CN112417156A - 多任务学习方法、装置、设备以及存储介质 - Google Patents
多任务学习方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112417156A CN112417156A CN202011377234.XA CN202011377234A CN112417156A CN 112417156 A CN112417156 A CN 112417156A CN 202011377234 A CN202011377234 A CN 202011377234A CN 112417156 A CN112417156 A CN 112417156A
- Authority
- CN
- China
- Prior art keywords
- task
- learning
- text
- neural network
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 116
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 230000000875 corresponding effect Effects 0.000 claims description 162
- 238000012549 training Methods 0.000 claims description 83
- 230000015654 memory Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了多任务学习方法、装置、设备以及存储介质,涉及自然语言处理和深度学习等人工智能技术领域。该方法的一具体实施方式包括:将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵,其中,一个神经网络输出一个文本矩阵;对于多任务中的每个任务,将至少一个文本矩阵输入任务对应的注意力层进行合并,得到合并文本矩阵;基于合并文本矩阵进行任务的学习,得到任务对应的学习结果。该实施方式采用多神经网络模式,不同的神经网络学习不同的知识,从而实现不对任务的相关性进行限定的多任务学习,提升学习效果和模型利用率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及自然语言处理和深度学习等人工智能技术领域,尤其涉及多任务学习方法、装置、设备以及存储介质。
背景技术
深度学习(Deep Learning,DL)是机器学习(Machine Learning,ML)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(ArtificialIntelligence,AI)。
事件图谱目前大量应用了深度学习技术。特别是对预训练模型相关技术的使用,模型参数巨大,GPU(Graphics Processing Unit,图形处理器)消耗加快,直接导致GPU使用紧张、模型部署成本和对外输出成本增加。为解决此问题,已经对部分相关任务进行了融合,除任务层外共享一个参数层。
发明内容
本申请实施例提出了多任务学习方法、装置、设备以及存储介质。
第一方面,本申请实施例提出了一种多任务学习方法,包括:将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵,其中,一个神经网络输出一个文本矩阵;对于多任务中的每个任务,将至少一个文本矩阵输入任务对应的注意力层进行合并,得到合并文本矩阵;基于合并文本矩阵进行任务的学习,得到任务对应的学习结果。
第二方面,本申请实施例提出了一种多任务学习装置,包括:第一学习模块,被配置成将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵,其中,一个神经网络输出一个文本矩阵;合并模块,被配置成对于多任务中的每个任务,将至少一个文本矩阵输入任务对应的注意力层进行合并,得到合并文本矩阵;第二学习模块,被配置成基于合并文本矩阵进行任务的学习,得到任务对应的学习结果。
第三方面,本申请实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的多任务学习方法、装置、设备以及存储介质,首先将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵;然后对于多任务中的每个任务,将至少一个文本矩阵输入任务对应的注意力层进行合并,得到合并文本矩阵;最后基于合并文本矩阵进行任务的学习,得到任务对应的学习结果。采用多神经网络模式,不同的神经网络学习不同的知识,从而实现不对任务的相关性进行限定的多任务学习,提升学习效果和模型利用率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请可以应用于其中的示例性系统架构;
图2是根据本申请的多任务学习方法的一个实施例的流程图;
图3是根据本申请的多任务学习方法的又一个实施例的流程图;
图4是多任务学习方法的模型的结构示意图;
图5是多任务学习方法的模型的训练流程图;
图6是根据本申请的多任务学习装置的一个实施例的结构示意图;
图7是用来实现本申请实施例的多任务学习方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的多任务学习方法或多任务学习装置的实施例的示例性系统架构100。
如图1所示,系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种客户端应用,例如自然语言处理应用等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以提供各种服务。例如,服务器103可以对从终端设备101接收到的文本进行分析等处理,并将处理结果(例如多任务对应的学习结果)反馈给终端设备101。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的多任务学习方法一般由服务器103执行,相应地,多任务学习装置一般设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。此外,在服务器103存储有文本的情况下,系统架构100可以不设置终端设备101和网络102。
继续参考图2,其示出了根据本申请的多任务学习方法的一个实施例的流程200。该多任务学习方法包括以下步骤:
步骤201,将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵。
在本实施例中,多任务学习方法的执行主体(例如图1所示的服务器103)可以将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵。
通常,文本可以从输入层输入,输入层将文本分别输入至少一个神经网络。其中,文本可以是来自任意数据源的语句,数据源可以包括但不限于新闻、小说、微博、自媒体文章等。多任务可以是任意的文本处理任务,包括但不限于分类、抽取、阅读理解等。神经网络可以包括但不限于CNN(Convolutional Neural Network,卷积神经网络)、预训练模型等等。在实际应用中,预训练模型的效果通常优于CNN。一个神经网络可以输出一个文本矩阵。文本矩阵可以表征文本所具有的特征。不同的神经网络学习文本的不同特征。神经网络的数量越多,从文本中学习到的知识越丰富,进而得到的多任务对应的学习结果的准确度越高。然而,神经网络数量越多,计算量越大。因此,需要综合考虑准确度和计算量,确定神经网络的数量。
实践中,神经网络的数量与训练样本集合的数据源的差异和/或多任务的差异正相关。由于数据源种类和任务种类有限,且大多数据源和大多任务差异较小,因此实际应用中通常设置2到3个神经网络。而3个神经网络在实际应用中最为常见。
步骤202,对于多任务中的每个任务,将至少一个文本矩阵输入任务对应的注意力层进行合并,得到合并文本矩阵。
在本实施例中,对于多任务中的每个任务,上述执行主体可以将至少一个文本矩阵输入每个任务对应的注意力层进行合并,得到每个任务对应的合并文本矩阵。
以多任务中的任意一个任务为例,全部或部分文本矩阵会输入到这个任务对应的注意力层进行合并。通常,对完成这个任务有贡献的神经网络输出的文本矩阵可以输入到这个任务对应的注意力层,对完成这个任务没有贡献的神经网络输出的文本矩阵可以不输入到这个任务对应的注意力层。因此,输入到这个任务的注意力层的文本矩阵,是根据对这个任务有实际贡献的神经网络而确定的。
步骤203,基于合并文本矩阵进行任务的学习,得到任务对应的学习结果。
在本实施例中,上述执行主体可以基于每个任务对应的合并文本矩阵进行任务的学习,得到每个任务对应的学习结果。例如,对于分类任务,基于合并文本矩阵进行分类,得到分类结果。对于抽取任务,基于合并文本矩阵进行抽取,得到抽取结果。
本申请实施例提供的多任务学习方法,首先将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵;然后对于多任务中的每个任务,将至少一个文本矩阵输入任务对应的注意力层进行合并,得到合并文本矩阵;最后基于合并文本矩阵进行任务的学习,得到任务对应的学习结果。采用多神经网络模式,不同的神经网络学习不同的知识,从而实现不对任务的相关性进行限定的多任务学习,提升学习效果和模型利用率。
进一步参考图3,其示出了根据本申请的多任务学习方法的又一个实施例的流程300。该多任务学习方法包括以下步骤:
步骤301,将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵。
在本实施例中,步骤301具体操作已在图2所示的实施例中步骤201进行了详细的介绍,在此不再赘述。
步骤302,对于多任务中的每个任务,基于至少一个文本矩阵和任务对应的注意力机制矩阵,计算至少一个合并参数。
在本实施例中,对于多任务中的每个任务,上述执行主体可以基于至少一个文本矩阵和每个任务对应的注意力机制矩阵,计算每个任务对应的至少一个合并参数。
以多任务中的任意一个任务为例,通过计算至少一个文本矩阵和这个任务对应的注意力机制矩阵的乘积,可以得到这个任务对应的至少一个合并参数。其中,一个神经网络可以对应一个合并参数。合并参数可以表征对应的神经网络对任务的贡献度。
需要说明的是,合并参数可以再次学习,当改变模型的训练样本集合之后,只需要再次学习合并参数即可。
步骤303,基于至少一个合并参数合并至少一个文本矩阵,生成合并文本矩阵。
在本实施例中,上述执行主体可以基于至少一个合并参数合并至少一个文本矩阵,生成合并文本矩阵。具体地,注意力层可以根据合并参数对输入到其中的文本矩阵进行合并。例如,对于输入到其中的文本矩阵,将文本矩阵与其对应的合并参数相乘后拼接,即可得到合并文本矩阵。
通过注意力层给予不同的神经网络学习到的知识不同的权重,且权重由对应的神经网络的贡献度确定,从而使不同的任务都能够针对性地学习需求知识,进一步提升学习效果。
步骤304,将合并文本矩阵输入任务对应的特定任务层进行变换,得到标准文本数据。
在本实施例中,上述执行主体可以将合并文本矩阵输入任务对应的特定任务层进行变换,得到标准文本数据。其中,特定任务层可以根据任务需求对合并文本矩阵进行矩阵变换,转换为标准文本数据。特定任务层可以提高任务性能。对于不同的任务,特征任务层可以增加不同的特征或者结构。标准文本数据可以是矩阵或向量。例如,对于分类任务,其标准文本数据是向量。
先对合并文本矩阵进行标准化处理,再进行任务学习,提高任务性能,便于任务学习。
步骤305,将标准文本数据输入任务对应的输出层进行学习,得到任务对应的学习结果。
在本实施例中,上述执行主体可以将标准文本数据输入至任务对应的输出层进行学习,得到任务对应的学习结果。
通常,不同任务对应的输出层不同。例如,对于分类任务,其对应的输出层可以是分类器。分类器基于输入至其中的标准文本数据进行分类,得到分类结果。
从图3中可以看出,与图2对应的实施例相比,本实施例中的多任务学习方法的流程300突出了文本矩阵合并步骤和多任务学习步骤。由此,本实施例描述的方案通过注意力层给予不同的神经网络学习到的知识不同的权重,且权重由对应的神经网络的贡献度确定,从而使不同的任务都能够针对性地学习需求知识,进一步提升学习效果。先对合并文本矩阵进行标准化处理,再进行任务学习,提高任务性能,便于任务学习。
为了便于理解,下面提供可以实现本申请实施例的多任务学习方法的应用场景。在该应用场景中,对语句进行N(N为正整数)个任务学习。图4示出了多任务学习方法的模型的结构示意图。如图4所示,语句从输入层输入至专家层的三个专家(专家1、专家2和专家3)中。其中,专家层中的专家是神经网络。基于专家层输出的文本矩阵与注意力层的注意力机制矩阵,计算合并参数(a1、a2、a3、…、aN)。注意力层基于合并参数合并专家层输出的文本矩阵,得到合并文本矩阵。合并文本矩阵输入至特定任务层进行处理,得到标准文本数据。标准文本数据输入到输出层(任务1、任务2、任务3、…、任务N)进行学习,得到多任务学习结果。
进一步参考图5,其示出了多任务学习方法的模型的训练流程500。该多任务学习方法的模型的训练流程包括以下步骤:
步骤501,获取多任务的第一训练样本集合。
在本实施例中,上述执行主体可以获取多任务的第一训练样本集合。
其中,第一训练样本集合可以来自于多个不同的数据源,包括多任务中的每个任务的第一训练样本子集。第一训练样本子集中的第一训练样本可以包括第一样本文本和对应任务的第一任务标签。例如,对于分类任务,其对应的第一训练样本包括第一样本文本和分类标签。
步骤502,初始化至少一个神经网络、注意力层、特定任务层和输出层。
在本实施例中,上述执行主体可以初始化至少一个神经网络、注意力层、特定任务层和输出层。其中,至少一个神经网络的参数被随机初始化,因此不同的神经网络的初始参数不同。
不同的神经网络学习文本的不同特征。神经网络的数量越多,从文本中学习到的知识越丰富,进而得到的多任务对应的学习结果的准确度越高。然而,神经网络数量越多,计算量越大。因此,需要综合考虑准确度和计算量,确定神经网络的数量。
实践中,神经网络的数量与训练样本集合的数据源的差异和/或多任务的差异正相关。由于数据源种类和任务种类有限,且大多数据源和大多任务差异较小,因此实际应用中通常设置2到3个神经网络。而3个神经网络在实际应用中最为常见。
步骤503,将第一样本文本顺序通过至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第一样本学习结果。
在本实施例中,上述执行主体可以将第一样本文本顺序通过至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第一样本学习结果。
通常,第一样本文本输入至少一个神经网络进行学习,得到第一样本文本的至少一个第一样本文本矩阵。对于多任务中的每个任务,至少一个第一样本文本矩阵输入至对应任务的注意力层进行合并,得到第一样本合并文本矩阵。第一样本合并文本矩阵输入对应任务的特定任务层进行变换,得到第一样本标准文本数据。第一样本标准文本数据输入对应任务的输出层进行学习,得到对应任务的第一样本学习结果。
需要说明的是,由于至少一个神经网络被训练多轮,因此每轮训练会利用每个任务的第一训练样本子集中的至少部分第一训练样本。并且,在一轮训练中,第一训练样本的输入顺序可以以对应任务为批次随机打乱。其中,多轮训练能够确保训练出的模型的效果,随机打乱训练能够确保训练出的模型的鲁棒性。
步骤504,基于第一任务标签和第一样本学习结果的差异同时优化至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。
在本实施例中,上述执行主体可以计算第一任务标签和第一样本学习结果的差异,基于差异同时优化至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。其中,经过参数调整可以使第一任务标签和第一样本学习结果的差异变小。
步骤505,获取多任务的第二训练样本集合。
在本实施例中,上述执行主体可以获取多任务的第二训练样本集合。
其中,第二训练样本集合可以来自于多个不同的数据源,包括多任务中的每个任务的第二训练样本子集。第二训练样本子集中的第二训练样本可以包括第二样本文本和对应任务的第二任务标签。例如,对于分类任务,其对应的第二训练样本包括第二样本文本和分类标签。
步骤506,将第二样本文本顺序通过至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第二样本学习结果。
在本实施例中,上述执行主体可以将第二样本文本顺序通过至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第二样本学习结果。
通常,第二样本文本输入至少一个神经网络进行学习,得到第二样本文本的至少一个第二样本文本矩阵。对于多任务中的每个任务,至少一个第二样本文本矩阵输入至对应任务的注意力层进行合并,得到第二样本合并文本矩阵。第二样本合并文本矩阵输入对应任务的特定任务层进行变换,得到第二样本标准文本数据。第二样本标准文本数据输入对应任务的输出层进行学习,得到对应任务的第二样本学习结果。
步骤507,基于第二任务标签和第二样本学习结果的差异优化对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。
在本实施例中,上述执行主体可以计算第二任务标签和第二样本学习结果的差异。固定至少一个神经网络的参数,基于差异优化对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。其中,经过参数调整可以使第二任务标签和第二样本学习结果的差异变小。
本申请实施例提供的多任务学习方法的模型的训练方法,分为两阶段训练:第一阶段同时优化至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层;第二阶段固定至少一个神经网络的参数,同时优化对应任务的注意力层、对应任务的特定任务层和对应任务的输出层。利用注意力层代替神经网络进行融合,由于注意力层的参数远远小于神经网络的参数,从而降低GPU消耗。此外,将不同数据源融合到一个模型中,提高了机器利用率,降低了计算成本和维护成本。同时多任务的方式也能够减少模型过拟合,提高泛化能力。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种多任务学习装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的多任务学习装置600可以包括:第一学习模块601、合并模块602和第二学习模块603。其中,第一学习模块601,被配置成将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵,其中,一个神经网络输出一个文本矩阵;合并模块602,被配置成对于多任务中的每个任务,将至少一个文本矩阵输入任务对应的注意力层进行合并,得到合并文本矩阵;第二学习模块603,被配置成基于合并文本矩阵进行任务的学习,得到任务对应的学习结果。
在本实施例中,多任务学习装置600中:第一学习模块601、合并模块602和第二学习模块603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,合并模块602进一步被配置成:基于至少一个文本矩阵和任务对应的注意力机制矩阵,计算至少一个合并参数,其中,一个神经网络对应一个合并参数,合并参数表征对应的神经网络对任务的贡献度;基于至少一个合并参数合并至少一个文本矩阵,生成合并文本矩阵。
在本实施例的一些可选的实现方式中,第二学习模块603进一步被配置成:将合并文本矩阵输入任务对应的特定任务层进行变换,得到标准文本数据,其中,标准文本数据是矩阵或向量;将标准文本数据输入任务对应的输出层进行学习,得到任务对应的学习结果。
在本实施例的一些可选的实现方式中,多任务学习装置600还包括第一训练模块,第一训练模块进一步被配置成:获取多任务的第一训练样本集合,其中,第一训练样本集合包括每个任务的第一训练样本子集,其中,第一训练样本子集中的第一训练样本包括第一样本文本和对应任务的第一任务标签;初始化至少一个神经网络、注意力层、特定任务层和输出层;将第一样本文本顺序通过至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第一样本学习结果;基于第一任务标签和第一样本学习结果的差异同时优化至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。
在本实施例的一些可选的实现方式中,至少一个神经网络被训练多轮,且每轮训练利用每个任务的第一训练样本子集中的至少部分第一训练样本,且第一训练样本的输入顺序以对应任务为批次随机打乱。
在本实施例的一些可选的实现方式中,多任务学习装置600还包括第二训练模块,第二训练模块进一步被配置成:获取多任务的第二训练样本集合,其中,第二训练样本集合包括每个任务的第二训练样本子集,其中,第二训练样本子集中的第二训练样本包括第二样本文本和对应任务的第二任务标签;将第二样本文本顺序通过至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第二样本学习结果;基于第二任务标签和第二样本学习结果的差异优化对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。
在本实施例的一些可选的实现方式中,至少一个神经网络的数量与训练样本集合的数据源的差异和/或多任务的差异正相关。
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多任务学习方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的多任务学习方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的多任务学习方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的多任务学习方法对应的程序指令/模块(例如,附图6所示的第一学习模块601、合并模块602和第二学习模块603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的多任务学习方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据多任务学习方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至多任务学习方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
多任务学习方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与多任务学习方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案,首先将文本分别输入至少一个神经网络进行学习,得到文本的至少一个文本矩阵;然后对于多任务中的每个任务,将至少一个文本矩阵输入任务对应的注意力层进行合并,得到合并文本矩阵;最后基于合并文本矩阵进行任务的学习,得到任务对应的学习结果。采用多神经网络模式,不同的神经网络学习不同的知识,从而实现不对任务的相关性进行限定的多任务学习,提升学习效果和模型利用率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种多任务学习方法,包括:
将文本分别输入至少一个神经网络进行学习,得到所述文本的至少一个文本矩阵,其中,一个神经网络输出一个文本矩阵;
对于多任务中的每个任务,将所述至少一个文本矩阵输入所述任务对应的注意力层进行合并,得到合并文本矩阵;
基于所述合并文本矩阵进行所述任务的学习,得到所述任务对应的学习结果。
2.根据权利要求1所述的方法,其中,所述将所述至少一个文本矩阵输入所述任务对应的注意力层进行合并,得到合并文本矩阵,包括:
基于所述至少一个文本矩阵和所述任务对应的注意力机制矩阵,计算至少一个合并参数,其中,一个神经网络对应一个合并参数,合并参数表征对应的神经网络对所述任务的贡献度;
基于所述至少一个合并参数合并所述至少一个文本矩阵,生成所述合并文本矩阵。
3.根据权利要求1所述的方法,其中,所述基于所述合并文本矩阵进行所述任务的学习,得到所述任务对应的学习结果,包括:
将所述合并文本矩阵输入所述任务对应的特定任务层进行变换,得到标准文本数据,其中,所述标准文本数据是矩阵或向量;
将所述标准文本数据输入所述任务对应的输出层进行学习,得到所述任务对应的学习结果。
4.根据权利要求3所述的方法,其中,所述至少一个神经网络通过如下步骤训练:
获取所述多任务的第一训练样本集合,其中,所述第一训练样本集合包括每个任务的第一训练样本子集,其中,所述第一训练样本子集中的第一训练样本包括第一样本文本和对应任务的第一任务标签;
初始化至少一个神经网络、注意力层、特定任务层和输出层;
将所述第一样本文本顺序通过所述至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第一样本学习结果;
基于所述第一任务标签和所述第一样本学习结果的差异同时优化所述至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。
5.根据权利要求4所述的方法,其中,所述至少一个神经网络被训练多轮,且每轮训练利用每个任务的第一训练样本子集中的至少部分第一训练样本,且第一训练样本的输入顺序以对应任务为批次随机打乱。
6.根据权利要求4所述的方法,其中,所述注意力层、所述特定任务层和所述输出层通过如下步骤训练:
获取所述多任务的第二训练样本集合,其中,所述第二训练样本集合包括每个任务的第二训练样本子集,其中,所述第二训练样本子集中的第二训练样本包括第二样本文本和对应任务的第二任务标签;
将所述第二样本文本顺序通过所述至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第二样本学习结果;
基于所述第二任务标签和所述第二样本学习结果的差异优化对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。
7.根据权利要求1-6之一所述的方法,其中,所述至少一个神经网络的数量与所述训练样本集合的数据源的差异和/或所述多任务的差异正相关。
8.一种多任务学习装置,包括:
第一学习模块,被配置成将文本分别输入至少一个神经网络进行学习,得到所述文本的至少一个文本矩阵,其中,一个神经网络输出一个文本矩阵;
合并模块,被配置成对于多任务中的每个任务,将所述至少一个文本矩阵输入所述任务对应的注意力层进行合并,得到合并文本矩阵;
第二学习模块,被配置成基于所述合并文本矩阵进行所述任务的学习,得到所述任务对应的学习结果。
9.根据权利要求8所述的装置,其中,所述合并模块进一步被配置成:
基于所述至少一个文本矩阵和所述任务对应的注意力机制矩阵,计算至少一个合并参数,其中,一个神经网络对应一个合并参数,合并参数表征对应的神经网络对所述任务的贡献度;
基于所述至少一个合并参数合并所述至少一个文本矩阵,生成所述合并文本矩阵。
10.根据权利要求8所述的装置,其中,所述第二学习模块进一步被配置成:
将所述合并文本矩阵输入所述任务对应的特定任务层进行变换,得到标准文本数据,其中,所述标准文本数据是矩阵或向量;
将所述标准文本数据输入所述任务对应的输出层进行学习,得到所述任务对应的学习结果。
11.根据权利要求10所述的装置,其中,所述装置还包括第一训练模块,所述第一训练模块进一步被配置成:
获取所述多任务的第一训练样本集合,其中,所述第一训练样本集合包括每个任务的第一训练样本子集,其中,所述第一训练样本子集中的第一训练样本包括第一样本文本和对应任务的第一任务标签;
初始化至少一个神经网络、注意力层、特定任务层和输出层;
将所述第一样本文本顺序通过所述至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第一样本学习结果;
基于所述第一任务标签和所述第一样本学习结果的差异同时优化所述至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。
12.根据权利要求11所述的装置,其中,所述至少一个神经网络被训练多轮,且每轮训练利用每个任务的第一训练样本子集中的至少部分第一训练样本,且第一训练样本的输入顺序以对应任务为批次随机打乱。
13.根据权利要求11所述的装置,其中,所述装置还包括第二训练模块,所述第二训练模块进一步被配置成:
获取所述多任务的第二训练样本集合,其中,所述第二训练样本集合包括每个任务的第二训练样本子集,其中,所述第二训练样本子集中的第二训练样本包括第二样本文本和对应任务的第二任务标签;
将所述第二样本文本顺序通过所述至少一个神经网络、对应任务的注意力层、对应任务的特定任务层和对应任务的输出层进行学习,得到对应任务的第二样本学习结果;
基于所述第二任务标签和所述第二样本学习结果的差异优化对应任务的注意力层、对应任务的特定任务层和对应任务的输出层的参数。
14.根据权利要求7-13之一所述的装置,其中,所述至少一个神经网络的数量与所述训练样本集合的数据源的差异和/或所述多任务的差异正相关。
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,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377234.XA CN112417156B (zh) | 2020-11-30 | 2020-11-30 | 多任务学习方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377234.XA CN112417156B (zh) | 2020-11-30 | 2020-11-30 | 多任务学习方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417156A true CN112417156A (zh) | 2021-02-26 |
CN112417156B CN112417156B (zh) | 2024-05-14 |
Family
ID=74830611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011377234.XA Active CN112417156B (zh) | 2020-11-30 | 2020-11-30 | 多任务学习方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417156B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139608A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 基于多任务学习的特征融合方法及装置 |
CN114528966A (zh) * | 2022-01-27 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 一种本地学习方法、设备及介质 |
CN114881170A (zh) * | 2022-05-27 | 2022-08-09 | 北京百度网讯科技有限公司 | 用于对话任务的神经网络的训练方法和对话任务处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021544A (zh) * | 2016-10-31 | 2018-05-11 | 富士通株式会社 | 对实体词的语义关系进行分类的方法、装置和电子设备 |
CN108334499A (zh) * | 2018-02-08 | 2018-07-27 | 海南云江科技有限公司 | 一种文本标签标注设备、方法和计算设备 |
US20200104710A1 (en) * | 2018-09-27 | 2020-04-02 | Google Llc | Training machine learning models using adaptive transfer learning |
-
2020
- 2020-11-30 CN CN202011377234.XA patent/CN112417156B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021544A (zh) * | 2016-10-31 | 2018-05-11 | 富士通株式会社 | 对实体词的语义关系进行分类的方法、装置和电子设备 |
CN108334499A (zh) * | 2018-02-08 | 2018-07-27 | 海南云江科技有限公司 | 一种文本标签标注设备、方法和计算设备 |
US20200104710A1 (en) * | 2018-09-27 | 2020-04-02 | Google Llc | Training machine learning models using adaptive transfer learning |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139608A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 基于多任务学习的特征融合方法及装置 |
CN113139608B (zh) * | 2021-04-28 | 2023-09-29 | 北京百度网讯科技有限公司 | 基于多任务学习的特征融合方法及装置 |
CN114528966A (zh) * | 2022-01-27 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 一种本地学习方法、设备及介质 |
CN114528966B (zh) * | 2022-01-27 | 2023-09-26 | 山东浪潮科学研究院有限公司 | 一种本地学习方法、设备及介质 |
CN114881170A (zh) * | 2022-05-27 | 2022-08-09 | 北京百度网讯科技有限公司 | 用于对话任务的神经网络的训练方法和对话任务处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112417156B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428008B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
KR102484617B1 (ko) | 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN112417156B (zh) | 多任务学习方法、装置、设备以及存储介质 | |
CN111539514A (zh) | 用于生成神经网络的结构的方法和装置 | |
CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
CN111079442B (zh) | 文档的向量化表示方法、装置和计算机设备 | |
CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN111325020A (zh) | 一种事件论元抽取方法、装置以及电子设备 | |
CN111737995A (zh) | 基于多种词向量训练语言模型的方法、装置、设备及介质 | |
CN110543558B (zh) | 问题匹配方法、装置、设备和介质 | |
US11915484B2 (en) | Method and apparatus for generating target re-recognition model and re-recognizing target | |
CN111737996A (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
CN111667057A (zh) | 用于搜索模型结构的方法和装置 | |
CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN111680517A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN111127191A (zh) | 风险评估方法及装置 | |
CN113723278A (zh) | 表格信息提取模型的训练方法及装置 | |
CN112560499A (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
CN111611808A (zh) | 用于生成自然语言模型的方法和装置 | |
CN111563198A (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN111640103A (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN110767212A (zh) | 一种语音处理方法、装置和电子设备 | |
CN111325000B (zh) | 语言生成方法、装置及电子设备 |
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 |