CN112528669A - 多语言模型的训练方法、装置、电子设备和可读存储介质 - Google Patents
多语言模型的训练方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112528669A CN112528669A CN202011387501.1A CN202011387501A CN112528669A CN 112528669 A CN112528669 A CN 112528669A CN 202011387501 A CN202011387501 A CN 202011387501A CN 112528669 A CN112528669 A CN 112528669A
- Authority
- CN
- China
- Prior art keywords
- training
- corpus
- language
- training task
- corpora
- 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
- 238000012549 training Methods 0.000 title claims abstract description 287
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 6
- 230000003993 interaction Effects 0.000 abstract description 10
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 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
- 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
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种多语言模型的训练方法、装置、电子设备和可读存储介质,涉及深度学习、自然语言处理技术领域。本申请在训练多语言模时的技术方案为:获取训练语料,训练语料中包含多条双语语料和多条单语语料;使用多条双语语料对多语言模型进行第一训练任务的训练;使用多条单语语料对多语言模型进行第二训练任务的训练;在确定第一训练任务与第二训练任务的损失函数收敛的情况下,完成多语言模型的训练。本申请能够使得多语言模型实现不同语言之间的语义交互,提升了多语言模型在学习多语言语料的语义表示时的准确性。
Description
技术领域
本申请涉及信息处理技术领域,尤其涉及深度学习、自然语言处理技术领域中的一种多语言模型的训练方法、装置、电子设备和可读存储介质。
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,为了提升多语言模型在多语言任务上的性能,多语言模型的建模显得尤为重要。
现有的多语言模型在进行预训练时,通常会根据双语语料或者单语语料进行训练。但是现有的多语言模型无论是使用双语语料还是单语语料进行预训练,都无法学习到不同语言之间的语义对齐信息,导致多语言模型无法准确地实现不同语言之间的信息交互。
发明内容
本申请为解决技术问题所采用的技术方案是提供一种多语言模型的训练方法,包括:获取训练语料,所述训练语料中包含多条双语语料和多条单语语料;使用多条双语语料对多语言模型进行第一训练任务的训练,所述第一训练任务为使得所述多语言模型根据源语言语料的语义单元和掩码预测源语言语料中被掩码的语义单元,根据源语言语料的语义单元和掩码、以及目标语言语料的掩码预测目标语言语料中被掩码的语义单元;使用多条单语语料对多语言模型进行第二训练任务的训练,所述第二训练任务为使得所述多语言模型在根据单语语料生成伪平行语料之后,再根据单语语料的语义单元和掩码、以及伪平行语料的语义单元预测单语语料中被掩码的语义单元;在确定所述第一训练任务与所述第二训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
本申请为解决技术问题所采用的技术方案是提供一种多语言模型的训练装置,包括:获取单元,用于获取训练语料,所述训练语料中包含多条双语语料和多条单语语料;第一训练单元,用于使用多条双语语料对多语言模型进行第一训练任务的训练,所述第一训练任务为使得所述多语言模型根据源语言语料的语义单元和掩码预测源语言语料中被掩码的语义单元,根据源语言语料的语义单元和掩码、以及目标语言语料的掩码预测目标语言语料中被掩码的语义单元;第二训练单元,用于使用多条单语语料对多语言模型进行第二训练任务的训练,所述第二训练任务为使得所述多语言模型在根据单语语料生成伪平行语料之后,再根据单语语料的语义单元和掩码、以及伪平行语料的语义单元预测单语语料中被掩码的语义单元;确定单元,用于在确定所述第一训练任务与所述第二训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
一种电子设备,其特征在于,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上述方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行上述方法。
上述申请中的一个实施例具有如下优点或有益效果:本申请能够使得多语言模型根据双语语料学习到不同语言之间的语义对齐信息,且能够强化多语言模型对于单语语料中语义信息的学习能力,从而使得多语言模型能够实现不同语言之间的语义交互,提升了多语言模型在学习多语言语料的语义表示时的准确性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
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是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的多语言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中所示,本实施例的多语言模型的训练方法,具体可以包括如下步骤:
S101、获取训练语料,所述训练语料中包含多条双语语料和多条单语语料;
S102、使用多条双语语料对多语言模型进行第一训练任务的训练,所述第一训练任务为使得所述多语言模型根据源语言语料的语义单元和掩码预测源语言语料中被掩码的语义单元,根据源语言语料的语义单元和掩码、以及目标语言语料的掩码预测目标语言语料中被掩码的语义单元;
S103、使用多条单语语料对多语言模型进行第二训练任务的训练,所述第二训练任务为使得所述多语言模型在根据单语语料生成伪平行语料之后,再根据单语语料的语义单元和掩码、以及伪平行语料的语义单元预测单语语料中被掩码的语义单元;
S104、在确定所述第一训练任务与所述第二训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
本实施例的多语言模型的训练方法,在使用双语语料对多语言模型进行第一训练任务的训练时,对双语语料中的源语言语料和目标语言语料进行了区分,使得多语言模型能够学习到不同语言之间的语义对齐信息;而在使用单语语料对多语言模型进行第二训练任务的训练时,通过单语语料及其构造的伪平行语料来进行训练,能够强化多语言模型对于单语语料中语义信息的学习能力。因此,本实施例通过第一训练任务和第二训练任务对多语言模型进行训练,使得多语言模型能够实现不同语言之间的语义交互,提升了多语言模型在学习多语言语料的语义表示时的准确性。
本实施例执行S101获取的训练语料中包含多条双语语料和多条单语语料;其中,本实施例获取的每条双语语料中包含源语言语料及其对应的目标语言语料,源语言语料的语种可以为中文、英文、韩文、日文等,而目标语言语料的语种可以为与中文对应的英文、与中文对应的韩文、与英文对应的中文、与韩文对应的英文等;本实施例对多条单语语料的语种不进行限定,可以为中文、英文、韩文、日文等。
本实施例中的多语言模型为深度学习模型,其能够对训练语料中被掩码的语义单元进行预测。可以理解的是,本实施例中的语义单元可以为语料中的字、词语或者短语。
具体地,本实施例中的多语言模型的网络结构可以包含嵌入层与Transformer层;嵌入层用于将输入至多语言模型的语义单元或者掩码转换为向量;Transformer层中包含多个Transformer块,用于根据嵌入层所转换的向量来预测双语语料中被掩码的语义单元。
本实施例中的嵌入层包含语言嵌入层(Language Embedding)、位置嵌入层(Position Embedding)和词嵌入层(Token Embedding)。其中,语言嵌入层用于得到语义单元或者掩码的语种信息,位置嵌入层用于得到语义单元或者嵌入层的位置信息,词嵌入层用于得到语义单元或者嵌入层的含义信息。
本实施例在执行S101获取训练语料之后,执行S102使用训练语料中的多条双语语料对多语言模型进行第一训练任务的训练。
具体地,本实施例在执行S102使用多条双语语料对多语言模型进行第一训练任务的训练时,可以采用的可选实现方式为:针对每条双语语料中的源语言语料和目标语言语料进行切词,例如对中文语料进行切词得到字粒度的多个语义单元,对英文语料进行切词得到词粒度的多个语义单元:分别对源语言语料和目标语言语料的切词结果进行掩码处理,即使用掩码来代替源语言语料和/或目标语言语料中的一个或者多个语义单元;将源语言语料和目标语言语料包含的语义单元、掩码输入多语言模型;在由多语言模型中Transformer层的第一个Transformer块根据嵌入层针对各语义单元和各掩码转换得到的向量进行注意力机制的计算之后,Transformer层中下一个Transformer块根据源语言语料的语义单元和掩码进行源语言语料中各掩码的注意力机制的计算,根据源语言语料的语义单元和掩码、以及目标语言语料中的掩码进行目标语言语料中掩码的注意力机制的计算;根据多语言模型中Transformer层的最后一个Transformer模块的输出,得到源语言语料和目标语言语料中被掩码的语义单元的预测结果。
也就是说,本实施例在使用双语语料对多语言模型进行第一训练任务的训练时,会使得目标语言语料中的掩码无法对目标语言语料中的其他语义单元注意力机制的计算,强制目标语言语料只能从源语言语料中来学习信息,从而强化了不同语言之间的交互,增强了多语言模型从双语语料中学习对齐知识的能力。
举例来说,若源语言语料经过切词变为X1、X2与X3,目标语言语料经过切词变为Y4、Y5、Y6与Y7;经过掩码处理后,若源语言语料变为X1、M2与X3,目标语言语料变为Y4、M5、M6与Y7;对于源语言语料中的M2,多语言模型会基于X1、M2与X3进行注意力机制的计算;对于目标语言语料中的M5,多语言模型会基于X1、M2、X3与M5进行注意力机制的计算;对于目标语言语料中的M6,多语言模型会基于X1、M2、X3与M6进行注意力机制的计算。
另外,本实施例在执行S102使用多条双语语料对多语言模型进行第一训练任务的训练时,会根据源语言语料的损失函数与目标语言语料的损失函数来得到第一训练任务的损失函数。
具体地,本实施例在对多语言模型进行第一训练任务的训练时,源语言语料的损失函数可以通过以下公式进行计算:
在公式中:LCAMLM(src)表示源语言语料的损失函数;DB表示双语语料库;M表示被掩码的语义单元;Msrc表示源语言语料中被掩码的语义单元;XM表示源语言语料中需要预测的语义单元;Xtgt表示目标语言语料;X/M∪Xtgt表示除了被掩码的语义单元和目标语言语料之外的语义单元。
本实施例在对多语言模型进行第一训练任务的训练时,目标语言语料的损失函数可以通过以下公式进行计算:
在公式中:LCAMLM(tgt)表示目标语言语料的损失函数;DB表示双语语料库;M表示被掩码的语义单元;Mtgt表示目标语言语料中被掩码的语义单元;XM表示目标语言语料中需要预测的语义单元;Xtgt表示目标语言语料;X/M∪Xtgt表示除了被掩码的语义单元和目标语言语料之外的语义单元。
因此,本实施例中对应第一训练任务的损失函数的计算公式为:
LCAMLM=LCAMLM(src)+LCAMLM(tgt)
在公式中:LCAMLM(src)表示源语言语料的损失函数;LCAMLM(tgt)表示目标语言语料的损失函数;LCAMLM表示第一训练任务的损失函数。
本实施例在执行S102使用多条双语语料对多语言模型进行第一训练任务的训练之后,执行S103使用多条单语语料对多语言模型进行第二训练任务的训练。
具体地,本实施例在执行S103使用多条单语语料对多语言模型进行第二训练任务的训练时,可以采用的可选实现方式为:针对每条单语语料进行切词;将单语语料的切词结果和与当前单语语料具有不同语种的语料的虚拟位置输入多语言模型,根据多语言模型的输出结果得到伪平行语料,即由多语言模型对虚拟位置处的语义单元进行预测;对单语语料进行掩码处理之后,将单语语料的语义单元和掩码、以及伪平行语料的语义单元输入多语言模型,根据多语言模型的输出结果得到单语语料中被掩码的语义单元的预测结果。
也就是说,本实施例在使用单语语料对多语言模型进行第二训练任务的训练时,首先使用多语言模型来预测并不存在的另一种语言的语料,然后再使用得到的伪平行语料来还原单语语料,从而能够强化多语言模型在不同语言之间的语义对齐,增强多语言模型对单语语料的使用能力。
举例来说,若单语语料经过切词变为X1、X2、X3与X4,与该单语语料具有不同语种的语料的虚拟位置为M5、M6与M7,经过多语言模型的处理之后,若得到分别对应M5、M6与M7的语义单元为h5、h6与h7,则将h5、h6与h7作为伪平行语料,接着对单语语料进行掩码处理,若掩码处理结果为X1、M2、M3与X4,则将X1、M2、M3与X4、以及h5、h6与h7输入多语言模型,从而预测M2与M3处的语义单元。
具体地,本实施例在对多语言模型进行第二训练任务的训练时,对应第二训练任务的损失函数的计算公式为:
在公式中:LBTMLM表示第二训练任务的损伤函数;DM表示单语语料库;M表示被掩码的语义单元;Xm表示单语语料中需要预测的语义单元;X/M表示除了被掩码的语义单元之外的语义单元;P表示伪平行语料。
本实施例在执行S103使用多条单语语料对多语言模型进行第二训练任务的训练之后,执行S104在确定第一训练任务与第二训练任务的损失函数收敛的情况下,完成多语言模型的训练。
本实施例在执行S104确定第一训练任务与第二训练任务的损失函数收敛时,可以确定第一训练任务的损失函数与第二训练任务的损失函数之和是否收敛,若收敛,则完成多语言模型的训练,否则继续进行训练。
另外,本实施例执行S104在确定第一训练任务与第二训练任务的损失函数收敛之前,还可以包含以下内容:使用多条双语语料对多语言模型进行第三训练任务的训练,第三训练任务为使得多语言模型根据源语言语料和目标语言语料的拼接结果中的语义单元和掩码,来预测拼接结果中被掩码的语义单元。
本实施例执行S104在确定第一训练任务与第二训练任务的损失函数收敛之前,还可以包含以下内容:使用多条单语语料对多语言模型进行第四训练任务的训练,第四训练任务为使得多语言模型能够单语语料中的语义单元和掩码,来预测单语语料中被掩码的语义单元。
也就是说,本实施例除了对多语言模型进行第一训练任务与第二训练任务的训练之外,还能够结合第三训练任务和/或第四训练任务,从而进一步增强多语言模型的训练效果,强化训练得到的多语言模型的能力。
若本实施例还使用双语语料对多语言模型进行第三训练任务的训练和/或使用单语语料对多语言模型进行第四训练任务的训练,则本实施例执行S104在确定第一训练任务与第二训练任务的损失函数收敛时,可以采用的可选实现方式为:确定第一训练任务、第二训练任务、第三训练任务和/或第四训练任务的损失函数收敛时,完成对多语言模型的训练。
通过上述技术技术方案,本实施例对使用双语语料和使用单语语料来训练多语言模型的方式进行调整,使得多语言模型的训练能够学习到不同语言之间的语义对齐信息,且能够强化多语言模型对于单语语料中语义信息的学习能力,从而使得多语言模型能够实现不同语言之间的语义交互,提升了多语言模型在学习多语言语料的语义表示时的准确性。
图2是根据本申请第二实施例的示意图。如图2中所示,示出了本实施例在使用双语语料对多语言模型进行第一训练任务的训练时的示意图:其中的h2即为源语言语料中M2的预测结果,h5为目标语言语料中M5的预测结果、h6为目标语言语料中M6的预测结果。
图3是根据本申请第三实施例的示意图。如图3中所示,示出了本实施例在使用单语语料对多语言模型进行第二训练任务的训练时的示意图:M5、M6与M7为与单语语料具有不同语种的语料的虚拟位置;h5为虚拟位置M5的预测结果、h6为虚拟位置M6的预测结果、h7为虚拟位置M7的预测结果,h5、h6与h7构成伪平行语料;h2为单语语料中M2的预测结果,h3为单语语料中M3的预测结果。
图4是根据本申请第四实施例的示意图。如图4中所示,本实施例的多语言模型的训练装置,包括:
获取单元401、用于获取训练语料,所述训练语料中包含多条双语语料和多条单语语料;
第一训练单元402、用于使用多条双语语料对多语言模型进行第一训练任务的训练,所述第一训练任务为使得所述多语言模型根据源语言语料的语义单元和掩码预测源语言语料中被掩码的语义单元,根据源语言语料的语义单元和掩码、以及目标语言语料的掩码预测目标语言语料中被掩码的语义单元;
第二训练单元403、用于使用多条单语语料对多语言模型进行第二训练任务的训练,所述第二训练任务为使得所述多语言模型在根据单语语料生成伪平行语料之后,再根据单语语料的语义单元和掩码、以及伪平行语料的语义单元预测单语语料中被掩码的语义单元;
确定单元404、用于在确定所述第一训练任务与所述第二训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
获取单元401获取的训练语料中包含多条双语语料和多条单语语料;其中,获取单元401获取的每条双语语料中包含源语言语料及其对应的目标语言语料,源语言语料的语种可以为中文、英文、韩文、日文等,而目标语言语料的语种可以为与中文对应的英文、与中文对应的韩文、与英文对应的中文、与韩文对应的英文等;获取单元401对多条单语语料的语种不进行限定,可以为中文、英文、韩文、日文等。
本实施例在由获取单元401执行获取训练语料之后,由第一训练单元402执行使用训练语料中的多条双语语料对多语言模型进行第一训练任务的训练。
具体地,第一训练单元402在使用多条双语语料对多语言模型进行第一训练任务的训练时,可以采用的可选实现方式为:针对每条双语语料中的源语言语料和目标语言语料进行切词:分别对源语言语料和目标语言语料的切词结果进行掩码处理;将源语言语料和目标语言语料包含的语义单元、掩码输入多语言模型;在由多语言模型中Transformer层的第一个Transformer块根据嵌入层针对各语义单元和各掩码转换得到的向量进行注意力机制的计算之后,Transformer层中下一个Transformer块根据源语言语料的语义单元和掩码进行源语言语料中各掩码的注意力机制的计算,根据源语言语料的语义单元和掩码、以及目标语言语料中的掩码进行目标语言语料中掩码的注意力机制的计算;根据多语言模型中Transformer层的最后一个Transformer模块的输出,得到源语言语料和目标语言语料中被掩码的语义单元的预测结果。
也就是说,第一训练单元402在使用双语语料对多语言模型进行第一训练任务的训练时,会使得目标语言语料中的掩码无法对目标语言语料中的其他语义单元注意力机制的计算,强制目标语言语料只能从源语言语料中来学习信息,从而强化了不同语言之间的交互,增强了多语言模型从双语语料中学习对齐知识的能力。
另外,第一训练单元402在使用多条双语语料对多语言模型进行第一训练任务的训练时,会根据源语言语料的损失函数与目标语言语料的损失函数来得到第一训练任务的损失函数。
具体地,第一训练单元402在对多语言模型进行第一训练任务的训练时,源语言语料的损失函数可以通过以下公式进行计算:
在公式中:LCAMLM(src)表示源语言语料的损失函数;DB表示双语语料库;M表示被掩码的语义单元;Msrc表示源语言语料中被掩码的语义单元;XM表示源语言语料中需要预测的语义单元;Xtgt表示目标语言语料;X/M∪Xtgt表示除了被掩码的语义单元和目标语言语料之外的语义单元。
第一训练单元402在对多语言模型进行第一训练任务的训练时,目标语言语料的损失函数可以通过以下公式进行计算:
在公式中:LCAMLM(tgt)表示目标语言语料的损失函数;DB表示双语语料库;M表示被掩码的语义单元;Mtgt表示目标语言语料中被掩码的语义单元;XM表示目标语言语料中需要预测的语义单元;Xtgt表示目标语言语料;X/M∪Xtgt表示除了被掩码的语义单元和目标语言语料之外的语义单元。
因此,第一训练单元402中对应第一训练任务的损失函数的计算公式为:
LCAMLM=LCAMLM(src)+LCAMLM(tgt)
在公式中:LCAMLM(src)表示源语言语料的损失函数;LCAMLM(tgt)表示目标语言语料的损失函数;LCAMLM表示第一训练任务的损失函数。
在由第一训练单元402使用多条双语语料对多语言模型进行第一训练任务的训练之后,第二训练单元403使用多条单语语料对多语言模型进行第二训练任务的训练。
具体地,第二训练单元403在使用多条单语语料对多语言模型进行第二训练任务的训练时,可以采用的可选实现方式为:针对每条单语语料进行切词;将单语语料的切词结果和与当前单语语料具有不同语种的语料的虚拟位置输入多语言模型,根据多语言模型的输出结果得到伪平行语料,即由多语言模型对虚拟位置处的语义单元进行预测;对单语语料进行掩码处理之后,将单语语料的语义单元和掩码、以及伪平行语料的语义单元输入多语言模型,根据多语言模型的输出结果得到单语语料中被掩码的语义单元的预测结果。
也就是说,第二训练单元403在使用单语语料对多语言模型进行第二训练任务的训练时,首先使用多语言模型来预测并不存在的另一种语言的语料,然后再使用得到的伪平行语料来还原单语语料,从而能够强化多语言模型在不同语言之间的语义对齐,增强多语言模型对单语语料的使用能力。
具体地,第二训练单元403在对多语言模型进行第二训练任务的训练时,对应第二训练任务的损失函数的计算公式为:
在公式中:LBTMLM表示第二训练任务的损伤函数;DM表示单语语料库;M表示被掩码的语义单元;Xm表示单语语料中需要预测的语义单元;XM表示除了被掩码的语义单元之外的语义单元;P表示伪平行语料。
本实施例在由第二训练单元403使用多条单语语料对多语言模型进行第二训练任务的训练之后,由确定单元404在确定第一训练任务与第二训练任务的损失函数收敛的情况下,完成多语言模型的训练。
确定单元404在确定第一训练任务与第二训练任务的损失函数收敛时,可以确定第一训练任务的损失函数与第二训练任务的损失函数之和是否收敛,若收敛,则完成多语言模型的训练,否则继续进行训练。
另外,确定单元404在确定第一训练任务与第二训练任务的损失函数收敛之前,还可以包含以下内容:使用多条双语语料对多语言模型进行第三训练任务的训练,第三训练任务为使得多语言模型根据源语言语料和目标语言语料的拼接结果中的语义单元和掩码,来预测拼接结果中被掩码的语义单元;在确定第一训练任务、第二训练任务与第三训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
确定单元404在确定第一训练任务与第二训练任务的损失函数收敛之前,还可以包含以下内容:使用多条单语语料对多语言模型进行第四训练任务的训练,第四训练任务为使得多语言模型能够单语语料中的语义单元和掩码,来预测单语语料中被掩码的语义单元;在确定第一训练任务、所述第二训练任务与第四训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
若本实施例还使用双语语料对多语言模型进行第三训练任务的训练和使用单语语料对多语言模型进行第四训练任务的训练,则确定单元404在确定第一训练任务与第二训练任务的损失函数收敛时,可以采用的可选实现方式为:确定第一训练任务、第二训练任务、第三训练任务和第四训练任务的损失函数收敛时,完成对多语言模型的训练。
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计算机可读存储介质。
如图5所示,是根据本申请实施例的多语言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5所示,该电子设备包括:一个或多个处理器501、存储器502,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5中以一个处理器501为例。
存储器502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模型的训练方法。
存储器502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语音交互表情图片的的方法对应的程序指令/模块(例如,附图4所示的获取单元401、第一训练单元402、第二训练单元403以及确定单元404)。处理器501通过运行存储在存储器502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模型的训练方法。
存储器502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的电子设备的使用所创建的数据等。此外,存储器502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502可选包括相对于处理器501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语言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。
多语言模型的训练方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与多语言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504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。
根据本申请实施例的技术方案,本申请能够使得多语言模型根据双语语料学习到不同语言之间的语义对齐信息,且能够强化多语言模型对于单语语料中语义信息的学习能力,从而使得多语言模型能够实现不同语言之间的语义交互,提升了多语言模型在学习多语言语料的语义表示时的准确性。
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 (14)
1.一种多语言模型的训练方法,包括:
获取训练语料,所述训练语料中包含多条双语语料和多条单语语料;
使用多条双语语料对多语言模型进行第一训练任务的训练,所述第一训练任务为使得所述多语言模型根据源语言语料的语义单元和掩码预测源语言语料中被掩码的语义单元,根据源语言语料的语义单元和掩码、以及目标语言语料的掩码预测目标语言语料中被掩码的语义单元;
使用多条单语语料对多语言模型进行第二训练任务的训练,所述第二训练任务为使得所述多语言模型在根据单语语料生成伪平行语料之后,再根据单语语料的语义单元和掩码、以及伪平行语料的语义单元预测单语语料中被掩码的语义单元;
在确定所述第一训练任务与所述第二训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
2.根据权利要求1所述的方法,其中,所述多语言模型的网络结构包含嵌入层与Transformer层,其中所述Transformer层中包含多个Transformer块。
3.根据权利要求2所述的方法,其中,所述使用多条双语语料对多语言模型进行第一训练任务的训练包括:
针对每条双语语料中的源语言语料和目标语言语料进行切词;
分别对源语言语料和目标语言语料的切词结果进行掩码处理;
将源语言语料和目标语言语料包含的语义单元、掩码输入多语言模型;
在由多语言模型中Transformer层的第一个Transformer块根据嵌入层针对各语义单元和各掩码转换得到的向量进行注意力机制的计算之后,Transformer层中下一个Transformer块根据源语言语料的语义单元和掩码进行源语言语料中各掩码的注意力机制的计算,根据源语言语料的语义单元和掩码、以及目标语言语料中的掩码进行目标语言语料中掩码的注意力机制的计算;
根据多语言模型中Transformer层的最后一个Transformer模块的输出,得到源语言语料和目标语言语料中被掩码的语义单元的预测结果。
4.根据权利要求2所述的方法,其中,所述使用多条单语语料对多语言模型进行第二训练任务的训练包括:
针对每条单语语料进行切词;
将单语语料的切词结果和与当前单语语料具有不同语种的语料的虚拟位置输入多语言模型,根据多语言模型的输出结果得到伪平行语料;
对单语语料进行掩码处理之后,将单语语料的语义单元和掩码、以及伪平行语料的语义单元输入多语言模型,根据多语言模型的输出结果得到单语语料中被掩码的语义单元的预测结果。
5.根据权利要求1所述的方法,还包括,
在确定所述第一训练任务与所述第二训练任务的损失函数收敛之前,使用多条双语语料对多语言模型进行第三训练任务的训练,所述第三训练任务为使得多语言模型根据源语言语料和目标语言语料的拼接结果中的语义单元和掩码,来预测拼接结果中被掩码的语义单元;
在确定所述第一训练任务、所述第二训练任务与所述第三训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
6.根据权利要求1所述的方法,还包括,
在确定所述第一训练任务与所述第二训练任务的损失函数收敛之前,使用多条单语语料对多语言模型进行第四训练任务的训练,所述第四训练任务为使得多语言模型能够单语语料中的语义单元和掩码,来预测单语语料中被掩码的语义单元;
在确定所述第一训练任务、所述第二训练任务与所述第四训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
7.一种多语言模型的训练装置,包括:
获取单元,用于获取训练语料,所述训练语料中包含多条双语语料和多条单语语料;
第一训练单元,用于使用多条双语语料对多语言模型进行第一训练任务的训练,所述第一训练任务为使得所述多语言模型根据源语言语料的语义单元和掩码预测源语言语料中被掩码的语义单元,根据源语言语料的语义单元和掩码、以及目标语言语料的掩码预测目标语言语料中被掩码的语义单元;
第二训练单元,用于使用多条单语语料对多语言模型进行第二训练任务的训练,所述第二训练任务为使得所述多语言模型在根据单语语料生成伪平行语料之后,再根据单语语料的语义单元和掩码、以及伪平行语料的语义单元预测单语语料中被掩码的语义单元;
确定单元,用于在确定所述第一训练任务与所述第二训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
8.根据权利要求7所述的装置,其中,所述多语言模型的网络结构包含嵌入层与Transformer层,其中所述Transformer层中包含多个Transformer块。
9.根据权利要求8所述的装置,其中,所述第一训练单元在使用多条双语语料对多语言模型进行第一训练任务的训练时,具体主席:
针对每条双语语料中的源语言语料和目标语言语料进行切词;
分别对源语言语料和目标语言语料的切词结果进行掩码处理;
将源语言语料和目标语言语料包含的语义单元、掩码输入多语言模型;
在由多语言模型中Transformer层的第一个Transformer块根据嵌入层针对各语义单元和各掩码转换得到的向量进行注意力机制的计算之后,Transformer层中下一个Transformer块根据源语言语料的语义单元和掩码进行源语言语料中各掩码的注意力机制的计算,根据源语言语料的语义单元和掩码、以及目标语言语料中的掩码进行目标语言语料中掩码的注意力机制的计算;
根据多语言模型中Transformer层的最后一个Transformer模块的输出,得到源语言语料和目标语言语料中被掩码的语义单元的预测结果。
10.根据权利要求8所述的装置,其中,所述第二训练单元在使用多条单语语料对多语言模型进行第二训练任务的训练时,具体执行:
针对每条单语语料进行切词;
将单语语料的切词结果和与当前单语语料具有不同语种的语料的虚拟位置输入多语言模型,根据多语言模型的输出结果得到伪平行语料;
对单语语料进行掩码处理之后,将单语语料的语义单元和掩码、以及伪平行语料的语义单元输入多语言模型,根据多语言模型的输出结果得到单语语料中被掩码的语义单元的预测结果。
11.根据权利要求7所述的装置,所述确定单元还执行,
在确定所述第一训练任务与所述第二训练任务的损失函数收敛之前,使用多条双语语料对多语言模型进行第三训练任务的训练,所述第三训练任务为使得多语言模型根据源语言语料和目标语言语料的拼接结果中的语义单元和掩码,来预测拼接结果中被掩码的语义单元;
在确定所述第一训练任务、所述第二训练任务与所述第三训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
12.根据权利要求7所述的装置,所述确定单元还执行,
在确定所述第一训练任务与所述第二训练任务的损失函数收敛之前,使用多条单语语料对多语言模型进行第四训练任务的训练,所述第四训练任务为使得多语言模型能够单语语料中的语义单元和掩码,来预测单语语料中被掩码的语义单元;
在确定所述第一训练任务、所述第二训练任务与所述第四训练任务的损失函数收敛的情况下,完成所述多语言模型的训练。
13.一种电子设备,其特征在于,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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011387501.1A CN112528669B (zh) | 2020-12-01 | 2020-12-01 | 多语言模型的训练方法、装置、电子设备和可读存储介质 |
US17/348,104 US11995405B2 (en) | 2020-12-01 | 2021-06-15 | Multi-lingual model training method, apparatus, electronic device and readable storage medium |
JP2021184852A JP7279138B2 (ja) | 2020-12-01 | 2021-11-12 | 多言語モデルの訓練方法、装置、電子デバイス及び可読記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011387501.1A CN112528669B (zh) | 2020-12-01 | 2020-12-01 | 多语言模型的训练方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528669A true CN112528669A (zh) | 2021-03-19 |
CN112528669B CN112528669B (zh) | 2023-08-11 |
Family
ID=74996074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011387501.1A Active CN112528669B (zh) | 2020-12-01 | 2020-12-01 | 多语言模型的训练方法、装置、电子设备和可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11995405B2 (zh) |
JP (1) | JP7279138B2 (zh) |
CN (1) | CN112528669B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705240A (zh) * | 2021-08-03 | 2021-11-26 | 中科讯飞互联(北京)信息科技有限公司 | 基于多语种分支模型的文本处理方法及相关装置 |
CN115392189A (zh) * | 2022-10-28 | 2022-11-25 | 北京砍石高科技有限公司 | 多语种混合语料的生成方法及装置、训练方法及装置 |
CN115982583A (zh) * | 2022-12-30 | 2023-04-18 | 北京百度网讯科技有限公司 | 预训练语言模型的训练方法、装置、设备和介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019193539A1 (en) | 2018-04-06 | 2019-10-10 | Optimedica Corporation | Methods and systems for changing a refractive property of an implantable intraocular lens |
CN117540829B (zh) * | 2023-10-18 | 2024-05-17 | 广西壮族自治区通信产业服务有限公司技术服务分公司 | 一种知识共享的大语言模型协同优化方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120203539A1 (en) * | 2011-02-08 | 2012-08-09 | Microsoft Corporation | Selection of domain-adapted translation subcorpora |
US20140200878A1 (en) * | 2013-01-14 | 2014-07-17 | Xerox Corporation | Multi-domain machine translation model adaptation |
CN110543639A (zh) * | 2019-09-12 | 2019-12-06 | 扬州大学 | 一种基于预训练Transformer语言模型的英文句子简化算法 |
CN111539223A (zh) * | 2020-05-29 | 2020-08-14 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
CN111539227A (zh) * | 2020-07-06 | 2020-08-14 | 北京百度网讯科技有限公司 | 训练语义表示模型的方法、装置、设备和计算机存储介质 |
CN111737994A (zh) * | 2020-05-29 | 2020-10-02 | 北京百度网讯科技有限公司 | 基于语言模型获取词向量的方法、装置、设备及存储介质 |
US20200334416A1 (en) * | 2019-04-16 | 2020-10-22 | Covera Health | Computer-implemented natural language understanding of medical reports |
CN112001181A (zh) * | 2020-07-17 | 2020-11-27 | 北京百度网讯科技有限公司 | 多语言语义表示模型的训练方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10713593B2 (en) * | 2016-11-04 | 2020-07-14 | Google Llc | Implicit bridging of machine learning tasks |
JP2020166664A (ja) | 2019-03-29 | 2020-10-08 | 国立研究開発法人情報通信研究機構 | 機械翻訳システムの学習方法、学習プログラムおよび学習済モデル |
CN111709249B (zh) | 2020-05-29 | 2023-02-24 | 北京百度网讯科技有限公司 | 多语种模型的训练方法、装置、电子设备和存储介质 |
-
2020
- 2020-12-01 CN CN202011387501.1A patent/CN112528669B/zh active Active
-
2021
- 2021-06-15 US US17/348,104 patent/US11995405B2/en active Active
- 2021-11-12 JP JP2021184852A patent/JP7279138B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120203539A1 (en) * | 2011-02-08 | 2012-08-09 | Microsoft Corporation | Selection of domain-adapted translation subcorpora |
US20140200878A1 (en) * | 2013-01-14 | 2014-07-17 | Xerox Corporation | Multi-domain machine translation model adaptation |
US20200334416A1 (en) * | 2019-04-16 | 2020-10-22 | Covera Health | Computer-implemented natural language understanding of medical reports |
CN110543639A (zh) * | 2019-09-12 | 2019-12-06 | 扬州大学 | 一种基于预训练Transformer语言模型的英文句子简化算法 |
CN111539223A (zh) * | 2020-05-29 | 2020-08-14 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
CN111737994A (zh) * | 2020-05-29 | 2020-10-02 | 北京百度网讯科技有限公司 | 基于语言模型获取词向量的方法、装置、设备及存储介质 |
CN111539227A (zh) * | 2020-07-06 | 2020-08-14 | 北京百度网讯科技有限公司 | 训练语义表示模型的方法、装置、设备和计算机存储介质 |
CN112001181A (zh) * | 2020-07-17 | 2020-11-27 | 北京百度网讯科技有限公司 | 多语言语义表示模型的训练方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
彭晓娅;周栋;: "跨语言词向量研究综述", 中文信息学报, no. 02 * |
杨云;王全;: "EM算法在神经机器翻译模型中的应用研究", 计算机应用与软件, no. 08 * |
薛擎天;李军辉;贡正仙;: "多语言的无监督神经机器翻译", 厦门大学学报(自然科学版), no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705240A (zh) * | 2021-08-03 | 2021-11-26 | 中科讯飞互联(北京)信息科技有限公司 | 基于多语种分支模型的文本处理方法及相关装置 |
CN113705240B (zh) * | 2021-08-03 | 2024-04-19 | 科大讯飞(北京)有限公司 | 基于多语种分支模型的文本处理方法及相关装置 |
CN115392189A (zh) * | 2022-10-28 | 2022-11-25 | 北京砍石高科技有限公司 | 多语种混合语料的生成方法及装置、训练方法及装置 |
CN115982583A (zh) * | 2022-12-30 | 2023-04-18 | 北京百度网讯科技有限公司 | 预训练语言模型的训练方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220171941A1 (en) | 2022-06-02 |
JP2022087814A (ja) | 2022-06-13 |
JP7279138B2 (ja) | 2023-05-22 |
CN112528669B (zh) | 2023-08-11 |
US11995405B2 (en) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102497945B1 (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 | |
JP7362994B2 (ja) | 複数種類の単語ベクトルに基づいて言語モデルをトレーニングする方法、装置、機器、プログラム及び記憶媒体 | |
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 | |
CN111539227B (zh) | 训练语义表示模型的方法、装置、设备和计算机存储介质 | |
CN111709248A (zh) | 文本生成模型的训练方法、装置及电子设备 | |
JP7149993B2 (ja) | 感情分析モデルの事前トレーニング方法、装置及び電子機器 | |
US20210374343A1 (en) | Method and apparatus for obtaining word vectors based on language model, device and storage medium | |
CN111144115A (zh) | 预训练语言模型获取方法、装置、电子设备和存储介质 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN112001190A (zh) | 自然语言处理模型的训练方法、装置、设备及存储介质 | |
CN112580822B (zh) | 机器学习模型的对抗训练方法装置、电子设备和介质 | |
CN111144108A (zh) | 情感倾向性分析模型的建模方法、装置和电子设备 | |
CN111950291A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
CN111709249B (zh) | 多语种模型的训练方法、装置、电子设备和存储介质 | |
CN112000792A (zh) | 自然灾害事件的抽取方法、装置、设备以及存储介质 | |
CN111950293B (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
CN111506725B (zh) | 生成摘要的方法和装置 | |
CN111709234A (zh) | 文本处理模型的训练方法、装置及电子设备 | |
CN110782871B (zh) | 一种韵律停顿预测方法、装置以及电子设备 | |
CN112287698B (zh) | 篇章翻译方法、装置、电子设备和存储介质 | |
CN113723278A (zh) | 表格信息提取模型的训练方法及装置 | |
CN110807331A (zh) | 一种多音字读音预测方法、装置和电子设备 | |
US20210232765A1 (en) | Method and apparatus for generating text based on semantic representation, and medium | |
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 |
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 |