CN112560437A - 文本通顺度的确定方法、目标模型的训练方法及装置 - Google Patents
文本通顺度的确定方法、目标模型的训练方法及装置 Download PDFInfo
- Publication number
- CN112560437A CN112560437A CN202011567625.8A CN202011567625A CN112560437A CN 112560437 A CN112560437 A CN 112560437A CN 202011567625 A CN202011567625 A CN 202011567625A CN 112560437 A CN112560437 A CN 112560437A
- Authority
- CN
- China
- Prior art keywords
- jth
- text
- target object
- determining
- processing layers
- 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 60
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 132
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation 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
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了文本通顺度的确定方法、目标模型的训练方法、装置、设备、存储介质及产品,涉及人工智能技术领域和自然语言处理技术领域。具体实现方案包括:将待测文本包含的第i个目标对象输入包含N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的第j个概率分布;其中,i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;在第i个目标对象的第j个概率分布满足预设条件的情况下,基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值。本公开的技术方案,能提高确定文本通顺度的效率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及中自然语言处理技术领域。
背景技术
随着信息技术的发展,能利用设备对文本进行校对等处理。例如,通过训练好的通顺度模型对生成的文本进行语义通顺度的检测。语义通顺度模型作为通用的基础模型,往往被应用到很多业务线上,而不同项目对通顺度模型预测耗时的要求不同,因此,如何提升通顺度的检测效率成为亟待解决的问题。
发明内容
本公开提供了一种文本通顺度的确定方法及装置、目标模型的训练方法及装置、设备、存储介质以及产品。
根据本公开的一方面,提供了一种文本通顺度的确定方法,包括:
将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到待测文本中的K个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;
基于待测文本中K个目标对象的概率值,确定待测文本的通顺度预测结果;
其中,将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到待测文本中的K个目标对象的概率值,包括:
将待测文本包含的第i个目标对象输入包含N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的第j个概率分布;其中,i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
在第i个目标对象的第j个概率分布满足预设条件的情况下,基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值。
根据本公开的另一方面,提供了一种目标模型的训练方法,包括:
将训练文本包含的K个目标对象中第i个目标对象输入包括N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的概率分布;基于所述第i个目标对象的所述第j个概率分布,确定所述第i个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
根据K个目标对象分别对应的前N-1个处理层的概率值,以及K个目标对象分别对应的N-1个处理层的拟合到真实标签的概率值,确定损失函数;
基于损失函数进行反向传导更新目标模型。
根据本公开的另一方面,提供了一种文本通顺度的确定装置,包括:
获取模块,用于将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到待测文本中的K个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;
第一确定模块,用于基于待测文本中K个目标对象的概率值,确定待测文本的通顺度预测结果;
其中,获取模块用于:
将待测文本包含的第i个目标对象输入包含N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的第j个概率分布;其中,i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
在第i个目标对象的第j个概率分布满足预设条件的情况下,基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值。
根据本公开的另一方面,提供了一种目标模型的训练装置,包括:
采集模块,用于将训练文本包含的K个目标对象中第i个目标对象输入包括N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的概率分布;基于所述第i个目标对象的所述第j个概率分布,确定所述第i个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
训练模块,用于根据K个目标对象分别对应的前N-1个处理层的概率值,以及K个目标对象分别对应的N-1个处理层的拟合到真实标签的概率值,确定损失函数;基于损失函数进行反向传导更新目标模型。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,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,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术,能提高预测文本通顺度的效率。
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
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是根据本公开实施例的文本通顺度的确定方法的流程示意图;
图2是根据本公开实施例的确定预设条件的流程示意图;
图3是根据本公开实施例的确定预设阈值的流程示意图;
图4是根据本公开实施例的实现通顺度预测速度可调的原理示意图;
图5是根据本公开实施例的目标模型的训练方法的示意图;
图6是根据本公开实施例的文本通顺度的确定装置的组成结构示意图一;
图7是根据本公开实施例的文本通顺度的确定装置的组成结构示意图二;
图8是根据本公开实施例的目标模型的训练装置的组成结构示意图;
图9是用来实现本公开实施例的文本通顺度的确定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。
本公开的说明书实施例和权利要求书及上述附图中的术语"第一"、"第二"、和"第三"等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。此外,术语"包括"和"具有"以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元。方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本公开提供一种文本通顺度的确定方法,该方法可以应用于电子设备,该电子设备包括但不限于固定设备和/或移动设备,例如,固定设备包括但不限于服务器,服务器可以是云服务器或普通服务器。例如,移动设备包括但不限于:手机或平板电脑中的一项或是多项。如图1所示,该方法包括:
步骤S101:将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到待测文本中的K个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;
步骤S102:基于待测文本中K个目标对象的概率值,确定待测文本的通顺度预测结果;
其中,将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到待测文本中的K个目标对象的概率值,包括:
将待测文本包含的第i个目标对象输入包含N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的第j个概率分布;其中,i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
在第i个目标对象的第j个概率分布满足预设条件的情况下,基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值。
以上待测文本为需要进行通顺度预测的文本,例如待测文本可以为句子,具体可以为特定标点符号之前的多个文字组成的句子,或者两个特定标点符号之间的多个文字组成的句子。
以上目标对象是将待测文本按照预设划分规则得到的,例如可以为待测文本中的字、或词语、或成语等等。
具体实现中,可以根据预设划分规则对待测文本进行划分,得到至少一个目标对象。其中,预设划分规则包括语义划分、长度划分中的至少一种。
在一些实施方式中,可以根据预设语义划分规则对待测文本进行划分,得到待测文本对应的多个目标对象。这里,语义划分即根据待测文本的含义进行划分,得到对应的多个目标对象。例如待测文本为"明天是一个值得期待的日子",划分得到的目标对象可以包括"明天"、"是"、"一个"、"值得期待"、"的"、"日子"。例如待测文本为"我们打算去度假",划分得到的目标对象可以包括"我们"、"打算"、"去"、"度假"。例如待测文本为"我很好",划分得到的目标对象可以包括"我"、"很"、"好"。
在一些实施方式中,可以根据预设长度划分规则对待测文本进行划分,得到待测文本对应的多个目标对象。这里,长度划分即根据待测文本中文字的数量对目标文本进行划分。例如待测文本为"今天下雪了",划分得到的目标对象可以包括"今"、"天"、"下"、"雪"、"了"。例如待测文本为"我们昨天喝酒了吗",划分得到的目标对象可以包括"我们"、"昨天、"喝酒"、"了吗"。
可以理解的是,对于一个待测文本,可以划分为一个或者多个句子,对于一个句子,可以划分为一个或多个目标对象。
需要说明的是,本申请对将待测文本划分成多个目标对象的方式不做限定。
以上处理层是用于实现输出目标对象的特征表示的处理层,如编码-解码(Encoder-Decoder)层,具体可以是Attention模型或transformer模型。
以上通顺度预测结果是对待测文本的通顺度的预测结果,例如,可以是对待测文本的通顺度的评分结果,还可以是评价待测文本的通顺度的等级值。
本方案能够将待测文本包含的第i个目标对象输入包含N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的第j个概率分布;在第i个目标对象的第j个概率分布满足预设条件的情况下,基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值;如此,根据当前处理层得到的目标对象的概率分布确定是否将当前处理层的特征表示传递给下一个处理层,相对于每个目标对象均需经过N个处理层处理后才能确定出目标对象的概率值而言,能够自适应调整每个目标对象的运行层数,提高确定目标对象的概率值的速度,进而提升文本通顺度的确定效率。
在一些实施例方式中,在第i个目标对象的第j个概率分布的相关参数值不满足预设条件的情况下,将由所述第j个处理层得到的第j个特征表示输入到所述N个处理层中的第j+1个处理层,所述第j个特征表示用于表征所述待测文本的特征信息。
其中,相关参数值越大表明不确定度越大,需要更深层次的计算,即需要进入下一个处理层。
通过上述实施方式,能根据当前处理层得到的目标对象的概率分布确定是否将当前处理层的特征表示传递给下一个处理层,也就是说,在第i个目标对象的第j个概率分布的相关参数值满足预设条件的情况下,不再将由所述第j个处理层得到的第j个特征表示输入到所述N个处理层中的第j+1个处理层;在第i个目标对象的第j个概率分布的不满足预设条件的情况下,才需要将将由所述第j个处理层得到的第j个特征表示输入到N个处理层中的第j+1个处理层,如此,能够自适应调整每个目标对象的运行层数,在保证精度几乎不变的情况下,提高确定目标对象的概率值的速度,进而提升文本通顺度的确定效率。
在一些实施例方式中,预设条件包括:第j个概率分布的相关参数值小于预设阈值。
其中,相关参数值用于表征不确定性的大小。
本公开中,可采用熵表征相关参数值,也可采用Gini指数表征相关参数值。当然,也可采用其他能够衡量不确定性大小的量来表征相关参数值。
本公开中,预设阈值可根据实际需求进行设定或调整。比如,预设阈值根据速度需求进行设定或调整。又比如,预设阈值根据精度需求进行设定或调整。
在本公开实施例中,在实现上述任一方法的基础上,如图2所示,还包括:
步骤S201:基于第i个目标对象的第j个概率分布,确定第j个概率分布的相关参数值;
步骤S202:在第j个概率分布的相关参数值小于预设阈值的情况下,确定第i个目标对象的第j个概率分布满足预设条件。
具体实施方式可以是:基于第i个目标对象的第j个概率分布,确定第j个概率分布的熵;在第j个概率分布的熵小于第一预设阈值的情况下,确定第i个目标对象的第j个概率分布满足预设条件。其中,熵越大,说明随机变量的不确定性越大。比如,在第i个目标对象的第j个概率分布的归一化熵小于第一预设阈值的情况下,确定第i个目标对象的第j个概率分布满足预设条件,进而基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值;在第i个目标对象的第j个概率分布的归一化熵大于或等于第一预设阈值的情况下,将第i个目标对象的第j个特征表示输入到N个处理层中的第j+1个处理层。
具体实施方式还可以是:基于第i个目标对象的第j个概率分布,确定第j个概率分布的Gini指数;在第j个概率分布的Gini指数小于第二预设阈值的情况下,确定第i个目标对象的第j个概率分布满足预设条件。其中,Gini指数越大,说明随机变量的不确定性越大。比如,在第i个目标对象的第j个概率分布的Gini指数小于第二预设阈值的情况下,确定第i个目标对象的第j个概率分布满足预设条件,进而基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值;在第i个目标对象的第j个概率分布的Gini指数大于或等于第二预设阈值的情况下,将第i个目标对象的第j个特征表示输入到N个处理层中的第j+1个处理层。
通过上述实施方式,基于第i个目标对象的第j个概率分布,确定第j个概率分布的相关参数值;在第j个概率分布的相关参数值小于预设阈值的情况下,确定第i个目标对象的第j个概率分布满足预设条件,便于通过第i个目标对象的第j个概率分布是否满足预设条件的判断结果来决定是否可以提前获取对第i个目标对象的概率值的预测结果,能够减少目标对象的计算层数,提升目标对象的概率值的确定速度,进而有助于提升待测文本的通顺度的预测效率。
在本公开实施例中,在实现上述任一方法的基础上,如图3所示,还可以包括:
步骤S301:确定待测文本的业务需求,其中,不同的业务需求对应不同的预设阈值;
步骤S302:根据业务需求调整预设阈值。
本公开实施例中,业务需求至少包括预测精度或预测速度之一的要求。
具体实施方式中,可以根据接收到的预测精度参数值确定待测文本的业务需求。具体实施方式中,还可以根据接收到的预测速度参数值确定待测文本的业务需求。不同应用场景下,对文本通顺度的确定速率是不同的,因此,具体实施方式中,还可以根据待测文本的应用场景确定待测文本的业务需求。
实际应用中,预设阈值越高,预测速度越快,精度损失也就越大;预设阈值越低,需要前向传播的处理层数越多,精度损失越小。
通过上述实施方式,能够灵活配置预设阈值,从而满足不同应用场景下的业务需求。
上述文本通顺度的确定方法可通过训练好的目标模型来实现。下面,就如何构建目标模型进行介绍。
目标模型以Bert模型为基础模型,Bert模型包含N个层处理层,参数量庞大,且具有一定的冗余性,所有样本都在Bert模型中完整前向传播N层,冗余计算量是巨大的。实际上预测样本有难易之分,简单样本在前几层其实就可以获得很好的特征表示,复杂样本则需要更多的特征计算。因此,本公开提出一种可以自适应调节目标模型运行层数的方法,目标模型包括具有N个处理层的Bert模型,以及与所述N个处理层连接的N个分类器分支,该Bert模型是已经训练好的能预测概率值的模型。可见,只需对原Bert模型做简单修改,在不引入外部模型的基础上更快获得准确预测结果。
图4示出了实现通顺度预测速度可调的原理示意图,如图4所示,目标模型包括Bert模型,该Bert模型包括12个处理层,为前11个处理层分别设置第一分类分支,每个第一分类分支包括全连接层、分类器和判断器;为第12个处理层设置第二分类分支,该第二分类分支包括全连接层和分类器。具体的,Bert模型中的处理层负责输出目标对象的特征表示;全连接层负责将特征表示映射到样本标记空间,得到归一化的概率分布;这里,样本标记空间是指真实标签分布空间;不同处理层对应的样本标记空间是相同的;分类器负责根据概率分布计算概率分布的相关参数值;判别器负责比较相关参数值与预设阈值的大小,如果相关参数值小于预设阈值,将概率值p(t|s)输出;如果相关参数值大于或等于预设阈值,将Bert模型中的本层处理层得到的特征表示传递给Bert模型中的下一层处理层。不同Bert模型中的处理层对应的判别器中的预设阈值相同。如果前面11个判别器计算的相关参数值都大于或等于预设阈值,则说明前面11个的预测结果不置信,选择最后一个处理层的输出概率为目标对象的概率值。
需要说明的是,训练时只需要训练第一分类分支的参数,判别器可以不参与训练。
针对不同场景,调整预设阈值,预设阈值较大时可以在前面几层就得到置信结果,速度快,有助于提升文本通顺的确定效率。
应理解,图4所示的原理图为一种可选的具体实现方式,本领域技术人员可以基于图4的例子进行各种显而易见的变化和/或替换,得到的技术方案仍属于本公开实施例的公开范围。
下面,就如何训练目标模型进行介绍。
图5示出了目标模型的训练方法的流程图,如图5所示,该方法包括:
步骤S501:将训练文本包含的K个目标对象中第i个目标对象输入包括N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的概率分布;其中,K为大于等于1的整数,N为大于等于2的整数;i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
步骤S502:基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值;
步骤S503:根据K个目标对象分别对应的前N-1个处理层的概率值,以及K个目标对象分别对应的N-1个处理层的拟合到真实标签的概率值,确定损失函数;
步骤S504:基于损失函数进行反向传导更新目标模型。
在一些实施方式中,步骤S503包括:
步骤S503a:根据K个目标对象分别对应的前N-1个处理层的概率值,以及训练样本中K个目标对象的参考概率值,确定K个目标对象分别对应的前N-1个处理层对应的概率值与训练样本中K个目标对象的参考概率值之间的相对熵;
步骤S503b:根据K个目标对象分别对应的前N-1个处理层的概率值,确定K个目标对象分别对应的前N-1个处理层的拟合到目标对象的真实标签的概率的交叉熵;
步骤S503c:根据相对熵和交叉熵确定损失函数。
如此,能够自适应调节目标模型的运行层数,提高文本通顺度的确定速度。
以图4所示原理构成的目标模型为例,实际训练时,冻结原Bert模型所有参数,只训练新增的11个分类器分支,每个分类器都是独立的,每个分支分类器使用相对熵拟合原Bert模型输出的概率分布,作为软标签知识学习的损失,同时利用上真实标签。训练损失函数Loss为:
其中,式中第一项为各分支分类器与预先训练好的Bert模型间的相对熵,第二项为拟合真实标签的交叉熵;其中,j表示分类器的标识;i表示种类的标识;M表示种类数,t表示真实标签;为第j个分支分类器预测为第i类的概率;为第j个分支分类器预测到真实标签的概率;pt(i)为预先训练好的Bert模型预测为第i类的概率;为各分支分类器与预先训练好的Bert模型间的相对熵,为拟合真实标签的交叉熵。需要指出的是,上述训练损失函数Loss公式中涉及到的i和j,与文中其他地方的i和j表示的含义不同。
其中,为达到尽量软化概率分布的效果,针对软标签部分的学习可增加一个超参数T,如果分类器输出的负标签概率很小,对损失函数的贡献极小,因此在计算分类时通过超参数T达到尽量软化概率分布的效果。
需要说明的是,该公式只对损失函数中的相对熵部分生效,只在训练过程生效。此外,在训练初期会比较依赖原Bert模型,因此适当调大相对熵的权重,有利于分支分类器更好的学习鉴别简单样本;训练后期适当减小相对熵的权重,有利于学习真实标签如何鉴别困难样本。
作为对上述各方法的实现,本申请还提供一种文本通顺度的确定装置。图6示出了文本通顺度的确定装置的示意图。如图6所示,该装置包括:
获取模块610,用于将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到待测文本中的K个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;
确定模块620,用于基于待测文本中K个目标对象的概率值,确定待测文本的通顺度预测结果;
其中,该获取模块610用于:
将待测文本包含的第i个目标对象输入包含N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的第j个概率分布;其中,i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
在第i个目标对象的第j个概率分布满足预设条件的情况下,基于第i个目标对象的第j个概率分布,确定第i个目标对象的概率值。
在一些实施方式中,该获取模块610用于:
在第i个目标对象的第j个概率分布不满足预设条件的情况下,将由第j个处理层得到的第j个特征表示输入到N个处理层中的第j+1个处理层,第j个特征表示用于表征待测文本的特征信息。
在一些实施方式中,如图7所示,该装置还可包括:
第二确定模块630,用于:基于第i个目标对象的第j个概率分布,确定第j个概率分布的相关参数值;在第j个概率分布的相关参数值小于预设阈值的情况下,确定第i个目标对象的第j个概率分布满足预设条件。
在一些实施方式中,如图7所示,该装置还可包括:
第三确定模块640,用于确定待测文本的业务需求,其中,不同的业务需求对应不同的预设阈值;根据业务需求确定预设阈值。
本公开实施例各装置中的各模块的功能可以参见上述目标模型的训练方法中的对应描述,在此不再赘述。
本公开的文本通顺度的确定装置,能够灵活调整用于文本通顺度预测的目标模型的预测精度和速度。
作为对上述各方法的实现,本申请还提供一种目标模型的训练装置。图8示出了目标模型的训练装置的示意图。如图8所示,该装置包括:
采集模块810,用于将训练文本包含的K个目标对象中第i个目标对象输入包括N个处理层的目标模型,得到N个处理层中的第j个处理层输出的第i个目标对象的概率分布;基于所述第i个目标对象的所述第j个概率分布,确定所述第i个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
训练模块820,用于根据K个目标对象分别对应的前N-1个处理层的概率值,以及K个目标对象分别对应的N-1个处理层的拟合到真实标签的概率值,确定损失函数;基于损失函数进行反向传导更新目标模型。
在一些实施方式中,训练模块820,用于:
根据K个目标对象分别对应的前N-1个处理层的概率值,以及训练样本中K个目标对象的参考概率值,确定K个目标对象分别对应的前N-1个处理层对应的概率值与训练样本中K个目标对象的参考概率值之间的相对熵;
根据K个目标对象分别对应的前N-1个处理层的概率值,分别确定K个目标对象分别对应的前N-1个处理层的拟合到目标对象的真实标签的概率的交叉熵;
根据相对熵和交叉熵确定损失函数。
本公开实施例各装置中的各模块的功能可以参见上述目标模型的训练方法中的对应描述,在此不再赘述。
本公开的目标模型的训练装置,能够使目标模型自适应调节目标模型的运行层数,提高文本通顺度的确定速度。
本公开的技术方案适用于确定文本通顺度的场景中,例如本申请的技术方案可以适用于机器翻译、文本生成、以及文书自动评审等场景中。
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9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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/或要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元909加载到随机访问存储器(RAM)903中的计算机程序来执行各种适当的动作和处理。在RAM903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元909,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如文本通顺度的确定方法。例如,在一些实施例中,文本通顺度的确定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909。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的文本通顺度的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文本通顺度的确定方法。
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。
用于实施本公开的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。
在本公开的上下文中,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)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。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种文本通顺度的确定方法,包括:
将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到所述待测文本中的K个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;
基于所述待测文本中所述K个目标对象的概率值,确定所述待测文本的通顺度预测结果;
其中,所述将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到所述待测文本中的K个目标对象的概率值,包括:
将所述待测文本包含的第i个目标对象输入包含所述N个处理层的所述目标模型,得到所述N个处理层中的第j个处理层输出的所述第i个目标对象的第j个概率分布;其中,i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
在所述第i个目标对象的所述第j个概率分布满足预设条件的情况下,基于所述第i个目标对象的所述第j个概率分布,确定所述第i个目标对象的概率值。
2.根据权利要求1所述的方法,其中,所述方法还包括:
在所述第i个目标对象的所述第j个概率分布不满足所述预设条件的情况下,将由所述第j个处理层得到的第j个特征表示输入到所述N个处理层中的第j+1个处理层,所述第j个特征表示用于表征所述待测文本的特征信息。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:
基于所述第i个目标对象的所述第j个概率分布,确定所述第j个概率分布的相关参数值;
在所述第j个概率分布的所述相关参数值小于预设阈值的情况下,确定所述第i个目标对象的所述第j个概率分布满足所述预设条件。
4.根据权利要求3所述的方法,其中,所述方法还包括:
确定所述待测文本的业务需求,其中,不同的所述业务需求对应不同的所述预设阈值;
根据所述业务需求确定所述预设阈值。
5.一种目标模型的训练方法,包括:
将训练文本包含的K个目标对象中第i个目标对象输入包括N个处理层的目标模型,得到所述N个处理层中的第j个处理层输出的所述第i个目标对象的概率分布;基于所述第i个目标对象的所述第j个概率分布,确定所述第i个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
根据所述K个目标对象分别对应的前N-1个处理层的所述概率值,以及所述K个目标对象分别对应的所述N-1个处理层的拟合到真实标签的概率值,确定损失函数;
基于所述损失函数进行反向传导更新所述目标模型。
6.根据权利要求5所述的方法,其中,所述根据所述K个目标对象分别对应的前N-1个处理层的所述概率值,以及所述K个目标对象分别对应的所述N-1个处理层的拟合到真实标签的概率值,确定损失函数,包括:
根据所述K个目标对象分别对应的前N-1个处理层的所述概率值,以及所述训练样本中所述K个目标对象的参考概率值,确定所述K个目标对象分别对应的所述前N-1个处理层对应的所述概率值与所述训练样本中所述K个目标对象的参考概率值之间的相对熵;
根据所述K个目标对象分别对应的所述前N-1个处理层的所述概率值,确定所述K个目标对象分别对应的所述前N-1个处理层的拟合到所述目标对象的真实标签的概率的交叉熵;
根据所述相对熵和所述交叉熵确定所述损失函数。
7.一种文本通顺度的确定装置,包括:
获取模块,用于将待测文本包含的K个目标对象输入包含N个处理层的目标模型,得到所述待测文本中的K个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;
确定模块,用于基于所述待测文本中所述K个目标对象的概率值,确定所述待测文本的通顺度预测结果;
其中,所述获取模块用于:
将所述待测文本包含的第i个目标对象输入包含所述N个处理层的所述目标模型,得到所述N个处理层中的第j个处理层输出的所述第i个目标对象的第j个概率分布;其中,i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
在所述第i个目标对象的所述第j个概率分布满足预设条件的情况下,基于所述第i个目标对象的所述第j个概率分布,确定所述第i个目标对象的概率值。
8.根据权利要求7所述的装置,其中,所述获取模块还用于:
在所述第i个目标对象的所述第j个概率分布不满足所述预设条件的情况下,将由所述第j个处理层得到的第j个特征表示输入到所述N个处理层中的第j+1个处理层,所述第j个特征表示用于表征所述待测文本的特征信息。
9.根据权利要求7或8所述的装置,其中,所述装置还包括:
第二确定模块,用于:
基于所述第i个目标对象的所述第j个概率分布,确定所述第j个概率分布的相关参数值;
在所述第j个概率分布的所述相关参数值小于预设阈值的情况下,确定所述第i个目标对象的所述第j个概率分布满足所述预设条件。
10.根据权利要求9所述的装置,其中,所述装置还包括:
第三确定模块,用于确定所述待测文本的业务需求,其中,不同的所述业务需求对应不同的所述预设阈值;根据所述业务需求确定所述预设阈值。
11.一种目标模型的训练装置,包括:
采集模块,用于将训练文本包含的K个目标对象中第i个目标对象输入包括N个处理层的目标模型,得到所述N个处理层中的第j个处理层输出的所述第i个目标对象的概率分布;基于所述第i个目标对象的所述第j个概率分布,确定所述第i个目标对象的概率值;其中,K为大于等于1的整数,N为大于等于2的整数;i为大于等于1且小于等于K的整数;j为大于等于1且小于N的整数;
训练模块,用于根据所述K个目标对象分别对应的前N-1个处理层的所述概率值,以及所述K个目标对象分别对应的所述N-1个处理层的拟合到真实标签的概率值,确定损失函数;基于所述损失函数进行反向传导更新所述目标模型。
12.根据权利要求11所述的装置,其中,所述训练模块,用于:
根据所述K个目标对象分别对应的前N-1个处理层的所述概率值,以及所述训练样本中所述K个目标对象的参考概率值,确定所述K个目标对象分别对应的所述前N-1个处理层对应的所述概率值与所述训练样本中所述K个目标对象的参考概率值之间的相对熵;
根据所述K个目标对象分别对应的所述前N-1个处理层的所述概率值,确定所述K个目标对象分别对应的所述前N-1个处理层的拟合到所述目标对象的真实标签的概率的交叉熵;
根据所述相对熵和所述交叉熵确定所述损失函数。
13.一种电子设备,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1-6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,所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567625.8A CN112560437B (zh) | 2020-12-25 | 2020-12-25 | 文本通顺度的确定方法、目标模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567625.8A CN112560437B (zh) | 2020-12-25 | 2020-12-25 | 文本通顺度的确定方法、目标模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560437A true CN112560437A (zh) | 2021-03-26 |
CN112560437B CN112560437B (zh) | 2024-02-06 |
Family
ID=75033139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011567625.8A Active CN112560437B (zh) | 2020-12-25 | 2020-12-25 | 文本通顺度的确定方法、目标模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560437B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115033774A (zh) * | 2022-06-16 | 2022-09-09 | 北京百度网讯科技有限公司 | 待推荐的搜索文本的生成方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357566A1 (en) * | 2017-06-13 | 2018-12-13 | Microsoft Technology Licensing, Llc | Unsupervised learning utilizing sequential output statistics |
CN111078865A (zh) * | 2019-12-24 | 2020-04-28 | 北京百度网讯科技有限公司 | 文本标题生成方法和装置 |
CN111368997A (zh) * | 2020-03-04 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 神经网络模型的训练方法及装置 |
CN111767714A (zh) * | 2020-06-28 | 2020-10-13 | 平安科技(深圳)有限公司 | 一种文本通顺度确定方法、装置、设备及介质 |
-
2020
- 2020-12-25 CN CN202011567625.8A patent/CN112560437B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357566A1 (en) * | 2017-06-13 | 2018-12-13 | Microsoft Technology Licensing, Llc | Unsupervised learning utilizing sequential output statistics |
CN111078865A (zh) * | 2019-12-24 | 2020-04-28 | 北京百度网讯科技有限公司 | 文本标题生成方法和装置 |
CN111368997A (zh) * | 2020-03-04 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 神经网络模型的训练方法及装置 |
CN111767714A (zh) * | 2020-06-28 | 2020-10-13 | 平安科技(深圳)有限公司 | 一种文本通顺度确定方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
徐如阳;曾碧卿;韩旭丽;周武;: "卷积自注意力编码过滤的强化自动摘要模型", 小型微型计算机系统, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115033774A (zh) * | 2022-06-16 | 2022-09-09 | 北京百度网讯科技有限公司 | 待推荐的搜索文本的生成方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112560437B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920461B (zh) | 一种多类型且含复杂关系的实体抽取方法及装置 | |
CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
CN113407610B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113836925A (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN114020904A (zh) | 试题文件筛选方法、模型训练方法、装置、设备及介质 | |
CN116975400B (zh) | 一种数据分类分级方法、装置、电子设备及存储介质 | |
CN112560437B (zh) | 文本通顺度的确定方法、目标模型的训练方法及装置 | |
CN112948584A (zh) | 短文本分类方法、装置、设备以及存储介质 | |
CN112711943A (zh) | 一种维吾尔文语种识别方法、装置及存储介质 | |
CN115860003A (zh) | 一种语义角色分析方法、装置、电子设备及存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN115510860A (zh) | 一种文本情感分析方法、装置、电子设备及存储介质 | |
CN112541557B (zh) | 生成式对抗网络的训练方法、装置及电子设备 | |
CN113051396B (zh) | 文档的分类识别方法、装置和电子设备 | |
CN115130470A (zh) | 一种文本关键词的生成方法、装置、设备及介质 | |
CN114491030A (zh) | 技能标签的抽取、候选短语分类模型的训练方法及装置 | |
CN114764874A (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
CN114138976A (zh) | 数据处理与模型训练方法、装置、电子设备和存储介质 | |
CN112784600A (zh) | 信息排序方法、装置、电子设备和存储介质 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN113850072A (zh) | 文本情感分析方法、情感分析模型训练方法、装置、设备及介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN113239273A (zh) | 用于生成文本的方法、装置、设备以及存储介质 |
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 |