CN111144115A - 预训练语言模型获取方法、装置、电子设备和存储介质 - Google Patents
预训练语言模型获取方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111144115A CN111144115A CN201911342666.4A CN201911342666A CN111144115A CN 111144115 A CN111144115 A CN 111144115A CN 201911342666 A CN201911342666 A CN 201911342666A CN 111144115 A CN111144115 A CN 111144115A
- Authority
- CN
- China
- Prior art keywords
- training
- sentence
- entity
- language model
- character
- 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.)
- Granted
Links
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
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了预训练语言模型获取方法、装置、电子设备和存储介质,涉及自然语言处理技术领域。具体实现方案为:获取第一训练语句,并确定第一训练语句的实际实体链接关系,以及将第一训练语句输入到预训练语言模型中,通过预训练语言模型中的transformer结构,得到第一训练语句中每个字符的向量表示,根据每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系,并根据实际实体链接关系和预测实体链接关系之间的差异,调整预训练语言模型的模型参数,由此,结合训练预料中的实体确定出实体链接关系,使得训练好的预训练语言模型更好的获取实体知识信息,避免引入知识图谱导致预训练语言模型出现知识偏移现象的发生。
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技术领域,尤其涉及预训练语言模型获取方法、装置、电子设备和存储介质。
背景技术
相关技术中,在得到预训练语言模型的过程中,为了使得预训练语言模型可以具有常识性知识和领域知识,通常直接结合知识图谱中的实体知识对预训练语言模型进行训练,然而,知识图谱的更新往往较慢,其中包含了过时的实体知识,这些过时的实体知识引入预训练语言模型中是十分有害的,容易出现知识偏移的现象发生。因此,如何简单有效地将实体知识引入预训练语言模型中是目前亟需解决的技术问题。
发明内容
本申请提出一种预训练语言模型获取方法、装置、电子设备和存储介质,直接结合训练预料中的实体确定出实体链接关系,并结合实体链接关系对预训练语言模型进行训练,可以使得训练好的预训练语言模型更好的获取实体知识信息,避免了直接引入知识图谱从而导致预训练语言模型可能出现知识偏移现象的发生。
本申请第一方面实施例提出了一种预训练语言模型获取方法,包括:获取预训练语言模型和实体关系训练任务,所述预训练语言模型包括transformer结构;根据所述实体关系训练任务,对所述预训练语言模型进行训练,以得到训练后的预训练语言模型;其中,所述实体关系训练任务,包括:获取第一训练语句;通过实体识别技术,确定出所述第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系;将所述第一训练语句输入到所述预训练语言模型中,通过所述transformer结构,得到所述第一训练语句中每个字符的向量表示;根据所述第一训练语句中每个字符的向量表示,预测得到所述第一训练语句中实体的预测实体链接关系;根据所述实际实体链接关系和所述预测实体链接关系之间的差异,调整所述预训练语言模型的模型参数。
在本申请的一个实施例中,所述根据所述第一训练语句中每个字符的向量表示,预测得到所述第一训练语句中实体的预测实体链接关系,包括:将所述第一训练语句中每个字符的向量表示输入到预设的图神经网络模型中,以预测得到所述第一训练语句中实体的预测实体链接关系,其中,所述图神经网络模型包括多个实体节点,具有实体关系的两个实体节点之间具有关联边。
在本申请的一个实施例中,所述方法还包括:采用双语言训练任务,对所述预训练语言模型进行训练;其中,所述第一训练语句中的预设字符被遮盖或替换,所述双语言训练任务,包括:根据所述第一训练语句中每个字符的向量表示,预测得到被遮盖或者替换的预测字符;根据所述预设字符和所述预测字符之间的差异,调整所述预训练语言模型的模型参数。
在本申请的一个实施例中,所述方法还包括:采用句对关系训练任务,对所述预训练语言模型进行训练。其中,所述第一训练语句包括多个,多个所述第一训练语句的实际句对关系包括正例关系和反例关系,所述正例关系,用于指示多个所述第一训练语句为来自同一个文档的连续连语句,所述反例关系,用于指示多个所述第一训练语句为来自不同文档的语句;所述句对关系训练任务,包括:根据各个所述第一训练语句中每个字符的向量表示,分别确定出各个所述第一训练语句的语句向量表示;根据各个所述第一训练语句的语句向量表示,预测多个所述第一训练语句的预测句对关系;根据所述实际句对关系和所述预测句对关系,调整所述预训练语言模型的模型参数。
在本申请的一个实施例中,所述建立实体与实体之间的实际实体链接关系,包括:根据预设的实体链接关系建立规则和所述第一训练语句中的实体识别结果,建立实体与实体之间的实际实体链接关系;其中,所述第一训练语句包括多个,所述实体链接关系建立规则,包括:同一个所述第一训练语句中的各个实体之间具有连接边;同一个所述第一训练语句中的中心实体与其他实体之间具有连接边,其中,所述中心实体,用于指示所述第一训练语句所属页面的词条词;不同所述第一训练语句中的相同实体之间建立连接边;不同实体之间只有一条连接边。
在本申请的一个实施例中,所述方法还包括:获取与预设的自然语言处理任务类型对应的训练数据,其中,所述训练数据包括第二训练语句以及所述第二训练语句的标注结果;根据所述第二训练语句和所述标注结果,对训练后的所述预训练语言模型进行调整,以得到与所述自然语言处理任务类型对应的目标语言模型。
本申请实施例的预训练语言模型获取方法,在获取预训练语言模型的过程中,获取第一训练语句,并通过实体识别技术,确定出第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系,以及将第一训练语句输入到预训练语言模型中,通过预训练语言模型中的transformer结构,得到第一训练语句中每个字符的向量表示,然后,根据第一训练语句中每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系,并根据实际实体链接关系和预测实体链接关系之间的差异,调整预训练语言模型的模型参数,从而直接结合训练预料中的实体确定出实体链接关系,并结合实体链接关系对预训练语言模型进行训练,可以使得训练好的预训练语言模型更好的获取实体知识信息,避免了直接引入知识图谱从而导致预训练语言模型可能出现知识偏移现象的发生。
本申请第二方面实施例提出了一种预训练语言模型获取装置,其特征在于,包括:第一获取模块,用于获取预训练语言模型和实体关系训练任务,所述预训练语言模型包括transformer结构;第一训练模块,用于根据所述实体关系训练任务,对所述预训练语言模型进行训练,以得到训练后的预训练语言模型;其中,所述实体关系训练任务,包括:获取第一训练语句;通过实体识别技术,确定出所述第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系;将所述第一训练语句输入到所述预训练语言模型中,通过所述transformer结构,得到所述第一训练语句中每个字符的向量表示;根据所述第一训练语句中每个字符的向量表示,预测得到所述第一训练语句中实体的预测实体链接关系;根据所述实际实体链接关系和所述预测实体链接关系之间的差异,调整所述预训练语言模型的模型参数。
在本申请的一个实施例中,所述根据所述第一训练语句中每个字符的向量表示,预测得到所述第一训练语句中实体的预测实体链接关系,包括:将所述第一训练语句中每个字符的向量表示输入到预设的图神经网络模型中,以预测得到所述第一训练语句中实体的预测实体链接关系,其中,所述图神经网络模型包括多个实体节点,具有实体关系的两个实体节点之间具有关联边。
在本申请的一个实施例中,所述第一训练模块,还用于:采用双语言训练任务,对所述预训练语言模型进行训练;其中,所述第一训练语句中的预设字符被遮盖或替换,所述双语言训练任务,包括:根据所述第一训练语句中每个字符的向量表示,预测得到被遮盖或者替换的预测字符;根据所述预设字符和所述预测字符之间的差异,调整所述预训练语言模型的模型参数。
在本申请的一个实施例中,所述第一训练模块,还用于:采用句对关系训练任务,对所述预训练语言模型进行训练。其中,所述第一训练语句包括多个,多个所述第一训练语句的实际句对关系包括正例关系和反例关系,所述正例关系,用于指示多个所述第一训练语句为来自同一个文档的连续连语句,所述反例关系,用于指示多个所述第一训练语句为来自不同文档的语句;所述句对关系训练任务,包括:根据各个所述第一训练语句中每个字符的向量表示,分别确定出各个所述第一训练语句的语句向量表示;根据各个所述第一训练语句的语句向量表示,预测多个所述第一训练语句的预测句对关系;根据所述实际句对关系和所述预测句对关系,调整所述预训练语言模型的模型参数。
在本申请的一个实施例中,所述建立实体与实体之间的实际实体链接关系,包括:根据预设的实体链接关系建立规则和所述第一训练语句中的实体识别结果,建立实体与实体之间的实际实体链接关系;其中,所述第一训练语句包括多个,所述实体链接关系建立规则,包括:同一个所述第一训练语句中的各个实体之间具有连接边;同一个所述第一训练语句中的中心实体与其他实体之间具有连接边,其中,所述中心实体,用于指示所述第一训练语句所属页面的词条词;不同所述第一训练语句中的相同实体之间建立连接边;不同实体之间只有一条连接边。
在本申请的一个实施例中,所述装置还包括:第二获取模块,用于获取与预设的自然语言处理任务类型对应的训练数据,其中,所述训练数据包括第二训练语句以及所述第二训练语句的标注结果;第二训练模块,用于根据所述第二训练语句和所述标注结果,对训练后的预训练语言模型进行调整,以得到与所述自然语言处理任务类型对应的目标语言模型。
本申请实施例的预训练语言模型获取装置,在获取预训练语言模型的过程中,获取第一训练语句,并通过实体识别技术,确定出第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系,以及将第一训练语句输入到预训练语言模型中,通过预训练语言模型中的transformer结构,得到第一训练语句中每个字符的向量表示,然后,根据第一训练语句中每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系,并根据实际实体链接关系和预测实体链接关系之间的差异,调整预训练语言模型的模型参数,从而直接结合训练预料中的实体确定出实体链接关系,并结合实体链接关系对预训练语言模型进行训练,可以使得训练好的预训练语言模型更好的获取实体知识信息,避免了直接引入知识图谱从而导致预训练语言模型可能出现知识偏移现象的发生。
本申请第三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本申请实施例的预训练语言模型获取方法。
本申请第四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,所述计算机指令用于使所述计算机执行本申请实施例公开的预训练语言模型获取方法。
上述申请中的一个实施例具有如下优点或有益效果:直接结合训练预料中的实体确定出实体链接关系,并结合实体链接关系对预训练语言模型进行训练,可以使得训练好的预训练语言模型更好的获取实体知识信息,避免了直接引入知识图谱从而导致预训练语言模型可能出现知识偏移现象的发生。因为采用直接结合训练预料中的实体确定出实际实体链接关系,并根据实际实体链接关系对预训练语言模型进行训练,使得训练好的预训练语言模型更好的获取实体知识信息的技术手段,所以克服了相关技术中直接将知识图谱中的实体知识引入到预训练语言模型从而造成出现知识偏移现象的发生的技术问题,从而达到了使得训练好的预训练语言模型更好的获取实体知识信息,避免了直接引入知识图谱从而导致预训练语言模型可能出现知识偏移现象的发生的技术效果。
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是根据本申请第一实施例的示意图;
图2是实体链接关系的示例图;
图3是根据本申请第二实施例的示意图;
图4a是基于transformer结构的预训练语言模型和GNN模型的模型结构关系示意图一;
图4b是基于transformer结构的预训练语言模型和GNN模型的模型结构关系示意二;
图5是根据本申请第三实施例的示意图;
图6是根据本申请第四实施例的示意图;
图7是根据本申请第五实施例的示意图;
图8是用来实现本申请实施例的电子设备的框图。
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预训练语言模型获取方法、装置、电子设备和存储介质。
图1是根据本申请第一实施例的示意图。其中,需要说明的是,本实施例的预训练语言模型获取方法的执行主体为预训练语言模型获取装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端设备、服务器等,该实施例对此不作具体限定。
如图1所示,该预训练语言模型获取方法可以包括:
步骤101,获取预训练语言模型和实体关系训练任务,预训练语言模型包括transformer结构。
其中,本实施例中的transformer结构用于对输入的训练语句进行知识增强的语义表示。也就是说,本实施例中的预训练语言模型是基于transformer结构的语言模型。
本实施例中的预训练语言模型可以采用已有的知识增强的语义表示模型ERNIE(Enhanced Representation from kNowledge IntEgration)。
步骤102,根据实体关系训练任务,对预训练语言模型进行训练,以得到训练后的预训练语言模型。
其中,实体关系训练任务,包括:
获取第一训练语句。
通过实体识别技术,确定出第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系。
将第一训练语句输入到预训练语言模型中,通过transformer结构,得到第一训练语句中每个字符的向量表示。
根据第一训练语句中每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系。
根据实际实体链接关系和预测实体链接关系之间的差异,调整预训练语言模型的模型参数。
可以理解的是,在本实施例中,如果根据实际实体链接关系和预测实体链接关系之间的差异大于预设差异,则对预训练语言模型的模型参数进行调整,并基于调整后的预训练语言模型对第一训练语句继续处理,直至实际实体链接关系和预测实体链接关系之间的差异小于或者等于预设差异,则确定训练完了预训练语言模型。
在本实施例中,为了避免直接引入知识图谱中的实体知识,导致知识偏移的现象发生,即,知识图谱中的实体知识与训练文本中的实体知识存在偏差,本实施例中在从大量无监督的训练数据(例如维基百科语料数据)中获取第一训练语句后,结合第一训练语句中的实体建立实体链接关系,从而避免知识图谱中的信息与训练文本中的信息存在偏差。
在本实施例中,为了可以表示出第一训练语句中的实际实体链接关系,本实施例可根据预设的实体链接关系建立规则和第一训练语句中的实体识别结果,建立实体与实体之间的实际实体链接关系。
其中,第一训练语句包括多个,实体链接关系建立规则,包括:
同一个第一训练语句中的各个实体之间具有连接边。
同一个第一训练语句中的中心实体与其他实体之间具有连接边,其中,中心实体,用于指示第一训练语句所属页面的词条词。
不同第一训练语句中的相同实体之间建立连接边。
不同实体之间只有一条连接边,即实体之间不具有重复的连接边。
例如,两句训练语句分别为:XX(纳斯达克:BIDU),全球最大的中文搜索引擎及最大的中文网站,全球领先的人工智能公司。XX愿景是:成为最懂用户,并能帮助人们成长的全球顶级高科技公司。通过本实施例设置的实体链接关系建立规则所建立的实体链接关系的示意,如图2所示。其中,XX为所属维基百科语页面的词条词。需要说明的是,图2中的XX在实际应用中为一个具体公司名称,图2中的连接线表示实体与实体之间具有链接关系。
在本实施例中,根据第一训练语句中每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系的具体实现方式可以为:将第一训练语句中每个字符的向量表示输入到预设的图神经网络模型中,以预测得到第一训练语句中实体的预测实体链接关系,其中,图神经网络(Graph Neural Network,GNN)模型包括多个实体节点,具有实体关系的两个实体节点之间具有关联边。
例如,第一训练语句为:XX为一家人工智能的公司,建立第一训练语句的实际实体链接关系,并将第一训练语句分割成单字序列,然后,分割后的分割成单字序列输入到预训练语言模型后,预训练语言模型中的transformer将第一训练语句中的每个单字进行向量化表示,并结合每个单字的向量表示和实体链接关系进行实体的增强语义表示,以得到实体的增强语义向量表示,然后,将实体的增强语义向量表示输入到图神经网络模型中,以得到预测实体链接关系。基于实际实体链接关系和预测实体链接关系之间的差异大于预设差异,调整预训练语言模型以及图神经网络模型的模型参数,然后,继续对预训练语言模型进行训练,直至实际实体链接关系和预测实体链接关系之间的差异小于预设差异,从而使得预训练语言模型学习到实体知识信息,方便了后续预训练语言模型基于学习到的实体知识信息进行自然语言处理((Natural Language Processing,NLP)任务。
本申请实施例的预训练语言模型获取方法,在获取预训练语言模型的过程中,获取第一训练语句;通过实体识别技术,确定出第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系;将第一训练语句输入到预训练语言模型中,通过预训练语言模型中的transformer结构,得到第一训练语句中每个字符的向量表示,然后,根据第一训练语句中每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系,并根据实际实体链接关系和预测实体链接关系之间的差异,调整预训练语言模型的模型参数,从而直接结合训练预料中的实体确定出实体链接关系,并结合实体链接关系对预训练语言模型进行训练,可以使得训练好的预训练语言模型更好的获取实体知识信息,避免了直接引入知识图谱从而导致预训练语言模型可能出现知识偏移现象的发生。
基于上述实施例的基础上,为了使得预训练语言模型可以准确对遮盖或替换的字符进行准确识别,在本申请实施例的基础上,如图3所示,方法还包括:
步骤103,采用双语言训练任务,对预训练语言模型进行训练。
其中,第一训练语句中的预设字符被遮盖或替换,双语言训练任务,包括:根据第一训练语句中每个字符的向量表示,预测得到被遮盖或者替换的预测字符;根据预设字符和预测字符之间的差异,调整预训练语言模型的模型参数。
在本实施例中,为了减少了模型训练时间,可采用双语言训练任务和实体关系训练任务同时对预训练语言模型进行训练。
具体地,可采用预设标识对预设字符被遮盖或替换,例如,可采用Mask对预设字符被遮盖或替换,然后将预设字符被遮盖或替换的第一训练语句输入到预训练语言模型中,并根据预训练语言模型的transformer结构的输出内容,分别执行实体关系训练任务和双语言训练任务,并根据训练任务的预测结果,对预训练语言模型进行训练。
例如,基于transformer结构的预训练语言模型和GNN模型的模型结构关系示意,如图4a所示,需要说明的是图4b中的“#”表示第一训练语句中的每个单字,MASK表示第一训练语句中被遮盖或替换的预设字符,“SEP”符号分割两个训练语句,在将预设字符被遮盖或替换的两个训练语句对应的单字序列输入到transformer结构中,然后,将transformer结构输出的向量表示,输入到GNN模型,得到第一训练语句的预测实体链接关系(实体关系训练任务),同时,根据transformer结构输出的向量表示输入到双向语言模型,预测得到被遮盖或者替换的预测字符,然后,根据预设字符和预测字符之间的差异,调整预训练语言模型的模型参数(双语言训练任务)。也就是说,结合transformer结构输出的向量表示,同时执行两个训练任务,从而使得transformer结构可同时学习到实体知识以及遮盖或替换的字符。
在本实施例中,为了使得预训练语言模型可以学习到更多知识,在上述图1或图2所示的实施例的基础上,还可以采用句对关系训练任务,对预训练语言模型进行训练。
如图5所示,该方法可以包括:
步骤501,获取预训练语言模型和实体关系训练任务,预训练语言模型包括transformer结构。
步骤502,根据实体关系训练任务,对预训练语言模型进行训练,以得到训练后的预训练语言模型。
步骤503,采用双语言训练任务,对预训练语言模型进行训练。
步骤504,采用句对关系训练任务,对预训练语言模型进行训练。
例如,基于transformer结构的预训练语言模型和GNN模型的模型结构关系示意,如图4b所示,其中,需要说明的是图4b中的“#”表示第一训练语句中的每个单字,MASK表示第一训练语句中被遮盖或替换的预设字符,“SEP”符号分割两个训练语句,“CLS”符号用于指示将transformer结构输出的每个字的向量表示,确定出每个训练语句各自对应的整个语义向量表示。在将预设字符被遮盖或替换的两个训练语句各自对应的单字序列输入到transformer结构中,将transformer结构输出的向量表示,输入到GNN模型,得到第一训练语句的预测实体链接关系(实体关系训练任务),同时,根据transformer结构输出的向量表示输入到双向语言模型,预测得到被遮盖或者替换的预测字符,然后,根据预设字符和预测字符之间的差异,调整预训练语言模型的模型参数(双语言训练任务),以及根据transformer结构输出的向量表示,得到每个训练语句各自对应的向量表示,并根据每个训练语句各自对应的向量表示,预测得到两个训练语句的预测句对关系(句对关系训练任务),然后,根据三个训练任务的预测结果,训练预训练语言模型。
基于上述实施例的基础上,在得到训练后的预训练语言模型后,为了可以快递得到可对相应自然语言处理任务类型对应的目标语言模型,基于上述任意一个实施例的基础上,如图6所示,该方法还可以包括:
步骤601,获取与预设的自然语言处理任务类型对应的训练数据,其中,训练数据包括第二训练语句以及第二训练语句的标注结果。
其中,第二训练语句的标注结果是根据第二训练语句的自然语言处任务结果确定的,例如,自然语言处理任务类型为文本分类,第二训练语句的标注结果为文本分类类型。
步骤602,根据第二训练语句和标注结果,对训练后的预训练语言模型进行调整,以得到与自然语言处理任务类型对应的目标语言模型。
其中,本实施例中的目标语言模型用于对与自然语言处理任务类型对应的自然语言处理任务进行处理。
其中,自然语言处理任务类型可以包括但不限于自动文本摘要任务类型,文本分类等。
在本实施例中,结合自然语言处理任务类型对应的训练数据对训练后的预训练语言模型进行微调,从而快速得到与自然语言处理任务类型对应的目标语言模型。
为了实现上述实施例,本申请实施例还提供一种预训练语言模型获取装置。
图7是根据本申请第五实施例的示意图。如图7所示,该预训练语言模型获取装置100包括第一获取模块110和第一训练模块120,其中:
第一获取模块,用于获取预训练语言模型和实体关系训练任务,预训练语言模型包括transformer结构。
第一训练模块,用于根据实体关系训练任务,对预训练语言模型进行训练,以得到训练后的预训练语言模型。
其中,实体关系训练任务,包括:
获取第一训练语句;
通过实体识别技术,确定出第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系;
将第一训练语句输入到预训练语言模型中,通过transformer结构,得到第一训练语句中每个字符的向量表示;
根据第一训练语句中每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系;
根据实际实体链接关系和预测实体链接关系之间的差异,调整预训练语言模型的模型参数。
在本申请的一个实施例中,根据第一训练语句中每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系,包括:
将第一训练语句中每个字符的向量表示输入到预设的图神经网络模型中,以预测得到第一训练语句中实体的预测实体链接关系,其中,图神经网络模型包括多个实体节点,具有实体关系的两个实体节点之间具有关联边。
在本申请的一个实施例中,第一训练模块,还用于:采用双语言训练任务,对预训练语言模型进行训练。
其中,第一训练语句中的预设字符被遮盖或替换,双语言训练任务,包括:
根据第一训练语句中每个字符的向量表示,预测得到被遮盖或者替换的预测字符;
根据预设字符和预测字符之间的差异,调整预训练语言模型的模型参数。
在本申请的一个实施例中,第一训练模块,还用于:采用句对关系训练任务,对预训练语言模型进行训练。
其中,第一训练语句包括多个,多个第一训练语句的实际句对关系包括正例关系和反例关系,正例关系,用于指示多个第一训练语句为来自同一个文档的连续连语句,反例关系,用于指示多个第一训练语句为来自不同文档的语句;
句对关系训练任务,包括:
根据各个第一训练语句中每个字符的向量表示,分别确定出各个第一训练语句的语句向量表示;
根据各个第一训练语句的语句向量表示,预测多个第一训练语句的预测句对关系;
根据实际句对关系和预测句对关系,调整预训练语言模型的模型参数。
在本申请的一个实施例中,建立实体与实体之间的实际实体链接关系,包括:
根据预设的实体链接关系建立规则和第一训练语句中的实体识别结果,建立实体与实体之间的实际实体链接关系;
其中,第一训练语句包括多个,实体链接关系建立规则,包括:
同一个第一训练语句中的各个实体之间具有连接边;
同一个第一训练语句中的中心实体与其他实体之间具有连接边,其中,中心实体,用于指示第一训练语句所属页面的词条词;
不同第一训练语句中的相同实体之间建立连接边;
不同实体之间只有一条连接边。
在本申请的一个实施例中,该装置还包括:
第二获取模块(图中未示出),用于获取与预设的自然语言处理任务类型对应的训练数据,其中,训练数据包括第二训练语句以及第二训练语句的标注结果;
第二训练模块(图中未示出),用于根据第二训练语句和标注结果,对训练后的预训练语言模型进行调整,以得到与自然语言处理任务类型对应的目标语言模型。
其中,需要说明的是,前述对预训练语言模型获取方法的解释说明也适用于本实施例的预训练语言模型获取装置,此处不再赘述。
本申请实施例的预训练语言模型获取装置,在获取预训练语言模型的过程中,获取第一训练语句,并通过实体识别技术,确定出第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系,以及将第一训练语句输入到预训练语言模型中,通过预训练语言模型中的transformer结构,得到第一训练语句中每个字符的向量表示,然后,根据第一训练语句中每个字符的向量表示,预测得到第一训练语句中实体的预测实体链接关系,并根据实际实体链接关系和预测实体链接关系之间的差异,调整预训练语言模型的模型参数,从而直接结合训练预料中的实体确定出实体链接关系,并结合实体链接关系对预训练语言模型进行训练,可以使得训练好的预训练语言模型更好的获取实体知识信息,避免了直接引入知识图谱从而导致预训练语言模型可能出现知识偏移现象的发生。
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801、存储器802,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801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的预训练语言模型获取方法。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预训练语言模型获取方法。
存储器802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预训练语言模型获取方法对应的程序指令/模块。处理器801通过运行存储在存储器802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预训练语言模型获取方法。
存储器802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802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802可选包括相对于处理器801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803和输出装置804。处理器801、存储器802、输入装置803和输出装置804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803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804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。
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 (14)
1.一种预训练语言模型获取方法,其特征在于,所述方法包括:
获取预训练语言模型和实体关系训练任务,所述预训练语言模型包括transformer结构;
根据所述实体关系训练任务,对所述预训练语言模型进行训练,以得到训练后的预训练语言模型;
其中,所述实体关系训练任务,包括:
获取第一训练语句;
通过实体识别技术,确定出所述第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系;
将所述第一训练语句输入到所述预训练语言模型中,通过所述transformer结构,得到所述第一训练语句中每个字符的向量表示;
根据所述第一训练语句中每个字符的向量表示,预测得到所述第一训练语句中实体的预测实体链接关系;
根据所述实际实体链接关系和所述预测实体链接关系之间的差异,调整所述预训练语言模型的模型参数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一训练语句中每个字符的向量表示,预测得到所述第一训练语句中实体的预测实体链接关系,包括:
将所述第一训练语句中每个字符的向量表示输入到预设的图神经网络模型中,以预测得到所述第一训练语句中实体的预测实体链接关系,其中,所述图神经网络模型包括多个实体节点,具有实体关系的两个实体节点之间具有关联边。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
采用双语言训练任务,对所述预训练语言模型进行训练;
其中,所述第一训练语句中的预设字符被遮盖或替换,所述双语言训练任务,包括:
根据所述第一训练语句中每个字符的向量表示,预测得到被遮盖或者替换的预测字符;
根据所述预设字符和所述预测字符之间的差异,调整所述预训练语言模型的模型参数。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
采用句对关系训练任务,对所述预训练语言模型进行训练。
其中,所述第一训练语句包括多个,多个所述第一训练语句的实际句对关系包括正例关系和反例关系,所述正例关系,用于指示多个所述第一训练语句为来自同一个文档的连续连语句,所述反例关系,用于指示多个所述第一训练语句为来自不同文档的语句;
所述句对关系训练任务,包括:
根据各个所述第一训练语句中每个字符的向量表示,分别确定出各个所述第一训练语句的语句向量表示;
根据各个所述第一训练语句的语句向量表示,预测多个所述第一训练语句的预测句对关系;
根据所述实际句对关系和所述预测句对关系,调整所述预训练语言模型的模型参数。
5.根据权利要求1所述的方法,其特征在于,所述建立实体与实体之间的实际实体链接关系,包括:
根据预设的实体链接关系建立规则和所述第一训练语句中的实体识别结果,建立实体与实体之间的实际实体链接关系;
其中,所述第一训练语句包括多个,所述实体链接关系建立规则,包括:
同一个所述第一训练语句中的各个实体之间具有连接边;
同一个所述第一训练语句中的中心实体与其他实体之间具有连接边,其中,所述中心实体,用于指示所述第一训练语句所属页面的词条词;
不同所述第一训练语句中的相同实体之间建立连接边;
不同实体之间只有一条连接边。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取与预设的自然语言处理任务类型对应的训练数据,其中,所述训练数据包括第二训练语句以及所述第二训练语句的标注结果;
根据所述第二训练语句和所述标注结果,对训练后的所述预训练语言模型进行调整,以得到与所述自然语言处理任务类型对应的目标语言模型。
7.一种预训练语言模型获取装置,其特征在于,所述装置包括:
第一获取模块,用于获取预训练语言模型和实体关系训练任务,所述预训练语言模型包括transformer结构;
第一训练模块,用于根据所述实体关系训练任务,对所述预训练语言模型进行训练,以得到训练后的预训练语言模型;
其中,所述实体关系训练任务,包括:
获取第一训练语句;
通过实体识别技术,确定出所述第一训练语句中的实体,并建立实体与实体之间的实际实体链接关系;
将所述第一训练语句输入到所述预训练语言模型中,通过所述transformer结构,得到所述第一训练语句中每个字符的向量表示;
根据所述第一训练语句中每个字符的向量表示,预测得到所述第一训练语句中实体的预测实体链接关系;
根据所述实际实体链接关系和所述预测实体链接关系之间的差异,调整所述预训练语言模型的模型参数。
8.根据权利要求7所述的装置,其特征在于,所述根据所述第一训练语句中每个字符的向量表示,预测得到所述第一训练语句中实体的预测实体链接关系,包括:
将所述第一训练语句中每个字符的向量表示输入到预设的图神经网络模型中,以预测得到所述第一训练语句中实体的预测实体链接关系,其中,所述图神经网络模型包括多个实体节点,具有实体关系的两个实体节点之间具有关联边。
9.根据权利要求7或8所述的装置,其特征在于,所述第一训练模块,还用于:
采用双语言训练任务,对所述预训练语言模型进行训练;
其中,所述第一训练语句中的预设字符被遮盖或替换,所述双语言训练任务,包括:
根据所述第一训练语句中每个字符的向量表示,预测得到被遮盖或者替换的预测字符;
根据所述预设字符和所述预测字符之间的差异,调整所述预训练语言模型的模型参数。
10.根据权利要求7或8所述的装置,其特征在于,所述第一训练模块,还用于:
采用句对关系训练任务,对所述预训练语言模型进行训练。
其中,所述第一训练语句包括多个,多个所述第一训练语句的实际句对关系包括正例关系和反例关系,所述正例关系,用于指示多个所述第一训练语句为来自同一个文档的连续连语句,所述反例关系,用于指示多个所述第一训练语句为来自不同文档的语句;
所述句对关系训练任务,包括:
根据各个所述第一训练语句中每个字符的向量表示,分别确定出各个所述第一训练语句的语句向量表示;
根据各个所述第一训练语句的语句向量表示,预测多个所述第一训练语句的预测句对关系;
根据所述实际句对关系和所述预测句对关系,调整所述预训练语言模型的模型参数。
11.根据权利要求7所述的装置,其特征在于,所述建立实体与实体之间的实际实体链接关系,包括:
根据预设的实体链接关系建立规则和所述第一训练语句中的实体识别结果,建立实体与实体之间的实际实体链接关系;
其中,所述第一训练语句包括多个,所述实体链接关系建立规则,包括:
同一个所述第一训练语句中的各个实体之间具有连接边;
同一个所述第一训练语句中的中心实体与其他实体之间具有连接边,其中,所述中心实体,用于指示所述第一训练语句所属页面的词条词;
不同所述第一训练语句中的相同实体之间建立连接边;
不同实体之间只有一条连接边。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取与预设的自然语言处理任务类型对应的训练数据,其中,所述训练数据包括第二训练语句以及所述第二训练语句的标注结果;
第二训练模块,用于根据所述第二训练语句和所述标注结果,对训练后的预训练语言模型进行调整,以得到与所述自然语言处理任务类型对应的目标语言模型。
13.一种电子设备,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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342666.4A CN111144115B (zh) | 2019-12-23 | 2019-12-23 | 预训练语言模型获取方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342666.4A CN111144115B (zh) | 2019-12-23 | 2019-12-23 | 预训练语言模型获取方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144115A true CN111144115A (zh) | 2020-05-12 |
CN111144115B CN111144115B (zh) | 2023-10-20 |
Family
ID=70519604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911342666.4A Active CN111144115B (zh) | 2019-12-23 | 2019-12-23 | 预训练语言模型获取方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144115B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651988A (zh) * | 2020-06-03 | 2020-09-11 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
CN112101036A (zh) * | 2020-09-22 | 2020-12-18 | 山东旗帜信息有限公司 | 一种基于预定义关系的知识联合抽取的方法及装置 |
CN112487814A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
CN112507706A (zh) * | 2020-12-21 | 2021-03-16 | 北京百度网讯科技有限公司 | 知识预训练模型的训练方法、装置和电子设备 |
CN112541346A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 摘要生成方法、装置、电子设备及可读存储介质 |
CN112559885A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 地图兴趣点的训练模型确定方法、装置及电子设备 |
CN112905917A (zh) * | 2021-02-09 | 2021-06-04 | 北京百度网讯科技有限公司 | 内链生成方法、模型训练方法、相关装置及电子设备 |
CN113590782A (zh) * | 2021-07-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 推理模型的训练方法、推理方法及装置 |
CN113806562A (zh) * | 2021-11-17 | 2021-12-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 模型训练方法、装置、设备及存储介质 |
CN114661906A (zh) * | 2022-03-15 | 2022-06-24 | 腾讯科技(深圳)有限公司 | 一种实体提及分类方法、装置、电子设备及存储介质 |
CN114881034A (zh) * | 2022-05-12 | 2022-08-09 | 平安科技(深圳)有限公司 | 关系数据增强方法、装置、设备及存储介质 |
CN114880551A (zh) * | 2022-04-12 | 2022-08-09 | 北京三快在线科技有限公司 | 上下位关系获取方法、装置、电子设备及存储介质 |
US11836175B1 (en) | 2022-06-29 | 2023-12-05 | Microsoft Technology Licensing, Llc | Systems and methods for semantic search via focused summarizations |
WO2024072453A1 (en) * | 2022-09-29 | 2024-04-04 | Visa International Service Association | Entity linking using a graph neural network |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777275A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 基于多粒度语义块的实体属性和属性值提取方法 |
CN106934032A (zh) * | 2017-03-14 | 2017-07-07 | 软通动力信息技术(集团)有限公司 | 一种城市知识图谱构建方法及装置 |
CN107977731A (zh) * | 2017-10-06 | 2018-05-01 | 贵州师范学院 | 一种基于深度学习的茶鲜叶保鲜时间预测方法 |
US20180307912A1 (en) * | 2017-04-20 | 2018-10-25 | David Lee Selinger | United states utility patent application system and method for monitoring virtual perimeter breaches |
CN109408743A (zh) * | 2018-08-21 | 2019-03-01 | 中国科学院自动化研究所 | 文本链接嵌入方法 |
CN109543183A (zh) * | 2018-11-16 | 2019-03-29 | 西安交通大学 | 基于深度神经网络和标注策略的多标签实体-关系联合提取方法 |
CN109753570A (zh) * | 2019-01-11 | 2019-05-14 | 中山大学 | 一种基于Horn逻辑与图神经网络的场景图谱向量化方法 |
CN109902309A (zh) * | 2018-12-17 | 2019-06-18 | 北京百度网讯科技有限公司 | 翻译方法、装置、设备和存储介质 |
CN110263324A (zh) * | 2019-05-16 | 2019-09-20 | 华为技术有限公司 | 文本处理方法、模型训练方法和装置 |
CN110489555A (zh) * | 2019-08-21 | 2019-11-22 | 创新工场(广州)人工智能研究有限公司 | 一种结合类词信息的语言模型预训练方法 |
-
2019
- 2019-12-23 CN CN201911342666.4A patent/CN111144115B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777275A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 基于多粒度语义块的实体属性和属性值提取方法 |
CN106934032A (zh) * | 2017-03-14 | 2017-07-07 | 软通动力信息技术(集团)有限公司 | 一种城市知识图谱构建方法及装置 |
US20180307912A1 (en) * | 2017-04-20 | 2018-10-25 | David Lee Selinger | United states utility patent application system and method for monitoring virtual perimeter breaches |
CN107977731A (zh) * | 2017-10-06 | 2018-05-01 | 贵州师范学院 | 一种基于深度学习的茶鲜叶保鲜时间预测方法 |
CN109408743A (zh) * | 2018-08-21 | 2019-03-01 | 中国科学院自动化研究所 | 文本链接嵌入方法 |
CN109543183A (zh) * | 2018-11-16 | 2019-03-29 | 西安交通大学 | 基于深度神经网络和标注策略的多标签实体-关系联合提取方法 |
CN109902309A (zh) * | 2018-12-17 | 2019-06-18 | 北京百度网讯科技有限公司 | 翻译方法、装置、设备和存储介质 |
CN109753570A (zh) * | 2019-01-11 | 2019-05-14 | 中山大学 | 一种基于Horn逻辑与图神经网络的场景图谱向量化方法 |
CN110263324A (zh) * | 2019-05-16 | 2019-09-20 | 华为技术有限公司 | 文本处理方法、模型训练方法和装置 |
CN110489555A (zh) * | 2019-08-21 | 2019-11-22 | 创新工场(广州)人工智能研究有限公司 | 一种结合类词信息的语言模型预训练方法 |
Non-Patent Citations (3)
Title |
---|
HONGWEI WANG; FUZHENG ZHANG; MENGDI ZHANG; JURE LESKOVEC; MIAO ZHAO; WENJIE LI; ZHONGYUAN WANG;: "Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems", 《PROCEEDINGS OF THE 25TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING》 * |
吴文涛; 李培峰; 朱巧明;: "基于混合神经网络的实体和事件联合抽取方法", 《中文信息学报》, vol. 33, no. 08 * |
唐国强;高大启;阮彤;叶琪;王祺;: "融入语言模型和注意力机制的临床电子病历命名实体识别", 《计算机科学》, vol. 47, no. 03 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651988A (zh) * | 2020-06-03 | 2020-09-11 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
CN111651988B (zh) * | 2020-06-03 | 2023-05-19 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
CN112101036A (zh) * | 2020-09-22 | 2020-12-18 | 山东旗帜信息有限公司 | 一种基于预定义关系的知识联合抽取的方法及装置 |
CN112487814A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
CN112487814B (zh) * | 2020-11-27 | 2024-04-02 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
CN112507706B (zh) * | 2020-12-21 | 2023-01-31 | 北京百度网讯科技有限公司 | 知识预训练模型的训练方法、装置和电子设备 |
CN112507706A (zh) * | 2020-12-21 | 2021-03-16 | 北京百度网讯科技有限公司 | 知识预训练模型的训练方法、装置和电子设备 |
CN112541346A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 摘要生成方法、装置、电子设备及可读存储介质 |
CN112559885A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 地图兴趣点的训练模型确定方法、装置及电子设备 |
CN112559885B (zh) * | 2020-12-25 | 2024-01-12 | 北京百度网讯科技有限公司 | 地图兴趣点的训练模型确定方法、装置及电子设备 |
CN112905917B (zh) * | 2021-02-09 | 2023-07-25 | 北京百度网讯科技有限公司 | 内链生成方法、模型训练方法、相关装置及电子设备 |
CN112905917A (zh) * | 2021-02-09 | 2021-06-04 | 北京百度网讯科技有限公司 | 内链生成方法、模型训练方法、相关装置及电子设备 |
CN113590782A (zh) * | 2021-07-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 推理模型的训练方法、推理方法及装置 |
CN113590782B (zh) * | 2021-07-28 | 2024-02-09 | 北京百度网讯科技有限公司 | 推理模型的训练方法、推理方法及装置 |
CN113806562A (zh) * | 2021-11-17 | 2021-12-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 模型训练方法、装置、设备及存储介质 |
CN114661906A (zh) * | 2022-03-15 | 2022-06-24 | 腾讯科技(深圳)有限公司 | 一种实体提及分类方法、装置、电子设备及存储介质 |
CN114880551A (zh) * | 2022-04-12 | 2022-08-09 | 北京三快在线科技有限公司 | 上下位关系获取方法、装置、电子设备及存储介质 |
CN114880551B (zh) * | 2022-04-12 | 2023-05-02 | 北京三快在线科技有限公司 | 上下位关系获取方法、装置、电子设备及存储介质 |
CN114881034A (zh) * | 2022-05-12 | 2022-08-09 | 平安科技(深圳)有限公司 | 关系数据增强方法、装置、设备及存储介质 |
CN114881034B (zh) * | 2022-05-12 | 2023-07-25 | 平安科技(深圳)有限公司 | 关系数据增强方法、装置、设备及存储介质 |
US11836175B1 (en) | 2022-06-29 | 2023-12-05 | Microsoft Technology Licensing, Llc | Systems and methods for semantic search via focused summarizations |
WO2024072453A1 (en) * | 2022-09-29 | 2024-04-04 | Visa International Service Association | Entity linking using a graph neural network |
Also Published As
Publication number | Publication date |
---|---|
CN111144115B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144115B (zh) | 预训练语言模型获取方法、装置、电子设备和存储介质 | |
EP3923160A1 (en) | Method, apparatus, device and storage medium for training model | |
US20210200947A1 (en) | Event argument extraction method and apparatus and electronic device | |
EP3828719A2 (en) | Method and apparatus for generating model for representing heterogeneous graph node, electronic device, storage medium, and computer program product | |
US11531813B2 (en) | Method, electronic device and readable storage medium for creating a label marking model | |
EP3916612A1 (en) | Method and apparatus for training language model based on various word vectors, device, medium and computer program product | |
CN111104514B (zh) | 文档标签模型的训练方法及装置 | |
CN111539223A (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
CN112487814B (zh) | 实体分类模型训练方法、实体分类方法、装置及电子设备 | |
CN110427627B (zh) | 基于语义表示模型的任务处理方法和装置 | |
US11573992B2 (en) | Method, electronic device, and storage medium for generating relationship of events | |
CN111144108B (zh) | 情感倾向性分析模型的建模方法、装置和电子设备 | |
US11526668B2 (en) | Method and apparatus for obtaining word vectors based on language model, device and storage medium | |
EP3846069A1 (en) | Pre-training method for sentiment analysis model, and electronic device | |
CN111737994A (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
CN111079442A (zh) | 文档的向量化表示方法、装置和计算机设备 | |
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
US20220067439A1 (en) | Entity linking method, electronic device and storage medium | |
CN111709249B (zh) | 多语种模型的训练方法、装置、电子设备和存储介质 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN111950291A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
CN111127191B (zh) | 风险评估方法及装置 | |
CN111950293A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 |
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 |