CN112527127A

CN112527127A - 输入法长句预测模型的训练方法、装置、电子设备及介质

Info

Publication number: CN112527127A
Application number: CN202011538693.1A
Authority: CN
Inventors: 龚建
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2020-12-23
Filing date: 2020-12-23
Publication date: 2021-03-19
Anticipated expiration: 2040-12-23
Also published as: CN112527127B

Abstract

本申请公开了输入法长句预测模型的训练方法、装置、电子设备及介质，涉及计算机技术领域，具体涉及自然语言处理、深度学习等人工智能技术领域。具体实现方案：获取多个第一样本文本；根据预训练的教师模型对所述第一样本文本进行增强处理，得到多个第二样本文本；根据所述教师模型生成初始化的学生模型；根据所述多个第一样本文本和所述多个第二样本文本训练所述初始化的学生模型，以得到输入法长句预测模型，能够使得输入法长句预测模型具有较好的长句预测能力，提升输入法长句预测模型的预测效率，提升模型预测效果。

Description

输入法长句预测模型的训练方法、装置、电子设备及介质

技术领域

本申请涉及计算机技术领域，具体涉及自然语言处理、深度学习等人工智能技术领域，尤其涉及输入法长句预测模型的训练方法、装置、电子设备及介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。

长序预测又称为长句预测，是输入法预测功能的一个扩展，相关技术中的输入法主要是预测下一个字、词、短语等较短的文本，而长序预测是希望能够预测用户输入的一整句话或者下一句话。

发明内容

提供了一种输入法长句预测模型的训练方法、装置、电子设备、存储介质及计算机程序产品。

根据第一方面，提供了一种输入法长句预测模型的训练方法，包括：获取多个第一样本文本；根据预训练的教师模型对所述第一样本文本进行增强处理，得到多个第二样本文本；根据所述教师模型生成初始化的学生模型；根据所述多个第一样本文本和所述多个第二样本文本训练所述初始化的学生模型，以得到输入法长句预测模型。

根据第二方面，提供了一种输入法长句预测模型的训练装置，包括：获取模块，用于获取多个第一样本文本；处理模块，用于根据预训练的教师模型对所述第一样本文本进行增强处理，得到多个第二样本文本；生成模块，用于根据所述教师模型生成初始化的学生模型；训练模块，用于根据所述多个第一样本文本和所述多个第二样本文本训练所述初始化的学生模型，以得到输入法长句预测模型。

根据第三方面，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本申请实施例的输入法长句预测模型的训练方法。

根据第四方面，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，所述计算机指令用于使所述计算机执行本申请实施例公开的输入法长句预测模型的训练方法。

根据第五方面，提出了一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时实现本申请实施例公开的输入法长句预测模型的训练方法。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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，不构成对本公开的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是本申请实施例的训练流程示意图；

图3是根据本公开第二实施例的示意图；

图4是根据本公开第三实施例的示意图；

图5是根据本公开第四实施例的示意图；

图6是用来实现本公开实施例的输入法长句预测模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

其中，需要说明的是，本实施例的输入法长句预测模型的训练方法的执行主体为输入法长句预测模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本申请实施例涉及自然语言处理、深度学习等人工智能技术领域。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

而自然语言处理(natural language processing，NLP)，能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。

如图1所示，该输入法长句预测模型的训练方法包括：

S101：获取多个第一样本文本。

其中，用于训练学生模型的海量的样本文本，可以被称为第一样本文本，样本文本，可以是一些训练模型用的文本，对此不做限制。

举例而言，可以设置数据抓取接口，通过调用该数据抓取接口从网络上获取海量的样本文本，并作为第一样本文本，本申请实施例中的第一样本文本可以是完整表达的文本，第一样本文本例如“我们晚上去哪吃饭”，而后触发后续步骤。

S102：根据预训练的教师模型对第一样本文本进行增强处理，得到多个第二样本文本。

上述在获取多个第一样本文本之后，可以对各个第一样本文本进行相应的文本增强处理，从而将处理后得到的文本作为第二样本文本，该第二样本文本，可以被视为数据增强后的样本文本，其中，当对第一样本文本进行增强处理后，能够使得增强处理得到的第二样本本文具有更好的数据表达、泛化能力，由此，辅助提升输入法长句预测模型的预测表现效果。

其中的教师模型可以为人工智能中的任一种模型，比如机器学习模型或者神经网络模型等等，对此不做限制。

该教师模型可以是预先基于海量的样本文本训练得到的，且具有对第一样本文本进行增强处理的能力。

一些实施例中，在执行根据预训练的教师模型对第一样本文本进行增强处理，得到多个第二样本文本时，可以是对第一样本文本进行文本分段，得到顺序排列的多个文本段，并将多个文本段输入至预训练的教师模型之中，以得到教师模型输出的多个第二样本文本，从而实现在采用教师模型对第一样本文本进行增强处理时，能够兼顾到各个文本段之间的语义特征，在增强训练用样本文本的表达、泛化能力的同时，使得第二样本文本能够携带各个文本段的上下文语义信息，提升训练用样本文本的准确性。

举例而言，第一样本文本例如“我们晚上去哪吃饭”，则对“我们晚上去哪吃饭”进行文本分段，得到顺序排列的多个文本段“我们”“晚上”“去哪”“吃饭”，而后，可以将“我们”“晚上”“去哪”“吃饭”输入至预训练的教师模型之中，以得到教师模型输出的多个第二样本文本。

一些实施例中，其中，将多个文本段输入至预训练的教师模型之中，以得到教师模型输出的多个第二样本文本，可以是将至少部分文本段依据排列顺序进行组合，得到至少一个文本段组合，文本段组合之中包括一个或者多个文本段；将文本段组合之中的文本段输入至教师模型之中，以得到教师模型输出的多个第二样本文本，从而能够有效提升增强处理效率，辅助提升输入法长句预测模型的训练效率。

另外一些实施例中，还可以对第一样本文本进行文本分段，得到顺序排列的多个文本段；将第一文本段输入预训练的第一教师模型之中，得到第一教师模型输出的第一目标文本，第一文本段是排序在前的部分文本段；将第二文本段输入预训练的第二教师模型之中，得到第二教师模型输出的第二目标文本，第二文本段是排序在后的部分文本段；将第一目标文本和第二目标文本作为第二样本文本，能够有效提升样本文本增强处理的灵活性，且通过正向预测和反向预测相结合的增强处理方式，拓展训练用样本文本的覆盖范围和准确性。

也即是说，本申请实施例中支持采用两种教师模型来对第一样本文本进行增强处理，其中的第一教师模型和第二教师模型均可以为人工智能中的任一种模型，比如机器学习模型或者神经网络模型等等，第一教师模型实现对第一样本文本进行正向的增强处理，第二教师模型实现对第一样本文本进行反向的增强处理。

举例而言，对于同一段第一样本文本，可以采用不同的教师模型预测其不同的后文，假设第一样本文本是“我们|晚上|去哪|吃饭”，先截取前文排序在前的部分文本段“我们”，可以采用不同的教师模型预测得到不同的后文对应的文本段“晚上|去哪|吃饭”、“今天|去哪|玩”、“去|开会”，对于第二教师模型，可以截取排序在后的部分文本段，预测得到不同的前文对应的文本段，对此不做限制，另外，如果需要增加个性化信息，还可以在输入样本文本的文本段之前的第一个词的位置增加标识信息即可。

参见表1和表2，表1为采用第一教师模型进行正向预测得到的第二样本文本的示例，表2为采用第二教师模型进行反向预测得到的第二样本文本的示例。

表1

表2

第一样本文本	第二样本文本
		今天\|出去	吃饭
大家	去哪\|吃饭
		我们	晚上\|去哪\|吃饭
大家\|打算	晚上\|去哪\|吃饭
		你们\|今天\|计划	晚上\|去哪\|吃饭

S103：根据教师模型生成初始化的学生模型。

上述在获取多个第一样本文本，并根据预训练的教师模型对第一样本文本进行增强处理，得到多个第二样本文本之后，可以根据教师模型生成初始化的学生模型，而后，采用第一样本文本结合第二样本文本来训练学生模型，以得到输入法长句预测模型。

其中，学生模型可以是较教师模型更为轻量级的模型，则在根据教师模型生成初始化的学生模型，并采用基于教师模型增强处理后的样本文本来训练学生模型后，使得输入法长句预测模型具有较好的长句预测能力，且提升预测效率。

其中，根据教师模型生成初始化的学生模型，可以是根据已训练的教师模型的网络结构设计一个结构更为简单的网络，并将该简单的网络作为初始的学生模型，比如可以是3层的精简的参数Transformer模型(Transformer模型是自然语言处理当中的一种神经网络模型)，本申请实施例中，可以将教师模型的6层的Transformer精简为3层，多头的个数减少为教师模型的一半，隐含层向量的维度保持不变，从而得到精简后的初始的学生模型，对此不做限制。

S104：根据多个第一样本文本和多个第二样本文本训练初始化的学生模型，以得到输入法长句预测模型。

上述在根据教师模型生成初始化的学生模型之后，可以根据多个第一样本文本和多个第二样本文本训练初始化的学生模型，以得到输入法长句预测模型，比如，可以分为两个训练阶段，在第一个训练阶段，采用多个第一样本文本训练初始化的学生模型，而后在第二个训练阶段，采用第二样本文本来训练学生模型，以得到输入法长句预测模型。

参见图2，图2是本申请实施例的训练流程示意图，其中，基础数据即包含了多个第一样本文本，首先是对各个第一样本文本进行增强处理，得到增强处理后的第二样本文本，而后，根据教师模型，即前述用于对第一样本文本进行增强处理的模型，来生成一个轻量级的学生模型(第一个训练阶段stage1)，而后，采用第一样本文本结合第二样本文本来训练该轻量级的学生模型(第二个训练阶段stage2)。

本实施例中，通过获取多个第一样本文本，并根据预训练的教师模型对第一样本文本进行增强处理，得到多个第二样本文本，根据教师模型生成初始化的学生模型，以及根据多个第一样本文本和多个第二样本文本训练初始化的学生模型，以得到输入法长句预测模型，能够使得输入法长句预测模型具有较好的长句预测能力，提升输入法长句预测模型的预测效率，提升模型预测效果。

图3是根据本公开第二实施例的示意图。

如图3所示，该输入法长句预测模型的训练方法包括：

S301：获取多个第一样本文本。

S302：根据预训练的教师模型对第一样本文本进行增强处理，得到多个第二样本文本。

S303：根据教师模型生成初始化的学生模型。

步骤S301-S303的描述可以具体参见上述实施例，在此不再赘述。

S304：将多个第一样本文本和多个第二样本文本输入至初始化的学生模型之中，以得到学生模型输出的损失值。

上述在将教师模型的6层的Transformer精简为3层，多头的个数减少为教师模型的一半，隐含层向量的维度保持不变，从而得到精简后的初始的学生模型之后，可以将多个第一样本文本和多个第二样本文本输入至初始化的学生模型之中，以得到学生模型输出的损失值。

也即是说，可以将与第一样本文本对应的多个文本段，以及与第二样本文本对应的多个文本段中的至少部分文本段依据排列顺序输入至初始化的学生模型之中，以得到学生模型输出的损失值，该损失值可以是由与学生模型对应的损失函数计算得到的，在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型，从而本申请实施例中可以确定采用第一样本文本和第二样本文本训练学生模型时，学生模型输出的损失值，而后，采用该损失值指导训练过程。

S305：如果损失值满足损失值阈值，则将训练得到的学生模型作为输入法长句预测模型。

上述在将多个第一样本文本和多个第二样本文本输入至初始化的学生模型之中，以得到学生模型输出的损失值之后，可以实时地确定损失值是否满足损失值阈值(该损失值阈值可以是预先标定的，判定学生模型收敛的损失值的门限值)，如果损失值满足损失值阈值，则将训练得到的学生模型作为输入法长句预测模型，即模型训练完成，此时的输入法长句预测模型满足了预先设定的收敛条件。

由此，本申请实施例中，通过上述的训练过程，基于人工智能网络模型的长序预测模型能够得到较好的效果，并通过模型蒸馏技术得到了在保证准确率的前提下，满足40ms以内的平均延时要求的模型，采用了一种新的对人工智能网络模型的蒸馏方法，并且预先增加了一个反向长序预测网络，来对第一样本文本进行了增强处理，转换了输入语句和输出语句的顺序，还设计了轻量架构的网络模型作为学生网络，并使得该网络的模型层数与多头数目均为教师模型的一半，轻量模型采用复杂模型的部分参数进行初始化，还增加了二阶段训练的策略，不仅在增强数据上进行训练，还支持在原始数据上进行二阶段的训练，即将多个第一样本文本和多个第二样本文本输入至初始化的学生模型之中，以得到学生模型输出的损失值，将多个第一样本文本和多个第二样本文本输入至初始化的学生模型之中，以得到学生模型输出的损失值，从而实现了较好的模型训练效果。

本实施例中，通过获取多个第一样本文本，并根据预训练的教师模型对第一样本文本进行增强处理，得到多个第二样本文本，根据教师模型生成初始化的学生模型，以及根据多个第一样本文本和多个第二样本文本训练初始化的学生模型，以得到输入法长句预测模型，能够使得输入法长句预测模型具有较好的长句预测能力，提升输入法长句预测模型的预测效率，提升模型预测效果。通过将多个第一样本文本和多个第二样本文本输入至初始化的学生模型之中，以得到学生模型输出的损失值，将多个第一样本文本和多个第二样本文本输入至初始化的学生模型之中，以得到学生模型输出的损失值，从而实现了较好的模型训练效果。

图4是根据本公开第三实施例的示意图。

如图4所示，该输入法长句预测模型的训练装置40，包括：

获取模块401，用于获取多个第一样本文本；

处理模块402，用于根据预训练的教师模型对第一样本文本进行增强处理，得到多个第二样本文本；

生成模块403，用于根据教师模型生成初始化的学生模型；

训练模块404，用于根据多个第一样本文本和多个第二样本文本训练初始化的学生模型，以得到输入法长句预测模型。

在本申请的一些实施例中，如图5所示，图5是根据本公开第四实施例的示意图，该输入法长句预测模型的训练装置50，包括：获取模块501、处理模块502、生成模块503，以及训练模块504，其中，处理模块502，包括：

分段子模块5021，用于对第一样本文本进行文本分段，得到顺序排列的多个文本段；

处理子模块5022，用于将多个文本段输入至预训练的教师模型之中，以得到教师模型输出的多个第二样本文本。

在本申请的一些实施例中，其中，处理子模块5022，具体用于：

将至少部分文本段依据排列顺序进行组合，得到至少一个文本段组合，文本段组合之中包括一个或者多个文本段；

将文本段组合之中的文本段输入至教师模型之中，以得到教师模型输出的多个第二样本文本。

对第一样本文本进行文本分段，得到顺序排列的多个文本段；

将第一文本段输入预训练的第一教师模型之中，得到第一教师模型输出的第一目标文本，第一文本段是排序在前的部分文本段；

将第二文本段输入预训练的第二教师模型之中，得到第二教师模型输出的第二目标文本，第二文本段是排序在后的部分文本段；

将第一目标文本和第二目标文本作为第二样本文本。

在本申请的一些实施例中，其中，训练模块504，具体用于：

将多个第一样本文本和多个第二样本文本输入至初始化的学生模型之中，以得到学生模型输出的损失值；

如果损失值满足损失值阈值，则将训练得到的学生模型作为输入法长句预测模型。

可以理解的是，本实施例附图5中的输入法长句预测模型的训练装置50与上述实施例中的输入法长句预测模型的训练装置40，获取模块501与上述实施例中的获取模块401，处理模块502与上述实施例中的处理模块402，生成模块503与上述实施例中的生成模块403，训练模块504与上述实施例中的训练模块404，可以具有相同的功能和结构。

需要说明的是，前述对输入法长句预测模型的训练方法的解释说明也适用于本实施例的输入法长句预测模型的训练装置，此处不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6是用来实现本申请实施例的输入法长句预测模型的训练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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如，输入法长句预测模型的训练方法。

例如，在一些实施例中，输入法长句预测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的输入法长句预测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行输入法长句预测模型的训练方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本申请的输入法长句预测模型的训练方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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)、互联网及区块链网络。

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。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("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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

1.一种输入法长句预测模型的训练方法，包括：

获取多个第一样本文本；

根据预训练的教师模型对所述第一样本文本进行增强处理，得到多个第二样本文本；

根据所述教师模型生成初始化的学生模型；

根据所述多个第一样本文本和所述多个第二样本文本训练所述初始化的学生模型，以得到输入法长句预测模型。

2.根据权利要求1所述的方法，其中，所述根据预训练的教师模型对所述第一样本文本进行增强处理，得到多个第二样本文本，包括：

对所述第一样本文本进行文本分段，得到顺序排列的多个文本段；

将所述多个文本段输入至预训练的教师模型之中，以得到所述教师模型输出的所述多个第二样本文本。

3.根据权利要求2所述的方法，其中，所述将所述多个文本段输入至预训练的教师模型之中，以得到所述教师模型输出的所述多个第二样本文本，包括：

将至少部分所述文本段依据排列顺序进行组合，得到至少一个文本段组合，所述文本段组合之中包括一个或者多个所述文本段；

将所述文本段组合之中的文本段输入至所述教师模型之中，以得到所述教师模型输出的所述多个第二样本文本。

4.根据权利要求2所述的方法，其中，所述将所述多个文本段输入至预训练的教师模型之中，以得到所述教师模型输出的所述多个第二样本文本，包括：

将第一文本段输入预训练的第一教师模型之中，得到所述第一教师模型输出的第一目标文本，所述第一文本段是排序在前的部分所述文本段；

将第二文本段输入预训练的第二教师模型之中，得到所述第二教师模型输出的第二目标文本，所述第二文本段是排序在后的部分所述文本段；

将所述第一目标文本和所述第二目标文本作为所述第二样本文本。

5.根据权利要求1所述的方法，其中，所述根据所述多个第一样本文本和所述多个第二样本文本训练所述初始化的学生模型，以得到输入法长句预测模型，包括：

将所述多个第一样本文本和所述多个第二样本文本输入至所述初始化的学生模型之中，以得到所述学生模型输出的损失值；

如果所述损失值满足损失值阈值，则将训练得到的学生模型作为所述输入法长句预测模型。

6.一种输入法长句预测模型的训练装置，包括：

获取模块，用于获取多个第一样本文本；

处理模块，用于根据预训练的教师模型对所述第一样本文本进行增强处理，得到多个第二样本文本；

生成模块，用于根据所述教师模型生成初始化的学生模型；

训练模块，用于根据所述多个第一样本文本和所述多个第二样本文本训练所述初始化的学生模型，以得到输入法长句预测模型。

7.根据权利要求6所述的装置，其中，所述处理模块，包括：

分段子模块，用于对所述第一样本文本进行文本分段，得到顺序排列的多个文本段；

处理子模块，用于将所述多个文本段输入至预训练的教师模型之中，以得到所述教师模型输出的所述多个第二样本文本。

8.根据权利要求7所述的装置，其中，所述处理子模块，具体用于：

9.根据权利要求7所述的装置，其中，所述处理子模块，具体用于：

10.根据权利要求6所述的装置，其中，所述训练模块，具体用于：

11.一种电子设备，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1-5中任一项所述的方法。

12.一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根据权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。