CN111475618A - 用于生成信息的方法和装置 - Google Patents

Abstract

本公开实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：接收待纠错文本；将上述待纠错文本输入预先建立的文本纠错模型，得到纠错后文本，其中，上述文本纠错模型是通过以下方式训练得到的：基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失，其中，样本包括样本待纠错文本和与样本待纠错文件对应的样本纠错后文本；确定噪声信息；基于上述噪声信息和所选取的样本进行第二次前向传播，得到第二损失；基于上述第一损失和上述第二损失，调整文本纠错模型的模型参数。该实施方式提升了文本纠错模型的整体性能，使生成的纠错后文本更加准确。

Description

用于生成信息的方法和装置

技术领域

本公开实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

文本纠错可以是指对文本中蕴含的语法错误、使用词错误、错别字等情况进行纠正。从而使改正后的文本，通顺，没有语法错误，用词正确，没有错别字。目前，文本纠错已经用于辅助人们写邮件、写论文等方面，并有相当的影响力。现阶段，可以基于统计方法实现文本纠错，然而这种方式是对某类问题的广泛记忆，无法泛化。例如，出现一个新的词，在数据库中没有累积，统计方法将无法对其进行修改。现阶段，还可以采用端到端的模型实现文本纠错，然而这种方式依赖于训练语料的质量，缺乏泛化能力。例如，一个句子中存在“只量”的错别字，模型需要大量修正语料才能发现“只量”应修改为“质量”。而构建训练语料是一件费时费力无法穷举的问题。

发明内容

本公开实施例提出了用于生成信息的方法和装置。

第一方面，本公开实施例提供了一种用于生成信息的方法，该方法包括：接收待纠错文本；将上述待纠错文本输入预先建立的文本纠错模型，得到纠错后文本，其中，上述文本纠错模型是通过以下方式训练得到的：基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失，其中，样本包括样本待纠错文本和与样本待纠错文件对应的样本纠错后文本；确定噪声信息；基于上述噪声信息和所选取的样本进行第二次前向传播，得到第二损失；基于上述第一损失和上述第二损失，调整文本纠错模型的模型参数。

在一些实施例中，上述确定噪声信息，包括：基于上述第一损失进行反向传播，得到梯度；根据上述梯度，确定噪声信息。

在一些实施例中，上述基于上述第一损失和上述第二损失，调整文本纠错模型的模型参数，包括：计算上述第一损失和上述第二损失的和，将计算结果确定为总损失；基于上述总损失进行反向传播，调整文本纠错模型的模型参数。

在一些实施例中，上述基于上述噪声信息和所选取的样本进行第二次前向传播，得到第二损失，包括：将上述噪声信息加到所选取的样本的样本待纠错文本对应的向量矩阵，得到综合向量矩阵；基于上述综合向量矩阵进行第二次前向传播，得到第二损失。

在一些实施例中，上述文本纠错模型为基于注意力机制的序列到序列模型。

第二方面，本公开实施例提供了一种用于生成信息的装置，装置包括：接收单元，被配置成接收待纠错文本；输入单元，被配置成将上述待纠错文本输入预先建立的文本纠错模型，得到纠错后文本，其中，上述文本纠错模型是通过训练单元训练得到的：上述训练单元包括：第一前向传播单元，被配置成基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失，其中，样本包括样本待纠错文本和与样本待纠错文件对应的样本纠错后文本；确定单元，被配置成确定噪声信息；第二前向传播单元，被配置成基于上述噪声信息和所选取的样本进行第二次前向传播，得到第二损失；调整单元，被配置成基于上述第一损失和上述第二损失，调整文本纠错模型的模型参数。

在一些实施例中，上述确定单元进一步被配置成：基于上述第一损失进行反向传播，得到梯度；根据上述梯度，确定噪声信息。

在一些实施例中，上述调整单元进一步被配置成：计算上述第一损失和上述第二损失的和，将计算结果确定为总损失；基于上述总损失进行反向传播，调整文本纠错模型的模型参数。

在一些实施例中，上述第二前向传播单元进一步被配置成：将上述噪声信息加到所选取的样本的样本待纠错文本对应的向量矩阵，得到综合向量矩阵；基于上述综合向量矩阵进行第二次前向传播，得到第二损失。

在一些实施例中，上述文本纠错模型为基于注意力机制的序列到序列模型。

第三方面，本公开实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的用于生成信息的方法和装置，首先接收待纠错文本，而后将待纠错文本输入预先建立的文本纠错模型，从而得到纠错后文本。其中，文本纠错模型是通过以下方式训练得到的：1)基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失；2)确定噪声信息；3)基于噪声信息和所选取的样本进行第二次前向传播，得到第二损失；4)基于第一损失和第二损失，调整文本纠错模型的模型参数。从而在训练文本纠错模型时引入噪声，可以提升文本纠错模型的泛化能力，减少文本纠错模型对标注数据的依赖，进而提升文本纠错模型的整体性能，使生成的纠错后文本更加准确。

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是本公开的一个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信息的方法的一个实施例的流程图；

图3是根据本申请的训练文本纠错模型的一个实施例的流程图；

图4是根据本申请的文本纠错模型的网络结构的示意图；

图5是基于图4所示网络结构为例的流程示意图；

图6是根据本公开的用于生成信息的方法的一个应用场景的示意图；

图7是根据本公开的用于生成信息的方法的又一个实施例的流程图；

图8是根据本公开的用于生成信息的装置的一个实施例的结构示意图；

图9是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

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实施例的用于生成信息的方法或用于生成信息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，例如文本编辑应用、网页浏览器应用、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、文本纠错软件等。

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文本输入的各种电子设备，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。

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上显示的文本提供支持的后台服务器。后台服务器可以对接收到的待纠错文本等数据进行分析等处理，并将处理结果(例如纠错后文本)反馈给终端设备。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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。

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。

需要说明的是，本公开实施例所提供的用于生成信息的方法可以由服务器105执行，也可以由终端设备101、102、103执行。相应地，用于生成信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

继续参考图2，示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，接收待纠错文本。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)可以接收待纠错文本。作为示例，当执行主体为终端设备时，执行主体可以直接接收用户输入的待纠错文本；当执行主体为服务器时，执行主体可以通过有线连接方式或者无线连接方式从用户所使用的终端设备接收待纠错文本。这里，本实施例中的用于生成信息的方法可以应用于各种语言的文本，因此，待纠错文本可以是各种语言的文本。

步骤202，将待纠错文本输入预先建立的文本纠错模型，得到纠错后文本。

在本实施例中，执行主体可以将步骤201中接收的待纠错文本输入预先建立的文本纠错模型，从而得到纠错后文本。这里，文本纠错模型可以用于对所输入的文本进行纠错，得到纠错后的文本。这里，上述文本纠错模型可以是预先训练得到。

请参考图3，图3示出了根据本申请的预先训练文本纠错模型的一个实施例的流程300。该训练文本纠错模型的方法，包括以下步骤：

步骤301，基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失。

在本实施例中，训练文本纠错模型的执行主体可以与用于生成信息的方法的执行主体相同，也不可以不同。如果相同，则训练文本纠错模型的执行主体可以在训练得到文本纠错模型后，将训练完成的文本纠错模型的模型结构信息和模型参数的参数值存储在本地。如果不相同，则训练文本纠错模型的执行主体可以在训练得到文本纠错模型后，将训练完成的文本纠错模型的模型结构信息和模型参数的参数值发送给用于生成信息的方法的执行主体。

这里，训练文本纠错模型的执行主体首先可以获取样本集。其中，样本集中的样本可以包括样本待纠错文本和与样本待纠错文本对应的样本纠错后文本。实践中，样本待纠错文本中可以包括语法错误、词的使用错误、词的拼写错误等各种错误。也可以根据实际需要定义其他形式的错误，例如，标点符号的使用错误、语句的断句错误等等。之后，训练文本纠错模型的执行主体可以从样本集中选取一个样本，并将该样本的样本待纠错文本作为输入，将该样本的样本纠错后文本作为期望输出，进行第一次前向传播。在第一次前向传播时，可以基于模型针对所输入的样本待纠错文本的输出、期望输出和预设的损失函数计算损失，并将计算得到的损失作为第一损失。这里，损失函数可以为交叉熵。

在本实施例的一些可选的实现方式中，上述文本纠错模型可以为基于注意力机制的序列到序列模型。

在本实现方式中，文本纠错模型可以是基于注意力机制的序列到序列模型。作为示例，文本纠错模型可以为卷积神经网络，包括编码器和解码器，编码器和解码器可以包含相同的层数。文本纠错模型可以包括但不限于：嵌入层、卷积层、池化层、激励函数层等等。每个层可能还包括一些参数，例如，权重、偏置项、卷积的步长等等。而在进行模型训练时，模型各层的参数需要优化调整。

举例来说，如图4所示，图4示出文本纠错模型的网络结构的一个示意图，该网络结构包括嵌入(Embedding)层、编码层(Encoding layers)、解码器层(Decoder layers)，其中，解码器层应用了注意力机制。需要说明的是，图4所示的网络结构包括的各层、以及各层之间的连接关系仅仅是示意性的，而非对文本纠错模型的网络结构的限定。实际使用中，可以根据实际需要设定网络结构的各层以及各层之间的连接。

步骤302，确定噪声信息。

在本实施例中，训练文本纠错模型的执行主体还可以通过各种方式确定一条噪声信息。举例来说，训练文本纠错模型的执行主体内部可以预先存储有多条噪声信息，执行主体可以从这多条噪声信息中随机确定一条噪声信息。作为一个示例，上述多条噪声信息可以是技术人员根据实际需要设定的。这里，噪声信息可以是用于加在样本的样本待纠错文本对应的向量矩阵上的信息。噪声信息可以为矩阵，其矩阵的行列数可以与样本待纠错文本对应的向量矩阵的行列数相同。这里，样本的待纠错文本对应的向量矩阵可以是指文本纠错模型的嵌入(Embedding)层输出的向量矩阵。这里，嵌入层可以为文本纠错模型的第一层，可以用于将输入的文本纠错模型的文本转化为对应的向量矩阵。作为另一个示例，训练文本纠错模型的执行主体可以基于FGM(Fast Gradient Method)、FGSM(Fast GradientSign Method)、PGD(Projected Gradient Descent)等算法计算噪声。

步骤303，基于噪声信息和所选取的样本进行第二次前向传播，得到第二损失。

在本实施例中，训练文本纠错模型的执行主体可以基于噪声信息和所选取的样本进行第二次前向传播，从而得到第二损失。作为示例，执行主体首先可以计算噪声信息和所选取的样本的样本待纠错文本对应的向量矩阵之间的加权和。之后，将加权和的计算结果作为嵌入层之后网络层的输入，将该样本的样本纠错后文本作为期望输出，进行第二次前向传播。在第二次前向传播时，可以基于预设的损失函数计算损失，并将计算得到的损失作为第二损失。这里，损失函数也可以为交叉熵。

在本实施例的一些可选的实现方式中，上述步骤303可以具体如下进行：

首先，将噪声信息加到所选取的样本的样本待纠错文本对应的向量矩阵，得到综合向量矩阵。

在本实现方式中，训练文本纠错模型的执行主体可以将噪声信息加到所选取的样本的样本待纠错文本对应的向量矩阵，并将相加后的矩阵作为综合向量矩阵。

然后，基于综合向量矩阵进行第二次前向传播，得到第二损失。

在本实现方式中，训练文本纠错模型的执行主体可以基于综合向量矩阵进行第二次前向传播。在第二次前向传播时可以基于预设的损失函数计算损失，并将计算得到的损失作为第二损失。

步骤304，基于第一损失和第二损失，调整文本纠错模型的模型参数。

在本实施例中，执行主体可以基于第一损失和第二损失，调整文本纠错模型的模型参数。举例来说，执行主体可以计算第一损失和第二损失的加权和，并基于加权和结果进行反向传播，调整文本纠错模型的模型参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整文本纠错模型的模型参数。这里，计算加权和时，所使用的权值可以技术人员根据实际需要设定的。以图4的网络结构为例，基于样本的第一次前向传播可以得到第一损失。基于第一损失可以得到噪声信息。基于噪声信息和样本进行第二次前向传播可以得到第二损失。继续参考图5，图5是基于图4所示网络结构为例的流程示意图。

在本实施例的一些可选的实现方式中，上述步骤304可以具体如下进行：

首先，计算第一损失和第二损失的和，将计算结果确定为总损失。

在本实现方式中，训练文本纠错模型的执行主体可以计算第一损失和第二损失的和，并将计算结果确定为总损失。作为示例，假设第一损失为L_normal，第二损失为L_adv，则总损失L_total可以通过以下公式确定：

L_total＝L_normal+L_adv。

之后，基于总损失进行反向传播，调整文本纠错模型的模型参数。

在本实现方式中，训练文本纠错模型的执行主体可以基于总损失进行反向传播，调整文本纠错模型的模型参数。

继续参见图6，图6是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图6的应用场景中，用户首先向终端设备601输入待纠错文本“They hvae to bendyour back”。之后，终端设备601将待纠错文本“They hvae to bend your back”输入预先建立的文本纠错模型，得到纠错后文本“They have to bend your back”。其中，文本纠错模型是通过以下方式训练得到的：1)基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失。2)确定噪声信息。

3)基于噪声信息和所选取的样本进行第二次前向传播，得到第二损失。

4)基于第一损失和第二损失，调整文本纠错模型的模型参数。

本公开的上述实施例提供的方法在训练文本纠错模型时引入噪声，可以提升文本纠错模型的泛化能力，减少文本纠错模型对标注数据的依赖，进而提升文本纠错模型的整体性能，使生成的纠错后文本更加准确。

进一步参考图7，其示出了训练文本纠错模型的方法的又一个实施例的流程700。该训练文本纠错模型的方法的流程700，包括以下步骤：

步骤701，基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失。

在本实施例中，步骤701与图3所示实施例的步骤301类似，此处不再赘述。

步骤702，基于第一损失进行反向传播，得到梯度。

在本实施例中，训练文本纠错模型的执行主体可以基于步骤701得到的第一损失进行反向传播，得到梯度。这里，基于损失反向传播计算梯度是神经网络优化时容易计算得到的，为公知常识，此处不再赘述。举例来说，假设y表示样本纠错后文本，s表示样本待纠错文本，

表示文本纠错模型的模型参数。

表示条件概率，则梯度g可以通过以下公式计算得到：

其中，

表示梯度。

步骤703，根据梯度，确定噪声信息。

在本实施例中，训练文本纠错模型的执行主体可以根据步骤702中得到的梯度，确定噪声信息。具体的，首先可以计算梯度的二范数；然后计算梯度的二范数与梯度的积；最后，将预设的限制参数与上述积的乘积的负数确定为噪声信息，其中，限制参数可以根据实际需要进行设定。举例来说，噪声信息ρ可以通过以下公式计算得到：

ρ＝-εg||g||₂，

其中，ε表示限制参数；||g||₂表示梯度的二范数。

步骤704，基于噪声信息和所选取的样本进行第二次前向传播，得到第二损失。

在本实施例中，步骤704与图3所示实施例的步骤303类似，此处不再赘述。

步骤705，基于第一损失和第二损失，调整文本纠错模型的模型参数。

在本实施例中，步骤705与图3所示实施例的步骤304类似，此处不再赘述。

从图7中可以看出，与图3对应的实施例相比，本实施例中的训练文本纠错模型的方法的流程700突出了基于反向传播的梯度确定噪声信息的步骤。由此，得到的噪声的分布可以更加接近真实人类容易犯的错误的分布，进而提升了模型的泛化能力，提升了模型的性能。

进一步参考图8，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信息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8所示，本实施例的用于生成信息的装置800包括：接收单元801和输入单元802。其中，接收单元801被配置成接收待纠错文本；输入单元802被配置成将上述待纠错文本输入预先建立的文本纠错模型，得到纠错后文本，其中，上述文本纠错模型是通过训练单元(图中未示出)训练得到的：上述训练单元包括：第一前向传播单元(图中未示出)，被配置成基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失，其中，样本包括样本待纠错文本和与样本待纠错文件对应的样本纠错后文本；确定单元(图中未示出)，被配置成确定噪声信息；第二前向传播单元(图中未示出)，被配置成基于上述噪声信息和所选取的样本进行第二次前向传播，得到第二损失；调整单元(图中未示出)，被配置成基于上述第一损失和上述第二损失，调整文本纠错模型的模型参数。

在本实施例中，用于生成信息的装置800的接收单元801和输入单元802的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201和步骤202的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述确定单元进一步被配置成：基于上述第一损失进行反向传播，得到梯度；根据上述梯度，确定噪声信息。

在本实施例的一些可选的实现方式中，上述调整单元进一步被配置成：计算上述第一损失和上述第二损失的和，将计算结果确定为总损失；基于上述总损失进行反向传播，调整文本纠错模型的模型参数。

在本实施例的一些可选的实现方式中，上述第二前向传播单元进一步被配置成：将上述噪声信息加到所选取的样本的样本待纠错文本对应的向量矩阵，得到综合向量矩阵；基于上述综合向量矩阵进行第二次前向传播，得到第二损失。

在本实施例的一些可选的实现方式中，上述文本纠错模型为基于注意力机制的序列到序列模型。

下面参考图9，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中的服务器或终端设备)900的结构示意图。图9示出的电子设备仅仅是一个示例，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9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：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906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，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9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909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901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：接收待纠错文本；将上述待纠错文本输入预先建立的文本纠错模型，得到纠错后文本，其中，上述文本纠错模型是通过以下方式训练得到的：基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失，其中，样本包括样本待纠错文本和与样本待纠错文件对应的样本纠错后文本；确定噪声信息；基于上述噪声信息和所选取的样本进行第二次前向传播，得到第二损失；基于上述第一损失和上述第二损失，调整文本纠错模型的模型参数。

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：一种处理器包括接收单元和输入单元。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，接收单元还可以被描述为“接收待纠错文本的单元”。

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 (12)

1.一种用于生成信息的方法，包括：

接收待纠错文本；

将所述待纠错文本输入预先建立的文本纠错模型，得到纠错后文本，其中，所述文本纠错模型是通过以下方式训练得到的：

基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失，其中，样本包括样本待纠错文本和与样本待纠错文件对应的样本纠错后文本；

确定噪声信息；

基于所述噪声信息和所选取的样本进行第二次前向传播，得到第二损失；

基于所述第一损失和所述第二损失，调整文本纠错模型的模型参数。

2.根据权利要求1所述的方法，其中，所述确定噪声信息，包括：

基于所述第一损失进行反向传播，得到梯度；

根据所述梯度，确定噪声信息。

3.根据权利要求1所述的方法，其中，所述基于所述第一损失和所述第二损失，调整文本纠错模型的模型参数，包括：

计算所述第一损失和所述第二损失的和，将计算结果确定为总损失；

基于所述总损失进行反向传播，调整文本纠错模型的模型参数。

4.根据权利要求1所述的方法，其中，所述基于所述噪声信息和所选取的样本进行第二次前向传播，得到第二损失，包括：

将所述噪声信息加到所选取的样本的样本待纠错文本对应的向量矩阵，得到综合向量矩阵；

基于所述综合向量矩阵进行第二次前向传播，得到第二损失。

5.根据权利要求1所述的方法，其中，所述文本纠错模型为基于注意力机制的序列到序列模型。

6.一种用于生成信息的装置，包括：

接收单元，被配置成接收待纠错文本；

输入单元，被配置成将所述待纠错文本输入预先建立的文本纠错模型，得到纠错后文本，其中，所述文本纠错模型是通过训练单元训练得到的：所述训练单元包括：

第一前向传播单元，被配置成基于从预先获取的样本集中选取的样本进行第一次前向传播，得到第一损失，其中，样本包括样本待纠错文本和与样本待纠错文件对应的样本纠错后文本；

确定单元，被配置成确定噪声信息；

第二前向传播单元，被配置成基于所述噪声信息和所选取的样本进行第二次前向传播，得到第二损失；

调整单元，被配置成基于所述第一损失和所述第二损失，调整文本纠错模型的模型参数。

7.根据权利要求6所述的装置，其中，所述确定单元进一步被配置成：

基于所述第一损失进行反向传播，得到梯度；

根据所述梯度，确定噪声信息。

8.根据权利要求6所述的装置，其中，所述调整单元进一步被配置成：

计算所述第一损失和所述第二损失的和，将计算结果确定为总损失；

基于所述总损失进行反向传播，调整文本纠错模型的模型参数。

9.根据权利要求6所述的装置，其中，所述第二前向传播单元进一步被配置成：

将所述噪声信息加到所选取的样本的样本待纠错文本对应的向量矩阵，得到综合向量矩阵；

基于所述综合向量矩阵进行第二次前向传播，得到第二损失。

10.根据权利要求6所述的装置，其中，所述文本纠错模型为基于注意力机制的序列到序列模型。

11.一种设备，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1-5中任一所述的方法。

12.一种计算机可读介质，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1-5中任一所述的方法。

Images