CN112580339A - 模型的训练方法、装置、电子设备及存储介质 - Google Patents
模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112580339A CN112580339A CN202011506456.7A CN202011506456A CN112580339A CN 112580339 A CN112580339 A CN 112580339A CN 202011506456 A CN202011506456 A CN 202011506456A CN 112580339 A CN112580339 A CN 112580339A
- Authority
- CN
- China
- Prior art keywords
- entities
- model
- training
- sample
- text
- 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
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
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了模型的训练方法、装置、电子设备和存储介质,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。具体实现方案为:获取样本文本;对样本文本进行实体识别以生成多个实体;对多个实体之中第一数量的实体进行掩码,并对多个实体之中第二数量的实体进行乱序,以生成增强样本;以及根据增强样本对模型进行训练。本申请实施例的训练方法,能够在构造增强样本中几乎不会引入额外的消耗,同时增强模型的鲁棒性。
Description
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和深度学习等人工智能技术领域,尤其涉及一种模型的训练方法、装置、电子设备及存储介质。
背景技术
近年来,以BERT(Bidirectional Encoder Representations for Transformers,深度模型)为代表的预训练模型提出了“Pre-training(预训练)+Fine-tuning(微调)”的范式,并大幅提升了各类NLP(Natural Language Processing,自然语言处理)任务的效果。其采用深层模型结构,使用海量无监督文本学习上下文相关表示,并使用通用统一的方式解决各类自然语言处理任务(例如,文本匹配、文本生成、情感分类、文本摘要、问答、检索等)。
但目前主流的语义表示模型都是基于海量的原始文本构建预训练任务进行模型的预训练。
发明内容
本申请提供一种模型的训练方法、装置、电子设备及存储介质。
根据本申请的一方面,提供了一种模型的训练方法,包括:
获取样本文本;
对所述样本文本进行实体识别以生成多个实体;
对所述多个实体之中第一数量的实体进行掩码,并对所述多个实体之中第二数量的实体进行乱序,以生成增强样本;以及
根据所述增强样本对所述模型进行训练。
根据本申请的另一方面,提供了一种模型的训练装置,包括:
获取模块,用于获取样本文本;
第一生成模块,用于对所述样本文本进行实体识别以生成多个实体;
第二生成模块,用于对所述多个实体之中第一数量的实体进行掩码,并对所述多个实体之中第二数量的实体进行乱序,以生成增强样本;以及
训练模块,用于根据所述增强样本对所述模型进行训练。
根据本申请的另一方面,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一方面实施例所述的模型的训练方法。
根据本申请另一方面,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,其上存储有计算机程序,所述计算机指令用于使所述计算机执行上述一方面实施例所述的模型的训练方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述一方面实施例所述的模型的训练方法。
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,不构成对本申请的限定。其中:
图1为本申请实施例提供的一种模型的训练方法的流程示意图;
图2为本申请实施例提供的预训练样本构造流程示意图;
图3为本申请实施例提供的另一种模型的训练方法的流程示意图;
图4为本申请实施例提供的另一种模型的训练方法的流程示意图;
图5为本申请实施例提供的一种模型的训练装置的结构示意图;以及
图6为根据本申请实施例的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。
下面参考附图描述本申请实施例的模型的训练方法、装置、电子设备和存储介质。
人工智能是研究使用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领域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深度学习、大数据处理技术、知识图谱技术等几大方向。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究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。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。
深度学习是机器学习领域中一个新的研究方向。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。它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。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
本申请实施例提供的模型的训练方法,可以由电子设备来执行,该电子设备可为PC(Personal Computer,个人计算机)电脑、平板电脑或掌上电脑等,此处不做任何限定。
在本申请实施例中,电子设备中可以设置有处理组件、存储组件和驱动组件。可选的,该驱动组件和处理组件可以集成设置,该存储组件可以存储操作系统、应用程序或其他程序模块,该处理组件通过执行存储组件中存储的应用程序来实现本申请实施例提供的模型的训练方法。
图1为本申请实施例提供的一种模型的训练方法的流程示意图。
本申请实施例的模型的训练方法,还可由本申请实施例提供的模型的训练装置执行,该装置可配置于电子设备中,以实现对获取到的样本文本进行实体识别以生成多个实体,并对多个实体之中第一数量的实体进行掩码,以及对多个实体之中第二数量的实体进行乱序,以生成增强样本,然后根据增强样本对模型进行训练,从而能够在构造增强样本中几乎不会引入额外的消耗,同时增强模型的鲁棒性。
作为一种可能的情况,本申请实施例的模型的训练方法还可以在服务器端执行,服务器可以为云服务器,可以在云端执行该模型的训练方法。
如图1所示,该模型的训练方法,可包括:
步骤101,获取样本文本。应说明的是,该实施例中所描述的样本文本可以是中文文本,比如,一个句子、一个段落或者一个篇章,比如,新闻稿件等,且样本文本可有多个。
在本申请实施例中,获取样本文本的途径有多条,其中,可获取相关人员通过语音识别输入的文本信息以及用户通过输入法输入至输入法系统的输入内容,输入法系统可以根据用户当前的输入方式,将输入内容转换为所输入文字的字词候选项,提供用户进行选择,用户可以通过多种输入手段进行文本信息的输入,例如键盘,触摸板,鼠标等,同时用户也可以选择任意的输入方式进行文本信息的输入,如拼音,五笔,笔画,手写,英文、小语种键盘等,此处不做任何限定。
作为一种可能的情况,上述样本文本还可通过复制粘贴获取,或者可通过一些软件收集视频、书籍、音频等中的一些语录并将其生成样本文本。
步骤102,对样本文本进行实体识别以生成多个实体。
需要说明的是,该实施例中所描述的实体可为样本文本中的词语、成语、谚语、诗句、连接词等,经常出现在一起的文字,例如,并不一定、春暖花开、十字路口、锄禾日当午等。
进一步地,假设,样本文本中的内容为“研究表明,汉字顺序并不一定影响阅读”,则可从该样本文本中识别出“汉字、顺序、并不一定、影响阅读”等实体。
在本申请实施例中,可通过实体识别模型对样本文本进行实体识别以生成多个实体。
具体地,电子设备在获取到样本文本之后,可将该样本文本输入至实体识别模型,从而通过该实体识别模型对该样本文本进行实体识别,以输出多个实体。
需要说明的是,该实施例中所描述的实体识别模型可以是提前训练好的,并将其预存在电子设备的存储空间中,以方便调取应用,该存储空间不仅限于基于实体的存储空间,例如,硬盘,上述存储空间还可以是连接实体识别模型的网络硬盘的存储空间(云存储空间)。
其中,该实体识别模型的训练与生成可由相关的服务器进行,该服务器可以是云端服务器,也可以是一台电脑的主机,该服务器与可执行申请实施例提供的模型的训练方法的电子设备之间,建立有通信连接,该通信连接可以是无线网络连接和有线网络连接的至少一种。服务器可将训练完成的实体识别模型发送给电子设备,以便电子设备在需要时调用,从而大大减少电子设备的计算压力。
在本申请的其它实施例中,还可基于预设的实体识别算法对样本文本进行实体识别以生成多个实体,其中,预设的实体识别算法可根据实际情况进行标定。
步骤103,对多个实体之中第一数量的实体进行掩码,并对多个实体之中第二数量的实体进行乱序,以生成增强样本。其中,第一数量和第二数量均可根据实际情况进行标定。
在本申请实施例中,上述的乱序可以是指简单地调换中文中部分实体中字的位置顺序。
需要说明的是,人的眼球一次可以获取2~3个汉字,由于非注意视盲原理,人在某些特定任务的指导下会忽略一些对象或者物体的变化,例如:“研表究明,汉字序顺并不定一影阅响读”。当你阅读上述句子时,虽然句子中部分词汇的字是乱序的,但并不会影响你对上述句子的语义理解。也即,通过简单地调换中文中部分实体中字的位置顺序,即可产生带有一定噪声的文本,且不影响文本所要表达的语义。
具体地,电子设备在获取到上述多个实体之后,可对多个实体之中第一数量的实体进行掩码,并对多个实体之中第二数量的实体进行乱序,以生成增强样本。例如,参见图2,原始文本(即,样本文本)为“研究表明,汉字序顺并不一定影响阅读”,在对该原始文本中的多个实体之中第一数量的实体进行掩码后变为“研究表明,[Mask][Mask]序顺并不一定影响阅读”,而后在掩码后的文本的基础上对上述多个实体之中第二数量的实体进行乱序后变为“研究表明,[Mask][Mask]序顺并不定一影响阅读”。
步骤104,根据增强样本对模型进行训练。其中,模型可为可预训练模型。
在本申请实施例中,还可根据样本文本和增强样本对预训练模型进行训练,从而增加训练样本的多样性,以增强预训练模型的鲁棒性。
在本申请实施例中,首先获取样本文本,并对样本文本进行实体识别以生成多个实体,然后对多个实体之中第一数量的实体进行掩码,并对多个实体之中第二数量的实体进行乱序,以生成增强样本,最后根据增强样本对模型进行训练。由此,能够在构造增强样本中几乎不会引入额外的消耗,同时增强模型的鲁棒性。
为了清楚说明上一实施例,在本申请的一个实施例中,如图3所示,对多个实体之中第一数量的实体进行掩码,可包括:
步骤301,从多个实体之中随机选择第一数量的实体。
具体地,电子设备在获取到上述多个实体之后,可从多个实体之中随机选择第一数量的实体,例如,样本文本为“研究表明,汉字顺序并不一定影响阅读”,则随机选择的第一数量的实体可为“汉字、并不一定等”。
步骤302,对第一数量的实体进行掩码,或者,对第一数量的实体之中的字进行掩码。
具体地,电子设备在从多个实体之中随机选择第一数量的实体之后,可对第一数量的实体进行掩码,例如,样本文本为“研究表明,汉字顺序并不一定影响阅读”,随机选择的第一数量的实体可“汉字”,则可对“汉字”进行掩码,掩码后的文本为“研表究明,[Mask][Mask]序顺并不一定影响阅读”。或者,对第一数量的实体之中的字进行掩码,例如,样本文本为“研究表明,汉字顺序并不一定影响阅读”,随机选择的第一数量的实体可“汉字”,则可对“字”进行掩码,掩码后的文本为“研究表明,汉[Mask]序顺并不一定影响阅读”。由此,可增加训练样本的多样性,并且在构造增强样本中几乎不会引入额外的消耗。
作为一种可能的情况,在获取样本文本后,还可随机选择样本文本中一定数量的字进行掩码。
进一步地,在本申请的一个实施例中,如图4所示,对多个实体之中第二数量的实体进行乱序,可包括:
步骤401,从多个实体之中选择非重复实体,其中,非重复实体与第一数量的实体不同,例如,样本文本为“研究表明,汉字顺序并不一定影响阅读”,如果第一数量的实体为“汉字”,则非重复实体中不可包括“汉字”,即掩码未使用过的实体。
步骤402,从非重复实体之中随机选择第二数量的实体,并对第二数量的实体之中的字进行乱序。
具体地,电子设备在对第一数量的实体进行掩码之后,可再从多个实体之中选择第一数量的实体不同的实体,并从该实体中随机选择第二数量的实体,以及对第二数量的实体之中的字进行乱序。例如,掩码后的文本为“研究表明,[Mask][Mask]序顺并不一定影响阅读”,则选择的第二数量的实体可为“并不一定”和“影阅响读”,并将“并不一定”和“影阅响读”中的字进行乱序,乱序后的文本为“研究表明,[Mask][Mask]序顺并不定一影阅响读”。由此,同一个句子,在训练过程中,由于部分实体的顺序打乱,会产生多个不同的训练文本(即,样本文本),从而增加了训练样本的多样性,进而增强了模型的鲁棒性,并且未引入额外的预训练任务,不增加模型预训练成本。
在本申请的一个实施例中,上述第二数量小于第一数量。
需要说明的是,一个样本文本的长度有限,掩码和乱序整体破坏的字或者实体数量是有上限(例如,15%的实体词汇)的,首先需要保证掩码的字或者实体的数量(业内有固定的标准),然后才能进行乱序,所以,乱序的比例需要小一些,从而不会过多的破坏样本文本原有的语义和语境,有利于对模型的训练。
图5为本申请实施例提供的一种模型的训练装置的结构示意图。
本申请实施例的模型的训练装置,可配置于电子设备中,以实现对获取到的样本文本进行实体识别以生成多个实体,并对多个实体之中第一数量的实体进行掩码,以及对多个实体之中第二数量的实体进行乱序,以生成增强样本,然后根据增强样本对模型进行训练,从而能够在构造增强样本中几乎不会引入额外的消耗,同时增强模型的鲁棒性。
如图4所示,该模型的训练装置500,可包括:获取模块510、第一生成模块520、第二生成模块530和训练模块540。
其中,获取模块510用于获取样本文本。应说明的是,该实施例中所描述的样本文本可以是中文文本,比如,一个句子、一个段落或者一个篇章,比如,新闻稿件等,且样本文本可有多个。
在本申请实施例中,获取模块510获取样本文本的途径有多条,其中,可获取相关人员通过语音识别输入的文本信息以及用户通过输入法输入至输入法系统的输入内容,输入法系统可以根据用户当前的输入方式,将输入内容转换为所输入文字的字词候选项,提供用户进行选择,用户可以通过多种输入手段进行文本信息的输入,例如键盘,触摸板,鼠标等,同时用户也可以选择任意的输入方式进行文本信息的输入,如拼音,五笔,笔画,手写,英文、小语种键盘等,此处不做任何限定。
作为一种可能的情况,上述样本文本获取模块510还可通过复制粘贴获取,或者可通过一些软件收集视频、书籍、音频等中的一些语录并将其生成样本文本。
第一生成模块520用于对样本文本进行实体识别以生成多个实体。
需要说明的是,该实施例中所描述的实体可为样本文本中的词语、成语、谚语、诗句、连接词等,经常出现在一起的文字,例如,并不一定、春暖花开、十字路口、锄禾日当午等。
进一步地,假设,样本文本中的内容为“研究表明,汉字顺序并不一定影响阅读”,则第一生成模块520可从该样本文本中识别出“汉字、顺序、并不一定、影响阅读”等实体。
在本申请实施例中,第一生成模块520可通过实体识别模型对样本文本进行实体识别以生成多个实体。
具体地,在获取模块510获取到样本文本之后,第一生成模块520可将该样本文本输入至实体识别模型,从而通过该实体识别模型对该样本文本进行实体识别,以输出多个实体。
需要说明的是,该实施例中所描述的实体识别模型可以是提前训练好的,并将其预存在电子设备的存储空间中,以方便第一生成模块520调取应用,该存储空间不仅限于基于实体的存储空间,例如,硬盘,上述存储空间还可以是连接实体识别模型的网络硬盘的存储空间(云存储空间)。
其中,该实体识别模型的训练与生成可由相关的服务器进行,该服务器可以是云端服务器,也可以是一台电脑的主机,该服务器与可执行申请实施例提供的模型的训练方法的电子设备之间,建立有通信连接,该通信连接可以是无线网络连接和有线网络连接的至少一种。服务器可将训练完成的实体识别模型发送给电子设备,以便电子设备在需要时调用,从而大大减少电子设备的计算压力。
在本申请的其它实施例中,第一生成模块520还可基于预设的实体识别算法对样本文本进行实体识别以生成多个实体,其中,预设的实体识别算法可根据实际情况进行标定。
第二生成模块530用于对多个实体之中第一数量的实体进行掩码,并对多个实体之中第二数量的实体进行乱序,以生成增强样本。其中,第一数量和第二数量均可根据实际情况进行标定。
在本申请实施例中,上述的乱序可以是指简单地调换中文中部分实体中字的位置顺序。
需要说明的是,人的眼球一次可以获取2~3个汉字,由于非注意视盲原理,人在某些特定任务的指导下会忽略一些对象或者物体的变化,例如:“研表究明,汉字序顺并不定一影阅响读”。当你阅读上述句子时,虽然句子中部分词汇的字是乱序的,但并不会影响你对上述句子的语义理解。也即,通过简单地调换中文中部分实体中字的位置顺序,即可产生带有一定噪声的文本,且不影响文本所要表达的语义。
具体地,在第一生成模块520获取到上述多个实体之后,第二生成模块530可对多个实体之中第一数量的实体进行掩码,并对多个实体之中第二数量的实体进行乱序,以生成增强样本。例如,参见图2,原始文本(即,样本文本)为“研究表明,汉字序顺并不一定影响阅读”,在对该原始文本中的多个实体之中第一数量的实体进行掩码后变为“研究表明,[Mask][Mask]序顺并不一定影响阅读”,而后在掩码后的文本的基础上对上述多个实体之中第二数量的实体进行乱序后变为“研究表明,[Mask][Mask]序顺并不定一影响阅读”。
训练模块540用于根据增强样本对模型进行训练。
在本申请实施例中,训练模块540还可根据样本文本和增强样本对模型进行训练,从而增加训练样本的多样性,以增强模型的鲁棒性。
在本申请实施例中,首先通过获取模块获取样本文本,并通过第一生成模块对样本文本进行实体识别以生成多个实体,然后通过第二生成模块对多个实体之中第一数量的实体进行掩码,并对多个实体之中第二数量的实体进行乱序,以生成增强样本,最后通过训练模块根据增强样本对模型进行训练。由此,能够在构造增强样本中几乎不会引入额外的消耗,同时增强模型的鲁棒性。
在本申请的一个实施例中,第二生成模块530具体可用于从多个实体之中随机选择第一数量的实体,并对第一数量的实体进行掩码,或者,对第一数量的实体之中的字进行掩码。
在本申请的一个实施例中,第二生成模块530可具体用于从多个实体之中选择非重复实体,其中,非重复实体与第一数量的实体不同,并从非重复实体之中随机选择第二数量的实体,并对第二数量的实体之中的字进行乱序。
在本申请的一个实施例中,第二数量可小于第一数量。
在本申请的一个实施例中,模型可为预训练模型。
需要说明的是,前述对模型的训练方法实施例的解释说明也适用于该实施例的模型的训练装置,此处不再赘述。
本申请实施例的模型的训练装置,首先通过获取模块获取样本文本,并通过第一生成模块对样本文本进行实体识别以生成多个实体,然后通过第二生成模块对多个实体之中第一数量的实体进行掩码,并对多个实体之中第二数量的实体进行乱序,以生成增强样本,最后通过训练模块根据增强样本对模型进行训练。由此,能够在构造增强样本中几乎不会引入额外的消耗,同时增强模型的鲁棒性。
根据本申请的实施例,本申请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示出了可以用来实施本申请的实施例的示例电子设备600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606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606,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,例如模型的训练方法。例如,在一些实施例中,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606。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。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 (13)
1.一种模型的训练方法,包括:
获取样本文本;
对所述样本文本进行实体识别以生成多个实体;
对所述多个实体之中第一数量的实体进行掩码,并对所述多个实体之中第二数量的实体进行乱序,以生成增强样本;以及
根据所述增强样本对所述模型进行训练。
2.如权利要求1所述的模型的训练方法,其中,所述对所述多个实体之中第一数量的实体进行掩码,包括:
从所述多个实体之中随机选择所述第一数量的实体;
对所述第一数量的实体进行掩码,或者,对所述第一数量的实体之中的字进行掩码。
3.如权利要求1所述的模型的训练方法,其中,所述对所述多个实体之中第二数量的实体进行乱序,包括:
从所述多个实体之中选择非重复实体,其中,所述非重复实体与所述第一数量的实体不同;
从所述非重复实体之中随机选择所述第二数量的实体,并对所述第二数量的实体之中的字进行乱序。
4.如权利要求1所述的模型的训练方法,其中,所述第二数量小于所述第一数量。
5.如权利要求1所述的模型的训练方法,其中,所述模型为预训练模型。
6.一种模型的训练装置,包括:
获取模块,用于获取样本文本;
第一生成模块,用于对所述样本文本进行实体识别以生成多个实体;
第二生成模块,用于对所述多个实体之中第一数量的实体进行掩码,并对所述多个实体之中第二数量的实体进行乱序,以生成增强样本;以及
训练模块,用于根据所述增强样本对所述模型进行训练。
7.如权利要求6所述的模型的训练装置,其中,所述第二生成模块,具体用于:
从所述多个实体之中随机选择所述第一数量的实体;
对所述第一数量的实体进行掩码,或者,对所述第一数量的实体之中的字进行掩码。
8.如权利要求6所述的模型的训练装置,其中,所述第二生成模块,具体用于:
从所述多个实体之中选择非重复实体,其中,所述非重复实体与所述第一数量的实体不同;
从所述非重复实体之中随机选择所述第二数量的实体,并对所述第二数量的实体之中的字进行乱序。
9.如权利要求6所述的模型的训练装置,其中,所述第二数量小于所述第一数量。
10.如权利要求6所述的模型的训练装置,其中,所述模型为预训练模型。
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中任一项所述的模型的训练方法。
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中任一项所述的模型的训练方法。
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中任一项所述的模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011506456.7A CN112580339B (zh) | 2020-12-18 | 2020-12-18 | 模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011506456.7A CN112580339B (zh) | 2020-12-18 | 2020-12-18 | 模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580339A true CN112580339A (zh) | 2021-03-30 |
CN112580339B CN112580339B (zh) | 2022-04-05 |
Family
ID=75136265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011506456.7A Active CN112580339B (zh) | 2020-12-18 | 2020-12-18 | 模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580339B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343674A (zh) * | 2021-07-09 | 2021-09-03 | 北京海泰方圆科技股份有限公司 | 生成文本纠错模型训练语料的方法、装置、设备及介质 |
CN114972910A (zh) * | 2022-05-20 | 2022-08-30 | 北京百度网讯科技有限公司 | 图文识别模型的训练方法、装置、电子设备及存储介质 |
CN115909354A (zh) * | 2022-11-11 | 2023-04-04 | 北京百度网讯科技有限公司 | 文本生成模型的训练方法、文本获取方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104583939A (zh) * | 2012-06-15 | 2015-04-29 | 索夫特机械公司 | 用于过滤存储以防止所有存储都必须针对高速缓存的所有字进行嗅探检查的方法和系统 |
CN109460551A (zh) * | 2018-10-29 | 2019-03-12 | 北京知道创宇信息技术有限公司 | 签名信息提取方法及装置 |
CN110598442A (zh) * | 2019-09-11 | 2019-12-20 | 国网浙江省电力有限公司信息通信分公司 | 一种敏感数据自适应的脱敏方法、系统 |
CA3124400A1 (en) * | 2018-12-21 | 2020-06-25 | Nova Scotia Health Authority | Systems and methods for generating cancer prediction maps from multiparametric magnetic resonance images using deep learning |
CN111553143A (zh) * | 2020-04-30 | 2020-08-18 | 河北省讯飞人工智能研究院 | 文本纠错方法、相关设备及可读存储介质 |
CN111611790A (zh) * | 2020-04-13 | 2020-09-01 | 华为技术有限公司 | 数据处理的方法与装置 |
CN111626063A (zh) * | 2020-07-28 | 2020-09-04 | 浙江大学 | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 |
CN111950291A (zh) * | 2020-06-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 语义表示模型的生成方法、装置、电子设备及存储介质 |
CN111950293A (zh) * | 2020-06-24 | 2020-11-17 | 北京百度网讯科技有限公司 | 语义表示模型的生成方法、装置、电子设备及存储介质 |
CN112016319A (zh) * | 2020-09-08 | 2020-12-01 | 平安科技(深圳)有限公司 | 预训练模型获取、疾病实体标注方法、装置及存储介质 |
-
2020
- 2020-12-18 CN CN202011506456.7A patent/CN112580339B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104583939A (zh) * | 2012-06-15 | 2015-04-29 | 索夫特机械公司 | 用于过滤存储以防止所有存储都必须针对高速缓存的所有字进行嗅探检查的方法和系统 |
CN109460551A (zh) * | 2018-10-29 | 2019-03-12 | 北京知道创宇信息技术有限公司 | 签名信息提取方法及装置 |
CA3124400A1 (en) * | 2018-12-21 | 2020-06-25 | Nova Scotia Health Authority | Systems and methods for generating cancer prediction maps from multiparametric magnetic resonance images using deep learning |
CN110598442A (zh) * | 2019-09-11 | 2019-12-20 | 国网浙江省电力有限公司信息通信分公司 | 一种敏感数据自适应的脱敏方法、系统 |
CN111611790A (zh) * | 2020-04-13 | 2020-09-01 | 华为技术有限公司 | 数据处理的方法与装置 |
CN111553143A (zh) * | 2020-04-30 | 2020-08-18 | 河北省讯飞人工智能研究院 | 文本纠错方法、相关设备及可读存储介质 |
CN111950291A (zh) * | 2020-06-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 语义表示模型的生成方法、装置、电子设备及存储介质 |
CN111950293A (zh) * | 2020-06-24 | 2020-11-17 | 北京百度网讯科技有限公司 | 语义表示模型的生成方法、装置、电子设备及存储介质 |
CN111626063A (zh) * | 2020-07-28 | 2020-09-04 | 浙江大学 | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 |
CN112016319A (zh) * | 2020-09-08 | 2020-12-01 | 平安科技(深圳)有限公司 | 预训练模型获取、疾病实体标注方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
姜久兴等: "低面积复杂度AES低熵掩码方案的研究", 《通信学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343674A (zh) * | 2021-07-09 | 2021-09-03 | 北京海泰方圆科技股份有限公司 | 生成文本纠错模型训练语料的方法、装置、设备及介质 |
CN113343674B (zh) * | 2021-07-09 | 2022-04-01 | 北京海泰方圆科技股份有限公司 | 生成文本纠错模型训练语料的方法、装置、设备及介质 |
CN114972910A (zh) * | 2022-05-20 | 2022-08-30 | 北京百度网讯科技有限公司 | 图文识别模型的训练方法、装置、电子设备及存储介质 |
CN115909354A (zh) * | 2022-11-11 | 2023-04-04 | 北京百度网讯科技有限公司 | 文本生成模型的训练方法、文本获取方法及装置 |
CN115909354B (zh) * | 2022-11-11 | 2023-11-10 | 北京百度网讯科技有限公司 | 文本生成模型的训练方法、文本获取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112580339B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220350965A1 (en) | Method for generating pre-trained language model, electronic device and storage medium | |
CN112580339B (zh) | 模型的训练方法、装置、电子设备及存储介质 | |
CN112507706B (zh) | 知识预训练模型的训练方法、装置和电子设备 | |
CN112528677B (zh) | 一种语义向量提取模型的训练方法、装置及电子设备 | |
CN114416943B (zh) | 对话模型的训练方法、装置、电子设备及存储介质 | |
CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN112560846B (zh) | 纠错语料的生成方法、装置及电子设备 | |
US20220139386A1 (en) | System and method for chinese punctuation restoration using sub-character information | |
CN110347802A (zh) | 一种文本分析方法及装置 | |
CN114912450B (zh) | 信息生成方法与装置、训练方法、电子设备和存储介质 | |
CN113360001A (zh) | 输入文本的处理方法、装置、电子设备和存储介质 | |
CN114417878B (zh) | 语义识别方法、装置、电子设备及存储介质 | |
CN113743101A (zh) | 文本纠错方法、装置、电子设备和计算机存储介质 | |
CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
CN112784599B (zh) | 诗句的生成方法、装置、电子设备和存储介质 | |
CN115858776A (zh) | 一种变体文本分类识别方法、系统、存储介质和电子设备 | |
CN115357710A (zh) | 表格描述文本生成模型的训练方法、装置及电子设备 | |
CN114758649A (zh) | 一种语音识别方法、装置、设备和介质 | |
CN114676699A (zh) | 实体情感分析方法、装置、计算机设备和存储介质 | |
CN113221566A (zh) | 实体关系抽取方法、装置、电子设备和存储介质 | |
CN114239583A (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN113033179A (zh) | 知识获取方法、装置、电子设备及可读存储介质 |
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 |