CN111898636B - 一种数据处理方法及装置 - Google Patents
一种数据处理方法及装置 Download PDFInfo
- Publication number
- CN111898636B CN111898636B CN202010596738.4A CN202010596738A CN111898636B CN 111898636 B CN111898636 B CN 111898636B CN 202010596738 A CN202010596738 A CN 202010596738A CN 111898636 B CN111898636 B CN 111898636B
- Authority
- CN
- China
- Prior art keywords
- conformal
- vector
- data
- space
- processing
- 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
- 238000003672 processing method Methods 0.000 title abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 422
- 238000012545 processing Methods 0.000 claims abstract description 312
- 238000000034 method Methods 0.000 claims abstract description 133
- 238000013528 artificial neural network Methods 0.000 claims abstract description 131
- 238000012549 training Methods 0.000 claims abstract description 126
- 238000000605 extraction Methods 0.000 claims abstract description 101
- 230000008569 process Effects 0.000 claims abstract description 95
- 230000006870 function Effects 0.000 claims description 79
- 230000015654 memory Effects 0.000 claims description 73
- 238000013507 mapping Methods 0.000 claims description 67
- 230000004913 activation Effects 0.000 claims description 37
- 230000001537 neural effect Effects 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 238000010606 normalization Methods 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 239000011159 matrix material Substances 0.000 description 35
- 238000010586 diagram Methods 0.000 description 24
- 238000003058 natural language processing Methods 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 16
- 238000003062 neural network model Methods 0.000 description 12
- 238000013519 translation Methods 0.000 description 11
- 230000014616 translation Effects 0.000 description 11
- 230000009466 transformation Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 7
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 239000000872 buffer Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 244000241235 Citrullus lanatus Species 0.000 description 2
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 2
- 244000241257 Cucumis melo Species 0.000 description 2
- 240000009088 Fragaria x ananassa Species 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 235000009847 Cucumis melo var cantalupensis Nutrition 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种数据处理方法,应用于人工智能领域,包括:获取待处理数据;以及,利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。本申请可以提升模型在蕴含树状层次结构的数据集上的数据处理的精度,并减少模型参数量。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种数据处理方法及装置。
背景技术
人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
结构复杂的深层神经网络虽然比浅层神经网络的拟合能力更强,但在工业界很多要求效率和效果平衡的场景中,架构简洁高效的浅层神经网络是普遍被采用的一个选择。浅层网络的特点是训练和预测速度快,占用资源少。
然而,现有浅层神经网络模型,其输入和中间层都是在欧式空间里构建,模型描述能力和参数分布受欧式几何性质制约。
发明内容
第一方面,本申请提供了一种数据处理方法,所述方法包括:
获取待处理数据。
本申请实施例中,训练设备可以获取待处理数据以及对应的类别标注。其中,待处理数据可以包括如下的至少一种:自然语言数据数据、知识图谱数据,基因数据或图像数据。类别标注和带训练的神经网络要实现的任务类型有关,例如,针对于要进行文本分类的神经网络,其类别标注为待处理数据的类别,针对于要进行语义识别的神经网络,其类别标注为待处理数据的语义,等等。
需要说明的是,树状层级结构在自然语言数据、基因序列和知识图谱等数据类型中是普遍存在的,例如自然语言数据中包括多个词语,词语与词语之间会存在上下位的关系,进而,自然语言数据可以理解为一个具有树状层级结构特征的数据。
利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。
本申请实施例提供了一种数据处理方法,所述方法包括:获取待处理数据以及对应的类别标注;利用神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;基于所述类别标注和所述处理结果,获取损失,并基于所述损失更新所述神经网络,得到更新后的神经网络。由于双曲空间本身的特性,在双曲空间中表达特征向量,可以增强神经网络模型的拟合能力,提升了模型在蕴含树状层次结构的数据集上的数据处理的精度,例如可以提升文本分类的准确率。且,基于双曲空间构建的神经网络模型会在提升模型的拟合能力的同时模型参数量大幅减少。
在一种可选的实现中,所述待处理数据包括如下的至少一种:
自然语言数据数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
其中,所述激活函数可以被配置为基于双曲空间的运算规则表达。所述基于双曲空间的运算规则,至少包括如下的一种:莫比乌斯Mobius矩阵乘法以及Mobius加法。分类网络可以使用双曲几何上的向量代数变换寻找分类层,如使用Mobius Linear分类层,其形式是O=W*Mobius X+Mobius b,其中O是Mobius Linear的输出参数,W是权重参数,X是输入参数,b是偏置项。*Mobius表示Mobius矩阵乘法,+Mobius表示Mobius加法。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;所述第一处理层被配置为处理所述待处理数据,以得到所述待处理数据在所述双曲空间中表示的嵌入向量;所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量。
第一处理层可以为输入层,其被配置为处理所述待处理数据,以得到所述待处理数据对应的嵌入向量,第二处理层获得嵌入向量后,可以计算得到嵌入向量在双曲空间上的几何中心(特征向量)。具体的,可以使用双曲空间的几何平均值提取方法来提取特征向量。
在一种可选的实现中,所述嵌入向量基于第一共形模型表达;所述特征提取网络还包括:共形转换层;所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformal mapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
例如,第一共形模型和第二共形模型可以是庞家莱模型Poincare Model,双曲面模型Hyperboloid Model或Klein Model。其中,共形模型用于刻画双曲空间,定义了双曲陀螺向量空间的一系列向量代数变换和几何约束,不同的共形模型性质有所区别。若第一处理层输出的嵌入向量基于庞家莱模型Poincare Model表达,而第二处理层被配置为使用Einstein midpoint计算几何平均值,由于Einstein midpoint依赖于Klein Model,因此,需要将第一处理层输出的嵌入向量转换为基于Klein Model表达的嵌入向量,并基于通过Klein Model表达的嵌入向量利用Einstein midpoint计算其几何中心,以得到所述特征向量,此时的特征向量基于Klein Model表达。共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,此时,共形转换层可以将基于Klein Model表达的特征向量转换为基于庞家莱模型Poincare Model表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络。
在一种可选的实现中,所述嵌入向量基于第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量,其中,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述分类网络被配置为基于所述双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
本申请实施例中,分类层的输出可以从双曲空间转换到欧式空间上,与后续的目标损失函数保持一致。
第二方面,本申请提供了一种数据处理方法,所述方法包括:
获取训练数据以及对应的类别标注;
利用神经网络对所述训练数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述训练数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;
基于所述类别标注和所述处理结果,获取损失;以及,
基于所述损失,获取在所述双曲空间中表达的梯度,基于所述梯度更新所述神经网络,得到更新后的神经网络。
在一种可选的实现中,所述基于所述梯度更新所述神经网络,得到更新后的神经网络,包括:
基于所述梯度更新所述神经网络中的所述特征提取网络,得到更新后的特征提取网络,所述更新后的特征提取网络被配置为提取所述训练数据在所述双曲空间中表达的特征向量。
在一种可选的实现中,所述训练数据包括如下的至少一种:
自然语言数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
在一种可选的实现中,所述基于双曲空间的运算规则,至少包括如下的一种:莫比乌斯Mobius矩阵乘法以及Mobius加法。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;
所述第一处理层被配置为处理所述训练数据,以得到所述训练数据对应的嵌入向量;
所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量。
在一种可选的实现中,所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
相应的,所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformalmapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述双曲空间中的数据可基于第二共形模型表达,所述第二共形模型表示双曲空间通过第二共形映射的方式映射到欧式空间;其中,所述嵌入向量基于所述第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量。
在一种可选的实现中,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
在一种可选的实现中,所述基于所述类别标注和所述处理结果,获取损失,包括:
基于所述类别标注、所述处理结果以及目标损失函数,获取损失,其中,所述目标损失函数为在所述欧式空间中表达的函数。
在一种可选的实现中,所述基于所述损失更新所述神经网络,包括:
计算所述损失对应的梯度,其中,所述梯度在欧式空间中表达;
将所述梯度转换为在所述双曲空间中表达的梯度;
基于所述在双曲空间中表达的梯度更新所述神经网络。
第三方面,本申请提供了一种数据分类装置,所述装置包括:
获取模块,被配置为获取待处理数据;以及,
处理模块,被配置为利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待分类数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。
在一种可选的实现中,所述待处理数据包括如下的至少一种:
自然语言数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;
所述第一处理层被配置为处理所述待处理数据,以得到所述待处理数据在所述双曲空间中表示的嵌入向量;
所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量。
在一种可选的实现中,所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformalmapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述嵌入向量基于第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量,其中,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述分类网络被配置为基于所述双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
第四方面,本申请提供了一种数据处理装置,所述装置包括:
获取模块,被配置为获取训练数据以及对应的类别标注;
处理模块,被配置为利用神经网络对所述训练数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述训练数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;
基于所述类别标注和所述处理结果,获取损失;以及,
模型更新模块,被配置为基于所述损失,获取在所述双曲空间中表达的梯度,基于所述梯度更新所述神经网络,得到更新后的神经网络。
在一种可选的实现中,所述模型更新模块,被配置为:
基于所述梯度更新所述神经网络中的所述特征提取网络,得到更新后的特征提取网络,所述更新后的特征提取网络被配置为提取所述训练数据在所述双曲空间中表达的特征向量。
在一种可选的实现中,所述训练数据包括如下的至少一种:
自然语言数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;
所述第一处理层被配置为处理所述训练数据,以得到所述训练数据对应的嵌入向量;
所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量。
在一种可选的实现中,所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
相应的,所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformalmapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述双曲空间中的数据可基于第二共形模型表达,所述第二共形模型表示双曲空间通过第二共形映射的方式映射到欧式空间;其中,所述嵌入向量基于所述第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量。
在一种可选的实现中,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
在一种可选的实现中,所述损失获取模块,被配置为基于所述类别标注、所述处理结果以及目标损失函数,获取损失,其中,所述目标损失函数为在所述欧式空间中表达的函数。
在一种可选的实现中,所述模型更新模块,被配置为计算所述损失对应的梯度,其中,所述梯度在欧式空间中表达;将所述梯度转换为在所述双曲空间中表达的梯度;基于所述在双曲空间中表达的梯度更新所述神经网络。
本申请公开了一种数据处理方法,包括:获取待处理数据;以及,利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。本申请可以提升模型在蕴含树状层次结构的数据集上的数据处理的精度,并减少模型参数量。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2a示出了一种自然语言处理系统;
图2b示出了另一种自然语言处理系统;
图2c是本申请实施例提供的自然语言处理的相关设备的示意图;
图3是本申请实施例提供的一种系统100架构的示意图;
图4为本申请实施例提供的一种数据处理方法的流程示意图;
图5为本申请实施例提供的一种特征提取网络的结构示意;
图6为本申请实施例提供的一种分类网络的结构示意;
图7为本申请实施例提供的一种黎曼优化器的结构示意;
图8为本申请实施例提供的一种系统的结构示意;
图9为本申请实施例提供的一种系统的结构示意图;
图10为本申请实施例提供的一种数据处理方法的流程示意;
图11为本申请实施例提供的一种数据处理装置的示意;
图12为本申请实施例提供的一种数据处理装置的示意;
图13为本申请实施例提供的执行设备的一种结构示意图;
图14是本申请实施例提供的训练设备一种结构示意图;
图15为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释,而非旨在限定本发明。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“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。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
首先对人工智能系统总体工作流程进行描述,请参见图1,图1示出的为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用系统,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、平安城市等。
接下来介绍几种本申请的应用场景。
图2a示出了一种自然语言处理系统,该自然语言处理系统包括用户设备以及数据处理设备。其中,用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为自然语言数据处理的发起端,作为语言问答或者查询等请求的发起方,通常用户通过用户设备发起请求。
上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的查询语句/语音/文本等问句,再通过存储数据的存储器以及数据处理的处理器环节进行机器学习,深度学习,搜索,推理,决策等方式的语言数据处理。数据处理设备中的存储器可以是一个统称,包括本地存储以及存储历史数据的数据库,数据库可以在数据处理设备上,也可以在其它网络服务器上。
在图2a所示的自然语言处理系统中,用户设备可以接收用户的指令,例如用户设备可以接收用户输入的一段文本,然后向数据处理设备发起请求,使得数据处理设备针对用户设备得到的该一段文本执行自然语言处理应用(例如文本分类、文本推理、命名实体识别、翻译等),从而得到针对该一段文本的对应的自然语言处理应用的处理结果(例如处理结果、推理结果、命名实体识别结果、翻译结果等)。示例性的,用户设备可以接收用户输入的一段中文,然后向数据处理设备发起请求,使得数据处理设备对该一段中文进行实体分类,从而得到针对该一段中文的实体处理结果;示例性的,用户设备可以接收用户输入的一段中文,然后向数据处理设备发起请求,使得数据处理设备将该一段中文翻译成英文,从而得到针对该一段中文的英文译文。
在图2a中,数据处理设备可以执行本申请实施例的数据处理方法。
图2b示出了另一种自然语言处理系统,在图2b中,用户设备直接作为数据处理设备,该用户设备能够直接接收来自用户的输入并直接由用户设备本身的硬件进行处理,具体过程与图2a相似,可参考上面的描述,在此不再赘述。
在图2b所示的自然语言处理系统中,用户设备可以接收用户的指令,例如用户设备可以接收用户输入的一段文本,然后再由用户设备自身针对该一段文本执行自然语言处理应用(例如文本分类、文本推理、命名实体识别、翻译等),从而得到针对该一段文本的对应的自然语言处理应用的处理结果(例如处理结果、推理结果、命名实体识别结果、翻译结果等)。示例性的,用户设备可以接收用户输入的一段中文,并针对该一段中文进行实体分类,从而得到针对该一段中文的实体处理结果;示例性的,用户设备可以接收用户输入的一段中文,并将该一段中文翻译成英文,从而得到针对该一段中文的英文译文。
在图2b中,用户设备自身就可以执行本申请实施例的数据处理方法。
图2c是本申请实施例提供的自然语言处理的相关设备的示意图。
上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302,图2a中的数据处理设备具体可以是图2c中的执行设备310,其中,数据存储系统350可以存储执行设备310的待处理数据,数据存储系统350可以集成在执行设备310上,也可以设置在云上或其它网络服务器上。
图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如,基于支持向量机的模型)进行数据训练/机器学习/深度学习,并利用数据最终训练或者学习得到的模型针对文本序列执行自然语言处理应用(例如文本分类、序列标注、阅读理解、文本生成、文本推理、翻译等),从而得到相应的处理结果。
此外,本申请还可以应用在知识图谱数据处理,基因数据处理,图片分类处理等等。
图3是本申请实施例提供的一种系统100架构的示意图,在图3中,执行设备110配置输入/输出(input/output,I/O)接口112,用于与外部设备进行数据交互,用户可以通过客户设备140向I/O接口112输入数据,所述输入数据在本申请实施例中可以包括:各个待调度任务、可调用资源以及其他参数。
在执行设备110对输入数据进行预处理,或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中,执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统150中。
最后,I/O接口112将处理结果返回给客户设备140,从而提供给用户。
值得说明的是,训练设备120可以针对不同的目标或称不同的任务,基于不同的训练数据生成相应的目标模型/规则,该相应的目标模型/规则即可以用于实现上述目标或完成上述任务,从而为用户提供所需的结果。
在图3中所示情况下,用户可以手动给定输入数据,该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下,客户设备140可以自动地向I/O接口112发送输入数据,如果要求客户设备140自动发送输入数据需要获得用户的授权,则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端,采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据,并存入数据库130。当然,也可以不经过客户设备140进行采集,而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果,作为新的样本数据存入数据库130。
值得注意的是,图3仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图3中,数据存储系统150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储系统150置于执行设备110中。如图3所示,可以根据训练设备120训练得到神经网络。
本申请实施例还提供的一种芯片,该芯片包括神经网络处理器NPU 50。该芯片可以被设置在如图3所示的执行设备110中,用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中,用以完成训练设备120的训练工作并输出目标模型/规则。
神经网络处理器NPU 40,NPU作为协处理器挂载到主中央处理器(centralprocessing unit,CPU)(host CPU)上,由主CPU分配任务。NPU的核心部分为运算电路403,控制器404控制运算电路403提取存储器(权重存储器或输入存储器)中的数据并进行运算。
在一些实现中,运算电路403内部包括多个处理单元(process engine,PE)。在一些实现中,运算电路403是二维脉动阵列。运算电路403还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路403是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器402中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器401中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)408中。
向量计算单元407可以对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。例如,向量计算单元407可以用于神经网络中非卷积/非FC层的网络计算,如池化(pooling),批归一化(batch normalization),局部响应归一化(local response normalization)等。
在一些实现种,向量计算单元能407将经处理的输出的向量存储到统一缓存器406。例如,向量计算单元407可以将非线性函数应用到运算电路403的输出,例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元407生成归一化的值、合并值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路403的激活输入,例如用于在神经网络中的后续层中的使用。
统一存储器406用于存放输入数据以及输出数据。
权重数据直接通过存储单元访问控制器405(direct memory accesscontroller,DMAC)将外部存储器中的输入数据搬运到输入存储器401和/或统一存储器406、将外部存储器中的权重数据存入权重存储器402,以及将统一存储器406中的数据存入外部存储器。
总线接口单元(bus interface unit,BIU)410,用于通过总线实现主CPU、DMAC和取指存储器409之间进行交互。
与控制器404连接的取指存储器(instruction fetch buffer)409,用于存储控制器404使用的指令;
控制器404,用于调用指存储器409中缓存的指令,实现控制该运算加速器的工作过程。
一般地,统一存储器406,输入存储器401,权重存储器402以及取指存储器409均为片上(On-Chip)存储器,外部存储器为该NPU外部的存储器,该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random accessmemory,DDR SDRAM)、高带宽存储器(high bandwidth memory,HBM)或其他可读可写的存储器。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
神经网络中的每一层的工作可以用数学表达式来描述:从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空间到输出空间的变换(即矩阵的行空间到列空间),这五种操作包括:1、升维/降维;2、放大/缩小;3、旋转;4、平移;5、“弯曲”。其中1、2、3的操作由/>完成,4的操作由+b完成,5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物,而是一类事物,空间是指这类事物所有个体的集合。其中,W是权重向量,该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换,即每一层的权重W控制着如何变换空间。训练神经网络的目的,也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此,神经网络的训练过程本质上就是学习控制空间变换的方式,更具体的就是学习权重矩阵。
因为希望神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到神经网络能够预测出真正想要的目标值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么神经网络的训练就变成了尽可能缩小这个loss的过程。
(2)反向传播算法
神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的神经网络模型中参数的大小,使得神经网络模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的神经网络模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的神经网络模型的参数,例如权重矩阵。
(3)自然语言处理(natural language processing,NLP)
自然语言(natural language)即人类语言,自然语言处理(NLP)就是对人类语言的处理。自然语言处理是以一种智能与高效的方式,对文本数据进行系统化分析、理解与信息提取的过程。通过使用NLP及其组件,我们可以管理非常大块的文本数据,或者执行大量的自动化任务,并且解决各式各样的问题,如自动摘要(automatic summarization),机器翻译(m achine translation,MT),命名实体识别(named entity recognition,NER),关系提取(relati on extraction,RE),信息抽取(information extraction,IE),情感分析,语音识别(speech r ecognition),问答系统(question answering)以及主题分割等等。
示例性的,自然语言处理任务可以有以下几类。
序列标注:句子中每一个单词要求模型根据上下文给出一个分类类别。如中文分词、词性标注、命名实体识别、语义角色标注。
分类任务:整个句子输出一个分类值,如文本分类。
句子关系推断:给定两个句子,判断这两个句子是否具备某种名义关系。例如entilme nt、QA、语义改写、自然语言推断。
生成式任务:输出一段文本,生成另一段文本。如机器翻译、文本摘要、写诗造句、看图说话。
下面示例性的列举一些自然语言处理案例。
分词(word segmentation或word breaker,WB):将连续的自然语言数据,切分成具有语义合理性和完整性的词汇序列,可以解决交叉歧义问题。例句:致毕业和尚未毕业的同学;分词1:致毕业和尚未毕业的同学;分词2:致毕业和尚未毕业的同学。
命名实体识别(named entity recognition,NER):识别自然语言数据中具有特定意义的实体(人、地、机构、时间、作品等),可以从粒度整合未登录体词。例句:天使爱美丽在线观看;分词:天使爱美丽在线观看;实体:天使爱美丽->电影。
词性标注(part-speech tagging):为自然语言数据中的每个词汇赋予一个词性(名词、动词、形容词等);依存句法分析(dependency parsing):自动分析句子中的句法成分(主语、谓语、宾语、定语、状语和补语等成分),可以解决结构歧义问题。评论:房间里还可以欣赏日出;歧义1:房间还可以;歧义2:可以欣赏日出;词性:房间里(主语),还可以(谓语),欣赏日出(动宾短语)。
词向量与语义相似度(word embedding&semantic similarity):对词汇进行向量化表示,并据此实现词汇的语义相似度计算,可以解决词汇语言相似度。例如:西瓜与(呆瓜/草莓),哪个更接近?向量化表示:西瓜(0.1222,0.22333,..);相似度计算:呆瓜(0.115)草莓(0.325);向量化表示:(-0.333,0.1223..)(0.333,0.3333,..)。
文本语义相似度(text semantic similarity):依托全网海量数据和深度神经网络技术,实现文本间的语义相似度计算的能力,可以解决文本语义相似度问题。例如:车头如何防止车牌与(前牌照怎么装/如何办理北京牌照),哪个更接近?向量化表示:车头如何防止车牌(0.1222,0.22333,..);相似度计算:前牌照怎么装(0.762),如何办理北京牌照(0.486),向量化表示:(-0.333,0.1223..)(0.333,0.3333,..)。
(4)语言模型(language model,LM)
语言模型是NPL中的基础模型,通过大量语料训练学习,使得LM能够根据已有的信息(例如上下文中已经出现过的词等文本信息)来推测未知词的概率,也可以理解为LM是用来计算一个句子的概率的概率模型。换句话说,语言模型是自然语言数据序列的概率分布,表征特定长度特定序列文本存在的可能性。简而言之,语言模型即是根据上下文去预测下一个词是什么,由于不需要人工标注语料,因此语言模型能够从无限制的大规模语料中学习到丰富的语义知识。
(5)大规模预训练语言模型(large scale pretrained language model)
大规模预训练语言模型,也可称为大规模语言预训练模型,一般是指使用大规模的语料(例如句子,段落等语言训练素材),设计语言模型训练任务,训练大规模的神经网络算法结构来学习实现,最终得到的大规模神经网络算法结构就是大规模预训练语言模型,后续有其它任务可以在该模型的基础上进行特征抽取或者任务微调来实现特定任务目的。预训练的思想就是先对一个任务进行训练得到一套模型参数,然后利用该套模型参数对网络模型参数进行初始化,再利用经初始化的网络模型对其他任务进行训练,得到其他任务适配的模型。通过在大规模的语料上进行预训练,神经语言表示模型可以学习到强大语言表示能力,能够从文本中抽取出丰富的句法、语义信息。大规模预训练语言模型可以提供包含丰富语义信息的token以及句子级的特征供下游任务使用,或者直接在预训练模型上进行针对下游任务的微调(fine-tune),方便快捷地得到下游专属模型。
(6)知识图谱(knowledge graph)
知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图,节点表示实体或概念,边则由属性或关系构成。我们用关系去描述两个实体之间的关联,例如北京和中国之间的关系;对于实体的属性,我们就用“属性—值对”来刻画它的内在特性,比如说某个人物,他有年龄、身高、体重属性等。现在的知识图谱已被用来泛指各种大规模的知识库(knowledge base)。
实体:指的是具有可区别性且独立存在的某种事物。如某一个人、某一个城市、某一种植物等、某一种商品等等。世界万物由具体事物组成,此指实体,例如“中国”、“美国”、“日本”等。实体是知识图谱中的最基本元素,不同的实体间存在不同的关系。
语义类(概念):具有同种特性的实体构成的集合,如国家、民族、书籍、电脑等。概念主要指集合、类别、对象类型、事物的种类,例如人物、地理等。
内容:通常作为实体和语义类的名字、描述、解释等,可以由文本、图像、音视频等来表达。
属性(值)(property):从一个实体指向它的属性值。不同的属性类型对应于不同类型属性的边。属性值主要指对象指定属性的值。例如“面积”、“人口”、“首都”是“中国”这一实体的几种不同的属性。属性值主要指对象指定属性的值,例如“中国”指定的“面积”属性的值为“960万平方公里”。
关系(relation):形式化为一个函数,它把kk个点映射到一个布尔值。在知识图谱上,关系则是一个把kk个图节点(实体、语义类、属性值)映射到布尔值的函数。
基于上述定义,为了方便计算机的处理和理解,可以用更加形式化、简洁化的方式表示知识,即三元组(triple),基于三元组是知识图谱的一种通用表示方式。三元组的基本形式主要包括(实体1-关系-实体2)和(实体-属性-属性值)等。每个实体(概念的外延)可用一个全局唯一确定的ID来标识,每个属性-属性值对(attribute-value pair,AVP)可用来刻画实体的内在特性,而关系可用来连接两个实体,刻画它们之间的关联。例如,中国是一个实体,北京是一个实体,(中国-首都-北京)是一个(实体-关系-实体)的三元组样例,北京是一个实体,面积是一种属性,2069.3万是属性值,(北京-人口-2069.3万)构成一个(实体-属性-属性值)的三元组样例。属性和关系的区别在于,属性所在的三元组对应的两个实体多为一个实体和一个字符串,而关系所在的三元组所对应的两个实体多为两个实体,本申请实施例中,为方便理解和描述,对于属性所在的三元组中属性值也视为一个实体,属性视为两个实体之间的一种联系,换句话说,本申请实施例中基于三元组表示的知识用于指示两个实体之间的联系,其中两个实体之间的联系可以是两个实体之间的关系(例如(实体1-关系-实体2)),或者两个实体之间的联系可以是其中一个实体的一种属性,而另一个实体为该属性的属性值(例如(实体-属性-属性值))。本申请实施例中基于三元组表示的知识在也可以称为结构化知识。还应理解,三元组的表示形式不限于上述(实体1-关系-实体2)和(实体-属性-属性值)的形式,例如还可以表示为(实体1-实体2-关系)和(实体-属性值-属性)等。在一些实施例中,属性也可以视为一种广义的关系。
本申请的文本处理方法可用于对自然语言数据序列执行自然语言处理任务,其中对应于不同的自然语言处理任务(即本申请中的目标任务),用于对自然语言数据序列进行处理的目标处理模型是不同的。下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。
本申请实施例提供的神经网络的训练方法,涉及自然语言数据的处理,具体可以应用于数据训练、机器学习、深度学习等数据处理方法,对训练数据(如本申请中的训练文本和第一知识数据)进行符号化和形式化的智能信息建模、抽取、预处理、训练等,最终得到训练好的目标处理模型;并且,本申请实施例提供的文本处理的方法可以运用上述训练好的目标处理模型,将输入数据(如本申请中待处理文本)输入到所述训练好的目标处理模型中,得到输出数据(如本申请中与目标任务对应的处理结果)。需要说明的是,本申请实施例提供的目标处理模型的训练方法和文本处理的方法是基于同一个构思产生的发明,也可以理解为一个系统中的两个部分,或一个整体流程的两个阶段:如模型训练阶段和模型应用阶段。
参见图4,图4为本申请实施例提供的一种数据处理方法的流程示意图。如图4所示,本申请实施例提供的数据处理方法,包括:
401、获取训练数据以及对应的类别标注。
本申请实施例中,训练设备可以获取训练数据以及对应的类别标注。其中,训练数据可以包括如下的至少一种:自然语言数据、知识图谱数据,基因数据或图像数据。类别标注和带训练的神经网络要实现的任务类型有关,例如,针对于要进行文本分类的神经网络,其类别标注为训练数据的类别,针对于要进行语义识别的神经网络,其类别标注为训练数据的语义,等等。
需要说明的是,树状层级结构在自然语言数据、基因序列和知识图谱等数据类型中是普遍存在的,例如自然语言数据中包括多个词语,词语与词语之间会存在上下位的关系,进而,自然语言数据可以理解为一个具有树状层级结构特征的数据。
402、利用神经网络对所述训练数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述训练数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。
本申请实施例中,待训练的神经网络可以包括特征提取网络,特征提取网络被配置为提取所述训练数据在双曲空间中表达的特征向量,然后将获得的特征向量传递到分类网络。
参照图5,图5为本申请实施例提供的一种特征提取网络的结构示意,如图5中示出的那样,在一种实现中,所述特征提取网络可以包括:第一处理层和第二处理层;其中,所述第一处理层被配置为处理所述训练数据,以得到所述训练数据对应的嵌入向量;所述第二处理层被配置为计算所述嵌入向量在双曲空间上的几何中心,以得到所述特征向量。
第一处理层可以为输入层,其被配置为处理所述训练数据,以得到所述训练数据对应的嵌入向量,第二处理层获得嵌入向量后,可以计算得到嵌入向量在双曲空间上的几何中心(特征向量)。具体的,可以使用双曲空间的几何平均值提取方法来提取特征向量。
如图5中示出的那样,第一处理层输出的嵌入向量可以通过第二处理层进行数据处理。
在一种实现中,所述双曲空间中的数据可基于第一共形模型表达以及基于第二共形模型表达,所述第一共形模型表示双曲空间通过第一共形映射(conformal mapping)的方式映射到欧式空间,所述第二共形模型表示双曲空间通过第二共形映射的方式映射到欧式空间;其中,所述嵌入向量基于所述第一共形模型表达;所述特征提取网络还包括:共形转换层;所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于所述第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;相应的,所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络。
例如,第一共形模型和第二共形模型可以是庞家莱模型Poincare Model,双曲面模型Hyperboloid Model或Klein Model。其中,共形模型用于刻画双曲空间,定义了双曲陀螺向量空间的一系列向量代数变换和几何约束,不同的共形模型性质有所区别。若第一处理层输出的嵌入向量基于庞家莱模型Poincare Model表达,而第二处理层被配置为使用Einstein midpoint计算几何平均值,由于Einstein midpoint依赖于Klein Model,因此,需要将第一处理层输出的嵌入向量转换为基于Klein Model表达的嵌入向量,并基于通过Klein Model表达的嵌入向量利用Einstein midpoint计算其几何中心,以得到所述特征向量,此时的特征向量基于Klein Model表达。共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,此时,共形转换层可以将基于Klein Model表达的特征向量转换为基于庞家莱模型Poincare Model表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络。示例性的,Einstein midpoint的计算方法可以为:
其中,为洛伦兹因子,P表示Einstein midpoint计算出的特征表示。
本申请实施例中,所述分类网络可以包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数被配置为基于双曲空间的运算规则表达。所述基于双曲空间的运算规则,至少包括如下的一种:莫比乌斯Mobius矩阵乘法以及Mobius加法。
分类网络可以使用双曲几何上的向量代数变换寻找分类层,如使用MobiusLinear分类层,其形式是O=W*Mobius X+Mobius b,其中O是Mobius Linear的输出参数,W是权重参数,X是输入参数,b是偏置项。*Mobius表示Mobius矩阵乘法,+Mobius表示Mobius加法。Mobius矩阵乘和Mobius加法的数学定义在不同的共形模型上有所区别。示例性的,Poincare Model上Mobius矩阵乘和Mobius加法的数学定义可以为:
Mobius加法
Mobius矩阵乘
其中,c为曲率。
参照图6,图6为本申请实施例提供的一种分类网络的结构示意,如图6中示出的那样,本申请实施例中,所述分类网络可以被配置为基于双曲空间的运算规则处理所述特征向量,以得到在双曲空间中表达的待归一化向量,并将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
本申请实施例中,分类层的输出可以从双曲空间转换到欧式空间上,与后续的目标损失函数保持一致,转换的数学可以定义为
403、基于所述类别标注和所述处理结果,获取损失;以及基于所述损失,获取在双曲空间中表达的梯度,基于所述梯度更新所述神经网络,得到更新后的神经网络。
本申请实施例中,可以基于所述类别标注和所述处理结果,通过目标损失函数,获取损失,其中,所述目标损失函数为在所述欧式空间中表达的函数,并计算所述损失对应的梯度,其中,所述梯度在欧式空间中表达;将所述梯度转换为在双曲空间中表达的梯度;基于所述在双曲空间中表达的梯度更新所述神经网络。
参照图7,图7为本申请实施例提供的一种黎曼优化器的结构示意,如图7中示出的那样,首先计算欧式空间梯度然后经过数学转换为黎曼梯度(即在双曲空间中表达的梯度),之后将黎曼梯度收缩到共形模型上,根据黎曼梯度进行平行移动(即更新所述神经网络中的权重),以得到更新后的所述神经网络。
本申请实施例中,可以基于所述梯度更新所述神经网络中的所述特征提取网络,得到更新后的特征提取网络,所述更新后的特征提取网络被配置为提取所述训练数据在所述双曲空间中表达的特征向量。
所述更新后的神经网络包括更新后的特征提取网络,所述更新后的特征提取网络被配置为提取所述训练数据在双曲空间中表达的特征向量。
本申请实施例提供了一种数据处理方法,所述方法包括:获取训练数据以及对应的类别标注;利用神经网络对所述训练数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述训练数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;基于所述类别标注和所述处理结果,获取损失,并基于所述损失,获取在双曲空间中表达的梯度,基于所述梯度更新所述神经网络,得到更新后的神经网络。由于双曲空间本身的特性,在双曲空间中表达特征向量,可以增强神经网络模型的拟合能力,提升了模型在蕴含树状层次结构的数据集上的数据处理的精度,例如可以提升文本分类的准确率。且,基于双曲空间构建的神经网络模型会在提升模型的拟合能力的同时模型参数量大幅减少。
以训练数据为自然语言数据为例,接下来给出一种相比于图4包括更多细节的实施例。
在一种实现中,可以使用Poincare Model作为双曲共形模型,实施例示意图可以如图8所示,输入的文本检索基于Poincare Model的Embedding嵌入向量,拿到文本特征向量集合后转换为Klein Model上的向量,然后通过Einstein midpoint计算双曲几何平均值作为文本特征向量表示,将文本特征向量表示恢复到Poincare Model上。再使用双曲几何中的Mobius Linear作为分类层结合目标函数寻找分类面,梯度计算使用黎曼优化器,并基于黎曼优化器对特征提取网络和分类网络进行模型更新。
在一种实现中,可以使用Hyperboloid Model作为双曲共形模型,实施例示意图如图9所示,输入文本语料检索基于Hyperboloid Model的双曲输入Embedding,拿到特征向量集合后转换为Klein Model上的向量,使用Einstein midpoint计算双曲几何平均值作为本特征向量表示,将文本特征向量表示恢复到Hyperboloid Model上。转换回HyperboloidModel后再使用双曲几何中的Mobius Linear分类层结合目标函数寻找分类面。梯度计算使用黎曼优化器。
接下来从应用侧对本申请实施例提供的数据处理方法进行描述,参照图10,图10为本申请实施例提供的一种数据处理方法的流程示意,如图10中示出的那样,所述方法包括:
1001、获取待处理数据。
本申请实施例中,训练设备可以获取待处理数据以及对应的类别标注。其中,待处理数据可以包括如下的至少一种:自然语言数据、知识图谱数据,基因数据或图像数据。类别标注和带训练的神经网络要实现的任务类型有关,例如,针对于要进行文本分类的神经网络。
需要说明的是,树状层级结构在自然语言数据、基因序列和知识图谱等数据类型中是普遍存在的,例如自然语言数据中包括多个词语,词语与词语之间会存在上下位的关系,进而,自然语言数据可以理解为一个具有树状层级结构特征的数据。
1002、利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。
本申请实施例中,训练得到的神经网络可以包括特征提取网络,特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,然后将获得的特征向量传递到分类网络。
在一种可选的实现中,所述待处理数据包括如下的至少一种:
自然语言数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数被配置为基于双曲空间的运算规则表达。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;
所述第一处理层被配置为处理所述待处理数据,以得到所述待处理数据在双曲空间中表示的嵌入向量;
所述第二处理层被配置为计算所述嵌入向量在双曲空间上的几何中心,以得到所述特征向量。
第一处理层可以为输入层,其被配置为处理所述待处理数据,以得到所述待处理数据对应的嵌入向量,第二处理层获得嵌入向量后,可以计算得到嵌入向量在双曲空间上的几何中心(特征向量)。具体的,可以使用双曲空间的几何平均值提取方法来提取特征向量。
在一种可选的实现中,所述双曲空间中的数据可基于第一共形模型表达以及基于第二共形模型表达,所述第一共形模型表示双曲空间通过第一共形映射(conformalmapping)的方式映射到欧式空间,所述第二共形模型表示双曲空间通过第二共形映射的方式映射到欧式空间;其中,所述嵌入向量基于所述第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于所述第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
相应的,所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络。
在一种实现中,第一共形模型和第二共形模型可以是庞家莱模型PoincareModel,双曲面模型Hyperboloid Model或Klein Model。其中,共形模型用于刻画双曲空间,定义了双曲陀螺向量空间的一系列向量代数变换和几何约束,不同的共形模型性质有所区别。若第一处理层输出的嵌入向量基于庞家莱模型Poincare Model表达,而第二处理层被配置为使用Einstein midpoint计算几何平均值,由于Einstein midpoint依赖于KleinModel,因此,需要将第一处理层输出的嵌入向量转换为基于Klein Model表达的嵌入向量,并基于通过Klein Model表达的嵌入向量利用Einstein midpoint计算其几何中心,以得到所述特征向量,此时的特征向量基于Klein Model表达。共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,此时,共形转换层可以将基于Klein Model表达的特征向量转换为基于庞家莱模型Poincare Model表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络。
在一种可选的实现中,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到在双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
本申请实施例提供了一种数据处理方法,包括:获取待处理数据;以及,利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。本申请可以提升模型在蕴含树状层次结构的数据集上的数据处理的精度,并减少模型参数量。
接下来从装置的角度对本申请实施例提供的数据处理装置进行描述,参照图11,图11为本申请实施例提供的一种数据处理装置1100的示意,如图11中示出的那样,本申请实施例提供的一种数据处理装置1100,包括:
获取模块1101,被配置为获取待处理数据;以及,
处理模块1102,被配置为利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待分类数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。
在一种可选的实现中,所述待处理数据包括如下的至少一种:
自然语言数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;
所述第一处理层被配置为处理所述待处理数据,以得到所述待处理数据在所述双曲空间中表示的嵌入向量;
所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量。
在一种可选的实现中,所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformalmapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述嵌入向量基于第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量,其中,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述分类网络被配置为基于所述双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
本申请实施例提供了一种数据分类装置,所述装置包括:获取模块,被配置为获取待处理数据;以及,处理模块,被配置为利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待分类数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果,本申请可以提升模型在蕴含树状层次结构的数据集上的数据处理的精度,并减少模型参数量。
参照图12,图12为本申请实施例提供的一种数据处理装置1200的示意,如图12中示出的那样,本申请实施例提供的一种数据处理装置1200,包括:
获取模块1201,被配置为获取待处理数据以及对应的类别标注;
处理模块1202,被配置为利用神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;
模型更新模块1203,被配置为基于所述类别标注和所述处理结果,获取损失;以及
基于所述损失,获取在双曲空间中表达的梯度,基于所述梯度更新所述神经网络,得到更新后的神经网络。
在一种可选的实现中,所述模型更新模块,被配置为:
基于所述梯度更新所述神经网络中的所述特征提取网络,得到更新后的特征提取网络,所述更新后的特征提取网络被配置为提取所述训练数据在所述双曲空间中表达的特征向量。
在一种可选的实现中,所述训练数据包括如下的至少一种:
自然语言数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;
所述第一处理层被配置为处理所述训练数据,以得到所述训练数据对应的嵌入向量;
所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量。
在一种可选的实现中,所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
相应的,所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformalmapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述双曲空间中的数据可基于第二共形模型表达,所述第二共形模型表示双曲空间通过第二共形映射的方式映射到欧式空间;其中,所述嵌入向量基于所述第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量。
在一种可选的实现中,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
在一种可选的实现中,所述损失获取模块,被配置为基于所述类别标注、所述处理结果以及目标损失函数,获取损失,其中,所述目标损失函数为在所述欧式空间中表达的函数。
在一种可选的实现中,所述模型更新模块,被配置为计算所述损失对应的梯度,其中,所述梯度在欧式空间中表达;将所述梯度转换为在所述双曲空间中表达的梯度;基于所述在双曲空间中表达的梯度更新所述神经网络。
本申请实施例提供了一种数据处理装置,所述装置包括:获取模块,被配置为获取待处理数据以及对应的类别标注;处理模块,被配置为利用神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;模型更新模块,被配置为基于所述类别标注和所述处理结果,获取损失,并基于所述损失更新所述神经网络,得到更新后的神经网络。由于双曲空间本身的特性,在双曲空间中表达特征向量,可以增强神经网络模型的拟合能力,提升了模型在蕴含树状层次结构的数据集上的数据处理的精度,例如可以提升文本分类的准确率。且,基于双曲空间构建的神经网络模型会在提升模型的拟合能力的同时模型参数量大幅减少。
接下来介绍本申请实施例提供的一种执行设备,请参阅图13,图13为本申请实施例提供的执行设备的一种结构示意图,执行设备1300具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等,此处不做限定。其中,执行设备1300上可以部署有图10对应实施例中所描述的数据处理装置,用于实现图10对应实施例中数据处理的功能。具体的,执行设备1300包括:接收器1301、发射器1302、处理器1303和存储器1304(其中执行设备1300中的处理器1303的数量可以一个或多个,图13中以一个处理器为例),其中,处理器1303可以包括应用处理器13031和通信处理器13032。在本申请的一些实施例中,接收器1301、发射器1302、处理器1303和存储器1304可通过总线或其它方式连接。
存储器1304可以包括只读存储器和随机存取存储器,并向处理器1303提供指令和数据。存储器1304的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1304存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1303控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1303中,或者由处理器1303实现。处理器1303可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1303中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1303可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)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。该处理器1303可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1304,处理器1303读取存储器1304中的信息,结合其硬件完成上述方法的步骤。
接收器1301可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1302可用于通过第一接口输出数字或字符信息;发射器1302还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1302还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1303,用于执行图4对应实施例中的执行设备执行的数据处理方法,具体的,处理器1303可以执行如下步骤:
获取待处理数据,利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果。
在一种可选的实现中,所述待处理数据包括如下的至少一种:
自然语言数据数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;所述第一处理层被配置为处理所述待处理数据,以得到所述待处理数据在所述双曲空间中表示的嵌入向量;所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量。
第一处理层可以为输入层,其被配置为处理所述待处理数据,以得到所述待处理数据对应的嵌入向量,第二处理层获得嵌入向量后,可以计算得到嵌入向量在双曲空间上的几何中心(特征向量)。具体的,可以使用双曲空间的几何平均值提取方法来提取特征向量。
在一种可选的实现中,所述嵌入向量基于第一共形模型表达;所述特征提取网络还包括:共形转换层;所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformal mapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述嵌入向量基于第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量,其中,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述分类网络被配置为基于所述双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
本申请实施例中,分类层的输出可以从双曲空间转换到欧式空间上,与后续的目标损失函数保持一致。
本申请实施例还提供了一种训练设备,请参阅图14,图14是本申请实施例提供的训练设备一种结构示意图,具体的,训练设备1400由一个或多个服务器实现,训练设备1400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1414(例如,一个或一个以上处理器)和存储器1432,一个或一个以上存储应用程序1442或数据1444的存储介质1430(例如一个或一个以上海量存储设备)。其中,存储器1432和存储介质1430可以是短暂存储或持久存储。存储在存储介质1430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1414可以设置为与存储介质1430通信,在训练设备1400上执行存储介质1430中的一系列指令操作。
训练设备1400还可以包括一个或一个以上电源1426,一个或一个以上有线或无线网络接口1450,一个或一个以上输入输出接口1458;或,一个或一个以上操作系统1441,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,训练设备可以执行如下步骤:
获取训练数据以及对应的类别标注;
利用神经网络对所述训练数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述训练数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;
基于所述类别标注和所述处理结果,获取损失;以及,
基于所述损失,获取在所述双曲空间中表达的梯度,基于所述梯度更新所述神经网络,得到更新后的神经网络。
在一种可选的实现中,可以基于所述梯度更新所述神经网络中的所述特征提取网络,得到更新后的特征提取网络,所述更新后的特征提取网络被配置为提取所述训练数据在所述双曲空间中表达的特征向量。
在一种可选的实现中,所述训练数据包括如下的至少一种:
自然语言数据、知识图谱数据,基因数据或图像数据。
在一种可选的实现中,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
在一种可选的实现中,所述基于双曲空间的运算规则,至少包括如下的一种:莫比乌斯Mobius矩阵乘法以及Mobius加法。
在一种可选的实现中,所述特征提取网络包括:第一处理层和第二处理层;
所述第一处理层被配置为处理所述训练数据,以得到所述训练数据对应的嵌入向量;
所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量。
在一种可选的实现中,所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
相应的,所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformalmapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
在一种可选的实现中,所述双曲空间中的数据可基于第二共形模型表达,所述第二共形模型表示双曲空间通过第二共形映射的方式映射到欧式空间;其中,所述嵌入向量基于所述第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量。
在一种可选的实现中,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
在一种可选的实现中,所述基于所述类别标注和所述处理结果,获取损失,包括:
基于所述类别标注、所述处理结果以及目标损失函数,获取损失,其中,所述目标损失函数为在所述欧式空间中表达的函数。
在一种可选的实现中,所述基于所述损失更新所述神经网络,包括:
计算所述损失对应的梯度,其中,所述梯度在欧式空间中表达;
将所述梯度转换为在所述双曲空间中表达的梯度;
基于所述在双曲空间中表达的梯度更新所述神经网络。
本申请实施例中还提供一种包括计算机程序产品,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图15,图15为本申请实施例提供的芯片的一种结构示意图,所述芯片可以表现为神经网络处理器NPU 1500,NPU 1500作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1503,通过控制器1504控制运算电路1503提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1503内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1503是二维脉动阵列。运算电路1503还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1503是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1502中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1501中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1508中。
统一存储器1506用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1505,DMAC被搬运到权重存储器1502中。输入数据也通过DMAC被搬运到统一存储器1506中。
BIU为Bus Interface Unit即,总线接口单元1510,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1509的交互。
总线接口单元1510(Bus Interface Unit,简称BIU),用于取指存储器1509从外部存储器获取指令,还用于存储单元访问控制器1505从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1506或将权重数据搬运到权重存储器1502中或将输入数据数据搬运到输入存储器1501中。
向量计算单元1507包括多个运算处理单元,在需要的情况下,对运算电路1503的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元1507能将经处理的输出的向量存储到统一存储器1506。例如,向量计算单元1507可以将线性函数;或,非线性函数应用到运算电路1503的输出,例如对卷积层提取的特征平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1507生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1503的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1504连接的取指存储器(instruction fetch buffer)1509,用于存储控制器1504使用的指令;
统一存储器1506,输入存储器1501,权重存储器1502以及取指存储器1509均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (32)
1.一种数据处理方法,其特征在于,所述方法包括:
获取待处理数据;以及,
利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;所述特征提取网络包括:第一处理层和第二处理层;所述第一处理层被配置为得到所述待处理数据在所述双曲空间中表示的嵌入向量;所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量;所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
所述待处理数据包括如下的至少一种:自然语言数据、基因数据或图像数据。
2.根据权利要求1所述的方法,其特征在于,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
3.根据权利要求1或2所述的方法,其特征在于,
所述第一处理层被配置为处理所述待处理数据,以得到所述待处理数据在所述双曲空间中表示的嵌入向量。
4.根据权利要求3所述的方法,其特征在于,所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformal mapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
5.根据权利要求3所述的方法,其特征在于,所述嵌入向量基于第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量,其中,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
6.根据权利要求1或2所述的方法,其特征在于,所述分类网络被配置为基于所述双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
7.一种数据处理方法,其特征在于,所述方法包括:
获取训练数据以及对应的类别标注;
利用神经网络对所述训练数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述训练数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;
基于所述类别标注和所述处理结果,获取损失;以及,
基于所述损失,获取在所述双曲空间中表达的梯度,基于所述梯度更新所述神经网络,得到更新后的神经网络;所述特征提取网络包括:第一处理层和第二处理层;所述第一处理层被配置为得到所述训练数据在所述双曲空间中表示的嵌入向量;所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量;所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
所述训练数据包括如下的至少一种:
自然语言数据、基因数据或图像数据。
8.根据权利要求7所述的方法,其特征在于,所述基于所述梯度更新所述神经网络,得到更新后的神经网络,包括:
基于所述梯度更新所述神经网络中的所述特征提取网络,得到更新后的特征提取网络,所述更新后的特征提取网络被配置为提取所述训练数据在所述双曲空间中表达的特征向量。
9.根据权利要求7或8所述的方法,其特征在于,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
10.根据权利要求7或8所述的方法,其特征在于,
所述第一处理层被配置为处理所述训练数据,以得到所述训练数据对应的嵌入向量。
11.根据权利要求10所述的方法,其特征在于,
所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformal mapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
12.根据权利要求11所述的方法,其特征在于,所述双曲空间中的数据可基于第二共形模型表达,所述第二共形模型表示双曲空间通过第二共形映射的方式映射到欧式空间;其中,所述嵌入向量基于所述第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量。
13.根据权利要求7或8所述的方法,其特征在于,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
14.根据权利要求13所述的方法,其特征在于,所述基于所述类别标注和所述处理结果,获取损失,包括:
基于所述类别标注、所述处理结果以及目标损失函数,获取损失,其中,所述目标损失函数为在所述欧式空间中表达的函数。
15.根据权利要求13所述的方法,其特征在于,所述基于所述损失更新所述神经网络,包括:
计算所述损失对应的梯度,其中,所述梯度在欧式空间中表达;
将所述梯度转换为在所述双曲空间中表达的梯度;
基于所述在双曲空间中表达的梯度更新所述神经网络。
16.一种数据分类装置,其特征在于,所述装置包括:
获取模块,被配置为获取待处理数据;以及,
处理模块,被配置为利用训练得到的神经网络对所述待处理数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述待处理数据在双曲空间中表达的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;所述特征提取网络包括:第一处理层和第二处理层;所述第一处理层被配置为得到所述待处理数据在所述双曲空间中表示的嵌入向量;所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量;所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
所述待处理数据包括如下的至少一种:
自然语言数据、基因数据或图像数据。
17.根据权利要求16所述的装置,其特征在于,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
18.根据权利要求16或17所述的装置,其特征在于,
所述第一处理层被配置为处理所述待处理数据,以得到所述待处理数据在所述双曲空间中表示的嵌入向量。
19.根据权利要求18所述的装置,其特征在于,
所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformal mapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
20.根据权利要求19所述的装置,其特征在于,所述嵌入向量基于第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量,其中,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
21.根据权利要求16或17所述的装置,其特征在于,所述分类网络被配置为基于所述双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
22.一种数据处理装置,其特征在于,所述装置包括:
获取模块,被配置为获取训练数据以及对应的类别标注;
处理模块,被配置为利用神经网络对所述训练数据做处理,以输出处理结果;
其中,所述神经网络包括特征提取网络以及分类网络;所述特征提取网络被配置为提取所述训练数据的特征向量,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到所述处理结果;
基于所述类别标注和所述处理结果,获取损失;以及,
模型更新模块,被配置为基于所述损失,获取在所述双曲空间中表达的梯度,基于所述梯度更新所述神经网络,得到更新后的神经网络;所述特征提取网络包括:第一处理层和第二处理层;所述第一处理层被配置为得到所述训练数据在所述双曲空间中表示的嵌入向量;所述第二处理层被配置为计算所述嵌入向量在所述双曲空间上的几何中心,以得到所述特征向量;所述嵌入向量基于第一共形模型表达;
所述特征提取网络还包括:共形转换层;
所述共形转换层被配置为将所述第一处理层得到的所述嵌入向量转换为基于第二共形模型表达的向量,并将所述基于所述第二共形模型表达的向量输入到所述第二处理层;
所述训练数据包括如下的至少一种:
自然语言数据、基因数据或图像数据。
23.根据权利要求22所述的装置,其特征在于,所述模型更新模块,被配置为:
基于所述梯度更新所述神经网络中的所述特征提取网络,得到更新后的特征提取网络,所述更新后的特征提取网络被配置为提取所述训练数据在所述双曲空间中表达的特征向量。
24.根据权利要求22或23所述的装置,其特征在于,所述分类网络包括多个神经单元,每个神经单元被配置为基于激活函数处理输入数据,其中,所述激活函数包括基于所述双曲空间的运算规则。
25.根据权利要求22或23所述的装置,其特征在于,
所述第一处理层被配置为处理所述训练数据,以得到所述训练数据对应的嵌入向量。
26.根据权利要求25所述的装置,其特征在于,
相应的,所述第二处理层被配置为计算所述基于所述第二共形模型表达的向量的几何中心,以得到所述特征向量;
所述共形转换层还被配置为将所述第二处理层得到的特征向量转换为基于所述第一共形模型表达的向量,并将所述基于所述第一共形模型表达的向量输入到所述分类网络,其中,所述第一共形模型表示所述双曲空间通过第一共形映射(conformal mapping)的方式映射到欧式空间,所述第二共形模型表示所述双曲空间通过第二共形映射的方式映射到欧式空间。
27.根据权利要求26所述的装置,其特征在于,所述双曲空间中的数据可基于第二共形模型表达,所述第二共形模型表示双曲空间通过第二共形映射的方式映射到欧式空间;其中,所述嵌入向量基于所述第二共形模型表达;
所述第二处理层被配置为计算基于所述第二共形模型表达的所述嵌入向量的几何中心,以得到所述特征向量。
28.根据权利要求22或23所述的装置,其特征在于,所述分类网络被配置为基于双曲空间的运算规则处理所述特征向量,以得到在所述双曲空间中表达的待归一化向量;
将所述待归一化向量映射到欧式空间中,并对映射到欧式空间中的待归一化向量进行归一化处理,以得到所述处理结果。
29.根据权利要求28所述的装置,其特征在于,所述损失获取模块,被配置为基于所述类别标注、所述处理结果以及目标损失函数,获取损失,其中,所述目标损失函数为在所述欧式空间中表达的函数。
30.根据权利要求28所述的装置,其特征在于,所述模型更新模块,被配置为计算所述损失对应的梯度,其中,所述梯度在欧式空间中表达;将所述梯度转换为在所述双曲空间中表达的梯度;基于所述在双曲空间中表达的梯度更新所述神经网络。
31.一种数据处理装置,其特征在于,所述装置包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至15任一所述的方法。
32.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一个或多个指令,所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至15任一所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596738.4A CN111898636B (zh) | 2020-06-28 | 2020-06-28 | 一种数据处理方法及装置 |
EP21832153.7A EP4152212A4 (en) | 2020-06-28 | 2021-06-21 | DATA PROCESSING METHOD AND DEVICE |
PCT/CN2021/101225 WO2022001724A1 (zh) | 2020-06-28 | 2021-06-21 | 一种数据处理方法及装置 |
US18/084,267 US20230117973A1 (en) | 2020-06-28 | 2022-12-19 | Data processing method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596738.4A CN111898636B (zh) | 2020-06-28 | 2020-06-28 | 一种数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898636A CN111898636A (zh) | 2020-11-06 |
CN111898636B true CN111898636B (zh) | 2024-05-14 |
Family
ID=73206461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596738.4A Active CN111898636B (zh) | 2020-06-28 | 2020-06-28 | 一种数据处理方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230117973A1 (zh) |
EP (1) | EP4152212A4 (zh) |
CN (1) | CN111898636B (zh) |
WO (1) | WO2022001724A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898636B (zh) * | 2020-06-28 | 2024-05-14 | 华为技术有限公司 | 一种数据处理方法及装置 |
CN112287126B (zh) * | 2020-12-24 | 2021-03-19 | 中国人民解放军国防科技大学 | 一种适于多模态知识图谱的实体对齐方法及设备 |
CN113486189A (zh) * | 2021-06-08 | 2021-10-08 | 广州数说故事信息科技有限公司 | 一种开放性知识图谱挖掘方法及系统 |
CN114723073B (zh) * | 2022-06-07 | 2023-09-05 | 阿里健康科技(杭州)有限公司 | 语言模型预训练、产品搜索方法、装置以及计算机设备 |
CN116563918B (zh) * | 2023-05-06 | 2024-06-25 | 华南理工大学 | 基于非平衡加权Cycle_MLP网络的体质识别方法和系统 |
CN117609902B (zh) * | 2024-01-18 | 2024-04-05 | 北京知呱呱科技有限公司 | 一种基于图文多模态双曲嵌入的专利ipc分类方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544310A (zh) * | 2019-08-23 | 2019-12-06 | 太原师范学院 | 一种双曲共形映射下三维点云的特征分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898636B (zh) * | 2020-06-28 | 2024-05-14 | 华为技术有限公司 | 一种数据处理方法及装置 |
-
2020
- 2020-06-28 CN CN202010596738.4A patent/CN111898636B/zh active Active
-
2021
- 2021-06-21 EP EP21832153.7A patent/EP4152212A4/en active Pending
- 2021-06-21 WO PCT/CN2021/101225 patent/WO2022001724A1/zh unknown
-
2022
- 2022-12-19 US US18/084,267 patent/US20230117973A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544310A (zh) * | 2019-08-23 | 2019-12-06 | 太原师范学院 | 一种双曲共形映射下三维点云的特征分析方法 |
Also Published As
Publication number | Publication date |
---|---|
EP4152212A1 (en) | 2023-03-22 |
EP4152212A4 (en) | 2023-11-29 |
US20230117973A1 (en) | 2023-04-20 |
CN111898636A (zh) | 2020-11-06 |
WO2022001724A1 (zh) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022007823A1 (zh) | 一种文本数据处理方法及装置 | |
CN112288075B (zh) | 一种数据处理方法及相关设备 | |
CN111898636B (zh) | 一种数据处理方法及装置 | |
WO2020228376A1 (zh) | 文本处理方法、模型训练方法和装置 | |
CN111368993B (zh) | 一种数据处理方法及相关设备 | |
CN112257858B (zh) | 一种模型压缩方法及装置 | |
CN112883149B (zh) | 一种自然语言处理方法以及装置 | |
CN114676234A (zh) | 一种模型训练方法及相关设备 | |
CN115221846A (zh) | 一种数据处理方法及相关设备 | |
CN113505193A (zh) | 一种数据处理方法及相关设备 | |
WO2021129411A1 (zh) | 文本处理方法及装置 | |
CN115512005A (zh) | 一种数据处理方法及其装置 | |
CN116432019A (zh) | 一种数据处理方法及相关设备 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN108875024B (zh) | 文本分类方法、系统、可读存储介质及电子设备 | |
CN113807089A (zh) | 文本数据的处理方法、神经网络的训练方法以及相关设备 | |
WO2023284716A1 (zh) | 一种神经网络搜索方法及相关设备 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN115795025A (zh) | 一种摘要生成方法及其相关设备 | |
CN116109449A (zh) | 一种数据处理方法及相关设备 | |
CN114707070A (zh) | 一种用户行为预测方法及其相关设备 | |
CN115879524A (zh) | 一种模型训练方法及其相关设备 | |
CN112183747B (zh) | 神经网络训练的方法、神经网络的压缩方法以及相关设备 | |
CN113656563B (zh) | 一种神经网络搜索方法及相关设备 |
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 |