CN111177348A - 问题生成模型的训练方法、装置、电子设备及存储介质 - Google Patents

问题生成模型的训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111177348A
CN111177348A CN201911327709.1A CN201911327709A CN111177348A CN 111177348 A CN111177348 A CN 111177348A CN 201911327709 A CN201911327709 A CN 201911327709A CN 111177348 A CN111177348 A CN 111177348A
Authority
CN
China
Prior art keywords
text
training
model
word
matching degree
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
Application number
CN201911327709.1A
Other languages
English (en)
Other versions
CN111177348B (zh
Inventor
石奕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN201911327709.1A priority Critical patent/CN111177348B/zh
Publication of CN111177348A publication Critical patent/CN111177348A/zh
Application granted granted Critical
Publication of CN111177348B publication Critical patent/CN111177348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Machine Translation (AREA)

Abstract

本发明实施例适用于自然语言处理技术领域，提供了一种问题生成模型的训练方法、装置、电子设备及存储介质，其中，问题生成模型的训练方法包括：初始化第一模型；所述第一模型用于基于输入文本生成对应的问题文本；利用训练文本对所述第一模型进行迭代训练，直至一次训练过程中对应输出的问题文本与设定文本的匹配度满足设定条件，所述第一模型训练完成；其中，设定文本为预先为对应的训练文本设置的问题文本；在确定对应输出的问题文本与设定文本的匹配度时，所述方法还包括：在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。

Description

问题生成模型的训练方法、装置、电子设备及存储介质
技术领域
本发明属于自然语言处理技术领域，尤其涉及一种问题生成模型的训练方法、装置、电子设备及存储介质。
背景技术
问题生成(QG，Question Generation)技术是根据一段文字，自动生成相应问题的技术。问题生成技术可以应用到聊天机器人中，使得聊天系统能够主动提出问题，以增强对话的交互性与持续性。另外，问题生成技术还可以应用在医药领域，例如可以用于自动问诊系统，通过与病人的对话进行诊断。
然而，相关技术中问题生成模型生成问题的准确率并不高，而且不具备处理特殊词和单词重复问题的能力。
发明内容
有鉴于此，本发明实施例提供一种问题生成模型的训练方法、装置、电子设备及存储介质，以至少解决相关技术中问题生成模型生成问题的准确率并不高，而且不具备处理稀有词和单词重复问题的能力的问题。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种问题生成模型的训练方法，该方法包括：
初始化第一模型；所述第一模型用于基于输入文本生成对应的问题文本；
利用训练文本对所述第一模型进行迭代训练，直至一次训练过程中对应输出的问题文本与设定文本的匹配度满足设定条件，所述第一模型训练完成；其中，设定文本为预先为对应的训练文本设置的问题文本；
在确定对应输出的问题文本与设定文本的匹配度时，所述方法还包括：
在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。
上述方案中，在确定对应输出的问题文本与设定文本的匹配度时，所述方法包括：
计算所述问题文本与所述设定文本之间的双语评估替换BLEU分数，将所述BLEU分数作为所述匹配度。
所述将所述匹配度作为奖励函数调整所述第一模型的模型参数，包括：
基于设定的损失函数和所述BLEU分数调整设定的目标函数，所述设定的目标函数表征所述第一模型的训练程度。
上述方案中，所述利用训练文本对所述第一模型进行迭代训练时，所述方法包括：
将所述训练文本进行分词，得到对应的词向量；
根据所述词向量在所述训练文本中的位置，对所述词向量进行编号，得到词向量列表；
将所述词向量列表输入至第一模型，以训练第一模型。
上述方案中，所述利用训练文本对所述第一模型进行迭代训练时，所述第一模型用于：
计算所述词向量列表中每一个词向量的注意力权重；
根据所述注意力权重确定所述训练文本对应的语义编码向量；
根据所述语义编码向量确定所述训练文本对应的问题文本。
上述方案中，在根据所述语义编码向量确定所述训练文本对应的问题文本时，所述第一模型还用于：
在生成所述问题文本中的每个单词时，判断所述单词是否需要从所述训练文本中复制；
当所述单词需要从所述训练文本中复制时，将所述训练文本中对应的单词复制到所述问题文本中。
上述方案中，所述初始化第一模型，包括：
确定设定的损失函数；所述损失函数中包括第一函数项，所述第一函数项表征所述第一模型针对输入文本生成已经生成过的单词的概率。
第二方面，本发明实施例提供了一种问题生成方法，该方法包括：
确定输入文本；
使用问题生成模型生成所述输入文本对应的问题文本；所述问题生成模型基于第一方面所述的问题生成模型的训练方法训练生成。
第三方面，本发明实施例提供了一种问题生成模型的训练装置，该装置包括：
初始化模块，用于初始化第一模型；所述第一模型用于基于输入文本生成对应的问题文本；
训练模块，用于利用训练文本对所述第一模型进行迭代训练，直至一次训练过程中对应输出的问题文本与设定文本的匹配度满足设定条件，所述第一模型训练完成；其中，设定文本为预先为对应的训练文本设置的问题文本；
调整模块，用于在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。
第四方面，本发明实施例提供了一种电子设备，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本发明实施例第一方面提供的问题生成模型的训练方法的步骤，或执行本发明实施例第二方面提供的问题生成方法的步骤。
第五方面，本发明实施例提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序。所述计算机程序被处理器执行时实现如本发明实施例第一方面提供的问题生成模型的训练方法的步骤，或执行本发明实施例第二方面提供的问题生成方法的步骤。
本发明实施例在利用训练文本对所述第一模型进行迭代训练时，计算每次训练过程中对应输出的问题文本与设定文本的匹配度，在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。本发明实施例应用了强化学习的思想，经过奖励机制和迭代训练，使得得到的问题生成模型生成的问题文本语义更佳准确。
附图说明
图1是本发明实施例提供的一种问题生成模型的训练方法的实现流程示意图；
图2是本发明实施例提供的另一种问题生成模型的训练的实现流程示意图；
图3是本发明实施例提供的另一种问题生成模型的训练的实现流程示意图；
图4是本发明实施例提供的另一种问题生成模型的训练的实现流程示意图；
图5是本发明实施例提供的另一种问题生成模型的训练的实现流程示意图；
图6是本发明实施例提供的一种问题生成模型的训练流程图；
图7是本发明实施例提供的问题生成模型的训练装置的结构框图；
图8是本发明实施例提供的问题生成装置的结构框图；
图9是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外，在本发明实施例中，“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
需要说明的是，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的一种问题生成模型的训练方法的实现流程示意图，该方法执行主体为电子设备，参照图1，问题生成模型的训练方法包括：
S101，初始化第一模型；所述第一模型用于基于输入文本生成对应的问题文本。
在本发明的一种实施例中，所述第一模型为Seq2Seq(Sequence to Sequence)结构的神经网络模型。Seq2Seq是一个encoder-decoder(编码-解码)结构的神经网络，它的输入是一个序列(Sequence)，输出也是一个序列(Sequence)，因此叫做“Seq2Seq”。Seq2Seq的基本思路就是利用两个循环神经网络(RNN，Recurrent Neural Network)，一个RNN作为编码器，另一个RNN作为解码器。编码器负责将输入序列压缩成指定长度的向量，这个向量就可以看成是这个序列的语义向量，这个过程称为编码。而解码器负责根据语义向量生成指定的输出序列，这个过程称为解码。
在本发明的一种实施例中，编码器是一个双向长短期记忆人工神经网络(LSTM，Long-Short Term Memory)，解码器是一个单层LSTM网络。LSTM网络是一种特殊的RNN网络，可以理解为LSTM网络是RNN网络的改进，双向LSTM网络是LSTM网络的改进。
在训练第一模型之前，初始化第一模型，为第一模型的模型参数设置初始值，以及为第一模型设置模型函数，模型函数包括损失函数和目标函数。
S102，利用训练文本对所述第一模型进行迭代训练，直至一次训练过程中对应输出的问题文本与设定文本的匹配度满足设定条件，所述第一模型训练完成；其中，设定文本为预先为对应的训练文本设置的问题文本。
在使用训练文本迭代训练第一模型时，每往第一模型输入一个训练文本，第一模型会对应输出该训练文本的问题文本。例如，假设输入的训练文本为“晚上吃了吗？”，第一模型对应输出的问题文本为“吃了，你呢？”。
在第一模型输出训练文本对应的问题文本后，确定对应输出的问题文本与设定文本的匹配度。设定文本是问题文本的标准问法，一个问题文本可以对应多个设定文本。例如，如果输出的问题文本为“汤姆出去他的房子了吗？”，则该输出文本对应的设定文本可以为“汤姆在家吗？”和“汤姆在不在家？”。
在本发明一实施例中，在确定对应输出的问题文本与设定文本的匹配度时，问题生成模型的训练方法包括：
计算所述问题文本与所述设定文本之间的双语评估替换(BLEU，BiLingualEvaluation Understudy)分数，将所述BLEU分数作为匹配度。
BLEU分数是衡量一个有多个正确输出结果的模型的精确度的评估指标，计算BLEU分数实际上就是判断两个句子的相似程度。在一实施例中，可以通过统计问题文本中的单词出现在设定文本中的个数，将出现的个数与问题文本的单词的总个数的比作为BLEU分数。例如，假设问题文本为“汤姆出去他的房子了吗？”，设定文本为“汤姆在家吗？”，问题文本的单词的总个数为10个，问题文本的单词出现在设定文本的个数为3个，则BLEU分数为0.3，即匹配度为0.3。
按照上述实施例提供的计算BLEU分数的方法，BLEU分数越接近1，说明输出的问题文本与设定文本的匹配度越高，BLEU分数为1时，说明问题文本与设定文本完全匹配。
第一模型在迭代训练的过程中，第一模型输出的问题文本与设定文本的匹配度会越来越高，直至匹配度不能提高为止。为了节省第一模型的训练时间，可以设定一个设定条件，当第一模型输出的问题文本与设定文本的匹配度满足设定条件时，停止训练第一模型，认为第一模型训练完成。例如，设定条件可以为第一模型对应输出的问题文本与设定文本的匹配度达到设定值，当第一模型对应输出的问题文本与设定文本的匹配度达到设定值时，第一模型训练完成。
参考图2，其示出了本发明实施例提供的另一种问题生成模型的训练方法的实现流程示意图，如图2所示，所述利用训练文本对所述第一模型进行迭代训练时，所述训练方法包括：
S201，将所述训练文本进行分词，得到对应的词向量。
分词指的是将连续的字序列按照一定的规范重新组合成词序列的过程。英文单词由于本身已被空格隔开，故可以直接按照空格分词。中文由于没有空格，因此需要有专门的分词工具去解决，在实际应用中，可以使用jieba对训练文本进行分词，jieba是一种Python中文分词组件。
例如，假设训练文本为“我爱中国”，经过分词后，得到词向量“我”、“爱”和“中国”。
S202，根据所述词向量在所述训练文本中的位置，对所述词向量进行编号，得到词向量列表。
根据词向量在训练文本中的位置，对词向量进行编号。例如，假设训练文本为“我爱中国”，词向量为“我”、“爱”和“中国”，则“我”的编号为01，“爱”的编号为02，中国”的编号为03。将编号后的词向量按照编号由小到大的顺序放入一个列表中，得到词向量列表。
S203，将所述词向量列表输入至第一模型，以训练第一模型。
以词向量列表为训练样本，迭代训练第一模型。
在不具备任何机制的编码-解码框架下，第一模型将输入文本都编码转化为语义向量C，这就导致翻译出来的序列的每一个字都是同权重地考虑了输入文本中的所有的词。语义向量C可以看做是所有的输入内容的一个集合，所有的输入内容都包括在语义向量C里面。例如输入的英文句子是：Tom chase Jerry，目标的翻译结果是：汤姆追逐杰瑞。在未考虑注意力机制的模型当中，模型认为汤姆这个词的翻译受到Tom、chase和Jerry这三个词的同权重的影响。但是实际上汤姆这个词应该受到输入的Tom这个词的影响最大，而其它输入的词的影响则应该是非常小的。在同权重的机制下，解码器解码的精确度不够准确，在输入文本比较短的时候问题不大，但是如果输入文本比较长，此时所有语义完全通过一个中间语义向量来表示，单词自身的信息已经消失，因此会丢失很多细节信息。
在本发明一实施例中，第一模型具有attention(注意力)机制。带有attention机制的编码-解码框架从输入序列中学习到每一个元素的重要程度，然后按重要程度将元素合并。因此，attention机制可以看作是编码器和解码器之间的接口，它向解码器提供来自每个编码器隐藏状态的信息。第一模型能够选择性地关注输入序列的有用部分，在编码器将输入的序列元素进行编码时，编码得到的不再是一个固定的语义向量，而是存在多个语义向量，且不同的语义向量由不同的序列元素以不同的权重参数组合而成。在第一模型中加入attention机制打破了传统编码-解码结构在编解码时都依赖于一个固定长度向量的限制，能够使得第一模型解码的精确度更高，而且attention机制每一步的计算都不依赖于上一步的计算结果，可以并行处理多个单词。
参考图3，其示出了本发明实施例提供的另一种问题生成模型的训练方法的实现流程示意图，如图3所示，所述利用训练文本对所述第一模型进行迭代训练时，所述第一模型用于：
S301，计算所述词向量列表中每一个词向量的注意力权重。
词向量的注意力权重表示第一模型输出的词受到该词向量的影响程度，在实际应用中，可以通过公式
Figure BDA0002328802510000081
和公式
Figure BDA0002328802510000082
计算词向量的注意力权重。其中，
Figure BDA0002328802510000083
是词向量列表中编号为i的词向量的注意力权重，St是decoder的隐藏层状态，hi是编码器的隐藏层状态，Vt、Weh和Wsh是第一模型的矩阵，batt是第一模的偏置向量，Vt、Weh和Wsh都是第一模型需要学习的模型参数。
S302，根据所述注意力权重确定所述训练文本对应的语义编码向量。
在实际应用中，可以根据公式计算
Figure BDA0002328802510000084
计算语义编码向量，其中，
Figure BDA0002328802510000085
是编码器隐藏层状态之和(也就是语义编码向量)。
S303，根据所述语义编码向量确定所述训练文本对应的问题文本。
根据公式
Figure BDA0002328802510000091
确定第一模型应该根据词向量列表中哪个词向量来生成问题文本中的单词，其中，Wv是第一模型的矩阵，bv是第一模型的偏置向量，Wv和bv都是第一模型需要学习的模型参数。
Figure BDA0002328802510000092
得到的是一个大小等于词向量列表大小的向量，经过softmax后向量的每个元素都转变为一个小于1的概率，并且所有元素之和为1。该向量内的每一个元素(概率)与词向量列表中的词向量一一对应，第一模型根据其中概率最大的词向量来生成问题文本中的单词。
根据上述公式，第一模型生成问题文本中所有的单词，将所有单词组合在一起，就形成了一句完整的问题文本。
在不具备任何机制的编码-解码框架下，问题生成模型并不具备处理特殊词的能力。当原句中存在一些人名、地名等词频较低，不在词表中的特殊词时，期望的结果是生成的句子中也存在这些词，但是相关模型并不具备处理特殊词的能力，导致生成的句子中人名、地名等特殊词的生成结果不好。针对这一问题，本发明实施例在第一模型中加入了copy(复制)机制，当生成的句子中有些特殊词需要复制时，直接从原句中复制对应的特殊词，而不是生成其他的人名或地名，在一定程度上解决了人名、地名等特殊词语生成结果不好的情况。
参考图4，其示出了本发明实施例提供的另一种问题生成模型的训练方法的实现流程示意图，如图4所示，在根据所述语义编码向量确定所述训练文本对应的问题文本时，所述第一模型用于：
S401，在生成所述问题文本中的每个单词时，判断所述单词是否需要从所述训练文本中复制。
在实际应用中，第一模型在生成某个单词时，可以通过公式
Figure BDA0002328802510000093
判断第一模型是否需要从训练文本中复制对应的单词。其中，
Figure BDA0002328802510000094
表示矩阵Weh和Wsh的转置，xt是输入序列，Wx表示xt的权重矩阵。
计算出pcg后，通过判断pcg是否为0，来决定第一模型是从训练文本中复制对应的单词，还是根据词向量列表中对应的词向量来生成单词。如果pcg为0，则第一模型根据词向量列表中对应的词向量来生成该单词；如果pcg不为0，则第一模型从训练文本中复制对应的单词。
S402，当所述单词需要从所述训练文本中复制时，将所述训练文本中对应的单词复制到所述问题文本中。
当pcg不为0时，直接将训练文本中对应的单词复制到问题文本中，例如，当训练文本中出现人名或地名时，直接将人名或地名复制到输出的问题文本中，可以避免第一模型输出错误的人名或地名。
此外，在不具备任何机制的编码-解码框架下，问题生成模型生成的句子存在单词重复的问题，例如，输出的问题文本为“你吃了吃了吗？”，其中重复出现了单词“吃了”。而且生成的句子越长，重复问题越明显，针对这一问题，本发明实施例在第一模型中加入了coverage(覆盖)机制，可以抑制问题文本中已经生成的单词再次重复生成。
在本发明一实施例中，所述初始化第一模型，包括：
确定设定的损失函数；所述损失函数中包括第一函数项，所述第一函数项表征所述第一模型针对输入文本生成已经生成过的单词的概率。
在实际应用中，第一模型在根据输入文本生成问题文本时，可以通过损失函数
Figure BDA0002328802510000101
抑制第一模型生成重复的单词，该损失函数为预先设定的，损失函数通常用来衡量第一模型预测能力的好坏。在这里，损失函数主要用来抑制第一模型生成重复的单词。其中，损失函数中包括第一函数项，在公式中第一函数项为
Figure BDA0002328802510000102
表征所述第一模型针对输入文本生成已经生成过的单词的概率。
Figure BDA0002328802510000103
为loss函数的惩罚项，惩罚项也叫正则化项，用于防止模型过拟合，减小第一模型的输出误差。
Figure BDA0002328802510000104
wcvi t是前t-1时刻的注意力权重叠加求和的值。p*(wt)表示生成单词wt的概率，如果问题文本中单词wt已经出现过了，那么它的
Figure BDA0002328802510000111
就很大，所以为了减少loss的值，就需要使
Figure BDA0002328802510000112
变小，
Figure BDA0002328802510000113
变小就代表着单词wt被注意的概率减少，也就是说生成单词wt的可能性变小，从而达到抑制第一模型生成重复的单词。
在上述实施例中，第一模型中的注意力(attention)机制、复制(copy)机制和覆盖(coverage)机制可以分别看作是神经网络架构中的一层神经网络。
在确定对应输出的问题文本与设定文本的匹配度时，所述方法还包括：
S103，在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。
在本发明实施例中，第一模型是基于强化学习的思想来训练的，强化学习又称再励学习，利用奖励函数来调整第一模型的模型参数是强化学习的主要思想，在本发明一实施例中，将所述匹配度作为奖励函数，也就是将BLEU分数作为奖励函数。
所述将所述匹配度作为奖励函数调整所述第一模型的模型参数，包括：
基于设定的损失函数和所述BLEU分数调整设定的目标函数，所述设定的目标函数表征所述第一模型的训练程度。
在神经网络中目标函数通常用来优化模型的参数，在本发明实施例中，目标函数是预先设定好的，在训练第一模型时，通过最大化目标函数，得到第一模型最优的模型参数。这里，模型参数包括上述实施例的公式中的矩阵和向量。
在实际应用中，设定的目标函数为g＝-loss+s，其中，g为设定的目标函数，loss为设定的损失函数，s是BLEU分数，在这里，loss与上述实施例中抑制第一模型输出重复的单词的loss是同一个损失函数。第一模型每训练一次，就计算得到一个s值，根据公式g＝-loss+s修改设定的目标函数，利用修改后目标函数调整第一模型的参数，然后再次使用训练文本训练调整后的第一模型，以此迭代训练，直至计算得到的BLEU分数达到设定值时，认为第一模型此时最优化了，即第一模型训练完成，保存此时第一模型的模型参数。
本发明实施例在利用训练文本对所述第一模型进行迭代训练时，计算每次训练过程中对应输出的问题文本与设定文本的匹配度，在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。本发明实施例应用了强化学习的思想，经过奖励机制和迭代训练，使得训练得到的问题生成模型生成的问题文本语义更佳准确。
图5是本发明实施例提供的一种问题生成方法的实现流程示意图，参照图5，问题生成方法包括：
S501，确定输入文本。
S502，使用问题生成模型生成所述输入文本对应的问题文本。
在本发明实施例中，问题生成模型为基于上述方法实施例所提供的问题生成模型的训练方法，训练得到的第一模型。
图6是本发明应用实施例提供的一种问题生成模型的训练流程图，所述训练流程包括：
将训练文本输入到第一模型，训练第一模型。第一模型是seq2seq结构的编码-解码模型，第一模型还具有注意力机制、复制机制和覆盖机制。第一模型输出训练文本对应的问题文本，评估器将问题文本与对应的设定文本进行评估，计算问题文本与对应的设定文本的匹配度，将匹配度作为奖励函数调整第一模型的模型参数。根据上述方法迭代训练第一模型，直至第一模型输出的问题文本与对应的设定文本的匹配度达到设定条件，认为第一模型训练完成。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参考图7，图7是本发明实施例提供的一种问题生成模型的训练装置的示意图，如图7所示，该装置包括：初始化模块、训练模块和调整模块。
初始化模块，用于初始化第一模型；所述第一模型用于基于输入文本生成对应的问题文本；
训练模块，用于利用训练文本对所述第一模型进行迭代训练，直至一次训练过程中对应输出的问题文本与设定文本的匹配度满足设定条件，所述第一模型训练完成；其中，设定文本为预先为对应的训练文本设置的问题文本；
调整模块，用于在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。
所述装置还包括：计算模块：
所述计算模块用于计算所述问题文本与所述设定文本之间的双语评估替换BLEU分数，将所述BLEU分数作为所述匹配度。
所述将所述匹配度作为奖励函数调整所述第一模型的模型参数，包括：
基于设定的损失函数和所述BLEU分数调整设定的目标函数，所述设定的目标函数表征所述第一模型的训练程度。
所述训练模块具体用于：
将所述训练文本进行分词，得到对应的词向量；
根据所述词向量在所述训练文本中的位置，对所述词向量进行编号，得到词向量列表；
将所述词向量列表输入至第一模型，以训练第一模型。
所述训练模块具体用于：
计算所述词向量列表中每一个词向量的注意力权重；
根据所述注意力权重确定所述训练文本对应的语义编码向量；
根据所述语义编码向量确定所述训练文本对应的问题文本。
所述训练模块还用于：
在生成所述问题文本中的每个单词时，判断所述单词是否需要从所述训练文本中复制；
当所述单词需要从所述训练文本中复制时，将所述训练文本中对应的单词复制到所述问题文本中。
所述初始化模块具体用于：
确定设定的损失函数；所述损失函数中包括第一函数项，所述第一函数项表征所述第一模型针对输入文本生成已经生成过的单词的概率。
参考图8，图8是本发明实施例提供的一种问题生成装置的示意图，如图8所示，该装置包括：确定模块和生成模块。
确定模块，用于确定输入文本。
生成模块，用于使用问题生成模型生成所述输入文本对应的问题文本。
需要说明的是：上述实施例提供的问题生成模型的训练装置在进行问题生成模型的训练时，仅以上述各模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的模块完成，即将装置的内部结构划分成不同的模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的问题生成模型的训练装置与问题生成模型的训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图9是本发明一实施例提供的电子设备的示意图。如图9所示，该实施例的电子设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图7所示初始化模块、训练模块和调整模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
所述电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图9仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CPU，Central Processing Unit)，还可以是其他通用处理器、数字信号处理器(DSP，Digital Signal Processor)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述电子设备的内部存储单元，例如电子设备的硬盘或内存。所述存储器也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘，智能存储卡(,SMC，Smart Media Card)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述电子设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种问题生成模型的训练方法，其特征在于，包括：
初始化第一模型；所述第一模型用于基于输入文本生成对应的问题文本；
利用训练文本对所述第一模型进行迭代训练，直至一次训练过程中对应输出的问题文本与设定文本的匹配度满足设定条件，所述第一模型训练完成；其中，设定文本为预先为对应的训练文本设置的问题文本；
在确定对应输出的问题文本与设定文本的匹配度时，所述方法还包括：
在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。
2.如权利要求1所述的训练方法，其特征在于，在确定对应输出的问题文本与设定文本的匹配度时，所述方法包括：
计算所述问题文本与所述设定文本之间的双语评估替换BLEU分数，将所述BLEU分数作为所述匹配度；
所述将所述匹配度作为奖励函数调整所述第一模型的模型参数，包括：
基于设定的损失函数和所述BLEU分数调整设定的目标函数，所述设定的目标函数表征所述第一模型的训练程度。
3.如权利要求1所述的训练方法，其特征在于，所述利用训练文本对所述第一模型进行迭代训练时，所述方法包括：
将所述训练文本进行分词，得到对应的词向量；
根据所述词向量在所述训练文本中的位置，对所述词向量进行编号，得到词向量列表；
将所述词向量列表输入至第一模型，以训练第一模型。
4.如权利要求3所述的训练方法，其特征在于，所述利用训练文本对所述第一模型进行迭代训练时，所述第一模型用于：
计算所述词向量列表中每一个词向量的注意力权重；
根据所述注意力权重确定所述训练文本对应的语义编码向量；
根据所述语义编码向量确定所述训练文本对应的问题文本。
5.如权利要求4所述的训练方法，其特征在于，在根据所述语义编码向量确定所述训练文本对应的问题文本时，所述第一模型还用于：
在生成所述问题文本中的每个单词时，判断所述单词是否需要从所述训练文本中复制；
当所述单词需要从所述训练文本中复制时，将所述训练文本中对应的单词复制到所述问题文本中。
6.如权利要求4所述的训练方法，其特征在于，所述初始化第一模型，包括：
确定设定的损失函数；所述损失函数中包括第一函数项，所述第一函数项表征所述第一模型针对输入文本生成已经生成过的单词的概率。
7.一种问题生成方法，其特征在于，包括：
确定输入文本；
使用问题生成模型生成所述输入文本对应的问题文本；所述问题生成模型基于权利要求1至6任一项所述的训练方法训练生成。
8.一种问题生成模型的训练装置，其特征在于，包括：
初始化模块，用于初始化第一模型；所述第一模型用于基于输入文本生成对应的问题文本；
训练模块，用于利用训练文本对所述第一模型进行迭代训练，直至一次训练过程中对应输出的问题文本与设定文本的匹配度满足设定条件，所述第一模型训练完成；其中，设定文本为预先为对应的训练文本设置的问题文本；
调整模块，用于在所述匹配度不满足所述设定条件时，将所述匹配度作为奖励函数调整所述第一模型的模型参数。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的问题生成模型的训练方法，或实现如权利要求7所述的问题生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的问题生成模型的训练方法，或执行如权利要求7所述的问题生成方法。
CN201911327709.1A 2019-12-20 2019-12-20 问题生成模型的训练方法、装置、电子设备及存储介质 Active CN111177348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911327709.1A CN111177348B (zh) 2019-12-20 2019-12-20 问题生成模型的训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911327709.1A CN111177348B (zh) 2019-12-20 2019-12-20 问题生成模型的训练方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111177348A true CN111177348A (zh) 2020-05-19
CN111177348B CN111177348B (zh) 2023-04-28

Family

ID=70655550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911327709.1A Active CN111177348B (zh) 2019-12-20 2019-12-20 问题生成模型的训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111177348B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709248A (zh) * 2020-05-28 2020-09-25 北京百度网讯科技有限公司 文本生成模型的训练方法、装置及电子设备
CN111737440A (zh) * 2020-07-31 2020-10-02 支付宝(杭州)信息技术有限公司 一种问题生成方法及装置
CN111782787A (zh) * 2020-07-02 2020-10-16 苏州思必驰信息科技有限公司 问题生成模型训练方法、问题生成方法
CN112084300A (zh) * 2020-08-07 2020-12-15 北京三快在线科技有限公司 响应信息输出方法、装置、电子设备及可读存储介质
CN112149415A (zh) * 2020-10-12 2020-12-29 清华大学 文本生成模型的训练方法、装置及可读存储介质
CN112329435A (zh) * 2020-11-27 2021-02-05 腾讯科技（深圳）有限公司 文本处理方法、装置、计算机设备以及存储介质
CN114757154A (zh) * 2022-06-13 2022-07-15 深圳市承儒科技有限公司 基于深度学习的作业生成方法、装置、设备及存储介质
CN112149415B (zh) * 2020-10-12 2024-05-31 清华大学 文本生成模型的训练方法、装置及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684452A (zh) * 2018-12-25 2019-04-26 中科国力(镇江)智能技术有限公司 一种基于答案与答案位置信息的神经网络问题生成方法
CN109992648A (zh) * 2019-04-10 2019-07-09 北京神州泰岳软件股份有限公司 基于词迁徙学习的深度文本匹配方法及装置
CN110263350A (zh) * 2019-03-08 2019-09-20 腾讯科技（深圳）有限公司 模型训练方法、装置、计算机可读存储介质和计算机设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684452A (zh) * 2018-12-25 2019-04-26 中科国力(镇江)智能技术有限公司 一种基于答案与答案位置信息的神经网络问题生成方法
CN110263350A (zh) * 2019-03-08 2019-09-20 腾讯科技（深圳）有限公司 模型训练方法、装置、计算机可读存储介质和计算机设备
CN109992648A (zh) * 2019-04-10 2019-07-09 北京神州泰岳软件股份有限公司 基于词迁徙学习的深度文本匹配方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709248A (zh) * 2020-05-28 2020-09-25 北京百度网讯科技有限公司 文本生成模型的训练方法、装置及电子设备
CN111782787A (zh) * 2020-07-02 2020-10-16 苏州思必驰信息科技有限公司 问题生成模型训练方法、问题生成方法
CN111737440A (zh) * 2020-07-31 2020-10-02 支付宝(杭州)信息技术有限公司 一种问题生成方法及装置
CN111737440B (zh) * 2020-07-31 2021-03-05 支付宝(杭州)信息技术有限公司 一种问题生成方法及装置
CN112084300A (zh) * 2020-08-07 2020-12-15 北京三快在线科技有限公司 响应信息输出方法、装置、电子设备及可读存储介质
CN112149415A (zh) * 2020-10-12 2020-12-29 清华大学 文本生成模型的训练方法、装置及可读存储介质
CN112149415B (zh) * 2020-10-12 2024-05-31 清华大学 文本生成模型的训练方法、装置及可读存储介质
CN112329435A (zh) * 2020-11-27 2021-02-05 腾讯科技（深圳）有限公司 文本处理方法、装置、计算机设备以及存储介质
CN112329435B (zh) * 2020-11-27 2022-06-14 腾讯科技（深圳）有限公司 文本处理方法、装置、计算机设备以及存储介质
CN114757154A (zh) * 2022-06-13 2022-07-15 深圳市承儒科技有限公司 基于深度学习的作业生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111177348B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN111177348A (zh) 问题生成模型的训练方法、装置、电子设备及存储介质
JP7025090B2 (ja) 翻訳方法、ターゲット情報決定方法および関連装置、ならびにコンピュータプログラム
CN112487182B (zh) 文本处理模型的训练方法、文本处理方法及装置
CN109117483B (zh) 神经网络机器翻译模型的训练方法及装置
CN110134968B (zh) 基于深度学习的诗歌生成方法、装置、设备及存储介质
CN109344413B (zh) 翻译处理方法、装置、计算机设备和计算机可读存储介质
CN110347799B (zh) 语言模型训练方法、装置和计算机设备
JP2023509031A (ja) マルチモーダル機械学習に基づく翻訳方法、装置、機器及びコンピュータプログラム
CN108062388A (zh) 人机对话的回复生成方法和装置
CN110598191B (zh) 一种基于神经网络的复杂pdf结构解析方法及装置
CN111460115B (zh) 智能人机对话模型训练方法、模型训练装置及电子设备
CN112765345A (zh) 一种融合预训练模型的文本摘要自动生成方法及系统
CN111382271B (zh) 文本分类模型的训练方法及装置、文本分类方法及装置
WO2023241410A1 (zh) 数据处理方法、装置、设备及计算机介质
CN110598222A (zh) 语言处理方法及装置、语言处理系统的训练方法及装置
CN112183065A (zh) 文本评估方法、装置、计算机可读存储介质及终端设备
CN113312919A (zh) 一种知识图谱的文本生成方法及装置
CN115731552A (zh) 印章文字识别方法、装置、处理器及电子设备
CN110287498B (zh) 层次化翻译方法、装置及存储介质
Chen et al. Research on neural machine translation model
CN111428518A (zh) 一种低频词翻译方法及装置
CN117173269A (zh) 一种人脸图像生成方法、装置、电子设备和存储介质
CN112052329A (zh) 文本摘要生成方法、装置、计算机设备及可读存储介质
CN117094365A (zh) 图文生成模型的训练方法、装置、电子设备及介质
CN112307754A (zh) 语句获取方法及装置

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
GR01 Patent grant
GR01 Patent grant