CN112001180A - 多模态预训练模型获取方法、装置、电子设备及存储介质 - Google Patents

多模态预训练模型获取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112001180A
CN112001180A CN202010676107.3A CN202010676107A CN112001180A CN 112001180 A CN112001180 A CN 112001180A CN 202010676107 A CN202010676107 A CN 202010676107A CN 112001180 A CN112001180 A CN 112001180A
Authority
CN
China
Prior art keywords
words
training
attribute
text
relationship
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.)
Pending
Application number
CN202010676107.3A
Other languages
English (en)
Inventor
于菲
唐霁霁
尹维冲
孙宇
�田�浩
吴华
王海峰
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010676107.3A priority Critical patent/CN112001180A/zh
Publication of CN112001180A publication Critical patent/CN112001180A/zh
Priority to EP21173093.2A priority patent/EP3940580A1/en
Priority to US17/319,189 priority patent/US11928432B2/en
Priority to KR1020210087885A priority patent/KR102648232B1/ko
Priority to JP2021114210A priority patent/JP2022018095A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/55—Rule-based translation
    • G06F40/56—Natural language generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本申请公开了多模态预训练模型获取方法、装置、电子设备及存储介质，涉及深度学习及自然语言处理领域，其中的方法可包括：针对任一作为训练数据的图片‑文本对，确定出文本中的待处理的细粒度语义词；对待处理的细粒度语义词进行掩码操作；根据进行掩码操作后的训练数据训练多模态预训练模型。应用本申请所述方案，可提升模型训练效果及模型性能等。

Description

多模态预训练模型获取方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机应用技术，特别涉及深度学习及自然语言处理领域的多模态预训练模型获取方法、装置、电子设备及存储介质。
背景技术
近年来，在大规模数据上进行预训练(pre-train)学习通用语义表示、在各项下游任务上进行微调(fine-tune)的学习范式在自然语言处理(NLP，Natural LanguageProcessing)领域得到了广泛应用。
很多的真实场景同时涉及到多个模态的信息，相应地，如图片-文本的预训练模型即逐渐受到关注。当前的多模态预训练模型通常采用对齐的图片-文本对(语料)进行训练，未对文本中的普通词和细粒度语义词进行区分，从而导致模型的训练效果不佳等。
发明内容
本申请提供了多模态预训练模型获取方法、装置、电子设备及存储介质。
一种多模态预训练模型获取方法，包括：
针对任一作为训练数据的图片-文本对，确定出所述文本中的待处理的细粒度语义词；
对所述待处理的细粒度语义词进行掩码操作；
根据进行掩码操作后的训练数据训练多模态预训练模型。
一种多模态预训练模型获取装置，包括：数据处理模块以及模型训练模块；
所述数据处理模块，用于针对任一作为训练数据的图片-文本对，确定出所述文本中的待处理的细粒度语义词，对所述待处理的细粒度语义词进行掩码操作；
所述模型训练模块，用于根据进行掩码操作后的训练数据训练多模态预训练模型。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：模型可对细粒度语义词进行学习，细粒度语义词对于跨模态的对齐至关重要，从而提升了模型训练效果及模型性能等。
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
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为本申请所述多模态预训练模型获取方法实施例的流程图；
图2为本申请所述场景图中包括的三种节点的示意图；
图3为本申请所述从场景图中抽取出的节点的示意图；
图4为本申请所述对文本进行掩码操作后的示意图；
图5为本申请所述多模态预训练模型的获取过程示意图；
图6为本申请所述多模态预训练模型获取装置60实施例的组成结构示意图；
图7为根据本申请实施例所述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。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述多模态预训练模型获取方法实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，针对任一作为训练数据的图片-文本对，确定出文本中的待处理的细粒度语义词。
待处理的细粒度语义词的个数通常为多个。
在102中，对待处理的细粒度语义词进行掩码(mask)操作。
通过掩码操作，可将文本中的待处理的细粒度语义词替换为特殊字符或其它随机令牌(token)等，具体方式不限。
在103中，根据进行掩码操作后的训练数据训练多模态预训练模型。
可利用进行上述处理后的训练数据对多模态预训练模型进行训练。
现有的多模态预训练模型训练时未对文本中的普通词和细粒度语义词进行区分，通常会随机地选取一些词进行掩码操作，而选出的词很可能是一些没有太大意义的普通词，从而降低了模型训练效果等。
而细粒度语义词是区分不同场景等的关键信息，是一些比较重要的词。细粒度语义词可包括实体词、属性词以及关系词等，这些细粒度语义词对跨模态的对齐至关重要。
上述实施例中，模型可对细粒度语义词进行学习，从而提升了模型训练效果和模型性能等。
如101中所述，针对任一作为训练数据的图片-文本对，可首先确定出文本中的待处理的细粒度语义词。待处理的细粒度语义词可包括：实体词、属性词和关系词，其中，属性表示实体的属性，关系表示实体与实体之间的关系。
比如，图片-文本对中的文本为“一个穿蓝色裙子的女人正把她的小白猫放在她房子门前一辆棕色汽车的顶上(A woman in a blue dress is putting her little whitecat on top of a brown car in front of her house)”，其中的实体词可包括“女人(man)”、“猫(cat)”、“衣服(dress)”、“汽车(car)”、“房子(house)”等，属性词可包括“蓝色(blue)”、“白色(white)”、“小(little)”、“棕色(brown)”等，关系词可包括“穿(in)”、“放(putting)”、“顶上(on top of)”、“前面(in front of)”等。
可获取文本对应的场景图，根据获取到的场景图确定出待处理的细粒度语义词。其中，可采用现有的场景图抽取(Scene Graph Parser)技术，从文本中抽取出场景图。
场景图中可包括：实体节点(O)、属性二元组(E)和关系三元组(K)，任一属性二元组分别由一个实体节点和一个属性节点组成，任一关系三元组分别由两个实体节点和一个关系节点组成。实体节点可对应于文本中的实体词，属性节点可对应于文本中的属性词，关系节点可对应于文本中的关系词。如对于“A woman in a blue dress is putting herlittle white cat on top of a brown car in front of her house”这一文本，对应的场景图中的实体节点可包括“man”、“cat”、“dress”、“car”、“house”等，属性二元组可包括“blue dress”、“white cat”、“little cat”、“brown car”等，关系三元组可包括“woman indress”、“woman putting cat”、“cat on-top-of car”、“car in-front-of house”等。
图2为本申请所述场景图中包括的三种节点的示意图，如图2所示，对应的文本即为“A woman in a blue dress is putting her little white cat on top of a browncar in front of her house”。
在根据获取到的场景图确定出待处理的细粒度语义词时，可从场景图中抽取出预定数量的实体节点、属性二元组及关系三元组，进而可将抽取出的实体节点对应的文本中的实体词、抽取出的属性二元组中的属性节点对应的文本中的属性词以及抽取出的关系三元组中的关系节点对应的文本中的关系词作为待处理的细粒度语义词。
其中，可根据场景图中包括的节点总数确定出待抽取的节点数量，作为所述预定数量，并从场景图中随机地抽取出预定数量的实体节点、属性二元组及关系三元组。比如，可计算场景图中包括的节点总数与30％的乘积，将计算结果向下或向上取整后作为待抽取的节点数量，即预定数量。
如前所述，可将抽取出的实体节点对应的文本中的实体词、抽取出的属性二元组中的属性节点对应的文本中的属性词以及抽取出的关系三元组中的关系节点对应的文本中的关系词作为待处理的细粒度语义词。图3为本申请所述从场景图中抽取出的节点的示意图，如图3所示，假设抽取出的节点包括“blue”、“house”和“on top of”，分别为属性节点、实体节点和关系节点。
可以看出，借助于场景图，可方便准确地获取到待处理的细粒度语义词，并可将场景图中的结构化知识融入多模态预训练模型的训练，从而进一步提升了模型训练效果和模型性能等。
如102中所述，还可对文本中的待处理的细粒度语义词进行掩码操作，如何进行掩码操作为现有技术。通过掩码操作，可将文本中的待处理的细粒度语义词替换为特殊字符如[MASK]或其它随机token等。图4为本申请所述对文本进行掩码操作后的示意图，如图4所示，可分别对文本中的待处理的细粒度语义词“blue”、“house”和“on top of”进行掩码操作。
进一步地，如103中所述，还可根据进行掩码操作后的训练数据训练多模态预训练模型。对应于进行了掩码操作的词的类型，多模态预训练模型的训练任务可包括：实体预测、属性预测和关系预测。
多模态预训练模型可根据文本的上下文及对应的图片内容，对文本中的进行了掩码操作的词进行预测，即还原出被掩码的词。进而可将预测出的词与真实值(即文本中原本的词)进行比较，根据比较结果对模型参数进行更新等。
需要说明的是，本申请中在对多模态预训练模型进行训练时，不限于以上所述的实体预测、属性预测、关系预测等训练任务，通常还会进一步包括其它训练任务，如现有的掩码图片片段预测(Masked Region Prediction)任务等，另外还可引入图文匹配(Image-Text Matching)任务对多模态表示进行建模等。
基于上述介绍，图5为本申请所述多模态预训练模型的获取过程示意图。如图5所示，假设图片-文本对中的文本为“A woman in a blue dress is putting her littlewhite cat on top of a brown car in front of her house”，对应的图片如图5中左下角所示，可针对文本“A woman in a blue dress is putting her little white cat ontop of a brown car in front of her house”抽取出场景图，并可从场景图中随机抽取出“blue”、“house”和“on top of”三个节点，相应地，可对文本中的待处理的细粒度语义词“blue”、“house”和“on top of”进行掩码操作，如图4所示，并可以实体预测、属性预测和关系预测等作为训练任务，对多模态预训练模型进行训练等。
完成多模态预训练模型的训练后，还可针对任一下游任务，根据该下游任务对应的训练数据对多模态预训练模型进行微调。
以视觉问答这一下游任务为例，视觉问答是指给定图片和一个问题，由模型给出答案，可基于多模态预训练模型初始化，针对下游任务的特性进行继续学习，利用下游任务对应的训练数据进行微调。
下游任务的数据量通常较小，基于多模态预训练模型学习到的语义信息可以显著提高各下游任务的效果等。
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图6为本申请所述多模态预训练模型获取装置60实施例的组成结构示意图。如图6所示，包括：数据处理模块601以及模型训练模块602。
数据处理模块601，用于针对任一作为训练数据的图片-文本对，确定出文本中的待处理的细粒度语义词，并对待处理的细粒度语义词进行掩码操作。
模型训练模块602，用于根据进行掩码操作后的训练数据训练多模态预训练模型。
待处理的细粒度语义词的个数通常为多个，其中可包括：实体词、属性词和关系词，属性表示实体的属性，关系表示实体与实体之间的关系。
数据处理模块601可获取文本对应的场景图，根据场景图确定出待处理的细粒度语义词。
其中，场景图中可包括：实体节点、属性二元组和关系三元组，任一属性二元组分别由一个实体节点和一个属性节点组成，任一关系三元组分别由两个实体节点和一个关系节点组成。
数据处理模块601可从场景图中抽取出预定数量的实体节点、属性二元组及关系三元组，将抽取出的实体节点对应的文本中的实体词、抽取出的属性二元组中的属性节点对应的文本中的属性词以及抽取出的关系三元组中的关系节点对应的文本中的关系词作为待处理的细粒度语义词。
其中，数据处理模块601可根据场景图中包括的节点总数确定出待抽取的节点数量，作为预定数量，并从场景图中随机地抽取出预定数量的实体节点、属性二元组和关系三元组。比如，可计算场景图中包括的节点总数与30％的乘积，将计算结果向上或向下取整后作为待抽取的节点数量，即预定数量。
数据处理模块601还可对文本中的待处理的细粒度语义词进行掩码操作，通过掩码操作，可将待处理的细粒度语义词替换为特殊字符或其它随机token等。
模型训练模块602可根据进行掩码操作后的训练数据训练多模态预训练模型。对应于进行了掩码操作的词的类型，多模态预训练模型的训练任务可包括：实体预测、属性预测和关系预测。其中，多模态预训练模型可根据文本的上下文及对应的图片内容，对文本中的进行了掩码操作的词进行预测，即还原出被掩码的词。可将预测出的词与真实值进行比较，根据比较结果对模型参数进行更新等。
模型训练模块602还可针对任一下游任务，根据该下游任务对应的训练数据对多模态预训练模型进行微调。
图6所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，模型可对细粒度语义词进行学习，并可将场景图中的结构化知识融入多模态预训练模型的训练等，从而提升了模型训练效果和模型性能等。
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所述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Y01、存储器Y02，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)上显示图形用户界面的图形信息的指令。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Y01为例。
存储器Y02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方法。
存储器Y02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方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02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方法。
存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02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Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04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Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(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、发光二极管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)，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，阴极射线管或者液晶显示器监视器)；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、广域网、区块链网络和互联网。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种多模态预训练模型获取方法，包括：
针对任一作为训练数据的图片-文本对，确定出所述文本中的待处理的细粒度语义词；
对所述待处理的细粒度语义词进行掩码操作；
根据进行掩码操作后的训练数据训练多模态预训练模型。
2.根据权利要求1所述的方法，其中，所述待处理的细粒度语义词包括：实体词、属性词和关系词，其中，属性表示实体的属性，关系表示实体与实体之间的关系。
3.根据权利要求2所述的方法，其中，所述确定出所述文本中的待处理的细粒度语义词包括：获取所述文本对应的场景图，根据所述场景图确定出所述待处理的细粒度语义词。
4.根据权利要求3所述的方法，其中，
所述场景图中包括：实体节点、属性二元组和关系三元组，任一属性二元组分别由一个实体节点和一个属性节点组成，任一关系三元组分别由两个实体节点和一个关系节点组成；
所述根据所述场景图确定出所述待处理的细粒度语义词包括：从所述场景图中抽取出预定数量的实体节点、属性二元组及关系三元组，将抽取出的实体节点对应的所述文本中的实体词、抽取出的属性二元组中的属性节点对应的所述文本中的属性词以及抽取出的关系三元组中的关系节点对应的所述文本中的关系词作为所述待处理的细粒度语义词。
5.根据权利要求4所述的方法，其中，所述从所述场景图中抽取出预定数量的实体节点、属性二元组及关系三元组包括：
根据所述场景图中包括的节点总数确定出待抽取的节点数量，作为所述预定数量；从所述场景图中随机地抽取出所述预定数量的实体节点、属性二元组及关系三元组。
6.根据权利要求2所述的方法，其中，
所述多模态预训练模型的训练任务包括：实体预测、属性预测和关系预测；
其中，所述多模态预训练模型根据文本的上下文及对应的图片内容，对所述文本中的进行了掩码操作的词进行预测。
7.根据权利要求1所述的方法，还包括：在完成所述多模态预训练模型的训练后，针对任一下游任务，根据所述下游任务对应的训练数据对所述多模态预训练模型进行微调。
8.一种多模态预训练模型获取装置，包括：数据处理模块以及模型训练模块；
所述数据处理模块，用于针对任一作为训练数据的图片-文本对，确定出所述文本中的待处理的细粒度语义词，对所述待处理的细粒度语义词进行掩码操作；
所述模型训练模块，用于根据进行掩码操作后的训练数据训练多模态预训练模型。
9.根据权利要求8所述的装置，其中，所述待处理的细粒度语义词包括：实体词、属性词和关系词，其中，属性表示实体的属性，关系表示实体与实体之间的关系。
10.根据权利要求9所述的装置，其中，所述数据处理模块获取所述文本对应的场景图，根据所述场景图确定出所述待处理的细粒度语义词。
11.根据权利要求10所述的装置，其中，
所述场景图中包括：实体节点、属性二元组和关系三元组，任一属性二元组分别由一个实体节点和一个属性节点组成，任一关系三元组分别由两个实体节点和一个关系节点组成；
所述数据处理模块从所述场景图中抽取出预定数量的实体节点、属性二元组及关系三元组，将抽取出的实体节点对应的所述文本中的实体词、抽取出的属性二元组中的属性节点对应的所述文本中的属性词以及抽取出的关系三元组中的关系节点对应的所述文本中的关系词作为所述待处理的细粒度语义词。
12.根据权利要求11所述的装置，其中，所述数据处理模块根据所述场景图中包括的节点总数确定出待抽取的节点数量，作为所述预定数量，从所述场景图中随机地抽取出所述预定数量的实体节点、属性二元组及关系三元组。
13.根据权利要求9所述的装置，其中，
所述多模态预训练模型的训练任务包括：实体预测、属性预测和关系预测；
其中，所述多模态预训练模型根据文本的上下文及对应的图片内容，对所述文本中的进行了掩码操作的词进行预测。
14.根据权利要求8所述的装置，其中，所述模型训练模块进一步用于，针对任一下游任务，根据所述下游任务对应的训练数据对所述多模态预训练模型进行微调。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
CN202010676107.3A 2020-07-14 2020-07-14 多模态预训练模型获取方法、装置、电子设备及存储介质 Pending CN112001180A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010676107.3A CN112001180A (zh) 2020-07-14 2020-07-14 多模态预训练模型获取方法、装置、电子设备及存储介质
EP21173093.2A EP3940580A1 (en) 2020-07-14 2021-05-10 Multi-modal pre-training model acquisition method and apparatus, electrnonic device and storage medium
US17/319,189 US11928432B2 (en) 2020-07-14 2021-05-13 Multi-modal pre-training model acquisition method, electronic device and storage medium
KR1020210087885A KR102648232B1 (ko) 2020-07-14 2021-07-05 다중 모드 사전 훈련 모델 취득 방법, 장치, 전자 기기 및 기록 매체
JP2021114210A JP2022018095A (ja) 2020-07-14 2021-07-09 マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010676107.3A CN112001180A (zh) 2020-07-14 2020-07-14 多模态预训练模型获取方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112001180A true CN112001180A (zh) 2020-11-27

Family

ID=73466458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010676107.3A Pending CN112001180A (zh) 2020-07-14 2020-07-14 多模态预训练模型获取方法、装置、电子设备及存储介质

Country Status (5)

Country Link
US (1) US11928432B2 (zh)
EP (1) EP3940580A1 (zh)
JP (1) JP2022018095A (zh)
KR (1) KR102648232B1 (zh)
CN (1) CN112001180A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507706A (zh) * 2020-12-21 2021-03-16 北京百度网讯科技有限公司 知识预训练模型的训练方法、装置和电子设备
CN114461839A (zh) * 2022-04-12 2022-05-10 智者四海（北京）技术有限公司 基于多模态预训练的相似图片检索方法、装置及电子设备
CN114972910A (zh) * 2022-05-20 2022-08-30 北京百度网讯科技有限公司 图文识别模型的训练方法、装置、电子设备及存储介质
CN115660036A (zh) * 2022-09-22 2023-01-31 北京百度网讯科技有限公司 模型预训练及任务处理方法、装置、电子设备及存储介质
WO2023040306A1 (zh) * 2021-09-15 2023-03-23 北京京东尚科信息技术有限公司 多模态预训练方法和装置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11989318B2 (en) * 2022-01-04 2024-05-21 Bank Of America Corporation System and method for dynamic masking of data in a network
CN114626371B (zh) * 2022-03-22 2024-05-10 鼎富智能科技有限公司 一种预训练语言模型的训练方法及装置
CN114692778B (zh) * 2022-04-13 2023-07-25 北京百度网讯科技有限公司 用于智能巡检的多模态样本集生成方法、训练方法及装置
CN114792424A (zh) * 2022-05-30 2022-07-26 北京百度网讯科技有限公司 文档图像的处理方法、装置及电子设备
CN115131638B (zh) * 2022-05-31 2024-03-15 腾讯科技（深圳）有限公司 视觉文本预训练模型的训练方法、装置、介质和设备
CN115082602B (zh) * 2022-06-15 2023-06-09 北京百度网讯科技有限公司 生成数字人的方法、模型的训练方法、装置、设备和介质
CN114973294B (zh) * 2022-07-28 2022-10-21 平安科技（深圳）有限公司 基于图文匹配方法、装置、设备及存储介质
CN115631251B (zh) * 2022-09-07 2023-09-22 北京百度网讯科技有限公司 基于文本生成图像的方法、装置、电子设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304911A (zh) * 2018-01-09 2018-07-20 中国科学院自动化研究所 基于记忆神经网络的知识抽取方法以及系统和设备
CN110442684A (zh) * 2019-08-14 2019-11-12 山东大学 一种基于文本内容的类案推荐方法
CN110688857A (zh) * 2019-10-08 2020-01-14 北京金山数字娱乐科技有限公司 一种文章生成的方法和装置
CN110705301A (zh) * 2019-09-30 2020-01-17 京东城市(北京)数字科技有限公司 实体关系抽取方法及装置、存储介质、电子设备
CN111078844A (zh) * 2018-10-18 2020-04-28 上海交通大学 软件众包的任务型对话系统及方法
CN111144108A (zh) * 2019-12-26 2020-05-12 北京百度网讯科技有限公司 情感倾向性分析模型的建模方法、装置和电子设备
CN111339774A (zh) * 2020-02-07 2020-06-26 腾讯科技（深圳）有限公司 文本的实体关系抽取方法和模型训练方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10089742B1 (en) 2017-03-14 2018-10-02 Adobe Systems Incorporated Automatically segmenting images based on natural language phrases
KR20190040825A (ko) * 2017-10-11 2019-04-19 주식회사 씨세론 데이터 처리 방법 및 장치
JP6789601B2 (ja) 2017-10-26 2020-11-25 Kddi株式会社 所定画像領域をマスクした撮影映像を学習映像として選択する学習映像選択装置、プログラム及び方法
US11042922B2 (en) 2018-01-03 2021-06-22 Nec Corporation Method and system for multimodal recommendations
CN108280061B (zh) * 2018-01-17 2021-10-26 北京百度网讯科技有限公司 基于歧义实体词的文本处理方法和装置
CN108256070B (zh) * 2018-01-17 2022-07-15 北京百度网讯科技有限公司 用于生成信息的方法和装置
US11093560B2 (en) * 2018-09-21 2021-08-17 Microsoft Technology Licensing, Llc Stacked cross-modal matching
KR20200054360A (ko) * 2018-11-05 2020-05-20 삼성전자주식회사 전자 장치 및 그 제어 방법
US11238631B2 (en) * 2019-08-19 2022-02-01 Sri International Align-to-ground, weakly supervised phrase grounding guided by image-caption alignment
CN112668671B (zh) * 2021-03-15 2021-12-24 北京百度网讯科技有限公司 预训练模型的获取方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304911A (zh) * 2018-01-09 2018-07-20 中国科学院自动化研究所 基于记忆神经网络的知识抽取方法以及系统和设备
CN111078844A (zh) * 2018-10-18 2020-04-28 上海交通大学 软件众包的任务型对话系统及方法
CN110442684A (zh) * 2019-08-14 2019-11-12 山东大学 一种基于文本内容的类案推荐方法
CN110705301A (zh) * 2019-09-30 2020-01-17 京东城市(北京)数字科技有限公司 实体关系抽取方法及装置、存储介质、电子设备
CN110688857A (zh) * 2019-10-08 2020-01-14 北京金山数字娱乐科技有限公司 一种文章生成的方法和装置
CN111144108A (zh) * 2019-12-26 2020-05-12 北京百度网讯科技有限公司 情感倾向性分析模型的建模方法、装置和电子设备
CN111339774A (zh) * 2020-02-07 2020-06-26 腾讯科技（深圳）有限公司 文本的实体关系抽取方法和模型训练方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FEI YU等: "《ERNIE-ViL Knowledge Enhanced Vision-Language Representations Through Scene Graph》", 《HTTPS://ARXIV.ORG/ABS/2006.16934V1》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507706A (zh) * 2020-12-21 2021-03-16 北京百度网讯科技有限公司 知识预训练模型的训练方法、装置和电子设备
CN112507706B (zh) * 2020-12-21 2023-01-31 北京百度网讯科技有限公司 知识预训练模型的训练方法、装置和电子设备
WO2023040306A1 (zh) * 2021-09-15 2023-03-23 北京京东尚科信息技术有限公司 多模态预训练方法和装置
CN114461839A (zh) * 2022-04-12 2022-05-10 智者四海（北京）技术有限公司 基于多模态预训练的相似图片检索方法、装置及电子设备
CN114972910A (zh) * 2022-05-20 2022-08-30 北京百度网讯科技有限公司 图文识别模型的训练方法、装置、电子设备及存储介质
CN115660036A (zh) * 2022-09-22 2023-01-31 北京百度网讯科技有限公司 模型预训练及任务处理方法、装置、电子设备及存储介质
CN115660036B (zh) * 2022-09-22 2024-05-24 北京百度网讯科技有限公司 模型预训练及任务处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
KR20220008768A (ko) 2022-01-21
US20220019744A1 (en) 2022-01-20
JP2022018095A (ja) 2022-01-26
KR102648232B1 (ko) 2024-03-14
US11928432B2 (en) 2024-03-12
EP3940580A1 (en) 2022-01-19

Similar Documents

Publication Publication Date Title
CN112001180A (zh) 多模态预训练模型获取方法、装置、电子设备及存储介质
CN111144115B (zh) 预训练语言模型获取方法、装置、电子设备和存储介质
CN111639710A (zh) 图像识别模型训练方法、装置、设备以及存储介质
KR20210040851A (ko) 텍스트 인식 처리 방법, 장치, 전자 기기 및 저장매체
CN111950291B (zh) 语义表示模型的生成方法、装置、电子设备及存储介质
CN111708922A (zh) 用于表示异构图节点的模型生成方法及装置
CN111967256B (zh) 事件关系的生成方法、装置、电子设备和存储介质
CN110795569B (zh) 知识图谱的向量表示生成方法、装置及设备
CN111859997B (zh) 机器翻译中的模型训练方法、装置、电子设备及存储介质
CN111104514A (zh) 文档标签模型的训练方法及装置
CN111144108A (zh) 情感倾向性分析模型的建模方法、装置和电子设备
CN111709249B (zh) 多语种模型的训练方法、装置、电子设备和存储介质
KR20210132578A (ko) 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체
CN111950293B (zh) 语义表示模型的生成方法、装置、电子设备及存储介质
CN111259671A (zh) 文本实体的语义描述处理方法、装置及设备
CN111860167A (zh) 人脸融合模型获取及人脸融合方法、装置及存储介质
CN111860769A (zh) 预训练图神经网络的方法以及装置
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
CN112001366A (zh) 模型训练方法、人脸识别方法、装置、设备和介质
CN112541362B (zh) 一种泛化处理的方法、装置、设备和计算机存储介质
CN112580822A (zh) 机器学习模型的对抗训练方法装置、电子设备和介质
CN112507090A (zh) 用于输出信息的方法、装置、设备和存储介质
CN111680600A (zh) 人脸识别模型处理方法、装置、设备和存储介质
CN112529180A (zh) 模型蒸馏的方法和装置
CN112182292A (zh) 视频检索模型的训练方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination