CN111061868B - 读法预测模型获取及读法预测方法、装置及存储介质 - Google Patents
读法预测模型获取及读法预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111061868B CN111061868B CN201911069834.7A CN201911069834A CN111061868B CN 111061868 B CN111061868 B CN 111061868B CN 201911069834 A CN201911069834 A CN 201911069834A CN 111061868 B CN111061868 B CN 111061868B
- Authority
- CN
- China
- Prior art keywords
- training
- language model
- sample set
- layer
- head attention
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 173
- 230000015654 memory Effects 0.000 claims description 23
- 230000008451 emotion Effects 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims 20
- 239000000758 substrate Substances 0.000 claims 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000002372 labelling Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication 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
- 230000006403 short-term memory Effects 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了读法预测模型获取及读法预测方法、装置及存储介质，涉及深度学习领域，其中的读法预测模型获取方法可包括：利用第一训练样本集训练得到语言模型，语言模型中至少包含两层多头注意力层；利用语言模型及分类器构成读法预测模型，并利用第二训练样本集训练读法预测模型，以便针对待预测的输入文本，预测出其中的预定类型字符的读法分类。应用本申请所述方案，可提升预测结果的准确性等。
Description
技术领域
本申请涉及计算机应用领域，特别涉及深度学习领域的读法预测模型获取及读法预测方法、装置及存储介质。
背景技术
在实际应用中，某些场景下需要对输入文本中的数字字符读法进行预测，如“打110报警电话”和“打110多个报警电话”，其中的“110”的读法明显是不同的。
传统方式中，多采用卷积神经网络(CNN，Convolutional Neural Network)或长短时记忆网络(LSTM，Long Short-Term Memory)等序列分类或标注模型来进行预测，但此类模型所能获取到的信息(如语义信息)有限，因此预测结果的准确性通常较低。
发明内容
有鉴于此，本申请提供了读法预测模型获取及读法预测方法、装置及存储介质。
一种读法预测模型获取方法，包括：
利用第一训练样本集训练得到语言模型，所述语言模型中至少包含两层多头注意力层；
利用所述语言模型及分类器构成读法预测模型，并利用第二训练样本集训练所述读法预测模型，以便针对待预测的输入文本，预测出其中的预定类型字符的读法分类。
根据本申请一优选实施例，所述利用第一训练样本集训练得到语言模型包括：所述语言模型以基于转换器的双向编码表示BERT为基础，采用字词混掩码训练方式。
根据本申请一优选实施例，所述语言模型中包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数；
其中，所述词向量层用于获取输入文本的词向量表示，输出给所述第一多头注意力层；每一层多头注意力层分别以下一层的输出作为输入；所述第N多头注意力层的输出包含所述输入文本中的每个字符在高维空间的向量表示。
根据本申请一优选实施例，所述预定类型字符包括：数字字符；
所述读法预测模型的输出包括：所述输入文本中的每组数字字符分别属于预定义的不同读法的概率。
根据本申请一优选实施例，所述第二训练样本集中的训练样本数小于所述第一训练样本集中的训练样本数。
一种读法预测方法，包括：
获取待预测的输入文本；
将所述输入文本输入预先训练得到的读法预测模型，得到预测出的所述输入文本中的预定类型字符的读法分类；其中，所述读法预测模型由语言模型和分类器构成，所述语言模型中至少包含两层多头注意力层。
根据本申请一优选实施例，所述语言模型以基于转换器的双向编码表示BERT为基础，采用字词混掩码训练方式训练得到。
根据本申请一优选实施例，所述语言模型中包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数；
其中，所述词向量层用于获取输入文本的词向量表示，输出给所述第一多头注意力层；每一层多头注意力层分别以下一层的输出作为输入；所述第N多头注意力层的输出包含所述输入文本中的每个字符在高维空间的向量表示。
根据本申请一优选实施例，所述预定类型字符包括：数字字符；
所述读法预测模型的输出包括：所述输入文本中的每组数字字符分别属于预定义的不同读法的概率。
根据本申请一优选实施例，所述语言模型利用第一训练样本集训练得到，所述读法预测模型在所述语言模型训练完成后利用第二训练样本集训练得到，所述第二训练样本集中的训练样本数小于所述第一训练样本集中的训练样本数。
一种读法预测模型获取装置，包括：第一训练单元以及第二训练单元；
所述第一训练单元，用于利用第一训练样本集训练得到语言模型，所述语言模型中至少包含两层多头注意力层；
所述第二训练单元，用于利用所述语言模型及分类器构成读法预测模型，并利用第二训练样本集训练所述读法预测模型，以便针对待预测的输入文本，预测出其中的预定类型字符的读法分类。
根据本申请一优选实施例，所述语言模型以基于转换器的双向编码表示BERT为基础，采用字词混掩码训练方式。
根据本申请一优选实施例，所述语言模型中包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数；
其中，所述词向量层用于获取输入文本的词向量表示，输出给所述第一多头注意力层；每一层多头注意力层分别以下一层的输出作为输入；所述第N多头注意力层的输出包含所述输入文本中的每个字符在高维空间的向量表示。
根据本申请一优选实施例，所述预定类型字符包括：数字字符；
所述读法预测模型的输出包括：所述输入文本中的每组数字字符分别属于预定义的不同读法的概率。
根据本申请一优选实施例，所述第二训练样本集中的训练样本数小于所述第一训练样本集中的训练样本数。
一种读法预测装置，包括：获取单元以及预测单元；
所述获取单元，用于获取待预测的输入文本；
所述预测单元，用于将所述输入文本输入预先训练得到的读法预测模型，得到预测出的所述输入文本中的预定类型字符的读法分类；其中，所述读法预测模型由语言模型和分类器构成，所述语言模型中至少包含两层多头注意力层。
根据本申请一优选实施例，所述语言模型以基于转换器的双向编码表示BERT为基础，采用字词混掩码训练方式训练得到。
根据本申请一优选实施例，所述语言模型中包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数；
其中，所述词向量层用于获取输入文本的词向量表示，输出给所述第一多头注意力层；每一层多头注意力层分别以下一层的输出作为输入；所述第N多头注意力层的输出包含所述输入文本中的每个字符在高维空间的向量表示。
根据本申请一优选实施例，所述预定类型字符包括：数字字符；
所述读法预测模型的输出包括：所述输入文本中的每组数字字符分别属于预定义的不同读法的概率。
根据本申请一优选实施例，所述语言模型利用第一训练样本集训练得到，所述读法预测模型在所述语言模型训练完成后利用第二训练样本集训练得到，所述第二训练样本集中的训练样本数小于所述第一训练样本集中的训练样本数。
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如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：读法预测模型可由语言模型和分类器构成，语言模型可采用多层多头注意力层结构，从而能够提炼出更多的关键信息，进而可为分类器提供更为丰富的分类参考依据，从而提升了预测结果的准确性等；而且，可先利用第一训练样本集训练得到语言模型，之后可利用第二训练样本集训练得到读法预测模型，第二训练样本集中的训练样本数可远小于第一训练样本集中的训练样本数，第一训练样本集中的训练样本无需标注，从而极大了节省了标注成本等；上述可选方式所具有的其它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为本申请所述读法预测模型获取方法实施例的流程图；
图2为本申请所述语言模型的结构示意图；
图3为本申请所述分类器的结构示意图；
图4为本申请所述读法预测方法实施例的流程图；
图5为本申请所述读法预测模型获取装置500实施例的组成结构示意图；
图6为本申请所述读法预测装置600实施例的组成结构示意图；
图7为根据本申请实施例所述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。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
针对现有技术中存在的问题，本申请中提出了一种读法预测方法，可对输入文本中的预定类型字符的读法进行准确预测，该方法的实现需要依赖于预先获取的读法预测模型，以下即对读法预测模型的获取方法进行说明。
图1为本申请所述读法预测模型获取方法实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，利用第一训练样本集训练得到语言模型，语言模型中至少包含两层多头注意力(Multi-head Attention)层。
在102中，利用语言模型及分类器构成读法预测模型，并利用第二训练样本集训练读法预测模型，以便针对待预测的输入文本，预测出其中的预定类型字符的读法分类。
本实施例中，可首先利用大规模语料库和深度神经网络预训练出一个语言模型，所述大规模语料库即为上述第一训练样本集，其中可包含上亿条中英文文本语料，每条语料可分别作为一个训练样本。
优选地，语言模型可以基于转换器的双向编码表示(BERT，BidirectionalEncoder Representations from Transformers)为基础，采用字词混掩码训练方式。
语言模型中可包含依次叠加的词向量层(Embedding Layer)以及第一多头注意力层(Multi-head Attention Layer)～第N多头注意力层，N为大于一的正整数，具体取值可根据实际需要而定。
图2为本申请所述语言模型的结构示意图。如图2所示，词向量层用于获取输入文本的词向量表示，输出给第一多头注意力层，每一层多头注意力层分别以下一层的输出作为输入，即每一层多头注意力层分别使用之前一层提炼出的信息作为输入，具体地，第一多头注意力层以词向量层的输出作为输入，第二多头注意力层以第一多头注意力层的输出作为输入，第N多头注意力层以第N-1多头注意力层的输出作为输入，其中，每个头分别学习到从不同角度诠释文本的信息，经过多层多头注意力层的处理后，最终可由第N多头注意力层输出最终结果，其中可包含输入文本中的每个字符在高维空间的向量表示。
比如，输入文本(如一个句子)中共包含10个字符，每个字符均可用一个128维的向量来表示，那么第N多头注意力层则可输出一个10*M的向量。每个字符的向量表示可分别包含但不限于该字符本身的特征、在句中的作用、与其它字符的关系、所在上下文的含义以及所蕴含的情感等语义信息。
第一训练样本集中可尽可能地覆盖各种语言现象，从而可使得训练出的语言模型具有很强的通用表征能力，可适用于各种输入文本。
利用第一训练样本集对语言模型训练完成之后，可以得到的语言模型为基础，在其上添加分类器，从而构成读法预测模型。
图3为本申请所述分类器的结构示意图。如图3所示，其中可包含两个稠密层(Dense Layer，即全连接层)和一个输出层(Output Layer)，另外还可包含一个双向长短时记忆网络层(BiLSTM Layer)，BiLSTM为Bi-directional Long Short-Term Memory的缩写。图3所示分类器的结构仅为举例说明，并不用于限制本申请的技术方案。
可利用第二训练样本集训练读法预测模型。第二训练样本集中的训练样本数可小于第一训练样本集中的训练样本数。通常，第二训练样本集中的训练样本数远小于第一训练样本集中的训练样本数，比如，第一训练样本集中可包含上亿条训练样本，而第二训练样本集中可包含几十万条甚至更少的训练样本。
优选地，预定类型字符可为数字字符，相应地，读法预测模型的输出可包括：输入文本中的每组数字字符分别属于预定义的不同读法的概率。
第二训练样本集中的训练样本可为进行标注(如人工标注)后的文本语料，如对其中的数字字符的读法分类进行了标注。
通过利用第二训练样本集对读法预测模型进行训练，可在语言模型提炼出的多层次语义信息之上，融合分类所需的相关领域知识，从而实现基于语义的读法分类任务。
比如，输入文本为“110和120分别为报警电话和急救电话”，其中的“110”和“120”分别为一组数字字符，假设预定义了两种不同读法，那么读法预测模型的输出可包括：“110”属于第一读法的概率及属于第二读法的概率，以及“120”属于第一读法的概率及属于第二读法的概率等。以“110”为例，若属于第一读法的概率较高，那么则可认为“110”应该采用第一读法。
具体包含哪些读法可根据实际需要而定，如可包括电报读法、序数词读法等。
完成读法预测模型的训练之后，即可将其应用到实际的预测工作中。
图4为本申请所述读法预测方法实施例的流程图。如图4所示，包括以下具体实现方式。
在401中，获取待预测的输入文本。
在402中，将输入文本输入预先训练得到的读法预测模型，得到预测出的输入文本中的预定类型字符的读法分类；其中，读法预测模型由语言模型和分类器构成，语言模型中至少包含两层多头注意力层。
优选地，语言模型可以BERT为基础，采用字词混掩码训练方式训练得到。另外，语言模型中可包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数。其中，词向量层用于获取输入文本的词向量表示，输出给第一多头注意力层，每一层多头注意力层分别以下一层的输出作为输入，第N多头注意力层的输出包含输入文本中的每个字符在高维空间的向量表示。
可先利用第一训练样本集训练得到语言模型，之后可以得到的语言模型为基础，在其上添加分类器，从而构成读法预测模型，并可利用第二训练样本集训练读法预测模型。第二训练样本集中的训练样本数可小于第一训练样本集中的训练样本数。
优选地，所述预定类型字符可为数字字符，相应地，读法预测模型的输出可包括：输入文本中的每组数字字符分别属于预定义的不同读法的概率。
比如，输入文本为“110和120分别为报警电话和急救电话”，其中的“110”和“120”分别为一组数字字符，假设预定义了两种不同读法，那么读法预测模型的输出可包括：“110”属于第一读法的概率及属于第二读法的概率，以及“120”属于第一读法的概率及属于第二读法的概率等。以“110”为例，若属于第一读法的概率较高，那么则可认为“110”应该采用第一读法。
具体包含哪些读法可根据实际需要而定，比如可包括电报读法、序数词读法等。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
总之，采用本申请方法实施例所述方案，读法预测模型可由语言模型和分类器构成，语言模型可采用多层多头注意力层结构，从而能够提炼出更多的关键信息，进而可为分类器提供更为丰富的分类参考依据，从而提升了预测结果的准确性等；而且，可先利用第一训练样本集训练得到语言模型，之后可利用第二训练样本集训练得到读法预测模型，第二训练样本集中的训练样本数可远小于第一训练样本集中的训练样本数，第一训练样本集中的训练样本无需标注，从而极大了节省了标注成本等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图5为本申请所述读法预测模型获取装置500实施例的组成结构示意图。如图5所示，包括：第一训练单元501以及第二训练单元502。
第一训练单元501，用于利用第一训练样本集训练得到语言模型，语言模型中至少包含两层多头注意力层。
第二训练单元502，用于利用语言模型及分类器构成读法预测模型，并利用第二训练样本集训练读法预测模型，以便针对待预测的输入文本，预测出其中的预定类型字符的读法分类。
本实施例中，可首先由第一训练单元501利用大规模语料库和深度神经网络预训练出一个语言模型，所述大规模语料库即为上述第一训练样本集，其中可包含上亿条中英文文本语料，每条语料可分别作为一个训练样本。
优选地，语言模型可以BERT为基础，采用字词混掩码训练方式。另外，语言模型中可包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数。其中，词向量层用于获取输入文本的词向量表示，输出给第一多头注意力层；每一层多头注意力层分别以下一层的输出作为输入；第N多头注意力层的输出包含输入文本中的每个字符在高维空间的向量表示。
利用第一训练样本集对语言模型训练完成之后，可以得到的语言模型为基础，在其上添加分类器，从而构成读法预测模型。
第二训练单元502可利用第二训练样本集训练读法预测模型。第二训练样本集中的训练样本数可小于第一训练样本集中的训练样本数，通常，第二训练样本集中的训练样本数远小于第一训练样本集中的训练样本数。
优选地，预定类型字符可为数字字符，相应地，读法预测模型的输出可包括：输入文本中的每组数字字符分别属于预定义的不同读法的概率。第二训练样本集中的训练样本可为进行标注(如人工标注)后的文本语料，如对其中的数字字符的读法分类进行了标注。
图6为本申请所述读法预测装置600实施例的组成结构示意图。如图6所示，包括：获取单元601以及预测单元602。
获取单元601，用于获取待预测的输入文本。
预测单元602，用于将输入文本输入预先训练得到的读法预测模型，得到预测出的输入文本中的预定类型字符的读法分类；其中，读法预测模型由语言模型和分类器构成，语言模型中至少包含两层多头注意力层。
优选地，语言模型可以BERT为基础，采用字词混掩码训练方式训练得到。另外，语言模型中可包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数。其中，词向量层用于获取输入文本的词向量表示，输出给第一多头注意力层，每一层多头注意力层分别以下一层的输出作为输入，第N多头注意力层的输出包含输入文本中的每个字符在高维空间的向量表示。
可先利用第一训练样本集训练得到语言模型，之后可以得到的语言模型为基础，在其上添加分类器，从而构成读法预测模型，并可利用第二训练样本集训练读法预测模型。第二训练样本集中的训练样本数可小于第一训练样本集中的训练样本数。
优选地，所述预定类型字符可为数字字符，相应地，读法预测模型的输出可包括：输入文本中的每组数字字符分别属于预定义的不同读法的概率。
图5和图6所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，读法预测模型可由语言模型和分类器构成，语言模型可采用多层多头注意力层结构，从而能够提炼出更多的关键信息，进而可为分类器提供更为丰富的分类参考依据，从而提升了预测结果的准确性等；而且，可先利用第一训练样本集训练得到语言模型，之后可利用第二训练样本集训练得到读法预测模型，第二训练样本集中的训练样本数可远小于第一训练样本集中的训练样本数，第一训练样本集中的训练样本无需标注，从而极大了节省了标注成本等。
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7所示，是根据本申请实施例所述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7所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，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)上显示图形用户界面的图形信息的指令。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7中以一个处理器Y01为例。
存储器Y02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方法。
存储器Y02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方法对应的程序指令/模块(例如，附图X所示的xx模块X01、xx模块x02和xx模块x03)。处理器Y01通过运行存储在存储器Y02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方法。
存储器Y02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电子设备的使用所创建的数据等。此外，存储器Y02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Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与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Y04可以包括显示设备、辅助照明装置和触觉反馈装置(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、发光二极管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)，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，阴极射线管或者液晶显示器监视器)；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、广域网和互联网。
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。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (18)
1.一种读法预测模型获取方法，其特征在于，包括：
利用第一训练样本集训练得到语言模型，所述语言模型中至少包含两层多头注意力层，所述语言模型中包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数，其中，所述词向量层用于获取输入文本的词向量表示，输出给所述第一多头注意力层，每一层多头注意力层分别以下一层的输出作为输入，每个头分别学习到从不同角度诠释文本的信息，所述第N多头注意力层的输出包含所述输入文本中的每个字符在高维空间的向量表示，每个字符的向量表示分别包括以下语义信息：所述字符本身的特征、在句中的作用、与其它字符的关系、所在上下文的含义以及所蕴含的情感；
利用所述语言模型及分类器构成读法预测模型，并利用第二训练样本集训练所述读法预测模型，以便针对待预测的输入文本，预测出其中的预定类型字符的读法分类，其中，所述预定类型字符包括：数字字符，所述读法分类包括：电报读法和序数词读法。
2.根据权利要求1所述的方法，其特征在于，
所述利用第一训练样本集训练得到语言模型包括：所述语言模型以基于转换器的双向编码表示BERT为基础，采用字词混掩码训练方式。
3.根据权利要求1所述的方法，其特征在于，
所述读法预测模型的输出包括：所述输入文本中的每组数字字符分别属于预定义的不同读法的概率。
4.根据权利要求1所述的方法，其特征在于，
所述第二训练样本集中的训练样本数小于所述第一训练样本集中的训练样本数。
5.一种读法预测方法，其特征在于，包括：
获取待预测的输入文本；
将所述输入文本输入预先训练得到的读法预测模型，得到预测出的所述输入文本中的预定类型字符的读法分类，所述预定类型字符包括：数字字符，所述读法分类包括：电报读法和序数词读法；其中，所述读法预测模型由语言模型和分类器构成，所述语言模型中至少包含两层多头注意力层，所述语言模型中包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数，所述词向量层用于获取所述输入文本的词向量表示，输出给所述第一多头注意力层，每一层多头注意力层分别以下一层的输出作为输入，每个头分别学习到从不同角度诠释文本的信息，所述第N多头注意力层的输出包含所述输入文本中的每个字符在高维空间的向量表示，每个字符的向量表示分别包括以下语义信息：所述字符本身的特征、在句中的作用、与其它字符的关系、所在上下文的含义以及所蕴含的情感。
6.根据权利要求5所述的方法，其特征在于，
所述语言模型以基于转换器的双向编码表示BERT为基础，采用字词混掩码训练方式训练得到。
7.根据权利要求5所述的方法，其特征在于，
所述读法预测模型的输出包括：所述输入文本中的每组数字字符分别属于预定义的不同读法的概率。
8.根据权利要求5所述的方法，其特征在于，
所述语言模型利用第一训练样本集训练得到，所述读法预测模型在所述语言模型训练完成后利用第二训练样本集训练得到，所述第二训练样本集中的训练样本数小于所述第一训练样本集中的训练样本数。
9.一种读法预测模型获取装置，其特征在于，包括：第一训练单元以及第二训练单元；
所述第一训练单元，用于利用第一训练样本集训练得到语言模型，所述语言模型中至少包含两层多头注意力层，所述语言模型中包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数，其中，所述词向量层用于获取输入文本的词向量表示，输出给所述第一多头注意力层，每一层多头注意力层分别以下一层的输出作为输入，每个头分别学习到从不同角度诠释文本的信息，所述第N多头注意力层的输出包含所述输入文本中的每个字符在高维空间的向量表示，每个字符的向量表示分别包括以下语义信息：所述字符本身的特征、在句中的作用、与其它字符的关系、所在上下文的含义以及所蕴含的情感；
所述第二训练单元，用于利用所述语言模型及分类器构成读法预测模型，并利用第二训练样本集训练所述读法预测模型，以便针对待预测的输入文本，预测出其中的预定类型字符的读法分类，其中，所述预定类型字符包括：数字字符，所述读法分类包括：电报读法和序数词读法。
10.根据权利要求9所述的装置，其特征在于，
所述语言模型以基于转换器的双向编码表示BERT为基础，采用字词混掩码训练方式。
11.根据权利要求9所述的装置，其特征在于，
所述读法预测模型的输出包括：所述输入文本中的每组数字字符分别属于预定义的不同读法的概率。
12.根据权利要求9所述的装置，其特征在于，
所述第二训练样本集中的训练样本数小于所述第一训练样本集中的训练样本数。
13.一种读法预测装置，其特征在于，包括：获取单元以及预测单元；
所述获取单元，用于获取待预测的输入文本；
所述预测单元，用于将所述输入文本输入预先训练得到的读法预测模型，得到预测出的所述输入文本中的预定类型字符的读法分类，所述预定类型字符包括：数字字符，所述读法分类包括：电报读法和序数词读法；其中，所述读法预测模型由语言模型和分类器构成，所述语言模型中至少包含两层多头注意力层，所述语言模型中包含依次叠加的词向量层以及第一多头注意力层～第N多头注意力层，N为大于一的正整数，所述词向量层用于获取输入文本的词向量表示，输出给所述第一多头注意力层，每一层多头注意力层分别以下一层的输出作为输入，每个头分别学习到从不同角度诠释文本的信息，所述第N多头注意力层的输出包含所述输入文本中的每个字符在高维空间的向量表示，每个字符的向量表示分别包括以下语义信息：所述字符本身的特征、在句中的作用、与其它字符的关系、所在上下文的含义以及所蕴含的情感。
14.根据权利要求13所述的装置，其特征在于，
所述语言模型以基于转换器的双向编码表示BERT为基础，采用字词混掩码训练方式训练得到。
15.根据权利要求13所述的装置，其特征在于，
所述读法预测模型的输出包括：所述输入文本中的每组数字字符分别属于预定义的不同读法的概率。
16.根据权利要求13所述的装置，其特征在于，
所述语言模型利用第一训练样本集训练得到，所述读法预测模型在所述语言模型训练完成后利用第二训练样本集训练得到，所述第二训练样本集中的训练样本数小于所述第一训练样本集中的训练样本数。
17.一种电子设备，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1-8中任一项所述的方法。
18.一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1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911069834.7A CN111061868B (zh) | 2019-11-05 | 2019-11-05 | 读法预测模型获取及读法预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911069834.7A CN111061868B (zh) | 2019-11-05 | 2019-11-05 | 读法预测模型获取及读法预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111061868A CN111061868A (zh) | 2020-04-24 |
| CN111061868B true CN111061868B (zh) | 2023-05-23 |
Family
ID=70297720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911069834.7A Active CN111061868B (zh) | 2019-11-05 | 2019-11-05 | 读法预测模型获取及读法预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111061868B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111625649A (zh) * | 2020-05-28 | 2020-09-04 | 北京字节跳动网络技术有限公司 | 文本处理方法、装置、电子设备及介质 |
| CN111710008B (zh) * | 2020-05-29 | 2023-07-11 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
| CN111737994B (zh) * | 2020-05-29 | 2024-01-26 | 北京百度网讯科技有限公司 | 基于语言模型获取词向量的方法、装置、设备及存储介质 |
| CN111737996B (zh) * | 2020-05-29 | 2024-03-26 | 北京百度网讯科技有限公司 | 基于语言模型获取词向量的方法、装置、设备及存储介质 |
| CN111832613B (zh) * | 2020-06-03 | 2022-03-15 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和存储介质 |
| CN111666414B (zh) * | 2020-06-12 | 2023-10-17 | 上海观安信息技术股份有限公司 | 一种敏感数据检测云服务的方法和云服务平台 |
| CN111881669B (zh) * | 2020-06-24 | 2023-06-09 | 百度在线网络技术（北京）有限公司 | 同义文本获取方法、装置、电子设备及存储介质 |
| CN111784303B (zh) * | 2020-07-06 | 2023-08-22 | 泰康保险集团股份有限公司 | 核保信息处理方法、装置、计算机存储介质及电子设备 |
| CN111814468B (zh) * | 2020-07-09 | 2021-02-26 | 前海企保科技（深圳）有限公司 | 一种自适应架构语义分布文本理解方法及系统 |
| CN112883221B (zh) * | 2020-12-11 | 2024-03-08 | 广州橙行智动汽车科技有限公司 | 一种语义信息纠正方法、装置和智能座舱 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492227A (zh) * | 2018-11-16 | 2019-03-19 | 大连理工大学 | 一种基于多头注意力机制和动态迭代的机器阅读理解方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107464559B (zh) * | 2017-07-11 | 2020-12-15 | 中国科学院自动化研究所 | 基于汉语韵律结构和重音的联合预测模型构建方法及系统 |
| US20190205761A1 (en) * | 2017-12-28 | 2019-07-04 | Adeptmind Inc. | System and method for dynamic online search result generation |
| US11238843B2 (en) * | 2018-02-09 | 2022-02-01 | Baidu Usa Llc | Systems and methods for neural voice cloning with a few samples |
| CN108563640A (zh) * | 2018-04-24 | 2018-09-21 | 中译语通科技股份有限公司 | 一种多语言对的神经网络机器翻译方法及系统 |
| CN109344413B (zh) * | 2018-10-16 | 2022-05-20 | 北京百度网讯科技有限公司 | 翻译处理方法、装置、计算机设备和计算机可读存储介质 |
| CN110334210A (zh) * | 2019-05-30 | 2019-10-15 | 哈尔滨理工大学 | 一种基于bert与lstm、cnn融合的中文情感分析方法 |
| CN110188360B (zh) * | 2019-06-06 | 2023-04-25 | 北京百度网讯科技有限公司 | 模型训练方法和装置 |
| CN110277085B (zh) * | 2019-06-25 | 2021-08-24 | 腾讯科技（深圳）有限公司 | 确定多音字发音的方法及装置 |
-
2019
- 2019-11-05 CN CN201911069834.7A patent/CN111061868B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492227A (zh) * | 2018-11-16 | 2019-03-19 | 大连理工大学 | 一种基于多头注意力机制和动态迭代的机器阅读理解方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111061868A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111061868B (zh) | 读法预测模型获取及读法预测方法、装置及存储介质 | |
| 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 | |
| CN111104514B (zh) | 文档标签模型的训练方法及装置 | |
| JP7179123B2 (ja) | 言語モデルの訓練方法、装置、電子デバイス及び可読記憶媒体 | |
| CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
| CN112507101B (zh) | 一种建立预训练语言模型的方法和装置 | |
| US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
| CN110807331B (zh) | 一种多音字读音预测方法、装置和电子设备 | |
| CN111079945B (zh) | 端到端模型的训练方法及装置 | |
| JP2021108098A (ja) | レビュー情報の処理方法、装置、コンピュータ機器及び媒体 | |
| CN111539209B (zh) | 用于实体分类的方法和装置 | |
| CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| US11216615B2 (en) | Method, device and storage medium for predicting punctuation in text | |
| CN111738015B (zh) | 文章情感极性分析方法、装置、电子设备及存储介质 | |
| CN112541342B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
| JP7262519B2 (ja) | 質問の答えの決定方法、装置、機器及び記憶媒体 | |
| EP3855341A1 (en) | Language generation method and apparatus, electronic device and storage medium | |
| JP2021152957A (ja) | 対話感情スタイル予測方法、装置、電子機器、記憶媒体及びプログラム | |
| CN111611808B (zh) | 用于生成自然语言模型的方法和装置 | |
| CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
| CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
| CN111651988B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN110516127B (zh) | 多需求搜索请求的划分方法、装置、电子设备及存储介质 | |
| CN111859981B (zh) | 语言模型获取及中文语义理解方法、装置及存储介质 |
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 |