CN112001182B - 多语言语义表示模型的训练方法、装置、设备及存储介质 - Google Patents
多语言语义表示模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112001182B CN112001182B CN202010700605.7A CN202010700605A CN112001182B CN 112001182 B CN112001182 B CN 112001182B CN 202010700605 A CN202010700605 A CN 202010700605A CN 112001182 B CN112001182 B CN 112001182B
- Authority
- CN
- China
- Prior art keywords
- training
- language
- proportion
- languages
- training corpus
- 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
- 238000012549 training Methods 0.000 title claims abstract description 307
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000015654 memory Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000873 masking effect Effects 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 235000019580 granularity Nutrition 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种多语言语义表示模型的训练方法、装置、设备及存储介质，涉及基于人工智能的自然语言处理领域。具体实现方案为：统计训练语料集包括的多种语言中的各种语言的训练语料的比例；基于多种语言中各种语言的训练语料的比例，配置各种语言的训练语料的选择概率，以提升比例低于预设比例阈值的语言的训练语料的选择概率大于对应的比例；基于各种语言的训练语料的选择概率，从训练语料集中选择对应的语言的训练语料，对多语言语义表示模型进行训练。本申请的技术，能够平衡训练时语料稀疏的语言的训练语料和语料丰富的语言的训练语料的数量，更好地学习语料稀疏语言的训练语料，以实现对语料稀疏的语言的训练语料进行准确有效地建模。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及基于人工智能的自然语言处理领域，具体涉及一种多语言语义表示模型的训练方法、装置、设备及存储介质。
背景技术
自然语言处理(Natural Language Processing；NLP)是人工智能(ArtificialIntelligence；AI)的一个非常重要的子领域。现有的NLP任务的学习范式大多采用预训练(Pre-training)加微调(Fine-tuning)的方式。首先通过预训练任务在无监督语料中初步建模，然后在下游任务上使用任务数据进行微调。且现有的经验表明，预训练模型可以起到对模型参数的正则化的约束作用，可以极大的提升下游任务的表现能力。基于以上所述，且随着全球化的不断发展，不同语言之间的信息交换也越来越重要，为了提升多语言语义表示模型在多语言任务上的性能，多语言语义表示模型的建模显得尤为重要。
现有的多语言语义表示模型在预训练时，分别针对每一种语言进行单独训练，进而可以学习到每一种语言的语义表示能力。
但是，对于语料稀疏的语言如泰语，缅甸语等，相对于语料集中其他语料丰富的语言如英语、中文等，占比非常低，当随机采用语料集中的各种语言的语料训练多语言语义表示模型时，导致多语言语义表示模型无法有效学习到语料稀疏的语言的语义表示。
发明内容
为了解决上述问题，本申请提供了一种多语言语义表示模型的训练方法、装置、设备及存储介质。
根据本申请的一方面，提供了一种多语言语义表示模型的训练方法，其中，所述方法包括：
统计训练语料集包括的多种语言中的各种语言的训练语料的比例；
基于所述多种语言中各种所述语言的训练语料的比例，配置各种所述语言的训练语料的选择概率，以提升所述比例低于预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例；
基于各种所述语言的训练语料的选择概率，从所述训练语料集中选择对应的所述语言的训练语料，对多语言语义表示模型进行训练。
根据本申请的另一方面，提供了一种多语言语义表示模型的训练装置，其中，所述装置包括：
统计模块，用于统计训练语料集包括的多种语言中的各种语言的训练语料的比例；
配置模块，用于基于所述多种语言中各种所述语言的训练语料的比例，配置各种所述语言的训练语料的选择概率，以提升所述比例低于预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例；
训练模块，用于基于各种所述语言的训练语料的选择概率，从所述训练语料集中选择对应的所述语言的训练语料，对多语言语义表示模型进行训练。
根据本申请的再一方面，提供了一种电子设备，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上所述的方法。
根据本申请的又一方面，提供了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上所述的方法。
根据本申请的再另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
根据本申请的技术，能够平衡训练时语料稀疏的语言的训练语料和语料丰富的语言的训练语料的数量，在不损害多语言语义表示模型学习语料丰富的语言的训练语料的前提下，更好地学习语料稀疏语言的训练语料，以实现对语料稀疏的语言的训练语料进行准确有效地建模。
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是根据本申请第一实施例的示意图；
图2是本实施例提供的一种语言的训练语料的比例与选择概率的关系示意图；
图3是根据本申请第二实施例的示意图；
图4是本实施例提供的多语言语义表示模型的训练原理图；
图5A和图5B分别是英文和中文的训练语料的训练示意图；
图6是根据本申请第三实施例的示意图；
图7是根据本申请第四实施例的示意图；
图8是用来实现本申请实施例的上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。
图1是根据本申请第一实施例的示意图；如图1所示，本实施例提供一种多语言语义表示模型的训练方法，具体可以包括如下步骤：
S101、统计训练语料集包括的多种语言中的各种语言的训练语料的比例；
S102、基于多种语言中各种语言的训练语料的比例，配置各种语言的训练语料的选择概率，以提升比例低于预设比例阈值的语言的训练语料的选择概率大于对应的比例；
S103、基于各种语言的训练语料的选择概率，从训练语料集中选择对应的语言的训练语料，对多语言语义表示模型进行训练。
本实施例的多语言语义表示模型的训练方法的执行主体为多语言语义表示模型的训练装置，该多语言语义表示模型的训练装置可以为实体电子设备如计算机之类的设备。或者也可以为采用软件集成的应用，使用时运行在计算机上，实现对多语言语义表示模型的训练。
本实施例的多语言语义表示模型能够支持对多种语言的语料进行语义表示。本实施例的多语言语义表示模型可以采用使用信息实体增强的语言表示(Enhanced LanguageRepresentation with Informative Entities；ERNIE)模型。
具体地，训练语料集中可以包括多种语言的训练语料。在本实施例中，可以统计每一种语言的训练语料的数量，然后基于每一种语言的训练语料的数量，可以统计出每一种语言的训练语料的比例。
进一步地，本实施例中，可以基于多种语言中各种语言的训练语料的比例，配置各种语言的训练语料的选择概率，以提升比例低于预设比例阈值的语言的训练语料的选择概率大于对应的比例；由于所有语言的训练语料的选择概率之和不变等于1，对应地，该种配置方式也可以降低比例高于预设比例阈值的语言的训练语料的选择概率小于对应的比例。最后基于各种语言的训练语料的选择概率，从训练语料集中选择对应的语言的训练语料，对多语言语义表示模型进行训练，可以使得语料稀疏的语言的训练语料和语料丰富的语言的训练语料的数量在训练时得到平衡，使得在不损害多语言语义表示模型学习语料丰富的语言的训练语料的前提下，更好地学习语料稀疏语言的训练语料，以实现对语料稀疏的语言进行准确的语义表示。
本实施例的多语言语义表示模型的训练方法，通过统计训练语料集包括的多种语言中的各种语言的训练语料的比例；基于多种语言中各种语言的训练语料的比例，配置各种语言的训练语料的选择概率，以提升比例低于预设比例阈值的语言的训练语料的选择概率大于对应的比例；基于各种语言的训练语料的选择概率，从训练语料集中选择对应的语言的训练语料，对多语言语义表示模型进行训练，能够平衡训练时语料稀疏的语言的训练语料和语料丰富的语言的训练语料的数量，在不损害多语言语义表示模型学习语料丰富的语言的训练语料的前提下，更好地学习语料稀疏语言的训练语料，以实现对语料稀疏的语言的训练语料进行准确有效地建模。
进一步可选地，上述图1所示实施例中的步骤S102，具体可以包括如下三种情况：
(1)对于比例小于预设比例阈值的语言的训练语料，配置对应的语言的训练语料的选择概率大于对应的比例；
(2)对于比例大于预设比例阈值的语言的训练语料，配置对应的语言的训练语料的选择概率小于对应的比例；或者
(3)对于比例等于预设比例阈值的语言的训练语料，配置对应的语言的训练语料的选择概率等于对应的比例。其中预设的比例阈值可以根据实际需求来设置，在此不再赘述。
例如，图2是本实施例提供的一种语言的训练语料的比例与选择概率的关系示意图。图中K1为未配置选择概率的情况，未配置选择概率时，在训练多语言语义表示模型时，随机从训练语料集中选择一条训练语料进行训练，每一种语言的训练语料被选择的概率等于该语言的训练语料在训练语料集中所占的比例。这样，训练语料集中语料丰富的语言，即比例高的语言的训练语料被选择的概率更大，而训练语料集中语料稀疏的语言，即比例低的语言的训练语料被选择的概率很小，导致在训练过程中，多语言语义表示模型无法有效学习到其语义表示。本实施例的上述方案经过配置，可以得到图2所示的K2曲线，以将比例小于预设比例阈值的语言的训练语料的选择概率提高，以大于对应的比例，而将比例大于预设比例阈值的语言的训练语料的选择概率降低，以小于对应的比例，而对于比例等于预设比例阈值的语言的训练语料，选择概率等于对应的比例，这样，可以平衡训练时获取语料丰富的语言的训练语料和语料稀疏的语言的训练语料的数量，使得在不影响语料丰富的语言的训练语料被选择的前提下，提高语料稀疏的语言的训练语料被选择的概率，从而使得多语言语义表示模型能够充分学习到语料稀疏的语言的训练语料的信息，更好地对语料稀疏的语言进行准确有效地建模。
图3是根据本申请第二实施例的示意图；本实施例的多语言语义表示模型的训练方法在上述图1所示实施例的技术方案的基础上，进一步更加详细地描述本申请的技术方案。如图3所示，本实施例的多语言语义表示模型的训练方法，具体可以包括如下步骤：
S301、采用如下公式，统计训练语料集包括的多种语言中的各种语言的训练语料的比例：
其中，pi表示第i种语言的训练语料的比例；ni表示第i种语言在训练语料集中的数量，k表示训练语料集中包括的语言的数量。
S302、基于多种语言中各种语言的训练语料的比例，采用如下公式的指数采样法配置各种语言的训练语料的选择概率，使得比例低于预设比例阈值的语言的训练语料的选择概率大于对应的比例，比例高于预设比例阈值的语言的训练语料的选择概率小于对应的比例：
其中α表示超参数，α的取值范围为0-1之间，α的值越小，表示希望多语言语义表示模型更多地学习到语料稀疏的语言的训练语料，例如为了有效地学习语料稀疏的语言的训练语料，可以将该α设置为0.01。
本实施例的指数采样法为上述图1所示实施例的步骤S102的一种实现方式，能够实现上述(1)-(3)所示的情况，
S303、基于各种语言的训练语料的选择概率，从训练语料集中选择对应的语言的训练语料；
S304、采用选择的语言的训练语料，并基于随机遮掩语义单元的训练策略，训练多语言语义表示模型；
具体训练过程中，可以采用随机遮掩的方式对语义单元进行掩码，而由多语言语义表示模型预测掩码的语义单元。本实施例的训练过程中，掩码的语义单元可以为字、词语、实体或者短语等等，其中短语可以为包括至少两个词语、至少两个实体或者词语与实体的组合。
在训练过程中，若是训练字级别的掩码，可以随机遮掩某个字，训练该多语言语义表示模型基于该字的上下文信息来预测该字。对于词语级别和实体级别的预测，需要先采用预设的词语库以及实体库，识别训练语料中的词语及实体，然后在训练中对词语、实体或者短语进行掩码，并训练该多语言语义表示模型基于上下文信息，预测掩码的词语、实体或者短语。另外，需要说明的是，本实施例的随机掩码过程中，掩码的比例不得超过训练语料的预设比例阈值，如10％、15％或者其他比例阈值。
对于每一种语言，均采用该语言的多条语料按照上述方式对该多语言语义表示模型进行训练，从而可以使得该多语言语义表示模型可以学习到每一种语言的语义表示能力。而且，在采用每一种语言的训练语料训练多语言语义表示模型时，需要同时或者分别进行字、词语、实体以及短语等各个粒度的语义单元的随机遮掩训练，以使得多语言语义表示模型能够充分学习到该语言下的各种粒度的语义单元的语义表示。
例如，图4是本实施例提供的多语言语义表示模型的训练原理图。如图4所示，左侧为单语言的语义表示模型的训练原理图，以英文为例，单语言语义表示模型的建模过程中，仅仅使用单语言的语料对语义表示模型进行建模训练。具体地，通过对词、实体以及短语等语义单元进行掩盖，随后让语义表示模型预测被掩盖的语义单元，以实现单语言的语义表示模型的建模。
借鉴图4所示的单语言的语义表示模型建模的思想来实现对图4所示右侧的多语言语义表示模型的建模，将对不同语言的建模拆解为对多个单语言的语义表示模型建模的子任务，当训练该语言的训练语料时候，激活对应的底层语言的嵌入(embedding)层和顶层的全连接层，同时，训练不同语言时共享相同的多语言语义表示模型的编码器(encoder)参数，以确保每种语言的语义信息可以通过多任务学习的方式共享给其他语言，以此方式加强对语料稀疏的语言的建模。
例如，图5A和图5B分别是英文和中文的训练语料的训练示意图，如图5A和图5B所示，均以随机遮掩一个字粒度的token为例，来预测遮掩的token。例如图5A所示，以英文“take a seat，please”为例，以字为粒度分词，再加上起始符CLS，结束符SEP，共得到多个token。然后分别经过语言嵌入层、位置嵌入层、token嵌入层后由多语言语义表示模型的编码器，最后预测遮掩的token为“seat”。同理，如图5B所示，以中文“请你坐下”为例，以字为粒度分词，再加上起始符CLS，结束符SEP，共得到多个token。然后分别经过语言嵌入层、位置嵌入层、token嵌入层后由多语言语义表示模型的编码器，最后预测遮掩的token分别为“你”和“坐”。
本实施例的多语言语义表示模型的训练方法，应用在多语言语义表示模型的预训练阶段，经过采用本实施例的训练方式，可以使得训练的多语言语义表示模型能够学习到稀疏语料的语言的语义表示，进而可以使用应用在稀疏语料的语言的翻译等任务中，使用非常广泛。
本实施例的多语言语义表示模型的训练方法，通过采用上述方法，能够合理配置语料稀疏的语言的训练语料的选择概率，进而平衡训练时语料稀疏的语言的训练语料和语料丰富的语言的训练语料的数量，在不损害多语言语义表示模型学习语料丰富的语言的训练语料的前提下，更好地学习语料稀疏语言的训练语料，以实现对语料稀疏的语言的训练语料进行准确有效地建模。
图6是根据本申请第三实施例的示意图；如图6所示，本实施例提供一种多语言语义表示模型的训练装置600，包括：
统计模块601，用于统计训练语料集包括的多种语言中的各种语言的训练语料的比例；
配置模块602，用于基于多种语言中各种语言的训练语料的比例，配置各种语言的训练语料的选择概率，以提升比例低于预设比例阈值的语言的训练语料的选择概率大于对应的比例；
训练模块603，用于基于各种语言的训练语料的选择概率，从训练语料集中选择对应的语言的训练语料，对多语言语义表示模型进行训练。
本实施例的多语言语义表示模型的训练装置600，通过采用上述模块实现多语言语义表示模型的训练的实现原理以及技术效果，与上述相关方法实施例相同，详细可以参考上述相关实施例的记载，在此不再赘述。
图7是根据本申请第四实施例的示意图；如图7所示，本实施例的多语言语义表示模型的训练装置600，在上述图6所示实施例的技术方案的基础上，进一步更加详细地介绍本申请的技术方案。
本实施例的多语言语义表示模型的训练装置600中，配置模块602，用于：
对于比例小于预设比例阈值的语言的训练语料，配置对应的语言的训练语料的选择概率大于对应的比例；
对于比例大于预设比例阈值的语言的训练语料，配置对应的语言的训练语料的选择概率小于对应的比例；或者
对于比例等于预设比例阈值的语言的训练语料，配置对应的语言的训练语料的选择概率等于对应的比例。
进一步可选地，配置模块602，用于：
基于多种语言中各种语言的训练语料的比例，采用指数采样法配置各种语言的训练语料的选择概率，使得比例低于预设比例阈值的语言的训练语料的选择概率大于对应的比例，比例高于预设比例阈值的语言的训练语料的选择概率小于对应的比例。
进一步可选地，配置模块602，具体用于采用如下公式来实现配置各种语言的训练语料的选择概率：
其中pi表示第i种语言的训练语料的比例；ni表示第i种语言在训练语料集中的数量，k表示训练语料集中包括的语言的数量；α表示超参数。
进一步可选地，本实施例的多语言语义表示模型的训练装置600中，训练模块603，包括：
选择单元6031，用于基于各种语言的训练语料的选择概率，从训练语料集中选择对应的语言的训练语料；
训练单元6032，用于采用选择的语言的训练语料，并基于随机遮掩语义单元的训练策略，训练多语言语义表示模型。
本实施例的多语言语义表示模型的训练装置600，通过采用上述模块实现多语言语义表示模型的训练的实现原理以及技术效果，与上述相关方法实施例相同，详细可以参考上述相关实施例的记载，在此不再赘述。
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8所示，是本申请实施例的实现上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8所示，该电子设备包括：一个或多个处理器801、存储器802，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8中以一个处理器801为例。
存储器802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多语言语义表示模型的训练方法。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多语言语义表示模型的训练方法。
存储器802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多语言语义表示模型的训练方法对应的程序指令/模块(例如，附图6和附图7所示的相关模块)。处理器801通过运行存储在存储器802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多语言语义表示模型的训练方法。
存储器802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实现多语言语义表示模型的训练方法的电子设备的使用所创建的数据等。此外，存储器802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802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至实现多语言语义表示模型的训练方法的电子设备。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。
实现多语言语义表示模型的训练方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与实现多语言语义表示模型的训练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804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)、互联网和区块链网络。
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。
根据本申请实施例的技术方案，能够平衡训练时语料稀疏的语言的训练语料和语料丰富的语言的训练语料的数量，在不损害多语言语义表示模型学习语料丰富的语言的训练语料的前提下，更好地学习语料稀疏语言的训练语料，以实现对语料稀疏的语言的训练语料进行准确有效地建模。
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 (8)
1.一种多语言语义表示模型的训练方法，其中，所述方法包括：
统计训练语料集包括的多种语言中的各种语言的训练语料的比例；
基于所述多种语言中各种所述语言的训练语料的比例，配置各种所述语言的训练语料的选择概率，以提升所述比例低于预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例；
基于各种所述语言的训练语料的选择概率，从所述训练语料集中选择对应的所述语言的训练语料，对多语言语义表示模型进行训练；
其中，基于所述多种语言中各种所述语言的训练语料的比例，配置各种所述语言的训练语料的选择概率，以提升所述比例低于预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例，具体包括：
基于所述多种语言中各种所述语言的训练语料的比例，采用指数采样法配置各种所述语言的训练语料的选择概率，使得所述比例低于所述预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例，所述比例高于所述预设比例阈值的所述语言的训练语料的所述选择概率小于对应的所述比例；
其中，基于所述多种语言中各种所述语言的训练语料的比例，采用指数采样法配置各种所述语言的训练语料的选择概率，使得所述比例低于所述预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例，所述比例高于所述预设比例阈值的所述语言的训练语料的所述选择概率小于对应的所述比例，具体采用如下公式来实现：其中，/>，/>表示第i种语言的训练语料的比例；/>表示第i种语言在所述训练语料集中的数量，k表示所述训练语料集中包括的语言的数量；/>表示超参数；其中0<α<1。
2.根据权利要求1所述的方法，其中, 基于所述多种语言中各种所述语言的训练语料的比例，配置各种所述语言的训练语料的选择概率，以提升所述比例低于预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例，包括：
对于所述比例小于所述预设比例阈值的所述语言的训练语料，配置对应的所述语言的训练语料的选择概率大于对应的所述比例；
对于所述比例大于所述预设比例阈值的所述语言的训练语料，配置对应的所述语言的训练语料的选择概率小于对应的所述比例；或者
对于所述比例等于所述预设比例阈值的所述语言的训练语料，配置对应的所述语言的训练语料的选择概率等于对应的所述比例。
3.根据权利要求1-2任一所述的方法，其中，基于各种所述语言的训练语料的选择概率，从所述训练语料集中选择对应的所述语言的训练语料，对多语言语义表示模型进行训练，包括：
基于各种所述语言的训练语料的选择概率，从所述训练语料集中选择对应的所述语言的训练语料；
采用选择的所述语言的训练语料，并基于随机遮掩语义单元的训练策略，训练所述多语言语义表示模型。
4.一种多语言语义表示模型的训练装置，其中，所述装置包括：
统计模块，用于统计训练语料集包括的多种语言中的各种语言的训练语料的比例；
配置模块，用于基于所述多种语言中各种所述语言的训练语料的比例，配置各种所述语言的训练语料的选择概率，以提升所述比例低于预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例；
训练模块，用于基于各种所述语言的训练语料的选择概率，从所述训练语料集中选择对应的所述语言的训练语料，对多语言语义表示模型进行训练；
其中，所述配置模块，用于：
基于所述多种语言中各种所述语言的训练语料的比例，采用指数采样法配置各种所述语言的训练语料的选择概率，使得所述比例低于所述预设比例阈值的所述语言的训练语料的所述选择概率大于对应的所述比例，所述比例高于所述预设比例阈值的所述语言的训练语料的所述选择概率小于对应的所述比例；
其中，所述配置模块，具体用于采用如下公式来实现配置各种所述语言的训练语料的选择概率：
其中/>，/>表示第i种语言的训练语料的比例；/>表示第i种语言在所述训练语料集中的数量，k表示所述训练语料集中包括的语言的数量；/>表示超参数；其中0<α<1。
5.根据权利要求4所述的装置，其中, 所述配置模块，用于：
对于所述比例小于所述预设比例阈值的所述语言的训练语料，配置对应的所述语言的训练语料的选择概率大于对应的所述比例；
对于所述比例大于所述预设比例阈值的所述语言的训练语料，配置对应的所述语言的训练语料的选择概率小于对应的所述比例；或者
对于所述比例等于所述预设比例阈值的所述语言的训练语料，配置对应的所述语言的训练语料的选择概率等于对应的所述比例。
6.根据权利要求4-5任一所述的装置，其中，所述训练模块，包括：
选择单元，用于基于各种所述语言的训练语料的选择概率，从所述训练语料集中选择对应的所述语言的训练语料；
训练单元，用于采用选择的所述语言的训练语料，并基于随机遮掩语义单元的训练策略，训练所述多语言语义表示模型。
7.一种电子设备，其中，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1-3中任一项所述的方法。
8.一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1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700605.7A CN112001182B (zh) | 2020-07-20 | 2020-07-20 | 多语言语义表示模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700605.7A CN112001182B (zh) | 2020-07-20 | 2020-07-20 | 多语言语义表示模型的训练方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001182A CN112001182A (zh) | 2020-11-27 |
| CN112001182B true CN112001182B (zh) | 2024-02-13 |
Family
ID=73467015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010700605.7A Active CN112001182B (zh) | 2020-07-20 | 2020-07-20 | 多语言语义表示模型的训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001182B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169518A (zh) * | 2017-05-18 | 2017-09-15 | 北京京东金融科技控股有限公司 | 数据分类方法、装置、电子装置及计算机可读介质 |
| CN107662617A (zh) * | 2017-09-25 | 2018-02-06 | 重庆邮电大学 | 基于深度学习的车载交互控制算法 |
| WO2018120889A1 (zh) * | 2016-12-28 | 2018-07-05 | 平安科技（深圳）有限公司 | 输入语句的纠错方法、装置、电子设备及介质 |
| WO2019232851A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技（深圳）有限公司 | 语音区分模型训练方法、装置、计算机设备及存储介质 |
| CN110717515A (zh) * | 2019-09-06 | 2020-01-21 | 北京三快在线科技有限公司 | 模型训练方法、装置及电子设备 |
| CN110889457A (zh) * | 2019-12-03 | 2020-03-17 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-20 CN CN202010700605.7A patent/CN112001182B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018120889A1 (zh) * | 2016-12-28 | 2018-07-05 | 平安科技（深圳）有限公司 | 输入语句的纠错方法、装置、电子设备及介质 |
| CN107169518A (zh) * | 2017-05-18 | 2017-09-15 | 北京京东金融科技控股有限公司 | 数据分类方法、装置、电子装置及计算机可读介质 |
| CN107662617A (zh) * | 2017-09-25 | 2018-02-06 | 重庆邮电大学 | 基于深度学习的车载交互控制算法 |
| WO2019232851A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技（深圳）有限公司 | 语音区分模型训练方法、装置、计算机设备及存储介质 |
| CN110717515A (zh) * | 2019-09-06 | 2020-01-21 | 北京三快在线科技有限公司 | 模型训练方法、装置及电子设备 |
| CN110889457A (zh) * | 2019-12-03 | 2020-03-17 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于重抽样优选缓存经验回放机制的深度强化学习方法;陈希亮;曹雷;李晨溪;徐志雄;何明;;控制与决策(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001182A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7214954B2 (ja) | 言語モデルのトレーニング方法、装置、電子機器、プログラム及び可読記憶媒体 | |
| CN112001181B (zh) | 多语言语义表示模型的训练方法、装置、设备及存储介质 | |
| US11556715B2 (en) | Method for training language model based on various word vectors, device and medium | |
| US11526668B2 (en) | Method and apparatus for obtaining word vectors based on language model, device and storage medium | |
| KR20210040851A (ko) | 텍스트 인식 처리 방법, 장치, 전자 기기 및 저장매체 | |
| CN112528669B (zh) | 多语言模型的训练方法、装置、电子设备和可读存储介质 | |
| CN110427627B (zh) | 基于语义表示模型的任务处理方法和装置 | |
| JP7267342B2 (ja) | 語義表現モデルの訓練方法、装置、デバイス及びコンピュータ記憶媒体 | |
| JP2022018095A (ja) | 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 | |
| US20220092252A1 (en) | Method for generating summary, electronic device and storage medium thereof | |
| US20210209472A1 (en) | Method and apparatus for determining causality, electronic device and storage medium | |
| CN112507735A (zh) | 机器翻译模型的训练方法、装置和电子设备 | |
| CN111950293B (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
| KR20210086940A (ko) | 감정 분석 모델을 사전 트레이닝하는 방법, 장치 및 전자 기기 | |
| CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
| JP2022028897A (ja) | 文章翻訳方法、装置、電子機器及び記憶媒体 | |
| JP7121791B2 (ja) | 言語生成方法、装置及び電子機器 | |
| CN112001182B (zh) | 多语言语义表示模型的训练方法、装置、设备及存储介质 | |
| CN111651988B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN115688796B (zh) | 用于自然语言处理领域中预训练模型的训练方法及其装置 | |
| CN111859981B (zh) | 语言模型获取及中文语义理解方法、装置及存储介质 | |
| CN115952790A (zh) | 信息抽取方法及其装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |