CN113051933A - 模型训练方法、文本语义相似度确定方法、装置和设备 - Google Patents

Abstract

本公开实施例公开了模型训练方法、文本语义相似度确定方法、装置和设备。所述方法包括：获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。利用该方法，通过至少两个领域的数据集对预先构建的相似度确定模型进行训练，提高了训练后相似度确定模型的通用性，有效的解决文本语义相似度确定时，相似度确定模型对数据分布敏感的技术问题，增强了相似度确定模型的鲁棒性。

Description

模型训练方法、文本语义相似度确定方法、装置和设备

技术领域

本公开实施例涉及计算机技术领域，尤其涉及模型训练方法、文本语义相似度确定方法、装置和设备。

背景技术

随着计算机技术的飞速发展，文本语义相似度的计算在许多领域有着广泛的应用。文本语义相似度计算又称文本匹配，目的是研究两段文本间的关系，如两段文本是否表达同一语义。

相关技术中，通常基于传统短文本相似度匹配模型计算文本语义相似度，在计算文本语义相似度时，对数据分布高度敏感，对测试数据中与训练数据分布差异较大的数据不能很好的判断。

发明内容

本公开实施例提供了模型训练方法、文本语义相似度确定方法、装置和设备，有效的解决文本语义相似度确定时，相似度确定模型对数据分布敏感的技术问题，增强了相似度确定模型的鲁棒性。

第一方面，本公开实施例提供了一种相似度确定模型的训练方法，包括：

获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；

使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

第二方面，本公开实施例还提供了一种文本语义相似度确定方法，包括：

获取待匹配文本；

将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于本公开实施例提供的相似度确定模型的训练方法训练得到。

第三方面，本公开实施例提供了一种相似度确定模型的训练装置，包括：

获取模块，用于获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；

训练模块，用于使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

第四方面，本公开实施例提供了一种文本语义相似度确定装置，包括：

第一获取模块，用于获取待匹配文本；

第二获取模块，用于将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于本公开实施例提供的相似度确定模型的训练方法训练得到。

第五方面，本公开实施例提供了一种电子设备，包括：

一个或多个处理装置；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现本公开实施例提供的相似度确定模型的训练方法，或本公开实施例提供的文本语义相似度确定方法。

第六方面，本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开实施例提供的相似度确定模型的训练方法，或本公开实施例提供的文本语义相似度确定方法。

本公开实施例提供了模型训练方法、文本语义相似度确定方法、装置和设备，首先获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；然后使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。上述技术方案，通过至少两个领域的数据集对预先构建的相似度确定模型进行训练，提高了训练后相似度确定模型的通用性，有效的解决文本语义相似度确定时，相似度确定模型对数据分布敏感的技术问题，增强了相似度确定模型的鲁棒性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例一提供的一种相似度确定模型的训练方法的流程示意图；

图2为本公开实施例二提供的一种相似度确定模型的训练方法的流程示意图；

图3为本公开实施例三提供的一种文本语义相似度确定方法的流程示意图；

图3a为本公开实施例提供的一种相似度确定模型的训练方法的示意图；

图4为本公开实施例四提供的一种相似度确定模型的训练装置的结构示意图；

图5为本公开实施例五提供的一种文本语义相似度确定装置的结构示意图；

图6为本公开实施例六提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。此外，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一

图1为本公开实施例一提供的一种相似度确定模型的训练方法的流程示意图，该方法可适用于解决文本相似度，即文本语义相似度确定时对数据分布敏感的情况，该方法可以由相似度确定模型的训练装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：电脑、个人数字助理等设备。

相关技术中，短文本匹配的技术通常使用预训练语言模型计算短文本的表示并进行一定程度的交互，最终得到交互后的短文本表示向量，然后通过一个全链接神经网络预测该短文本对的文本语义相似度。

上述技术方案对训练数据分布高度敏感，且对于测试数据中与训练数据分布差异较大的数据不能很好的判断，具体来说有两方面劣势：

1)不同数据分布的短文本匹配数据，如待匹配文本不能很好的统一使用。相关技术是为每个任务分别标注训练数据，举例来说有2个语义匹配任务，分别是A新闻标题是否匹配和B广告标题是否匹配。这两个任务的匹配基础逻辑是一样的，但是因为数据分布不同会导致两个任务的差异很大，传统的做法是分别标注两个训练集合，分别训练出一个模型，服务于两个场景。这种方式模型的迭代周期非常的长，每个匹配场景都需要标注大量的数据。同时，数据的利用率不高，每个任务的数据只能单独服务于自己的任务。

2)A场景中更符合B场景数据特点的数据，仅使用A场景数据训练的模型不能很好的判断。同样以上面两个场景为例子，假设新闻标题语义匹配的测试集合中出现如下例子：“《xx》这本书非常有趣，值得推荐，附购买链接vs《xx》是孩子的数学启蒙圣经，现在只要19.8”。这两个标题明显是卖书的广告，在广告的角度是语义相似的，但是在新闻的角度完全讲的不同的事件，是语义不匹配的。如果使用新闻标题训练短文本匹配模型，那么在这个特殊案例上就会表现比较差。

为解决上述技术问题，如图1所示，本公开实施例一提供的一种相似度确定模型的训练方法，包括如下步骤：

S110、获取训练用数据集，所述训练用数据集包括至少两个领域的数据集。

在本实施例中，训练用数据集可以认为是进行模型训练使用的数据集。本实施例中训练用数据集用于训练相似度确定模型。由于本公开想要解决文本语义相似度确定时，模型对数据分布高度敏感的技术问题，故在构建训练用数据集时，本步骤可以选取至少两个领域的数据集形成训练用数据集。

其中，至少两个领域的数据集中，每个领域的数据集中均包括训练用句子对和是否匹配的标识信息，其中，训练用句子对可以认为是训练阶段中待匹配的句子对。是否匹配的标识信息可以表征对应训练用句子对是否匹配，即是否相似。此外，训练用数据集还可以包括：领域的标识信息。领域的标识信息可以用于表征对应的训练用句子所属领域。

需要注意的是，训练用句子对和领域的标识信息可以用于训练相似度确定模型中用于确定领域分布信息的相关参数。训练用句子对和是否匹配的标识信息可以用于训练确定是否相似的相关参数。

本实施例中不限定训练用数据集所包括至少两个领域所属领域。相似度确定模型可以应用训练用数据集所包括领域中的至一个领域，相似度确定模型所应用的领域可以认为是相似度确定模型的目标领域。

在一个实施例中，训练用数据集包括目标领域的数据集，还可以包括与目标领域相关的领域的数据集。此处不对相关的领域进行限定，可以根据实际情况确定。

本实施例中不对获取训练用数据集的技术手段进行限定，可以获取至少两个领域内已经标注过的数据集形成训练用数据集，以减少标注的工作量；还可以根据实际需求自行标注至少两个领域的数据集。其中，标注的内容包括但不限于，训练用句子对，是否匹配的标识信息和领域的标识信息。

S120、使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

在本实施例中，相似度确定模型可以认为是用于确定文本语义相似度的模型，此处不对相似度确定模型的构建手段进行限定，只要相似度确定模型能够基于训练用数据集对应领域的待匹配文本进行文本语义相似度确定即可。

本实施例中相似度确定模型基于至少两个领域的数据集训练生成，故在基于相似度确定模型进行文本语义相似度判断时，可以有效确定训练用数据集对应的领域的待匹配文本的文本语义相似度。

其中，训练用数据集对应的领域可以认为是训练用数据集中所包括数据集所对应的领域。如训练用数据集包括S领域的数据集和L领域的数据集，故训练用数据集对应的领域包括S领域和L领域。

待匹配文本可以认为是待进行文本语义相似度确定的文本。待匹配文本可以基于训练后的相似度确定模型进行文本语义相似度判断。

在一个示例中，由于本实施例中的相似度确定模型基于至少两个领域的数据集训练，故相似度确定模型可以确定训练用句子对的领域分布信息，以确定训练用句子对所属领域，以更加准确地对待匹配文本进行文本语义相似度判断。文本语义相似度可以认为是两个文本语义间的相似度。

在一个实施例中，在获取训练用数据集后，本步骤可以将训练用数据集输入至预先构建的相似度确定模型以训练相似度确定模型，得到训练后的相似度确定模型。

在另一个实施例中，在基于训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型后，可以基于目标领域的数据集再次训练训练后的相似度确定模型，以得到再次训练后的相似度确定模型。在再次训练时，由于仅通过目标领域的数据集进行模型训练，故训练后的相似度确定模型中的确定领域分布信息的相关参数固定。

在基于训练用数据集对预先构建的相似度确定模型进行训练时，可以基于两个样本对对相似度确定模型进行训练，其中一个是训练用句子对和是否匹配的标识信息，另一个是训练用句子对和领域的标识信息。

示例性的，可以基于训练用数据集中的训练用句子对转换为向量形式，然后确定转换后训练用句子对的初始相似度；基于训练用数据集中训练用句子对确定对应的领域分布信息；然后基于领域分布信息、训练用数据集中对应的领域的标识信息初始相似度与训练用数据集中是否匹配的标识信息，确定损失值，然后基于损失值调整相似度确定模型直至满足结束条件。

其中，结束条件可以通过次数限定，也可以通过损失值是否收敛确定，此处不作限定。

本公开实施例一提供的一种相似度确定模型的训练方法，首先获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；然后使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。通过至少两个领域的数据集对预先构建的相似度确定模型进行训练，提高了训练后相似度确定模型的通用性，有效的解决文本语义相似度确定时，相似度确定模型对数据分布敏感的技术问题，增强了相似度确定模型的鲁棒性。

在上述实施例的基础上，提出了上述实施例的变型实施例，在此需要说明的是，为了使描述简要，在变型实施例中仅描述与上述实施例的不同之处。

在一个实施例中，使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，包括：

将所述训练用数据集转换为向量形式表示的向量信息；

确定所述向量信息对应的领域分布信息；

基于所述向量信息和所述领域分布信息，确定预测相似度；

基于所述预测相似度、所述领域分布信息和所述训练用数据集，确定损失值；

基于所述损失值调节所述相似度确定模型的参数，并继续训练调节后的相似度确定模型直到满足结束条件，得到训练后的相似度确定模型。

本实施例细化了训练相似度确定模型的技术手段，在训练相似度确定模型时，能够有效的基于训练用数据集训练预先构建的相似度确定模型。在训练过程中，由于确定了领域分布信息，提升了相似度确定模型的数据敏感度，提高了相似度确定模型的通用性。

其中，向量信息可以为向量形式表示的信息。本实施例不对如何实现向量化，即确定向量信息的技术手段进行限定，如通过相似度确定模型所包括的预训练语言模型实现训练用数据集的向量化。

领域分布信息可以认为是表征向量信息所属领域的信息。领域分布信息可以表征向量信息在训练用数据集所包括各领域内的占比信息，如百分比。

此处不对如何结合领域分布信息和向量信息确定预测相似度进行限定。如可以确定向量信息对应的初始相似度，然后结合领域分布信息确定预测相似度。其中，预测相似度可以认为是相似度确定模型在训练阶段的输出结果。

在确定损失值时，可以分别基于预测相似度和领域分布信息确定各自的损失值，然后基于预测相似度的第一损失值和领域分布信息的第二损失值确定损失值。

示例性的，在训练阶段，本实施例可以基于领域分布信息和训练用数据集中领域的标识信息，确定第一损失值；基于预测相似度和训练用数据集中是否匹配的标识信息，确定第二损失值；然后将第一损失值和第二损失值的和确定为损失值。

此处不对如何基于损失值调节相似度确定模型的参数进行限定。调节的参数可以包括但不限于用于确定领域分布信息的相关参数和/或确定预测相似度的相关参数。

在一个实施例中，所述领域分布信息包括所述向量信息在所述训练用数据集对应领域内的占比信息。

占比信息，即向量信息在训练用数据集对应每个领域的概率。示例性的，对于任务A，包括了一个文本对，训练用数据集包括领域A和领域B，领域分布信息可以表征任务A属于领域A的概率，如百分之九十，属于领域B的概率，如百分之十。本实施例将领域分布信息细化为了占比信息，通过占比信息和向量信息确定的预测相似度，由于考虑了所属领域，进而能够提升相似度确定模型确定文本相似度的准确度。

在一个实施例中，基于所述向量信息和所述领域分布信息，确定预测相似度，包括：

确定向量信息对应的初始相似度；

根据所述初始相似度和所述占比信息的加权求和结果，确定预测相似度。

初始相似度可以认为是基于向量信息初始确定的相似度。预测相似度可以认为是结合了领域分布信息确定的相似度。

本实施例确定初始相似度的手段不作限定。在确定预测相似度时，占比信息可以作为初始相似度的权重，以得到预测相似度。

预测相似度可以为概率值，也可以为表征是否相似的标识信息。在预测相似度为概率值时，可以直接将加权求和结果确定为预测相似度。在预测相似度为是否相似的标识信息时，本实施例可以基于加权求和结果和预设阈值，确定是否相似，然后将对应的标识信息确定为预测相似度。

本实施例细化了确定预测相似度的技术手段，通过初始相似度和占比信息的加权求和结果确定预测相似度，能够使得确定的预测相似度更加精准。

实施例二

图2为本公开实施例二提供的一种相似度确定模型的训练方法的流程示意图，本实施例二以上述实施例的各个可选方案为基础进行具体化。在本实施例中，将所述训练用数据集具体包括目标领域的目标数据集和其他领域的其他数据集，所述其他领域为除所述目标领域外的领域。

在本实施例中，在使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型之后，还包括：

固定所述训练后的相似度确定模型中确定领域分布信息的相关参数，使用所述目标数据集对所述训练后的相似度确定模型进行再次训练，得到训练好再次训练后的相似度确定模型。

本实施例尚未详尽的内容请参考实施例一。

如图2所示，本公开实施例二提供的一种相似度确定模型的训练方法，包括如下步骤：

S210、获取训练用数据集，所述训练用数据集包括至少两个领域的数据集，所述训练用数据集包括目标领域的目标数据集和其他领域的其他数据集，所述其他领域为除所述目标领域外的领域。

其他领域包括至少一个领域。其他领域可以为与目标领域相关的领域，也可以为不与目标领域相关的领域。

S220、使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型。

在对预先构建的相似度确定模型进行训练时，本实施例可以将训练用数据集输入预先构建的相似度确定模型并通过损失函数的监督不断迭代以对预先构建的相似度确定模型进行训练。

S230、固定所述训练后的相似度确定模型中确定领域分布信息的相关参数，使用所述目标数据集对所述训练后的相似度确定模型进行再次训练，得到再次训练后的相似度确定模型。

在相似度确定模型训练后，可以使用目标数据集对训练后的相似度确定模型再次训练，以使得再次训练后的相似度确定模型能够在目标领域确定文本语义相似度时更加准确。

在基于目标数据集对相似度确定模型进行再次训练时，损失值可以基于预测相似度和训练用数据集确定。由于固定了训练后相似度确定模型中确定领域分布信息的相关参数，故无需在结合领域分布信息确定损失值

本公开实施例二提供的一种相似度确定模型的训练方法，具体化了训练相似度确定模型的操作。利用该方法通过使用目标数据集对训练后的相似度确定模型再次训练，使得在目标领域，再次训练后的相似度确定模型确定文本语义相似度的准确度更高，即再次训练后的相似度确定模型能够更精准的对目标领域进行文本语义相似度匹配，进一步增强了目标领域内文本语义相似度确定的鲁棒性。

实施例三

图3为本公开实施例三提供的一种文本语义相似度确定方法的流程示意图，该方法可适用于确定文本语义相似度的情况，该方法可以由文本语义相似度确定装置执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上。本实施例尚未详尽之处参见上述实施例。

如图3所示，本公开实施例提供的一种文本语义相似度确定方法，包括如下步骤：

S310、获取待匹配文本。

待匹配文本可以认为是目标领域的待进行文本语义相似度确定的文本。待匹配文本可以为用户输入的。本步骤可以获取用户输入的待匹配文本。

S320、将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度。

所述训练后的相似度确定模型基于本公开实施例提供的相似度确定模型的训练方法训练得到。

本公开实施例三提供的一种文本语义相似度确定方法，首先获取待匹配文本；然后将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于相似度确定模型的训练方法训练得到。该方法通过基于至少两个领域的数据集训练后的相似度确定模型确定文本相似度，有效的解决文本语义相似度确定时，对数据分布敏感的技术问题，增强了相似度确定模型的鲁棒性。

以下对本公开进行示例性的描述，本公开提供的相似度确定模型的训练方法可以认为是一种基于多任务联合训练的短文本相似性匹配方法。本公开涉及自然语言处理，特别是短文本语义相似性的匹配。通过本公开实施例训练后的相似度确定模型对于给定的短文本对，可以自动判断是否语义一致。

本公开提出了两个阶段的多任务联合训练的框架，解决了短文本的文本语义相似度匹配任务中数据分布高度敏感的问题。图3a为本公开实施例提供的一种相似度确定模型的训练方法的示意图，参见图3a，相似度确定模型一阶段训练中使用多个领域的短文本相似度匹配数据集，即训练用数据集，如图所示，任务A、任务B、任务C、任务D和任务E。所有的数据按照统一的格式，[CLS]sentence1[SEP]sentence2[SEP]，其中，[CLS]和[SEP]可以认为是占位符。统一的格式可以认为是句子对的形式，训练用数据集中待匹配的文本基于统一的格式形成句子对送入预训练语言模型，得到每个句子对的表示向量r_a，r_b，......，r_e。在一阶段训练过程中，每个表示都会进行来自哪个数据集合(任务A、任务B、任务C、任务D和任务E)的判断，如通过任务分布，即领域分布模块判断表示向量，即向量信息来自于哪一任务，如表示向量r_a来自于任务A，r_b来自于任务B，......，用以学习任务分布。然后每个输入的句子对，先得到在每个任务上的预测分布(即初始相似度)，即相似度p_a,p_b,...,p_e，其中，p_a可以认为是任务A对应的相似度,p_b可以认为是任务B对应的相似度,...,按照任务分布，即任务分布模块给出的任务分布可能性的判断(即领域分布信息)，结合相似度(即初始相似度)进行加权求和后得到是否是语义相似的判断P，即预测相似度。最终使用交叉熵训练模型。二阶段训练只使用目标领域的短文本数据，进行短文本的文本语义相似度匹配，以任务B为例，如图3a所示，在一阶段训练后的模型基础上，固定任务分布模块的相关参数，如将任务分布模块的损失函数置零，使用任务B再次训练其他参数，训练流程和一阶段类似，最终得到对B领域更精准的短文本语义相似度匹配模型，即相似度确定模型。使用该模型对输入的两个短文本，即待匹配文本进行文本语义相似度判断。在判断时会结合领域分布信息进行判断。

在一阶段训练中，训练用句子对和领域的标识信息可以用于训练任务分布模块的相关参数。在二阶段训练中，训练用句子对和是否匹配的标识信息可以用于训练相似度确定模型中除任务分布模型的相关参数外的参数。

在进行相似度确定模型的参数调整时，一阶段可以调节相似度确定模型中至少一个可以调节的参数；在二阶段可以调节除任务分布模块外其余模块中至少一个可以调节的参数。

本公开能够解决传统短文本相似度匹配模型对数据分布强敏感的弱点，提高相似领域的数据利用率，提缩短开发成本，提高模型效果。有如下优点：

1)减少单独领域的数据需求，提高数据利用率。该技术打通了不同领域之间短文本语义相似度匹配数据的互相使用通路，不再要求单一领域的训练数据量很大。不同领域的短文本匹配数据可以互相增强，极大的提高了数据利用率。

2)增强短文本匹配模型的鲁棒性，对于A数据分布中混杂的B数据能够更好判断。同样以上面的例子，假设新闻标题语义匹配的测试集合中出现如下例子：“《xx》这本书非常有趣，值得推荐，附购买链接vs《xx》是孩子的数学启蒙圣经，现在只要19.8”。那么即便在新闻标题数据中出现也会被判定为匹配的。因为在该例子中，数据分布更符合广告标题的特点。因此，模型在做出是否语义相似的判断时候，在广告数据中是否语义相似会作为一个更重要的考虑维度。

3)缩短模型迭代成本，提高模型通用性能。短文本匹配数据可以不断积累，越多的领域能提供越多的训练数据，那么一阶段的训练模型在基础相关性的能力上就越强，同时这种基础相关性的判断能力，会传递到二阶段领域相关数据训练的模型中。基于多任务联合训练的短文本相似性匹配框架能够极大的缩短模型迭代的成本，提高短文本相似性匹配模型的通用性。

实施例四

本公开实施例提供了一种相似度确定模型的训练装置，图4为本公开实施例四提供的一种相似度确定模型的训练装置的结构示意图，该装置可以集成在电子设备上，如图4所示，该装置包括：

获取模块41，用于获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；

训练模块42，用于使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

在本实施例中，该装置首先通过获取模块41获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；然后通过训练模块42使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

本实施例提供了一种相似度确定模型的训练装置，通过至少两个领域的数据集对预先构建的相似度确定模型进行训练，提高了训练后相似度确定模型的通用性，有效的解决文本语义相似度确定时，对数据分布敏感的技术问题，增强了相似度确定模型的鲁棒性。

在一个实施例中，所述训练用数据集包括目标领域的目标数据集和其他领域的其他数据集，所述其他领域为除所述目标领域外的领域。

在一个实施例中，该装置还包括再训练模块，用于：在使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型之后，还包括：

固定所述训练后的相似度确定模型中确定领域分布信息的相关参数，使用所述目标数据集对所述训练后的相似度确定模型进行再次训练，得到再次训练后的相似度确定模型。

在一个实施例中，训练模块42，具体用于：

将所述训练用数据集转换为向量形式表示的向量信息；

确定所述向量信息对应的领域分布信息；

基于所述向量信息和所述领域分布信息，确定预测相似度；

基于所述预测相似度、所述领域分布信息和所述训练用数据集，确定损失值；

基于所述损失值调节所述相似度确定模型的参数，并继续训练调节后的相似度确定模型直到满足结束条件，得到训练后的相似度确定模型。

在一个实施例中，所述领域分布信息包括所述向量信息在所述训练用数据集对应领域内的占比信息。

在一个实施例中，训练模块42基于所述向量信息和所述领域分布信息，确定预测相似度，包括：

确定向量信息对应的初始相似度；

根据所述初始相似度和所述占比信息的加权求和结果，确定预测相似度。

上述相似度确定模型的训练装置可执行本公开任意实施例所提供的相似度确定模型的训练方法，具备执行方法相应的功能模块和有益效果。

实施例五

本公开实施例提供了一种文本语义相似度确定装置，图5为本公开实施例五提供的一种文本语义相似度确定装置的结构示意图，该装置可以集成在电子设备上。如图5所示，该装置包括：

第一获取模块51，用于获取待匹配文本；

第二获取模块52，用于将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于相似度确定模型的训练方法训练得到。

该实施例首先通过第一获取模块51获取待匹配文本；然后通过第二获取模块52将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于相似度确定模型的训练方法训练得到。

本实施例提供了一种文本语义相似度确定装置，通过基于至少两个领域的数据集训练后的相似度确定模型确定文本相似度，有效的解决文本语义相似度确定时，对数据分布敏感的技术问题，增强了相似度确定模型的鲁棒性。

上述文本语义相似度确定装置可执行本公开任意实施例所提供的文本语义相似度确定方法，具备执行方法相应的功能模块和有益效果。

实施例六

图6为本公开实施例六提供的一种电子设备的结构示意图。图6示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的电子设备600可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal DigitalAssistant，PDA)、平板电脑(Portable Android Device，PAD)、便携式多媒体播放器(Portable Media Player，PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括一个或多个处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(Read-Only Memory，ROM)602中的程序或者从存储装置608加载到随机访问存储器(Random Access Memory，RAM)603中的程序而执行各种适当的动作和处理。一个或多个处理装置601实现如本公开提供的相似度确定模型的训练方法和/或文本语义相似度确定方法。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(Input/Output，I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(Liquid CrystalDisplay，LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608，存储装置608用于存储一个或多个程序；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如超文本传输协议(Hyper TextTransfer Protocol，HTTP)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(LAN)，广域网(WAN)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备600中所包含的；也可以是单独存在，而未装配入该电子设备600中。

上述计算机可读介质存储有一个或者多个计算机程序，当上述一个或者多个程序被处理装置执行时实现如下方法：

一种相似度确定模型的训练方法，包括：

获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；

使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

一种文本语义相似度确定方法，包括：

获取待匹配文本；

将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于相似度确定模型的训练方法训练得到。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上系统(System on Chip，SOC)、复杂可编程逻辑设备(Complex Programming logic device，CPLD)等等。

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。

根据本公开的一个或多个实施例，示例1提供了一种相似度确定模型的训练方法，包括：

获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；

使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

根据本公开的一个或多个实施例，示例2根据示例1所述的方法，

所述训练用数据集包括目标领域的目标数据集和其他领域的其他数据集，所述其他领域为除所述目标领域外的领域。

根据本公开的一个或多个实施例，示例3根据示例2所述的方法，

在使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型之后，还包括：

固定所述训练后的相似度确定模型中确定领域分布信息的相关参数，使用所述目标数据集对所述训练后的相似度确定模型进行再次训练，得到再次训练后的相似度确定模型。

根据本公开的一个或多个实施例，示例4根据示例1所述的方法，使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，包括：

将所述训练用数据集转换为向量形式表示的向量信息；

确定所述向量信息对应的领域分布信息；

基于所述向量信息和所述领域分布信息，确定预测相似度；

基于所述预测相似度、所述领域分布信息和所述训练用数据集，确定损失值；

基于所述损失值调节所述相似度确定模型的参数，并继续训练调节后的相似度确定模型直到满足结束条件，得到训练后的相似度确定模型。

根据本公开的一个或多个实施例，示例5根据示例4所述的方法，所述领域分布信息包括所述向量信息在所述训练用数据集对应领域内的占比信息。

根据本公开的一个或多个实施例，示例6根据示例5所述的方法，基于所述向量信息和所述领域分布信息，确定预测相似度，包括：

确定向量信息对应的初始相似度；

根据所述初始相似度和所述占比信息的加权求和结果，确定预测相似度。

根据本公开的一个或多个实施例，示例7提供了一种文本语义相似度确定方法，包括：

获取待匹配文本；

将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于相似度确定模型的训练方法训练得到。

根据本公开的一个或多个实施例，示例8提供了一种相似度确定模型的训练装置，包括：

获取模块，用于获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；

训练模块，用于使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

根据本公开的一个或多个实施例，示例9提供了一种文本语义相似度确定装置，包括：

第一获取模块，用于获取待匹配文本；

第二获取模块，用于将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于相似度确定模型的训练方法训练得到。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：

一个或多个处理装置；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如示例1-6中任一所述的相似度确定模型的训练方法或如示例7所述的文本语义相似度确定方法。

根据本公开的一个或多个实施例，示例11提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现如示例1-6中任一所述的相似度确定模型的训练方法或如示例7所述的文本语义相似度确定方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种相似度确定模型的训练方法，其特征在于，包括：

获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；

使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

2.根据权利要求1所述的方法，其特征在于，所述训练用数据集包括目标领域的目标数据集和其他领域的其他数据集，所述其他领域为除所述目标领域外的领域。

3.根据权利要求2所述的方法，其特征在于，在使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型之后，还包括：

固定所述训练后的相似度确定模型中确定领域分布信息的相关参数，使用所述目标数据集对所述训练后的相似度确定模型进行再次训练，得到再次训练后的相似度确定模型。

4.根据权利要求1所述的方法，其特征在于，使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，包括：

将所述训练用数据集转换为向量形式表示的向量信息；

确定所述向量信息对应的领域分布信息；

基于所述向量信息和所述领域分布信息，确定预测相似度；

基于所述预测相似度、所述领域分布信息和所述训练用数据集，确定损失值；

基于所述损失值调节所述相似度确定模型的参数，并继续训练调节后的相似度确定模型直到满足结束条件，得到训练后的相似度确定模型。

5.根据权利要求4所述的方法，其特征在于，所述领域分布信息包括所述向量信息在所述训练用数据集对应领域内的占比信息。

6.根据权利要求5所述的方法，其特征在于，所述基于所述向量信息和所述领域分布信息，确定预测相似度，包括：

确定所述向量信息对应的初始相似度；

根据所述初始相似度和所述占比信息的加权求和结果，确定预测相似度。

7.一种文本语义相似度确定方法，其特征在于，包括：

获取待匹配文本；

将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于权利要求1-6任一所述的方法训练得到。

8.一种相似度确定模型的训练装置，其特征在于，包括：

获取模块，用于获取训练用数据集，所述训练用数据集包括至少两个领域的数据集；

训练模块，用于使用所述训练用数据集对预先构建的相似度确定模型进行训练，得到训练后的相似度确定模型，所述训练后的相似度确定模型用于对所述训练用数据集对应领域的待匹配文本进行文本语义相似度确定。

9.一种文本语义相似度确定装置，其特征在于，包括：

第一获取模块，用于获取待匹配文本；

第二获取模块，用于将所述待匹配文本输入至训练后的相似度确定模型，获取所述待匹配文本的文本语义相似度，所述训练后的相似度确定模型基于权利要求1-6任一所述的方法训练得到。

10.一种电子设备，其特征在于，包括：

一个或多个处理装置；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如权利要求1-6中任一所述的相似度确定模型的训练方法，或如权利要求7所述的文本语义相似度确定方法。

11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-6中任一所述的相似度确定模型的训练方法，或如权利要求7所述的文本语义相似度确定方法。

Images