CN113033194A - 语义表示图模型的训练方法、装置、设备和存储介质 - Google Patents
语义表示图模型的训练方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113033194A CN113033194A CN202110256133.5A CN202110256133A CN113033194A CN 113033194 A CN113033194 A CN 113033194A CN 202110256133 A CN202110256133 A CN 202110256133A CN 113033194 A CN113033194 A CN 113033194A
- Authority
- CN
- China
- Prior art keywords
- graph
- semantic representation
- sample
- node
- heterogeneous
- 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 48
- 238000012549 training Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 124
- 230000006870 function Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 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
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- 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)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种语义表示图模型的训练方法、装置、设备和存储介质，涉及计算机技术领域，具体涉及智能搜索、深度学习等技术领域。语义表示图模型的训练方法包括：获取多种类型的搜索样本中各个类型的搜索样本对应的异质图，所述异质图包括中心节点和邻居节点，所述中心节点和所述邻居节点的类型不同；采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量；基于所述各个类型的样本向量，构建总损失函数，并采用所述总损失函数训练所述语义表示图模型。本公开可以提高语义表示图模型的效果。
Description
技术领域
本公开涉及计算机技术领域，具体涉及智能搜索、深度学习等技术领域，尤其涉及一种语义表示图模型的训练方法、装置、设备和存储介质。
背景技术
智能搜索时，用户提交搜索词(query)，搜索引擎将搜索词与预存的关键词进行匹配，获取与搜索词匹配的关键词，再将匹配的关键词对应的搜索结果展示在搜索结果页面上。
搜索词与关键词匹配时，会获取搜索词对应的搜索词向量，以及关键词对应的关键词向量，再进行向量检索，以实现搜索词与关键词的匹配。
相关技术中，搜索词向量和关键词向量可以采用游走型算法或者同质图模型得到。
发明内容
本公开提供了一种语义表示模型的训练方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种语义表示图模型的训练方法，包括：获取多种类型的搜索样本中各个类型的搜索样本对应的异质图，所述异质图包括中心节点和邻居节点，所述中心节点和所述邻居节点的类型不同；采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量；基于所述各个类型的样本向量，构建总损失函数，并采用所述总损失函数训练所述语义表示图模型。
根据本公开的另一方面，提供了一种语义表示图模型的训练装置，包括：获取模块，用于获取多种类型的搜索样本中各个类型的搜索样本对应的异质图，所述异质图包括中心节点和邻居节点，所述中心节点和所述邻居节点的类型不同；处理模块，用于采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量；训练模块，用于基于所述各个类型的样本向量，构建总损失函数，并采用所述总损失函数训练所述语义表示图模型。
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如上述任一方面的任一项所述的方法。
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，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
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，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以提高语义表示图模型的效果。
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是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是根据本公开第七实施例的示意图；
图8是根据本公开第八实施例的示意图；
图9是根据本公开第九实施例的示意图；
图10是根据本公开第十实施例的示意图；
图11是根据本公开第十一实施例的示意图；
图12是根据本公开第十二实施例的示意图；
图13是用来实现本公开实施例的语义表示图模型的训练方法中任一方法的电子设备的示意图。
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。
以智能搜索为商业搜索(sponsored search)为例，用户向商业搜索引擎中输入搜索词(query)，广告主向商业搜索引擎提供关键词和广告，关键词还可以称为拍卖词(bidword)，在搜索词与拍卖词匹配时，将匹配的拍卖词对应的广告展示在搜索结果页上。展示的广告包括广告标题(title)，广告标题比如为包含超链接的文本。
相关技术中，可以采用游走型算法，如deepwalk，或者，采用同质图模型，如graphsage(graph sample and aggregate)，得到搜索词向量和拍卖词向量(或称为关键词向量)，以进行搜索词与拍卖词的匹配。
但是，游走型算法和同质图模型都存在一定的问题，影响向量表示能力，即向量(搜索词向量和拍卖词向量)不够准确，进而影响搜索的准确率、召回率、点击率等。
为了更好地表示数据，可以将数据表示为图(Graph)的形式，图包括节点和边，不同的节点对应不同的数据，在同质图中，各个节点是同类型的节点，在异质图中，不同节点的类型不同。
节点的类型与该节点对应的数据的类型相同，比如，关键词对应的节点可以称为关键词节点，类型为关键词，搜索词对应的节点可以称为搜索词节点，类型为搜索词，广告标题对应的节点可以称为标题节点，类型为标题。
语义表示图模型是指基于图，确定该图中节点的节点向量的模型。本公开实施例中，语义表示图模型是基于异质图，确定该异质图的中心节点的节点向量。本公开实施例中，语义表示图模型为一种图神经网络(Graph Neural Network，GNN)，图神经网络是一种处理图域信息的深度学习网络。
图1是根据本公开第一实施例的示意图，本实施例提供一种语义表示图模型的训练方法，该方法包括：
101、获取多种类型的搜索样本中各个类型的搜索样本对应的异质图，所述异质图包括中心节点和邻居节点，所述中心节点和所述邻居节点的类型不同。
102、采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量。
103、基于所述各个类型的样本向量，构建损失函数，并采用所述损失函数训练所述语义表示图模型。
本实施例的执行主体可以为单侧设备，单侧设备可以为一个或多个，多个是指至少两个，单侧设备比如为终端、或者，服务器等计算设备，终端和/或服务器可以为单个设备或者集群设备。
商业搜索时，基于图模型的处理方式下，如图2所示，用户向搜索引擎输入搜索词(query)；搜索引擎获取搜索词对应的图，该图可以为已有的图或者新建的图，与相关技术不同的是，图是异质图，相关技术中一般是同质图；搜索引擎采用语义表示图模型201，对搜索词对应的异质图进行处理，得到搜索词向量；进一步地，搜索词对应的异质图可以为两个，分别用
和
表示，这两个异质图可以采用相同的语义表示图模型进行处理，以分别得到两个节点向量，分别表示为qb和qt；再对两个节点向量进行聚合后得到搜索词向量，聚合比如为拼接或相加；搜索引擎采用向量检索模块202，在预先获取的多个关键词(bidword)向量中找到与搜索词向量相似的关键词向量，比如，将搜索词向量作为关键字(key)，采用K近邻的常用方法，比如层级导航小世界(Hierarchical Navigable SmallWorld，HNSW)来获取K近邻，即获取K个关键词，其中，K是正整数，可以根据实际需求配置；搜索引擎再采用匹配模块203，基于预先确定的匹配模式和K个关键词，获取与搜索词匹配的广告，再将匹配的广告展示在搜索结果页中。
样本是指已有数据，具体地，本公开实施例涉及搜索场景，因此，样本是指搜索样本。多种类型的搜索样本可以包括：搜索词(query)、关键词和搜索结果，进一步地，在商业搜索领域，关键词还可以称为拍卖词(bidword)，搜索结果是指广告标题(title)，因此，一组搜索样本可以表示为<搜索词样本，关键词样本，广告标题样本>。
异质图是指包括多种类型的节点的图，多种类型为至少两种，本公开实施例中，以异质图包括两种类型的节点为例。
异质图中，可以选择一个节点作为中心节点，与中心节点存在连接关系的节点(即两个节点之间存在边)称为邻居节点，中心节点的类型与邻居节点的类型不同。
获取各个类型的搜索样本对应的异质图时，可以分别将各个类型的搜索样本作为当前样本，获取当前样本对应的异质图。当前样本对应的异质图是指，以当前样本对应的节点作为中心节点的异质图。比如，当前样本为搜索词样本，搜索词样本对应的节点称为搜索词节点，则搜索词样本对应的异质图是指，将搜索词节点作为中心节点的异质图。
将图输入到图模型中，图模型可以输出该图中各个节点的节点向量。具体地，本公开实施例中，对应当前样本，获取该当前样本的异质图后，可以将该异质图输入到语义表示图模型中，该语义表示图模型可以输出该当前样本对应的样本向量。比如，参见图3，当前样本为搜索词样本，对应的异质图可以用Gq表示，经过语义表示图模型301的处理后，输出搜索词向量vecq；类似地，当前样本为关键词样本，对应的异质图可以用Gb表示，则可以得到关键词向量vecb，当前样本为广告标题，对应的异质图可以用Gt表示，则可以得到标题向量vect。
如图3所示，获取到搜索词向量vecq、关键词向量vecb和标题向量vect后，可以基于这三种向量，经过总损失函数计算302，构建总损失函数Losstotal，再利用总损失函数Losstotal训练语义表示图模型。
本实施例中，通过基于异质图的处理，可以聚合多种类型的样本信息，提高语义表示图模型的效果，进而提高搜索时的向量表示能力，提高准确率、召回率、点击率等。
一些实施例中，各个类型的搜索样本对应的异质图为至少一个，相应地，采用语义表示图模型，对所述至少一个的异质图中的各个异质图进行处理，以得到各个异质图的中心节点的节点向量；对所述各个异质图的中心节点的节点向量进行聚合，以得到各个类型的样本向量。
本公开实施例中，对应各个类型的搜索样本，该搜索样本对应的异质图为两个。以搜索样本为搜索词样本为例，如图4所示，搜索词样本对应的异质图可以包括第一异质图
和第二异质图
采用语义表示图模型401对第一异质图
进行处理，以得到第一节点向量qb，采用所述语义表示图模型对第二异质图
进行处理，以得到第二节点向量qt，再对第一节点向量和第二节点向量进行向量聚合402，以得到搜索词向量vecq。其中，向量聚合可以是向量拼接运算，即vecq＝qb||qt；或者向量相加运算，即vecq＝qb+qt。关键词向量和标题向量的计算过程类似，在此不再详述。
本实施例中，通过对各个异质图的中心节点的节点向量进行聚合，可以聚合各个异质图的信息，提高各个类型的样本向量的表示能力。
一些实施例中，所述语义表示图模型包括：第一文本语义表示模型和第二文本语义表示模型，在计算各个异质图的中心节点的节点向量时，可以将所述各个异质图分别作为当前异质图，对应当前异质图执行：采用所述第一文本语义表示模型，提取所述当前异质图的中心节点的中心节点特征；采用所述第二文本语义表示模型，提取所述当前异质图的邻居节点的邻居节点特征；对所述中心节点特征和所述邻居节点特征进行聚合，以得到所述当前异质图的中心节点的节点向量。
如图5所示，语义表示图模型包括第一文本语义表示模型和第二文本语义表示模型。其中，第一文本语义表示模型和第二文本语义表示模型可以为双向Transformer的Encoder(Bidirectional Encoder Representations from Transformers，BERT)模型、知识增强语义表示(Enhanced Representation from kNowledge IntEgration，ERNIE)模型等预训练模型，图5以ERNIE模型为例。两个ERNIE模型可以共享或者不共享参数。
对应中心节点，可以将中心节点对应的中心样本作为ERNIE模型的输入，将ERNIE模型的输出作为中心节点特征。具体地，输入时，还可以在中心样本的前后拼接标记符，如在中心样本的前面拼接[CLS]标记符，在中心样本的后面拼接[SEP]标记符。因此，对应中心节点的ERNIE模型的输入包括如下文本：[CLS]、中心样本的分词(token)、[SEP]，输出包括：C、中心节点表示、S，将C作为中心节点特征。
对应邻居节点，先将邻居节点对应的邻居样本与中心样本进行文本拼接，以得到拼接文本，再将拼接文本作为ERNIE模型的输入，输出作为邻居节点特征。类似地，也可以在拼接文本中添加标记符，比如，在拼接文本的前面添加[CLS]标记符，在邻居样本与中心样本之间以及中心样本之后添加[SEP]标记符。因此，对应邻居节点的ERNIE模型的输入包括如下文本：[CLS]、邻居样本的分词(token)、[SEP]、中心样本的分词、[SEP]，输出包括：C、邻居节点表示、S、中心节点表示、S，将C作为邻居节点特征。进一步地，当邻居节点为多个时，每个邻居节点都可以采用上述的同一流程进行处理。
针对图4中的第一异质图
中心样本是搜索词样本，邻居样本是关键词样本，针对图4中的第二异质图
中心样本是搜索词样本，邻居样本是广告标题样本。
本实施例中，基于文本语义表示模型提取节点特征，可以提高节点特征的表示能力。另外，对邻居样本和中心样本进行拼接后提取特征，可以高效聚合中心样本和邻居样本的信息，进一步提高节点特征的表示能力。
图6是根据本公开第六实施例的示意图，本实施例提供一种语义表示图模型的训练方法。本实施例以搜索样本包括：搜索词、关键词和广告标题为例。该方法包括：
601、对历史点击数据进行选择，以得到选择数据。
602、对所述选择数据进行扩展，以得到扩展数据。
603、基于所述选择数据和所述扩展数据，构建点击关系图。
比如，可以获取最近两个月的点击日志数据，作为历史点击数据。历史点击数据包括：搜索词、关键词、广告标题和匹配模式。匹配模式是由搜索引擎设计的，一般包括精确匹配，短语匹配和宽泛匹配。其中精确匹配是指query和bidword或者其同义变体字面完全一致，短语匹配是指bidword或者其同义变体作为短语包含在query中，宽泛匹配是指query和bidword语义相关。随着匹配模式从精确匹配到宽泛匹配的改变，广告主对流量的把控粒度会逐步降低，能够获取的流量也会越来越大，但是query和广告的相关程度也会逐渐有所下降。广告主在购买拍卖词时，可以选择该拍卖词对应的匹配模式。
在对历史点击数据进行选择时，可以采用如下过滤方式中的一种或多种，过滤掉部分数据，将剩下的数据作为选择数据。
第一种过滤方式：过滤多次曝光未点击、点击率低、低消费的数据。
第二种过滤方式：过滤搜索词与关键词的语义相关性低的数据，可以采用已有的相关性计算模型计算语义相关性。
第三种过滤方式：过滤搜索词与关键词的字面相关性低的数据，比如采用核心词校验方式，将bidword的核心词不包含在query的数据(bidword和query)过滤掉。
进一步地，还可以在上述三种过滤方式得到的过滤数据中选择部分数据作为强负例。在训练语义表示图模型时，先采用一般的负例进行训练，在损失函数接近收敛时，采用强负例进行训练，以提高模型效果。
为了扩大训练数据的数据量，可以对选择数据进行扩展。
如图7a所示，可以基于同义词表进行扩展，比如，第一搜索词q1对应的第一关键词b1和第二关键词b2，第二搜索词q2对应的第二关键词b2和第三关键词b3，在同义词表中第一搜索词q1与第二搜索词q2是同义词，则经过扩展，第一搜索词q1对应的第一关键词b1、第二关键词b2和第三关键词b3，第二搜索词q2对应的第一关键词b1、第二关键词b2和第三关键词b3。
如图7b所示，可以基于自然语言处理(Natural Language Processing，NLP)模型进行扩展。比如，采用NLP模型对搜索词进行处理，可以生成搜索词的同义词，该同义词用文本1、文本2和文本3表示。之后可以类似上述同义词表中找到同义词后的处理方式，进行扩展。
在得到选择数据和扩展数据后，可以构建点击关系图。
如图8所示，示出了一种点击关系图，点击关系图包括节点和边，边用于连接两个节点，本实施例中，点击关系图包括三种类型的节点，分别为搜索词节点、关键词节点和广告标题节点，分别对应搜索词、关键词和广告标题。
本实施例中，基于选择数据和扩展数据构建点击关系图，可以提高点击关系图的准确性和数据量。
604、对点击关系图进行拆分，以得到多个子图，所述点击关系图包括所有类型的样本对应的节点。
605、根据所述多个子图，获取多种类型的搜索样本中各个类型的搜索样本对应的异质图。
其中，子图的个数与点击关系图包括的节点的类型个数相同，本实施例中，点击关系图可以拆分为三个子图。
如图8所示，可以将点击关系图拆分为三个子图，分别用
表示，
的中心节点和邻居节点分别为搜索词节点和关键词节点；
的中心节点和邻居节点分别为搜索词节点和广告标题节点；
的中心节点和邻居节点分别为关键词节点和广告标题节点。
在得到三个子图后，可以依据样本的类型不同，获取对应的子图作为异质图。比如，当前样本为搜索词样本时，则获取与搜索词相关的子图作为搜索词样本对应的异质图，具体地，包括图8所示的子图
和子图
本实施例中，通过将点击关系图拆分为多个子图，可以获取各个类型的搜索样本对应的异质图。
606、采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量。
各个类型的样本向量的确定过程可以参见上述实施例的相关描述，在此不再详述。
本实施例中，各个类型的样本向量包括：搜索词向量、关键词向量和标题向量。
以搜索词样本为例，参见图9，计算搜索词向量时，搜索词样本对应的异质图可以包括多级，可以逐级计算各个节点的节点向量，直至得到中心节点的节点向量。
607、基于所述各个类型的样本向量，构建总损失函数，并采用所述总损失函数训练所述语义表示图模型。
总损失函数可以基于第一损失函数和第二损失函数构建，比如，对第一损失函数和第二损失函数进行加权相加，用公式表示为：
Losstotal＝Lossclick+γ*Lossmatch。
其中，Losstotal是总损失函数，Lossclick是第一损失函数，Lossmatch是第二损失函数，γ是可设置的加权值。
如图10所示，基于所述搜索词向量、所述关键词向量和所述广告标题向量，构建第一损失函数；基于所述搜索词向量、所述关键词向量和匹配模式，构建第二损失函数。
具体地，第一损失函数的计算公式为：
其中，n是样本数，i是样本索引，y是点击标签，y＝1表示存在点击关系，y＝0表示不存在点击关系，
是预估点击概率，W1是第一分类模型的模型参数矩阵，第一分类模型用于分类样本存在点击关系或不存在点击关系，T是矩阵转置操作，vecq,vecb,vect分别是搜索词向量、关键词向量和广告标题向量，||表示向量拼接。
第二损失函数的计算公式为：
其中，K是匹配模式的个数，yic＝1表示样本i属于匹配模式c，否则yic＝0；
表示样本i属于匹配模式c的预估概率，W2是第二分类模型的模型参数矩阵，第二分类模型用于分类样本属于的匹配模式，其余参数可以参见第一损失函数的参数说明。
本实施例中，通过基于第一损失函数和第二损失函数计算总损失函数，可以聚合点击损失和匹配损失，为语义表示图模型的训练提供更精准的监督信号，提高语义表示图模型的效果。
图11是本公开第十一实施例的示意图，本实施例提供一种语义表示图模型的训练装置，该装置1100包括：获取模块1101、处理模块1102和训练模块1103。
获取模块1101用于获取多种类型的搜索样本中各个类型的搜索样本对应的异质图，所述异质图包括中心节点和邻居节点，所述中心节点和所述邻居节点的类型不同；处理模块1102用于采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量；训练模块1103用于基于所述各个类型的样本向量，构建总损失函数，并采用所述总损失函数训练所述语义表示图模型。
一些实施例中，所述异质图包括至少一个，所述采用语义表示图模型，所述处理模块1102具体用于：采用语义表示图模型，对所述至少一个的异质图中的各个异质图进行处理，以得到各个异质图的中心节点的节点向量；对所述各个异质图的中心节点的节点向量进行聚合，以得到各个类型的样本向量。
一些实施例中，所述语义表示图模型包括：第一文本语义表示模型和第二文本语义表示模型，将所述各个异质图分别作为当前异质图，所述处理模块1102进一步具体用于：采用所述第一文本语义表示模型，提取所述当前异质图的中心节点的中心节点特征；采用所述第二文本语义表示模型，提取所述当前异质图的邻居节点的邻居节点特征；对所述中心节点特征和所述邻居节点特征进行聚合，以得到所述当前异质图的中心节点的节点向量。
一些实施例中，所述处理模块1102进一步具体用于：采用所述第一文本语义表示模型，提取中心样本的语义表示，将所述中心样本的语义表示作为所述当前异质图的中心节点的中心节点特征，所述中心样本为所述当前异质图的中心节点对应的样本。
一些实施例中，所述处理模块1102进一步具体用于：对邻居样本和中心样本进行拼接，以得到拼接文本，所述中心样本为所述当前异质图的中心节点对应的样本，所述邻居样本为所述邻居节点对应的样本；采用所述第二文本语义表示模型，提取所述拼接文本的语义表示，将所述拼接文本的语义表示作为所述邻居节点的邻居节点特征。
一些实施例中，所述各个类型的样本向量包括：搜索词向量、关键词向量和广告标题向量，所述训练模块1103具体用于：基于所述搜索词向量、所述关键词向量和所述广告标题向量，构建第一损失函数；基于所述搜索词向量、所述关键词向量和匹配模式，构建第二损失函数；基于所述第一损失函数和所述第二损失函数，构建总损失函数。
一些实施例中，所述获取模块1101具体用于：对点击关系图进行拆分，以得到多个子图，所述点击关系图包括所有类型的样本对应的节点；根据所述多个子图，获取多种类型的样本中各个类型的样本，对应的异质图。
一些实施例中，参见图12，该装置1200包括：获取模块1201、处理模块1202和训练模块1203，该装置1200还包括：选择模块1204、扩展模块1205和构建模块1206。选择模块1204用于对历史点击数据进行选择，以得到选择数据；扩展模块1205用于对所述选择数据进行扩展，以得到扩展数据；构建模块1206用于基于所述选择数据和所述扩展数据，构建所述点击关系图。
本公开实施例中，通过基于异质图的处理，可以聚合多种类型的样本信息，提高语义表示图模型的效果，进而提高搜索时的向量表示能力，提高准确率、召回率、点击率等。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
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13示出了可以用来实施本公开的实施例的示例电子设备1300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、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，个人数字助理、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/或者要求的本公开的实现。
如图13所示，电子设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储电子设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
电子设备1300中的多个部件连接至I/O接口1305，包括：输入单元606，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许电子设备1300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1301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1301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1301执行上文所描述的各个方法和处理，例如语义表示图模型的训练方法。例如，在一些实施例中，语义表示图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1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到电子设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的语义表示图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1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语义表示图模型的训练方法。
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。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 (19)
1.一种语义表示图模型的训练方法，包括：
获取多种类型的搜索样本中各个类型的搜索样本对应的异质图，所述异质图包括中心节点和邻居节点，所述中心节点和所述邻居节点的类型不同；
采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量；
基于所述各个类型的样本向量，构建总损失函数，并采用所述总损失函数训练所述语义表示图模型。
2.根据权利要求1所述的方法，其中，所述异质图包括至少一个，所述采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量，包括：
采用语义表示图模型，对所述至少一个的异质图中的各个异质图进行处理，以得到各个异质图的中心节点的节点向量；
对所述各个异质图的中心节点的节点向量进行聚合，以得到各个类型的样本向量。
3.根据权利要求2所述的方法，其中，所述语义表示图模型包括：第一文本语义表示模型和第二文本语义表示模型，将所述各个异质图分别作为当前异质图，所述采用语义表示图模型，对所述至少一个的异质图中的各个异质图进行处理，以得到各个异质图的中心节点的节点向量，包括：
采用所述第一文本语义表示模型，提取所述当前异质图的中心节点的中心节点特征；
采用所述第二文本语义表示模型，提取所述当前异质图的邻居节点的邻居节点特征；
对所述中心节点特征和所述邻居节点特征进行聚合，以得到所述当前异质图的中心节点的节点向量。
4.根据权利要求3所述的方法，其中，所述采用所述第一文本语义表示模型，提取所述当前异质图的中心节点的中心节点特征，包括：
采用所述第一文本语义表示模型，提取中心样本的语义表示，将所述中心样本的语义表示作为所述当前异质图的中心节点的中心节点特征，所述中心样本为所述当前异质图的中心节点对应的样本。
5.根据权利要求3所述的方法，其中，所述采用所述第二文本语义表示模型，提取所述当前异质图的邻居节点的邻居节点特征，包括：
对邻居样本和中心样本进行拼接，以得到拼接文本，所述中心样本为所述当前异质图的中心节点对应的样本，所述邻居样本为所述邻居节点对应的样本；
采用所述第二文本语义表示模型，提取所述拼接文本的语义表示，将所述拼接文本的语义表示作为所述邻居节点的邻居节点特征。
6.根据权利要求1-5任一项所述的方法，其中，所述获取多种类型的搜索样本中各个类型的搜索样本，对应的异质图，包括：
对点击关系图进行拆分，以得到多个子图，所述点击关系图包括所有类型的样本对应的节点；
根据所述多个子图，获取多种类型的搜索样本中各个类型的搜索样本，对应的异质图。
7.根据权利要求6所述的方法，其中，所述方法还包括：
对历史点击数据进行选择，以得到选择数据；
对所述选择数据进行扩展，以得到扩展数据；
基于所述选择数据和所述扩展数据，构建所述点击关系图。
8.根据权利要求1-5任一项所述的方法，其中，所述各个类型的样本向量包括：搜索词向量、关键词向量和广告标题向量，所述基于所述各个类型的样本向量，构建总损失函数，包括：
基于所述搜索词向量、所述关键词向量和所述广告标题向量，构建第一损失函数；
基于所述搜索词向量、所述关键词向量和匹配模式，构建第二损失函数；
基于所述第一损失函数和所述第二损失函数，构建总损失函数。
9.一种语义表示图模型的训练装置，包括：
获取模块，用于获取多种类型的搜索样本中各个类型的搜索样本对应的异质图，所述异质图包括中心节点和邻居节点，所述中心节点和所述邻居节点的类型不同；
处理模块，用于采用语义表示图模型，对所述异质图进行处理，以得到各个类型的样本向量；
训练模块，用于基于所述各个类型的样本向量，构建总损失函数，并采用所述总损失函数训练所述语义表示图模型。
10.根据权利要求9所述的装置，其中，所述异质图包括至少一个，所述采用语义表示图模型，所述处理模块具体用于：
采用语义表示图模型，对所述至少一个的异质图中的各个异质图进行处理，以得到各个异质图的中心节点的节点向量；
对所述各个异质图的中心节点的节点向量进行聚合，以得到各个类型的样本向量。
11.根据权利要求10所述的装置，其中，所述语义表示图模型包括：第一文本语义表示模型和第二文本语义表示模型，将所述各个异质图分别作为当前异质图，所述处理模块进一步具体用于：
采用所述第一文本语义表示模型，提取所述当前异质图的中心节点的中心节点特征；
采用所述第二文本语义表示模型，提取所述当前异质图的邻居节点的邻居节点特征；
对所述中心节点特征和所述邻居节点特征进行聚合，以得到所述当前异质图的中心节点的节点向量。
12.根据权利要求11所述的装置，其中，所述处理模块进一步具体用于：
采用所述第一文本语义表示模型，提取中心样本的语义表示，将所述中心样本的语义表示作为所述当前异质图的中心节点的中心节点特征，所述中心样本为所述当前异质图的中心节点对应的样本。
13.根据权利要求11所述的装置，其中，所述处理模块进一步具体用于：
对邻居样本和中心样本进行拼接，以得到拼接文本，所述中心样本为所述当前异质图的中心节点对应的样本，所述邻居样本为所述邻居节点对应的样本；
采用所述第二文本语义表示模型，提取所述拼接文本的语义表示，将所述拼接文本的语义表示作为所述邻居节点的邻居节点特征。
14.根据权利要求9-13任一项所述的装置，其中，所述获取模块具体用于：
对点击关系图进行拆分，以得到多个子图，所述点击关系图包括所有类型的样本对应的节点；
根据所述多个子图，获取多种类型的样本中各个类型的样本，对应的异质图。
15.根据权利要求14所述的装置，其中，所述装置还包括：
选择模块，用于对历史点击数据进行选择，以得到选择数据；
扩展模块，用于对所述选择数据进行扩展，以得到扩展数据；
构建模块，用于基于所述选择数据和所述扩展数据，构建所述点击关系图。
16.根据权利要求9-13任一项所述的装置，其中，所述各个类型的样本向量包括：搜索词向量、关键词向量和广告标题向量，所述训练模块具体用于：
基于所述搜索词向量、所述关键词向量和所述广告标题向量，构建第一损失函数；
基于所述搜索词向量、所述关键词向量和匹配模式，构建第二损失函数；
基于所述第一损失函数和所述第二损失函数，构建总损失函数。
17.一种电子设备，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1-9中任一项所述的方法。
18.一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1-9中任一项所述的方法。
19.一种计算机程序产品，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1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110256133.5A CN113033194B (zh) | 2021-03-09 | 2021-03-09 | 语义表示图模型的训练方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110256133.5A CN113033194B (zh) | 2021-03-09 | 2021-03-09 | 语义表示图模型的训练方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113033194A true CN113033194A (zh) | 2021-06-25 |
| CN113033194B CN113033194B (zh) | 2023-10-24 |
Family
ID=76467466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110256133.5A Active CN113033194B (zh) | 2021-03-09 | 2021-03-09 | 语义表示图模型的训练方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033194B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408299A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 语义表示模型的训练方法、装置、设备和存储介质 |
| CN113807102A (zh) * | 2021-08-20 | 2021-12-17 | 北京百度网讯科技有限公司 | 建立语义表示模型的方法、装置、设备和计算机存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180012251A1 (en) * | 2016-07-11 | 2018-01-11 | Baidu Usa Llc | Systems and methods for an attention-based framework for click through rate (ctr) estimation between query and bidwords |
| CN110046698A (zh) * | 2019-04-28 | 2019-07-23 | 北京邮电大学 | 异质图神经网络生成方法、装置、电子设备及存储介质 |
| WO2020147595A1 (zh) * | 2019-01-16 | 2020-07-23 | 阿里巴巴集团控股有限公司 | 获取实体间关系表达的方法、系统和设备、广告召回系统 |
| CN111461004A (zh) * | 2020-03-31 | 2020-07-28 | 北京邮电大学 | 基于图注意力神经网络的事件检测方法、装置和电子设备 |
| CN111914562A (zh) * | 2020-08-21 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 电子信息分析方法、装置、设备及可读存储介质 |
| CN111950254A (zh) * | 2020-09-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 搜索样本的词特征提取方法、装置、设备以及存储介质 |
| CN111967271A (zh) * | 2020-08-19 | 2020-11-20 | 北京大学 | 分析结果的生成方法、装置、设备及可读存储介质 |
| CN112035669A (zh) * | 2020-09-09 | 2020-12-04 | 中国科学技术大学 | 基于传播异质图建模的社交媒体多模态谣言检测方法 |
| CN112148776A (zh) * | 2020-09-29 | 2020-12-29 | 清华大学 | 基于引入语义信息的神经网络的学术关系预测方法和装置 |
-
2021
- 2021-03-09 CN CN202110256133.5A patent/CN113033194B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180012251A1 (en) * | 2016-07-11 | 2018-01-11 | Baidu Usa Llc | Systems and methods for an attention-based framework for click through rate (ctr) estimation between query and bidwords |
| WO2020147595A1 (zh) * | 2019-01-16 | 2020-07-23 | 阿里巴巴集团控股有限公司 | 获取实体间关系表达的方法、系统和设备、广告召回系统 |
| CN110046698A (zh) * | 2019-04-28 | 2019-07-23 | 北京邮电大学 | 异质图神经网络生成方法、装置、电子设备及存储介质 |
| CN111461004A (zh) * | 2020-03-31 | 2020-07-28 | 北京邮电大学 | 基于图注意力神经网络的事件检测方法、装置和电子设备 |
| CN111967271A (zh) * | 2020-08-19 | 2020-11-20 | 北京大学 | 分析结果的生成方法、装置、设备及可读存储介质 |
| CN111914562A (zh) * | 2020-08-21 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 电子信息分析方法、装置、设备及可读存储介质 |
| CN112035669A (zh) * | 2020-09-09 | 2020-12-04 | 中国科学技术大学 | 基于传播异质图建模的社交媒体多模态谣言检测方法 |
| CN111950254A (zh) * | 2020-09-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 搜索样本的词特征提取方法、装置、设备以及存储介质 |
| CN112148776A (zh) * | 2020-09-29 | 2020-12-29 | 清华大学 | 基于引入语义信息的神经网络的学术关系预测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 徐冰冰;岑科廷;黄俊杰;沈华伟;程学旗;: "图卷积神经网络综述", 计算机学报, no. 05 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408299A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 语义表示模型的训练方法、装置、设备和存储介质 |
| CN113408299B (zh) * | 2021-06-30 | 2022-03-25 | 北京百度网讯科技有限公司 | 语义表示模型的训练方法、装置、设备和存储介质 |
| CN113807102A (zh) * | 2021-08-20 | 2021-12-17 | 北京百度网讯科技有限公司 | 建立语义表示模型的方法、装置、设备和计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113033194B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112749344B (zh) | 信息推荐方法、装置、电子设备、存储介质及程序产品 | |
| CN112989235B (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
| JP7430820B2 (ja) | ソートモデルのトレーニング方法及び装置、電子機器、コンピュータ可読記憶媒体、コンピュータプログラム | |
| CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN113326420B (zh) | 问题检索方法、装置、电子设备和介质 | |
| CN112749300B (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
| CN113033194B (zh) | 语义表示图模型的训练方法、装置、设备和存储介质 | |
| CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
| CN115248890B (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
| CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
| CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
| CN112784600A (zh) | 信息排序方法、装置、电子设备和存储介质 | |
| CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
| CN114422584B (zh) | 资源的推送方法、设备和存储介质 | |
| CN112818167B (zh) | 实体检索方法、装置、电子设备及计算机可读存储介质 | |
| CN113011490B (zh) | 模型训练方法、装置及电子设备 | |
| CN113190698B (zh) | 配对图片集的生成方法、装置、电子设备和存储介质 | |
| CN115795023B (zh) | 文档推荐方法、装置、设备以及存储介质 | |
| CN114821603B (zh) | 票据识别方法、装置、电子设备以及存储介质 | |
| CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
| CN114461923B (zh) | 社群发现方法、装置、电子设备和存储介质 | |
| CN112926319B (zh) | 一种领域词汇的确定方法、装置、设备以及存储介质 | |
| CN112818221B (zh) | 实体的热度确定方法、装置、电子设备及存储介质 | |
| CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
| CN117435686A (zh) | 负例样本构建方法、商品搜索方法、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 | ||
| GR01 | Patent grant |