据较少,从而造成利用传统的基于大量数据的模型训练方法训练出的模型可靠性较差。
发明内容
本公开的实施例提出了用于生成模型的方法和装置。
第一方面,本公开的实施例提供了一种用于生成模型的方法,该方法包括:响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用通用语料对样本集合进行模型训练得到基础模型,其中,生成请求包括语料模型的类型;获取领域语料对样本集合,迭代执行基础模型参数更新步骤,其中,基础模型参数更新步骤包括:分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本;依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型;响应于确定出基础模型参数更新步骤迭代执行K次,将第K次迭代更新的基础模型确定为语料模型,其中,K为正整数。
在一些实施例中,第一预设数目大于或等于第二预设数目。
在一些实施例中,通用语料对样本包括第一通用语料和与第一通用语料对应的第二通用语料;领域语料对样本包括第一领域语料和与第一领域语料对应的第二领域语料;依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型,包括:将第一通用语料输入基础模型,基于基础模型的输出和第二通用语料,确定第一损失函数;通过反向传播算法计算第一损失函数的梯度,采用随机梯度下降法更新基础模型的模型参数得到第一模型参数;将第一领域语料输入模型参数更新为第一模型参数的基础模型,基于基础模型的输出和第二领域语料,确定第二损失函数;通过反向传播算法计算出第二损失函数的梯度,采用随机梯度下降法更新基础模型的第一模型参数得到第二模型参数,利用第二模型参数更新基础模型。
在一些实施例中,第一通用语料为第一语种通用语料,第二通用语料为与第一语种通用语料对应的第二语种通用语料;第一领域语料为第一语种领域语料,第二领域语料为与第一语种领域语料对应的第二语种领域语料;语料模型为翻译模型,翻译模型用于输出与输入的第一语种语料对应的第二语种语料。
在一些实施例中,领域语料对样本集合中的领域语料对样本的数量小于预设阈值。
在一些实施例中,在获取领域语料对样本集合,迭代执行基础模型参数更新步骤之后,方法还包括:计算每次迭代后的基础模型的收敛误差;响应于确定出收敛误差小于或等于误差阈值,将该次迭代更新后的基础模型确定为语料模型。
第二方面,本公开的实施例提供了一种用于生成模型的装置,装置包括:第一获取单元,被配置成响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用通用语料对样本集合进行模型训练得到基础模型,其中,生成请求包括语料模型的类型;第二获取单元,被配置成获取领域语料对样本集合,迭代执行基础模型参数更新步骤,其中,基础模型参数更新步骤包括:分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本;依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型;第一确定单元,被配置成响应于确定出基础模型参数更新步骤迭代执行K次,将第K次迭代更新的基础模型确定为语料模型,其中,K为正整数。
在一些实施例中,第一预设数目大于或等于第二预设数目。
在一些实施例中,通用语料对样本包括第一通用语料和与第一通用语料对应的第二通用语料;领域语料对样本包括第一领域语料和与第一领域语料对应的第二领域语料;第二获取单元进一步被配置成:将第一通用语料输入基础模型,基于基础模型的输出和第二通用语料,确定第一损失函数;通过反向传播算法计算第一损失函数的梯度,采用随机梯度下降法更新基础模型的模型参数得到第一模型参数;将第一领域语料输入模型参数更新为第一模型参数的基础模型,基于基础模型的输出和第二领域语料,确定第二损失函数;通过反向传播算法计算出第二损失函数的梯度,采用随机梯度下降法更新基础模型的第一模型参数得到第二模型参数,利用第二模型参数更新基础模型。
在一些实施例中,第一通用语料为第一语种通用语料,第二通用语料为与第一语种通用语料对应的第二语种通用语料;第一领域语料为第一语种领域语料,第二领域语料为与第一语种领域语料对应的第二语种领域语料;语料模型为翻译模型,翻译模型用于输出与输入的第一语种语料对应的第二语种语料。
在一些实施例中,领域语料对样本集合中的领域语料对样本的数量小于预设阈值。
在一些实施例中,计算单元,被配置成计算每次迭代后的基础模型的收敛误差;第二确定单元,被配置成响应于确定出收敛误差小于或等于误差阈值,将该次迭代更新后的基础模型确定为语料模型。
本公开的实施例提供的用于生成模型的方法和装置,响应于接收到语料模型的生成请求,获取通用语料对样本集合,利用通用语料对样本集合进行模型训练得到基础模型,而后获取领域语料对样本集合,迭代执行基础模型参数更新步骤,其中,基础模型参数更新步骤可以包括:分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本,依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型,最后响应于确定出基础模型参数更新步骤迭代执行K次,将第K迭代更新的基础模型确定为语料模型。本公开的方案在语料模型训练的过程中交替利用所获取的通用语料对样本和领域语料对样本训练更新基础模型的参数,实现了采用较少的领域语料对样本训练得到可靠性较好的语料模型。
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是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成模型的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于生成模型的方法中基础模型更新方法的一个实现方式的流程图;
图4是根据本公开的用于生成模型的方法的又一个实施例的流程图;
图5是根据本公开的用于生成模型的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
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用于生成模型的方法或用于生成模型的装置的示例性系统架构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,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如机器翻译类应用、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,可以是具有显示屏并且支持机器翻译等功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、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。其可以实现成例如用来提供分布式服务的多个软件或软件模块,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上显示的数据提供支持的后台服务器。后台服务器可以对语料模型的生成请求、所获取的通用语料对样本集合和领域语料对样本集合等数据进行分析等处理,并将处理结果(例如生成的语料模型)反馈给终端设备。
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),也可以实现成单个软件或软件模块。在此不做具体限定。
本公开实施例所提供的用于生成信息的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于生成信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105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。
继续参考图2,示出了根据本公开的用于生成模型的方法的一个实施例的流程200。该用于生成模型的方法,包括以下步骤:
步骤201,响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用通用语料对样本集合进行模型训练得到基础模型。
在本实施例中,用于生成模型的方法的执行主体(例如图1所示的服务器)可以接收语料模型的生成请求,其中,该语料模型的生成请求可以包括语料模型的类型。实践中,不同各行业所需模型的类型也不相同。例如,机器翻译行业所需模型的类型可以包括用于将第一语种语料翻译成第二语种语料的机器翻译模型,机器应答行业所需模型的类型可以包括用于对输入的问题语料进行应答的对机器应答模型。而后,上述执行主体可以获取通用语料对样本集合。其中,通用语料对样本集合可以包括大量的通用语料对样本。这里,可以从所要生成模型的行业中获取通用语料对样本,例如,所要生成的语料模型为翻译模型,则通用语料对样本可以为从在线翻译等行业获取的、可以用于医学、法律、经济等各领域的通用语料对样本,所要生成的模型为机器应答模型,通用语料对样本可以为机器应答行业获取的通用语料对样本。而后,上述执行主体可以是预先采用机器学习方法,利用所获取的通用语料对样本集合对预设的初始模型(例如,卷积神经网络(Convolutional NeuralNetwork,CNN)等)进行训练,从而可以得到基础模型。
需要说明的是,上述通用语料对样本集合可以直接存储在上述电子设备的本地,此时,上述电子设备可以直接从本地获取上述通用语料对样本集合。此外,上述通用语料对样本集合也可以是与上述电子设备相连接的其余电子设备通过有线连接方式或者无线连接方式发送给上述电子设备的。其中,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,获取领域语料对样本集合,迭代执行基础模型参数更新步骤。
在本实施例中,基于步骤201得到的基础模型,上述执行主体可以继续获取领域语料对样本集合。其中,领域语料对样本集合可以包括某领域内的多个语料对样本。与通用语料对样本类似,领域语料对样本可以是机器翻译等行业中可以用于医学或法律等特定领域的语料对样本。而后,上述执行主体可以迭代执行基础模型参数更新步骤。其中,基础模型参数更新步骤可以包括:
步骤2021,分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本。
在本实施例中,基于步骤201所获取的通用语料对样本集合,上述执行主体可以从该通用语料对样本集合中获取第一预设数目的通用语料对样本。进一步地。上述执行主体还可以从上述领域语料对样本集合中获取第二预设数目的领域语料对样本。这里的第一预设数目和第二预设数目为预先设置的,例如第一预设数目和第二预设数目可以均为1。
在本实施例的一些可选的实现方式中,上述第一预设数目的值可以大于或等于第二预设数目的值。可以理解的是,与通用语料对样本集合相比,领域语料对样本集合中所包含的样本数量较少,因此,在基础模型参数更新步骤的迭代过程中,每次迭代取的领域语料对样本数量小于或等于通用语料对样本可以尽可能地充分利用每个领域语料对样本,进一步提高所生成语料模型的可靠性。
在本实施例的一些可选的实现方式中,上述领域语料对样本集合中的领域语料对样本的数量可以小于预设阈值。对于样本数量较少的领域,所获取的领域语料对样本集合中的领域语料对样本的数量通常不满足传统模型训练方法的数据量的需求,采用本实施例提供的用于生成模型的方法可以避免出现因样本数量较少导致的模型可靠性差的问题。可以理解的是,对于领域语料对样本集合中的领域语料对样本的数量可以大于或等于预设阈值的领域,也可以采用本实施例提供的方法进行模型训练。
步骤2022,依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型。
在本实施例中,基于步骤2021所获取的第一预设数目的通用语料对样本和第二数目的领域语料对样本,上述执行主体可以依次利用所获取的通用语料对样本和领域语料对样本训练步骤201得到的基础模型。具体地,上述执行主体可以利用所获取的第一预设数目的通用语料对样本更新上述基础模型的模型参数,而后对于利用所获取的第一预设数目的通用语料对样本更新得到的基础模型,利用所获取的第二预设数目的领域语料对样本再次更新上述基础模型的模型参数。可以理解的是,上述执行主体可以采用各种不同的方式对所获取的通用语料对样本和领域语料对样本进行训练来更新上述基础模型的模型参数。作为示例,上述执行主体可以采用对抗网络(Generative Adversarial Nets,GAN)依次对所获取的通用语料对样本和领域语料对样本进行训练,从而可以更新上述基础模型的模型参数。
需要说明的是,在对基础模型参数更新步骤迭代的过程中可以交替利用所获取的第一数目的通用语料对样本和第二数目的领域语料对样本训练基础模型,从而对基础模型的更新。
步骤203,响应于确定出基础模型参数更新步骤迭代执行K次,将第K迭代更新的基础模型确定为语料模型。
在本实施例中,上述执行主体在迭代执行如步骤2021~2022所示的基础模型参数更新步骤时,可以累计基础模型参数更新步骤迭代的次数。并在确定出基础模型参数更新步骤的迭代K次之后,可以将该第K次迭代更新的基础模型确定为语料模型,从而完成了语料模型的训练。可以理解的是,上述执行主体可以预设设置基础模型参数更新步骤的迭代次数K的具体值。
在一些可选的实现方式中,如图3所示,其示出了根据本实施例的用于生成模型的方法中基础模型更新方法的一个实现方式流程图300。针对每个领域,可以对该领域进行元学习(Meta-Learner)。元学习的本质为对损失函数连续两次求导来确定出最优迭代方向,从而得到最优的语料模型。因此,上述步骤2022“依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型”可以通过如图3所示的方法实现,该基础模型更新方法具体可以包括如下步骤:
步骤301,将第一通用语料输入基础模型,基于基础模型的输出和第二通用语料,确定第一损失函数。
在本实现方式中,上述执行主体所获取的通用语料对样本可以包括第一通用语料和与该第一通用语料对应的第二通用语料,领域语料对样本可以包括第一领域语料和与该第一领域语料对应的第二领域语料。作为示例,上述通用语料对样本可以为用于训练机器翻译模型的通用翻译语料对样本,第一通用语料可以为第一语种通用语料,第二通用语料可以为第二语种通用语料。
上述执行主体可以利用元学习的方法,将第一通用语料输入基础模型(在第一次迭代过程中,该基础模型可以为步骤201训练得到的基础模型,在第2~K次迭代过程中,该基础模型可以为上一迭代更新后的基础模型),而后获取该基础模型的输出,基于该输出和第二通用语料可以确定第一损失函数。该第一损失函数可以用于表征上述基础模型的输出结果与上述第二通用语料的差异程度。第一损失函数越小,上述基础模型的输出结果与上述第二通用语料的差异程度越小。
例如,上述损失函数可以使用欧氏距离函数、hingle函数等。在训练过程中,可以使用卷积神经网络,损失函数可以约束卷积核修改的方式和方向,训练的目标为使损失函数的值最小,因而,训练后得到的卷积神经网络中各个卷积核的参数即为损失函数的值为最小值时所对应的参数。
在一些可选的实现方式中,上述第一通用语料可以为第一语种通用语料,第二通用语料可以为与上述第一语种通用语料对应的第二语种通用语料。上述第一领域语料可以为第一语种领域语料,第二领域语料可以为与上述第一语种领域语料对应的第二语种领域语料。训练得到的语料模型可以为翻译模型,该翻译模型可以用于输出与输入的第一语种语料对应的第二语种语料。
在一些可选的实现方式中,上述第一通用语料可以为问题通用语料,第二通用语料可以为与上述问题通用语料对应的答案通用语料。上述第一领域语料可以为问题领域语料,第二领域语料可以为与上述问题领域语料对应的答案领域语料。训练得到的语料模型可以为应答模型,该应答模型可以用于输出与输入的问题语料对应的答案语料。
步骤302,通过反向传播计算第一损失函数的梯度,采用随机梯度下降法更新基础模型的模型参数得到第一模型参数。
在本实现方式中,基于步骤301确定的第一损失函数,上述执行主体可以通过反向传播算法计算上述第一损失函数的梯度。实践中,反向传播算法也可称为误差反向传播算法、误差逆传播算法或后向传导算法。反向传播算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中,输入信号经输入层输入,通过隐层计算由输出层输出,输出值与标记值比较,若有误差,将误差反向由输出层向输入层传播。在这个过程中,可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整,从而可以实现更新基础模型的模型参数得到第一模型参数。此处,上述损失函数即可用于表征输出值与标记值的误差。需要说明的是,上述反向传播算法是目前广泛研究和应用的公知技术,在此不再赘述。
步骤303,将第一领域语料输入模型参数更新为第一模型参数的基础模型,基于基础模型的输出和第二领域语料,确定第二损失函数。
在本实现方式中,针对所获取的领域语料对样本,上述执行主体可以将领域语料对样本输入模型参数更新为第一模型参数的基础模型,从而可以该模型参数为第一模型参数的基础模型的输出结果。而后,上述执行主体可以基于该输出结果和第二领域语料重新确定出第二损失函数。该第二损失函数可以用于表征该输出结果与上述第二领域语料的差异程度。第二损失函数越小,上述模型参数为第一模型参数的基础模型所输出的结果与上述第二领域语料的差异程度越小。
步骤304,通过反向传播计算出第二损失函数的梯度,采用随机梯度下降法更新基础模型的第一模型参数得到第二模型参数,利用第二模型参数更新基础模型。
在本实现方式中,在确定第二损失函数之后,上述执行主体可以采用与步骤302类似的方法,通过反向传播算法计算出第二损失函数的梯度。利用第二损失函数的梯度可以将基础模型中的第一模型参数更新为第二模型参数。最后,将第二模型参数更新到上述基础模型中,从而可以实现更新基础模型。
在本实现方式中,上述执行主体通过执行步骤2021和步骤301~304可以完成对基础模型参数更新步骤的一次执行迭代。在下一迭代时,上述执行主体可以将模型参数更新为第二模型参数的基础模型作为基础模型再次执行步骤2021和执行步骤301~304,直到迭代K次为止。
本实现方式提供的模型更新方法,利用元学习的思想使得模型可以通过小样本学习到关键信息,与现有技术相比,可以实现以较小规模的领域语料对样本集合学习到领域内的知识。
本实施例提供的用于生成模型的方法,响应于接收到语料模型的生成请求,获取通用语料对样本集合,利用通用语料对样本集合进行模型训练得到基础模型,而后获取领域语料对样本集合,迭代执行基础模型参数更新步骤,其中,基础模型参数更新步骤包括:分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本,依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型,最后响应于确定出基础模型参数更新步骤迭代执行K次,将第K迭代更新的基础模型确定为语料模型。本公开的方案在语料模型训练的过程中交替利用所获取的通用语料对样本和领域语料对样本训练更新基础模型的参数,实现了采用较少的领域语料对样本训练得到可靠性较好的语料模型。
进一步参考图4,其示出了用于生成模型的方法的又一个实施例的流程400。该用于生成模型的方法的流程400,包括以下步骤:
步骤401,响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用通用语料对样本集合进行模型训练得到基础模型。
步骤402,获取领域语料对样本集合,迭代执行基础模型参数更新步骤。
在本实施例中,步骤401~402所包含的内容与上述实施例中的步骤201~步骤202相似,这里不再赘述。其中,步骤402中的基础模型参数更新步骤可以包括步骤4021分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本,以及步骤4022依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型。其中步骤4021和步骤4022与上述实施例中的步骤2021~步骤2022相似,这里不再赘述.
步骤403,计算每次迭代后的基础模型的收敛误差。
在本实施例中,上述执行主体在每次执行基础模型参数更新步骤得到迭代更新后的基础模型之后,可以计算该基础模型的收敛误差。
步骤404,响应于确定出收敛误差小于或等于误差阈值,将该次迭代更新后的基础模型确定为语料模型。
在本实施例中,针对任意次迭代得到更新后的基础模型,上述执行主体可以基于步骤403计算得到对应的收敛误差。而后,上述执行主体可以判断该收敛误差是否小于或等于预设的误差阈值。如果收敛误差小于或等于预设的误差阈值,则可以确定迭代完成,将该次迭代更新后的基础模型确定为语料模型。如果收敛误差大于预设的误差阈值,则可以继续迭代执行步骤402中的基础模型参数更新步骤。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成模型的方法的流程400将迭代停止条件设定为收敛误差小于或等于误差阈值。由此,本实施例描述的方案所生成的语料模型可以保证收敛误差较小,从而进一步提高了生成模型的可靠性。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于生成模型的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成模型的装置500包括:第一获取单元501、第二获取单元502、第一确定单元503。其中,第一获取单元,被配置成响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用通用语料对样本集合进行模型训练得到基础模型,其中,生成请求包括语料模型的类型;第二获取单元,被配置成获取领域语料对样本集合,迭代执行基础模型参数更新步骤,其中,基础模型参数更新步骤包括:分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本;依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型;第一确定单元,被配置成响应于确定出基础模型参数更新步骤迭代执行K次,将第K次迭代更新的基础模型确定为语料模型,其中,K为正整数。
本申请的上述实施例公开的用于生成模型的装置500,第一获取单元可以响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用通用语料对样本集合进行模型训练得到基础模型,而后第二获取单元可以获取领域语料对样本集合,迭代执行基础模型参数更新步骤,基础模型参数更新步骤可以包括:分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本;依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型,最后第一确定单元可以响应于确定出基础模型参数更新步骤迭代执行K次,将第K次迭代更新的基础模型确定为语料模型。本实施例公开的方案在语料模型训练的过程中,第二获取模块可以交替利用所获取的通用语料对样本和领域语料对样本训练更新基础模型的参数,从而实现了采用较少的领域语料对样本训练得到可靠性较好的语料模型。
在本实施例的一些可选的实现方式中,第一预设数目大于或等于第二预设数目。
在本实施例的一些可选的实现方式中,通用语料对样本包括第一通用语料和与第一通用语料对应的第二通用语料;领域语料对样本包括第一领域语料和与第一领域语料对应的第二领域语料;第二获取单元502进一步被配置成:将第一通用语料输入基础模型,基于基础模型的输出和第二通用语料,确定第一损失函数;通过反向传播算法计算第一损失函数的梯度,采用随机梯度下降法更新基础模型的模型参数得到第一模型参数;将第一领域语料输入模型参数更新为第一模型参数的基础模型,基于基础模型的输出和第二领域语料,确定第二损失函数;通过反向传播算法计算出第二损失函数的梯度,采用随机梯度下降法更新基础模型的第一模型参数得到第二模型参数,利用第二模型参数更新基础模型。
在本实施例的一些可选的实现方式中,第一通用语料为第一语种通用语料,第二通用语料为与第一语种通用语料对应的第二语种通用语料;第一领域语料为第一语种领域语料,第二领域语料为与第一语种领域语料对应的第二语种领域语料;语料模型为翻译模型,翻译模型用于输出与输入的第一语种语料对应的第二语种语料。
在本实施例的一些可选的实现方式中,领域语料对样本集合中的领域语料对样本的数量小于预设阈值。
在本实施例的一些可选的实现方式中,装置500还包括:计算单元,被配置成计算每次迭代后的基础模型的收敛误差;第二确定单元,被配置成响应于确定出收敛误差小于或等于误差阈值,将该次迭代更新后的基础模型确定为语料模型。
装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,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)600的结构示意图。图6示出的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6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,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6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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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:响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用通用语料对样本集合进行模型训练得到基础模型,其中,生成请求包括语料模型的类型;获取领域语料对样本集合,迭代执行基础模型参数更新步骤,其中,基础模型参数更新步骤包括:分别从获取通用语料对样本集合和领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本;依次利用所获取的通用语料对样本和领域语料对样本训练基础模型的模型参数,更新基础模型;响应于确定出基础模型参数更新步骤迭代执行K次,将第K次迭代更新的基础模型确定为语料模型,其中,K为正整数。
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:一种处理器包括第一获取单元、第二获取单元、第一确定单元。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,第一获取单元还可以被描述为“响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用通用语料对样本集合进行模型训练得到基础模型的单元”。
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,本公开的实施例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的实施例中公开的(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 (14)
1.一种用于生成模型的方法,包括:
响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用所述通用语料对样本集合进行模型训练得到基础模型,其中,所述生成请求包括所述语料模型的类型;
获取领域语料对样本集合,迭代执行所述基础模型参数更新步骤,其中,所述基础模型参数更新步骤包括:分别从所述获取通用语料对样本集合和所述领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本;依次利用所获取的通用语料对样本和领域语料对样本训练所述基础模型的模型参数,更新所述基础模型;
响应于确定出所述基础模型参数更新步骤迭代执行K次,将第K次迭代更新的基础模型确定为所述语料模型,其中,K为正整数。
2.根据权利要求1所述的方法,其中,所述第一预设数目大于或等于所述第二预设数目。
3.根据权利要求1所述的方法,其中,所述通用语料对样本包括第一通用语料和与所述第一通用语料对应的第二通用语料;
所述领域语料对样本包括第一领域语料和与所述第一领域语料对应的第二领域语料;
所述依次利用所获取的通用语料对样本和领域语料对样本训练所述基础模型的模型参数,更新所述基础模型,包括:
将所述第一通用语料输入所述基础模型,基于所述基础模型的输出和第二通用语料,确定第一损失函数;
通过反向传播算法计算所述第一损失函数的梯度,采用随机梯度下降法更新所述基础模型的模型参数得到第一模型参数;
将所述第一领域语料输入模型参数更新为所述第一模型参数的所述基础模型,基于所述基础模型的输出和第二领域语料,确定第二损失函数;
通过反向传播算法计算出所述第二损失函数的梯度,采用随机梯度下降法更新所述基础模型的第一模型参数得到第二模型参数,利用所述第二模型参数更新所述基础模型。
4.根据权利要求3所述的方法,其中,所述第一通用语料为第一语种通用语料,所述第二通用语料为与所述第一语种通用语料对应的第二语种通用语料;
所述第一领域语料为第一语种领域语料,所述第二领域语料为与所述第一语种领域语料对应的第二语种领域语料;
所述语料模型为翻译模型,所述翻译模型用于输出与输入的第一语种语料对应的第二语种语料。
5.根据权利要求1所述的方法,其中,所述领域语料对样本集合中的领域语料对样本的数量小于预设阈值。
6.根据权利要求1所述的方法,其中,在获取领域语料对样本集合,迭代执行所述基础模型参数更新步骤之后,所述方法还包括:
计算每次迭代后的基础模型的收敛误差;
响应于确定出所述收敛误差小于或等于误差阈值,将该次迭代更新后的基础模型确定为所述语料模型。
7.一种用于生成模型的装置,包括:
第一获取单元,被配置成响应于接收到语料模型的生成请求,获取通用语料对样本集合,并利用所述通用语料对样本集合进行模型训练得到基础模型,其中,所述生成请求包括所述语料模型的类型;
第二获取单元,被配置成获取领域语料对样本集合,迭代执行所述基础模型参数更新步骤,其中,所述基础模型参数更新步骤包括:分别从所述获取通用语料对样本集合和所述领域语料对样本集合获取第一预设数目的通用语料对样本和第二预设数目的领域语料对样本;依次利用所获取的通用语料对样本和领域语料对样本训练所述基础模型的模型参数,更新所述基础模型;
第一确定单元,被配置成响应于确定出所述基础模型参数更新步骤迭代执行K次,将第K次迭代更新的基础模型确定为所述语料模型,其中,K为正整数。
8.根据权利要求7所述的装置,其中,所述第一预设数目大于或等于所述第二预设数目。
9.根据权利要求7所述的装置,其中,所述通用语料对样本包括第一通用语料和与所述第一通用语料对应的第二通用语料;
所述领域语料对样本包括第一领域语料和与所述第一领域语料对应的第二领域语料;
所述第二获取单元进一步被配置成:
将所述第一通用语料输入所述基础模型,基于所述基础模型的输出和第二通用语料,确定第一损失函数;
通过反向传播算法计算所述第一损失函数的梯度,采用随机梯度下降法更新所述基础模型的模型参数得到第一模型参数;
将所述第一领域语料输入模型参数更新为所述第一模型参数的所述基础模型,基于所述基础模型的输出和第二领域语料,确定第二损失函数;
通过反向传播算法计算出所述第二损失函数的梯度,采用随机梯度下降法更新所述基础模型的第一模型参数得到第二模型参数,利用所述第二模型参数更新所述基础模型。
10.根据权利要求9所述的装置,其中,所述第一通用语料为第一语种通用语料,所述第二通用语料为与所述第一语种通用语料对应的第二语种通用语料;
所述第一领域语料为第一语种领域语料,所述第二领域语料为与所述第一语种领域语料对应的第二语种领域语料;
所述语料模型为翻译模型,所述翻译模型用于输出与输入的第一语种语料对应的第二语种语料。
11.根据权利要求7所述的装置,其中,所述领域语料对样本集合中的领域语料对样本的数量小于预设阈值。
12.根据权利要求7所述的装置,其中,所述装置还包括:
计算单元,被配置成计算每次迭代后的基础模型的收敛误差;
第二确定单元,被配置成响应于确定出所述收敛误差小于或等于误差阈值,将该次迭代更新后的基础模型确定为所述语料模型。
13.一种电子设备,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1-6中任一所述的方法。
14.一种计算机可读介质,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1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911325352.3A CN110991661A (zh) | 2019-12-20 | 2019-12-20 | 用于生成模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911325352.3A CN110991661A (zh) | 2019-12-20 | 2019-12-20 | 用于生成模型的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991661A true CN110991661A (zh) | 2020-04-10 |
Family
ID=70073468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911325352.3A Pending CN110991661A (zh) | 2019-12-20 | 2019-12-20 | 用于生成模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991661A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115725A (zh) * | 2020-07-23 | 2020-12-22 | 云知声智能科技股份有限公司 | 一种多领域机器翻译网络训练方法及系统 |
CN112992174A (zh) * | 2021-02-03 | 2021-06-18 | 深圳壹秘科技有限公司 | 一种语音分析方法及其语音记录装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070094169A1 (en) * | 2005-09-09 | 2007-04-26 | Kenji Yamada | Adapter for allowing both online and offline training of a text to text system |
CN103049436A (zh) * | 2011-10-12 | 2013-04-17 | 北京百度网讯科技有限公司 | 获取语料的方法及装置、生成翻译模型的方法及系统、机器翻译的方法及系统 |
CN104731774A (zh) * | 2013-12-24 | 2015-06-24 | 哈尔滨工业大学 | 面向通用机译引擎的个性化翻译方法及装置 |
US20180090128A1 (en) * | 2016-09-23 | 2018-03-29 | International Business Machines Corporation | Supervised training for word embedding |
CN109190134A (zh) * | 2018-11-21 | 2019-01-11 | 科大讯飞股份有限公司 | 一种文本翻译方法及装置 |
-
2019
- 2019-12-20 CN CN201911325352.3A patent/CN110991661A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070094169A1 (en) * | 2005-09-09 | 2007-04-26 | Kenji Yamada | Adapter for allowing both online and offline training of a text to text system |
CN103049436A (zh) * | 2011-10-12 | 2013-04-17 | 北京百度网讯科技有限公司 | 获取语料的方法及装置、生成翻译模型的方法及系统、机器翻译的方法及系统 |
CN104731774A (zh) * | 2013-12-24 | 2015-06-24 | 哈尔滨工业大学 | 面向通用机译引擎的个性化翻译方法及装置 |
US20180090128A1 (en) * | 2016-09-23 | 2018-03-29 | International Business Machines Corporation | Supervised training for word embedding |
CN109190134A (zh) * | 2018-11-21 | 2019-01-11 | 科大讯飞股份有限公司 | 一种文本翻译方法及装置 |
Non-Patent Citations (1)
Title |
---|
姚亮等: "基于翻译模型和语言模型相融合的双语句对选择方法", vol. 30, no. 05, pages 145 - 152 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115725A (zh) * | 2020-07-23 | 2020-12-22 | 云知声智能科技股份有限公司 | 一种多领域机器翻译网络训练方法及系统 |
CN112115725B (zh) * | 2020-07-23 | 2024-01-26 | 云知声智能科技股份有限公司 | 一种多领域机器翻译网络训练方法及系统 |
CN112992174A (zh) * | 2021-02-03 | 2021-06-18 | 深圳壹秘科技有限公司 | 一种语音分析方法及其语音记录装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858445B (zh) | 用于生成模型的方法和装置 | |
JP7208952B2 (ja) | 対話モデルを生成するための方法及び装置 | |
CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
CN108416310B (zh) | 用于生成信息的方法和装置 | |
CN112699991A (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
JP2021096813A (ja) | データ処理方法及び装置 | |
CN111260774B (zh) | 生成3d关节点回归模型的方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN110009059B (zh) | 用于生成模型的方法和装置 | |
CN111354345B (zh) | 生成语音模型和语音识别的方法、装置、设备以及介质 | |
CN111061956A (zh) | 用于生成信息的方法和装置 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN111368973A (zh) | 用于训练超网络的方法和装置 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
CN110991661A (zh) | 用于生成模型的方法和装置 | |
CN109977905B (zh) | 用于处理眼底图像的方法和装置 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN110503181B (zh) | 用于生成多层神经网络的方法和装置 | |
CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
CN111026849B (zh) | 数据处理方法和装置 | |
CN109840072B (zh) | 信息处理方法和装置 | |
CN110046670B (zh) | 特征向量降维方法和装置 | |
CN109598344B (zh) | 模型生成方法和装置 |
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 |