CN111680145A - 知识表示学习方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请实施例公开了知识表示学习方法、装置、设备以及存储介质，涉及自然语言处理、深度学习技术领域。该方法的一具体实施方式包括：获取行业训练文本；利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本；将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。该实施方式利用特定行业的训练文本训练预训练语言模型，提升了预训练语言模型应用到特定行业任务上的效果。此外，在训练过程中，利用掩码语言模型对行业训练文本中的行业词进行掩码，使得预训练语言模型能够结合完整的行业词学习其中每个字的知识表示，从而提升了预训练语言模型对行业词中的每个字的知识表示的学习效果。

Description

知识表示学习方法、装置、设备以及存储介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及自然语言处理、深度学习技术领域，尤其涉及知识表示学习方法、装置、设备以及存储介质。

背景技术

在NLP(Natural Language Processing，自然语言处理)领域中，预训练语言模型在多项NLP任务上都表现出极佳的效果。此外，预训练语言模型在诸如许多阅读理解任务、信息抽取任务等需要关于现实世界描述和知识推理的任务上也表现的很好，这说明预训练模型具有较好的知识获取能力，能够用来更好地学习知识表示。

发明内容

本申请实施例提出了知识表示学习方法、装置、设备以及存储介质。

第一方面，本申请实施例提出了一种知识表示学习方法，包括：获取行业训练文本；利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本；将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。

第二方面，本申请实施例提出了一种知识表示学习装置，包括：行业训练文本获取模块，被配置成获取行业训练文本；行业训练文本掩码模块，被配置成利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本；掩码训练文本学习模块，被配置成将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。

第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本申请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，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

本申请实施例提供的知识表示学习方法、装置、设备以及存储介质，首先获取行业训练文本；然后利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本；最后将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。利用特定行业的训练文本训练预训练语言模型，提升了预训练语言模型应用到特定行业任务上的效果。此外，在训练过程中，利用掩码语言模型对行业训练文本中的行业词进行掩码，使得预训练语言模型能够结合完整的行业词学习其中每个字的知识表示，从而提升了预训练语言模型对行业词中的每个字的知识表示的学习效果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

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，本申请的其它特征、目的和优点将会变得更明显。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是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的知识表示学习方法的一个实施例的流程图；

图3是根据本申请的知识表示学习方法的又一个实施例的流程图；

图4是可以实现图3所示的知识表示学习方法的场景图；

图5是根据本申请的知识表示学习方法的另一个实施例的流程图；

图6是根据本申请的知识表示学习装置的一个实施例的结构示意图；

图7是用来实现本申请实施例的知识表示学习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。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的知识表示学习方法或知识表示学习装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括数据库101、网络102和服务器103。网络102用以在数据库101和服务器103之间提供通信链路的介质。网络102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。

数据库101可以用于存储知识库。

服务器103可以提供各种服务。例如，服务器103可以对从数据库101获取到的行业训练文本等数据进行分析等处理，生成处理结果(例如知识表示)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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103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。

需要说明的是，本申请实施例所提供的知识表示学习方法一般由服务器103执行，相应地，知识表示学习装置一般设置于服务器103中。

应该理解，图1中的数据库、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数据库、网络和服务器。在服务器103中存储有行业训练文本的情况下，系统架构100可以不设置数据库101和网络102。

继续参考图2，其示出了根据本申请的知识表示学习方法的一个实施例的流程200。该知识表示学习方法包括以下步骤：

步骤201，获取行业训练文本。

在本实施例中，知识表示学习方法的执行主体(例如图1所示的服务器103)可以获取海量的行业训练文本。

其中，行业是指一组提供同类相互密切替代商品或服务的公司。不同的行业拥有其特定的语料，称为行业语料。行业训练文本可以是从行业语料中抽取出来的文本。通常，行业训练文本中会存在行业词。行业词可以是行业所特有的词，即仅在该行业中存在特殊意义的词。例如，“牛磺酸颗粒”是医疗行业的行业词。“宪法”是法律行业的行业词。

步骤202，利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本。

在本实施例中，上述执行主体可以利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本。具体地，首先利用掩码语言模型(Mask Language Model)识别出行业训练文本中的行业词，然后对行业词进行遮挡。

其中，掩码语言模型可以用于掩码行业词，是利用大规模行业词典定制而来的。大规模行业词典可以是利用数据挖掘技术从海量行业语料中挖掘而来。下面提供一种行业词典挖掘方法，其步骤如下：

首先，收集行业语料。

之后，对行业语料进行切词，得到词语集合。

然后，统计词语集合中的词语的分布，得到分布结果。这里，统计每个词语在行业语料中出现的频率。

最后，基于分布结果从词语集合中选取词语，生成行业词典。其中，行业词典可以作为掩码语言模型。这里，首先选取出现频率高的词语，然后人工删除通用词，即可得到行业词典。

步骤203，将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。

在本实施例中，上述执行主体可以将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。

在NLP领域中，预训练语言模型在多项NLP任务上都表现出极佳的效果。此外，预训练语言模型在诸如许多阅读理解任务、信息抽取任务等需要关于现实世界描述和知识推理的任务上也表现的很好，这说明预训练模型具有较好的知识获取能力，能够用来更好地学习知识表示。预训练语言模型可以从海量的无标注训练文本中学习到潜在的语义信息，而无需为每一项下游NLP任务单独标注大量训练数据。预训练语言模型的训练过程可以包括预训练(Pre-training)阶段和微调(Fine-tuning)阶段。其中，在预训练阶段，使用大量无监督语料进行预训练语言模型训练。在微调阶段，使用少量标注语料进行微调来完成具体NLP任务。其中，预训练语言模型能够完成的NLP任务可以包括但不限于分类任务、序列标注任务、句间关系判断任务、机器阅读理解任务等等。

这里，利用行业训练文本训练预训练语言模型属于预训练阶段。

预训练语言模型可以学习行业训练文本中的每个字的知识表示。由于输入预训练语言模型之前，行业训练文本中的行业词被掩码，因此预训练语言模型学习到行业词中的字时，会将被掩码的行业词作为一个整体来学习，结合完整的行业词学习其中每个字的知识表示，从而提升了预训练语言模型对行业词中的每个字的知识表示的学习效果。

可选地，预训练语言模型可以包括但不限于BERT(Bidirectional EncoderRepresentation from Transformers，基于变压器的双向编码器表示)、ERNIE(EnhancedLanguage Representation with Informative Entities，使用信息实体增强语言表示)、XLNET(通用的自回归预训练模型)等等。其中，BERT是一个深度双向表示预训练模型，能够更深层次地提取文本的语义信息。ERNIE能够利用外部知识(知识图谱)中信息加入到语言模型的训练中，增强词向量的表示能力。XLNET是一个类似BERT的模型，可以通过最大化所有可能的因式分解顺序的对数似然，学习双向语境信息；还可以用自回归本身的特点克服BERT的缺点。此外，XLNET还融合了当前最优自回归模型Transformer-XL的思路。

应当理解的是，利用一种行业的训练文本可以对应训练出一个预训练语言模型，该预训练语言模型在该行业任务上可以表现出更好的效果。例如，利用医疗行业的训练文本训练出的预训练语言模型在医疗行业任务上可以表现出更好的效果。利用法律行业的训练文本训练出的预训练语言模型在法律行业任务上可以表现出更好的效果。

本申请实施例提供的知识表示学习方法，首先获取行业训练文本；然后利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本；最后将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。利用特定行业的训练文本训练预训练语言模型，提升了预训练语言模型应用到特定行业任务上的效果。此外，在训练过程中，利用掩码语言模型对行业训练文本中的行业词进行掩码，使得预训练语言模型能够结合完整的行业词学习其中每个字的知识表示，从而提升了预训练语言模型对行业词中的每个字的知识表示的学习效果。

进一步参考图3，其示出了根据本申请的知识表示学习方法的又一个实施例的流程300。该知识表示学习方法包括以下步骤：

步骤301，收集行业问答语料。

在本实施例中，知识表示学习方法的执行主体(例如图1所示的服务器103)可以收集海量的行业问答语料。通常，行业问答语料可以从互动问答平台获取，包括问句和答句。

由于行业问答任务事实上蕴含了大量的知识信息，也非常符合任务的信息获取过程，因此在预训练语言模型中增加行业问答预训练任务，能够辅助预训练语言模型进一步学习行业知识。

步骤302，将行业问答语料作为正例行业训练文本。

在本实施例中，上述执行主体可以将行业问答语料作为正例行业训练文本。其中，正例行业训练文本中的答句可以回答正例行业训练文本中的问句。

步骤303，将行业问答语料中的问句和答句打散，生成负例行业训练文本。

在本实施例中，上述执行主体可以将行业问答语料中的问句和答句打散，生成负例行业训练文本。其中，打散方式可以包括但不限于随机打散。负例行业训练文本中的答句不可以回答负例行业训练文本中的问句。

步骤304，在正例行业训练文本和负例行业训练文本的头部插入第一预设字符，以及在问句和答句的结尾插入第二预设字符。

在本实施例中，无论是正例行业训练文本还是负例行业训练文本，上述执行主体均可以在其头部插入第一预设字符，以及在问句和答句的结尾插入第二预设字符。其中，在头部插入第一预设字符可以便于预训练语言模型区分正负例。在问句和答句的结尾插入第二预设字符可以将问句和答句分开，便于预训练语言模型识别。插入字符的行业训练文本可以例如是“cls#sep#sep”。其中，cls代表第一预设字符，#代表问句或答句，sep代表第二预设字符。

步骤305，利用掩码语言模型对正例行业训练文本和负例行业训练文本中的行业词进行掩码，得到正例掩码训练文本和负例掩码训练文本。

在本实施例中，当输入正例行业训练文本时，上述执行主体可以利用掩码语言模型对正例行业训练文本中的行业词进行掩码，得到正例掩码训练文本。当输入负例行业训练文本时，上述执行主体可以利用掩码语言模型对负例行业训练文本中的行业词进行掩码，得到负例掩码训练文本。

需要说明的是，对正例行业训练文本和负例行业训练文本掩码可参考图2中对行业训练文本掩码，这里不再赘述。

步骤306，将正例掩码训练文本和负例掩码训练文本输入至预训练语言模型，学习得到正例行业训练文本和负例行业训练文本中的每个字的知识表示，以及正例行业训练文本和负例行业训练文本的正负例预测值。

在本实施例中，当输入正例掩码训练文本时，上述执行主体可以利用预训练语言模型学习得到正例行业训练文本中的每个字的知识表示，以及正例行业训练文本的正负例预测值。当输入负例掩码训练文本时，上述执行主体可以利用预训练语言模型学习得到负例行业训练文本中的每个字的知识表示，以及负例行业训练文本的正负例预测值。通常，正例行业训练文本的正负例预测值是1，负例行业训练文本的正负例预测值是0。

无论是正例行业训练文本还是负例行业训练文本，其中均既包括问句又包括答句，使得正例行业训练文本和负例行业训练文本均含有弱监督信息。利用带弱监督信息的正例行业训练文本和负例行业训练文本对预训练语言模型进行训练，能够使得预训练语言模型能够区分正负例。

需要说明的是，预训练语言模型学习正例行业训练文本或负例行业训练文本中的每个字的知识表示可以参考图2中预训练语言模型学习行业训练文本中的每个字的知识表示，这里不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的知识表示学习方法的流程300突出了在预训练语言模型中增加行业问答预训练任务的步骤。由此，在本实施例描述的方案中，由于行业问答任务事实上蕴涵了大量的知识信息，也非常符合任务的信息获取过程，因此在预训练语言模型中增加行业问答预训练任务，能够辅助预训练语言模型进一步学习行业知识。

为了便于理解，下面提供可以实现本申请实施例的知识表示学习方法的场景图。如图4所示，首先，从互动问答平台收集医疗行业问答语料“问题描述：孩子病毒性感冒吃什么药退烧快？病情分析：孩子低烧可以吃牛磺酸颗粒退烧。”和“问题描述：孩子腹泻吃什么药好？病情分析：孩子腹泻可以吃蒙脱石散。”。之后，在医疗行业问答语料的头部，以及问句和答句的结尾插入字符，生成正例医疗行业训练文本“cls孩子病毒性感冒吃什么药退烧快sep孩子低烧可以吃牛磺酸颗粒退烧sep”和“cls孩子腹泻吃什么药好sep孩子腹泻可以吃蒙脱石散sep”。同时，将医疗行业问答语料中的问句和答句打散，并在打散的医疗行业问答语料的头部，以及问句和答句的结尾插入字符，生成正例医疗行业训练文本“cls孩子病毒性感冒吃什么药退烧快sep孩子腹泻可以吃蒙脱石散sep”和“cls孩子腹泻吃什么药好sep孩子低烧可以吃牛磺酸颗粒退烧sep”。然后，将正例医疗行业训练文本和负例医疗行业训练文本输入至掩码语言模型，对行业词“牛磺酸颗粒”和“蒙脱石散”进行掩码。最后，将正例掩码训练文本和负例掩码训练文本输入至预训练语言模型，学习得到医疗行业的知识表示。其中，a代表正负例预测值，d代表一个字的知识表示。

进一步参考图5，其示出了根据本申请的知识表示学习方法的另一个实施例的流程500。该知识表示学习方法包括以下步骤：

步骤501，收集法律判决书语料。

在本实施例中，在法律行业，知识表示学习方法的执行主体(例如图1所示的服务器103)可以收集海量的法律判决书语料。

其中，法律判决书语料可以从法院网站获取，包括但不限于当事人信息、案由信息、事实和依据、判决结果等等。在法律行业中，不同案由蕴含不同的关键信息。例如，当一篇法律判决书语料中蕴含着许多拥有“偷”的含义的词语时，其往往与盗窃案件相关。

通常，法律判决书基本可以分为民事和刑事两种，因此法律判决书语料可以划分为刑事法律判决书语料和民事法律判决书语料。两种法律判决书语料既有相似之处又有差异之处，可以使用不同的任务标识来区分。例如，刑事法律判决书语料的任务标识是0，民事法律判决书语料的任务标识是1。这样，同一预训练语言模型不仅可以同时学习刑事法律知识和民事法律知识，还可以学习到刑事法律知识和民事法律知识的相同点和不同点。

步骤502，将法律判决书语料中的案由信息删除，生成法律行业训练文本。

在本实施例中，上述执行主体可以将法律判决书语料中的案由信息删除，生成法律行业训练文本。

由于案由信息在法律判决书语料的特定位置，或者蕴含特定内容信息，因此基于特定位置或特定内容信息，可以从法律判决书语料中查找到案由信息，并进行删除。

步骤503，在法律行业训练文本的头部插入第一预设字符，以及按照固定字符长度对法律行业训练文本进行划分，并且在划分出的每部分的结尾插入第二预设字符。

在本实施例中，上述执行主体可以在法律行业训练文本的头部插入第一预设字符，以及按照固定字符长度对法律行业训练文本进行划分，并且在划分出的每部分的结尾插入第二预设字符。其中，在头部插入第一预设字符可以便于预训练语言模型完成案由分类预训练任务。由于法律行业训练文本的内容通常较长，为了便于预训练语言模型学习，将法律行业训练文本划分为多部分，并且在每部分的结尾插入第二预设字符将每部分分开。插入字符的法律行业训练文本可以例如是“cls#sep#sep#sep#sep”。其中，cls代表第一预设字符，#代表固定字符长度的文本，sep代表第二预设字符。

通常，法律判决书预料的内容较多，为了便于处理，可以按照固定字符长度对法律行业训练文本进行划分。例如，以512字符长度为单位对法律行业训练文本进行划分。

步骤504，利用掩码语言模型对法律行业训练文本中的法律行业词进行掩码，得到掩码训练文本。

在本实施例中，上述执行主体可以利用掩码语言模型对法律行业训练文本中的法律行业词进行掩码，得到掩码训练文本。

需要说明的是，对法律行业训练文本掩码可参考图2中对行业训练文本掩码，这里不再赘述。

步骤505，将掩码训练文本输入至预训练语言模型，学习得到法律行业训练文本中的每个字的知识表示，以及法律行业训练文本所属的案由。

在本实施例中，上述执行主体可以将掩码训练文本输入至预训练语言模型，学习得到法律行业训练文本中的每个字的知识表示，以及法律行业训练文本所属的案由。通常，同一法律行业训练文本可以属于多个不同类别的案由，从而实现案由多分类。

需要说明的是，预训练语言模型学习法律行业训练文本中的每个字的知识表示可以参考图2中预训练语言模型学习行业训练文本中的每个字的知识表示，这里不再赘述。

从图5中可以看出，与图2对应的实施例相比，本实施例中的知识表示学习方法的流程500突出了在预训练语言模型中增加案由分类预训练任务的步骤。由此，在本实施例描述的方案中，由于案由分类任务事实上蕴涵了大量的知识信息，也非常符合任务的信息获取过程，因此在预训练语言模型中增加案由分类预训练任务，能够辅助预训练语言模型进一步学习法律行业知识。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种知识表示学习装置的一个实施例，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6所示，本实施例的知识表示学习装置600可以包括：行业训练文本获取模块601、行业训练文本掩码模块602和掩码训练文本学习模块603。其中，行业训练文本获取模块601，被配置成获取行业训练文本；行业训练文本掩码模块602，被配置成利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本；掩码训练文本学习模块603，被配置成将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。

在本实施例中，知识表示学习装置600中：行业训练文本获取模块601、行业训练文本掩码模块602和掩码训练文本学习模块603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203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，知识表示学习装置600还包括掩码语言模型定制模块(图中未示出)，掩码语言模型定制模块包括：行业语料收集子模块(图中未示出)，被配置成收集行业语料；行业语料切分子模块(图中未示出)，被配置成对行业语料进行切词，得到词语集合；词语分布统计子模块(图中未示出)，被配置成统计词语集合中的词语的分布，得到分布结果；行业词典生成子模块(图中未示出)，被配置成基于分布结果从词语集合中选取词语，生成行业词典，作为掩码语言模型。

在本实施例的一些可选的实现方式中，行业训练文本获取模块601包括：问答语料收集子模块(图中未示出)，被配置成收集行业问答语料；正例文本生成子模块(图中未示出)，被配置成将行业问答语料作为正例行业训练文本；负例文本生成子模块(图中未示出)，被配置成将行业问答语料中的问句和答句打散，生成负例行业训练文本。

在本实施例的一些可选的实现方式中，行业训练文本获取模块601还包括：第一插入子模块(图中未示出)，被配置成在正例行业训练文本和负例行业训练文本的头部插入第一预设字符，以及在问句和答句的结尾插入第二预设字符；以及掩码训练文本学习模块603进一步被配置成：将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示，以及行业训练文本的正负例预测值。

在本实施例的一些可选的实现方式中，行业是法律行业；以及行业训练文本获取模块601包括：判决书语料收集子模块(图中未示出)，被配置成收集法律判决书语料；案由信息删除子模块(图中未示出)，被配置成将法律判决书语料中的案由信息删除，生成法律行业训练文本。

在本实施例的一些可选的实现方式中，行业训练文本获取模块601还包括：第二插入子模块(图中未示出)，被配置成在法律行业训练文本的头部插入第一预设字符，以及按照固定字符长度对法律行业训练文本进行划分，并且在划分出的每部分的结尾插入第二预设字符；以及掩码训练文本学习模块603进一步被配置成：将掩码训练文本输入至预训练语言模型，学习得到法律行业训练文本中的每个字的知识表示，以及法律行业训练文本所属的案由。

在本实施例的一些可选的实现方式中，法律判决书语料包括刑事法律判决书语料和民事法律判决书语料，以及刑事法律判决书语料和民事法律判决书语料使用不同的任务标识区分。

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知识表示学习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701、存储器702，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7中以一个处理器701为例。

存储器702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知识表示学习方法。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知识表示学习方法。

存储器702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知识表示学习方法对应的程序指令/模块(例如，附图6所示的行业训练文本获取模块601、行业训练文本掩码模块602和掩码训练文本学习模块603)。处理器701通过运行存储在存储器702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知识表示学习方法。

存储器702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知识表示学习方法的电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至知识表示学习方法的电子设备。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。

知识表示学习方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704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703可接收输入的数字或字符信息，以及产生与知识表示学习方法的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704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。

根据本申请的技术方案，首先获取行业训练文本；然后利用掩码语言模型对行业训练文本中的行业词进行掩码，得到掩码训练文本；最后将掩码训练文本输入至预训练语言模型，学习得到行业训练文本中的每个字的知识表示。利用特定行业的训练文本训练预训练语言模型，提升了预训练语言模型应用到特定行业任务上的效果。此外，在训练过程中，利用掩码语言模型对行业训练文本中的行业词进行掩码，使得预训练语言模型能够结合完整的行业词学习其中每个字的知识表示，从而提升了预训练语言模型对行业词中的每个字的知识表示的学习效果。

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 (16)

1.一种知识表示学习方法，包括：

获取行业训练文本；

利用掩码语言模型对所述行业训练文本中的行业词进行掩码，得到掩码训练文本；

将所述掩码训练文本输入至预训练语言模型，学习得到所述行业训练文本中的每个字的知识表示。

2.根据权利要求1所述的方法，其中，所述掩码语言模型的定制步骤包括：

收集行业语料；

对所述行业语料进行切词，得到词语集合；

统计所述词语集合中的词语的分布，得到分布结果；

基于所述分布结果从所述词语集合中选取词语，生成行业词典，作为所述掩码语言模型。

3.根据权利要求1所述的方法，其中，所述获取行业训练文本，包括：

收集行业问答语料；

将所述行业问答语料作为正例行业训练文本；

将所述行业问答语料中的问句和答句打散，生成负例行业训练文本。

4.根据权利要求3所述的方法，其中，所述获取行业训练文本，还包括：

在所述正例行业训练文本和所述负例行业训练文本的头部插入第一预设字符，以及在问句和答句的结尾插入第二预设字符；以及

所述将所述掩码训练文本输入至预训练语言模型，学习得到所述行业训练文本中的每个字的知识表示，包括：

将所述掩码训练文本输入至预训练语言模型，学习得到所述行业训练文本中的每个字的知识表示，以及所述行业训练文本的正负例预测值。

5.根据权利要求1所述的方法，其中，所述行业是法律行业；以及

所述获取行业训练文本，包括：

收集法律判决书语料；

将所述法律判决书语料中的案由信息删除，生成法律行业训练文本。

6.根据权利要求5所述的方法，其中，所述获取行业训练文本，还包括：

在所述法律行业训练文本的头部插入第一预设字符，以及按照固定字符长度对所述法律行业训练文本进行划分，并且在划分出的每部分的结尾插入第二预设字符；以及

所述将所述掩码训练文本输入至预训练语言模型，学习得到所述行业训练文本中的每个字的知识表示，包括：

将所述掩码训练文本输入至预训练语言模型，学习得到所述法律行业训练文本中的每个字的知识表示，以及所述法律行业训练文本所属的案由。

7.根据权利要求5或6所述的方法，其中，所述法律判决书语料包括刑事法律判决书语料和民事法律判决书语料，以及所述刑事法律判决书语料和所述民事法律判决书语料使用不同的任务标识区分。

8.一种知识表示学习装置，包括：

行业训练文本获取模块，被配置成获取行业训练文本；

行业训练文本掩码模块，被配置成利用掩码语言模型对所述行业训练文本中的行业词进行掩码，得到掩码训练文本；

掩码训练文本学习模块，被配置成将所述掩码训练文本输入至预训练语言模型，学习得到所述行业训练文本中的每个字的知识表示。

9.根据权利要求8所述的装置，其中，所述装置还包括掩码语言模型定制模块，所述掩码语言模型定制模块包括：

行业语料收集子模块，被配置成收集行业语料；

行业语料切分子模块，被配置成对所述行业语料进行切词，得到词语集合；

词语分布统计子模块，被配置成统计所述词语集合中的词语的分布，得到分布结果；

行业词典生成子模块，被配置成基于所述分布结果从所述词语集合中选取词语，生成行业词典，作为所述掩码语言模型。

10.根据权利要求8所述的装置，其中，所述行业训练文本获取模块包括：

问答语料收集子模块，被配置成收集行业问答语料；

正例文本生成子模块，被配置成将所述行业问答语料作为正例行业训练文本；

负例文本生成子模块，被配置成将所述行业问答语料中的问句和答句打散，生成负例行业训练文本。

11.根据权利要求10所述的装置，其中，所述行业训练文本获取模块还包括：

第一插入子模块，被配置成在所述正例行业训练文本和所述负例行业训练文本的头部插入第一预设字符，以及在问句和答句的结尾插入第二预设字符；以及

所述掩码训练文本学习模块进一步被配置成：

将所述掩码训练文本输入至预训练语言模型，学习得到所述行业训练文本中的每个字的知识表示，以及所述行业训练文本的正负例预测值。

12.根据权利要求11所述的装置，其中，所述行业是法律行业；以及

所述行业训练文本获取模块包括：

判决书语料收集子模块，被配置成收集法律判决书语料；

案由信息删除子模块，被配置成将所述法律判决书语料中的案由信息删除，生成法律行业训练文本。

13.根据权利要求12所述的装置，其中，所述行业训练文本获取模块还包括：

第二插入子模块，被配置成在所述法律行业训练文本的头部插入第一预设字符，以及按照固定字符长度对所述法律行业训练文本进行划分，并且在划分出的每部分的结尾插入第二预设字符；以及

所述掩码训练文本学习模块进一步被配置成：

将所述掩码训练文本输入至预训练语言模型，学习得到所述法律行业训练文本中的每个字的知识表示，以及所述法律行业训练文本所属的案由。

14.根据权利要求12或13所述的装置，其中，所述法律判决书语料包括刑事法律判决书语料和民事法律判决书语料，以及所述刑事法律判决书语料和所述民事法律判决书语料使用不同的任务标识区分。

15.一种电子设备，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1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images