CN113239705A - 语义表示模型的预训练方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了一种语义表示模型的预训练方法、装置、电子设备和存储介质，涉及计算机技术领域，尤其涉深度学习、自然语言处理等人工智能技术领域。具体实现方案为：通过获取样本文本中的至少一个待掩码字符片段，并将样本文本中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本，从而根据待掩码字符片段和处理后的样本文本，对语义表示模型进行预训练。由此，在语义表示模型的预训练过程中，利用一个掩码字符对样本文本中的一个待掩码字符片段进行掩码，并基于处理后的样本文本和待掩码字符片段对语义表示模型进行预训练，避免了将掩码字符的长度信息提供给模型，提升了预训练模型表示能力的训练效果及模型性能。

Description

语义表示模型的预训练方法、装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，具体涉及深度学习、自然语言处理等人工智能技术领域，尤其涉及语义表示模型的预训练方法、装置、电子设备和存储介质。

背景技术

目前，自然语言理解领域的流行技术都取得了良好的效果。相关技术中，一般使用大量的无监督文本进行语义表示模型自监督的预训练学习，再结合任务对应的有监督数据对预训练的语义表示模型进行微调参数。语义表示模型是得到下游自然语言理解任务对应的处理模型的基础。

发明内容

本公开提供了一种语义表示模型的预训练方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种语义表示模型的预训练方法，包括：获取样本文本中的至少一个待掩码字符片段；将所述样本文本中所述至少一个待掩码字符片段中的每个所述待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本；根据所述待掩码字符片段和所述处理后的样本文本，对语义表示模型进行预训练。

根据本公开的另一方面，提供了一种语义表示模型的预训练装置，包括：获取模块，用于获取样本文本中的至少一个待掩码字符片段；替换模块，用于将所述样本文本中所述至少一个待掩码字符片段中的每个所述待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本；训练模块，用于根据所述待掩码字符片段和所述处理后的样本文本，对语义表示模型进行预训练。

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本公开的语义表示模型的预训练方法。

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，所述计算机指令用于使所述计算机执行本公开实施例申请的电子设备的语义表示模型的预训练方法。

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，所述计算机程序被处理器执行时实现本公开的语义表示模型的预训练方法。

上述申请中的一个实施例具有如下优点或有益效果：

通过获取样本文本中的至少一个待掩码字符片段，并将样本文本中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本，从而根据待掩码字符片段和处理后的样本文本，对语义表示模型进行预训练。由此，在语义表示模型的预训练过程中，利用一个掩码字符对样本文本中的一个待掩码字符片段进行掩码，并基于处理后的样本文本和待掩码字符片段对语义表示模型进行预训练，避免了将掩码字符的长度信息提供给模型，提升了预训练模型表示能力的训练效果及模型性能。

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是根据本公开一个实施例提供的一种语义表示模型的预训练方法的流程示意图；

图2是根据本公开另一个实施例提供的一种语义表示模型的预训练方法的流程示意图；

图3是根据本公开另一个实施例提供的语义表示模型的模型结构的示例图；

图4是根据本公开一个实施例提供的一种语义表示模型的预训练装置的结构示意图；

图5是根据本公开另一个实施例提供的一种语义表示模型的预训练装置的结构示意图；

图6是用来实现本公开实施例的语义表示模型的预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。

下面参考附图描述本公开实施例的语义表示模型的预训练方法、装置、电子设备和存储介质。

图1是根据本公开一个实施例提供的一种语义表示模型的预训练方法的流程示意图。其中，需要说明的是，本实施例的语义表示模型的预训练方法的执行主体为语义表示模型的预训练装置，语义表示模型的预训练装置可以由软件和/或硬件的方式实现，该实施例中的语义表示模型的预训练装置可以配置在服务器中，也可以配置在用于对服务器设备进行控制的电子设备中。

如图1所示，该语义表示模型的预训练方法可以包括：

步骤S101，获取样本文本中的至少一个待掩码字符片段。

其中，样本文本可以为由文字、数字和符号等字符所组成的文本数据。

在本实施例中，上述样本文本中待掩码字符片段可以为一段或者多段，该实施例对此不作具体限定。

其中，上述待掩码字符片段中包括多个连续的字符。

步骤S102，将样本文本中至少一个待掩码字符片段中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本。

其中，掩码字符可以是随机字符，或者是语义表示模型的预训练装置中预先设置的指定字符，该实施例对掩码字符不作具体限定。

步骤S103，根据待掩码字符片段和处理后的样本文本，对语义表示模型进行预训练。

在一些实施例中，把处理后的掩码文本以及待掩码字符片段输入到语义训练模型中进行预训练，以得到预训练后的语义表示模型。

本公开提供了一种语义表示模型的预训练方法，通过获取样本文本中的至少一个待掩码字符片段，并将样本文本中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本，从而根据待掩码字符片段和处理后的样本文本，对语义表示模型进行预训练。由此，在语义表示模型的预训练过程中，利用一个掩码字符对样本文本中的一个待掩码字符片段进行掩码，并基于处理后的样本文本和待掩码字符片段对语义表示模型进行预训练，避免了将掩码字符的长度信息提供给模型，提升了预训练模型表示能力的训练效果及模型性能。

图2是根据本公开另一个实施例提供的一种语义表示模型的预训练方法的流程示意图。

如图2所示，该语义表示模型的预训练方法可以包括：

步骤S201，获取样本文本中的至少一个待掩码字符片段。

步骤S202，将样本文本中至少一个待掩码字符片段中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本。

其中，需要说明的是，关于步骤S201至步骤S202的具体实现方式，可参见上述实施例中的相关描述。

步骤S203，将处理后的样本文本输入到语义表示模型中，以得到掩码字符的字符预测结果。

在本公开的一些实施例中，上述语义表示模型可以包括嵌入层、语义表示层和分类层，具体地，在获取处理后的样本文本后，可获取处理后的样本文本中各个字符的位置向量和字符向量，并将嵌入层对各个字符的位置向量和字符向量进行联合，以得到各个字符对应的联合向量，并将各个字符对应的联合向量输入到语义表示层，以得到掩码字符的语义表示向量，并将掩码字符的语义表示向量输入到分类层，以得到掩码字符的字符预测结果。

在一些实施例中，上述对各个字符的位置向量和字符向量进行联合的方式可以为对各个字符的位置向量和字符向量进行相加处理，或者，对对各个字符的位置向量和字符向量进行拼接。

在本公开的一些实施例中，为了可准确确定出掩码字符的语义表示向量，上述语义表示层可以包括多层编码层。其中，每层编码层中均包括基于Transformer的编码结构，对应编码结构对输入内容进行编码，并将输出结果输入至对应的下一层编码层进行处理。

在一些实施例中，为了增强语义表示模型的学习能力，上述分类层可以包括粗粒度分类子层和细粒度分类子层。将掩码字符的语义表示向量输入到分类层，以得到掩码字符的字符预测结果，一种示例性的实施方式为：将掩码字符的语义表示向量输入到粗粒度分类子层，以得到掩码字符的粗粒度预测结果，并将掩码字符的语义表示向量输入到细粒度分类子层，以得到掩码字符的细粒度预测结果，最后结合粗粒度预测结果和细粒度预测结果，以得到掩码字符的字符预测结果。

在本公开的实施例中，上述粗粒度分类子层所基于的粒度，与上述细粒度分类子层所基于的粒度是不同的。

在一些实施例中，上述粗粒度分类子层是以词为粒度，上述细粒度分类子层是以字符为粒度的。

其中，语义表示模型的模型结构的示例图，如图3所示，通过图3可以看出，嵌入层将输入样本中各个字符的字符向量和位置进行向量进行相加，并将相加后所得到的向量输入到语义表示层中，其中，该示例中的语义表示层包括L层编码层，每层编码是基于Transformer编码结构的。对应的，语义表示层输出掩码字符的语义表示向量，并将语义表示层输出的语义表示向量分别输入到分类层中的粗粒度分类子层和细粒度分类子层中，其中，粗粒度分类子层中包括粗粒度分类器，细粒度分类子层包括细粒度分类器。

步骤S204，根据字符预测结果和待掩码字符片段，训练语义表示模型。

在一些实施例中，上述根据字符预测结果和待掩码字符片段，训练语义表示模型的一种实现方式为；根据字符预测结果和待掩码字符片段，确定出语义表示模型的损失函数值，并根据损失函数值，对语义表示模型的参数进行调整，以实现对语义表示模型的训练。

在一些实施例中，为了提升预训练的语义表示模型的表示能力，在分类层可以包括粗粒度分类子层和细粒度分类子层的情况下，根据字符预测结果和待掩码字符片段，训练语义表示模型的一种可能实现方式为：根据粗粒度预测结果、细粒度预测结果和待掩码字符片段，确定语义表示模型的损失函数值，并根据损失函数值，对语义表示模型中的语义表示层的参数进行调整，以实现对语义表示模型的训练，直至满足预设训练结束条件。

在一些实施例中，预设训练结束条件可以为损失函数值满足预设条件，或者，语义表示模型所输出的粗粒度预测结果与待掩码字符片段一致，以及细粒度预测结果与待掩码字符片段中的字符一致，该实施例对预设训练结束条件不作具体限定。

在一些实施例中，为了可以准确确定出语义表示模型的损失函数值，上述根据粗粒度预测结果、细粒度预测结果和待掩码字符片段，确定语义表示模型的损失函数值的一种实施方式为：根据粗粒度预测结果和待掩码字符片段，确定出第一损失函数值，并将细粒度预测结果和待掩码字符片段中的各个字符进行比较，并根据比较结果，确定出第二损失函数值，最后根据第一损失函数值和第一损失函数值，确定出语义表示模型的损失函数值。

具体地，在获取粗粒度预测结果和待掩码字符片段后，可确定出粗粒度预测结果和待掩码字符片段是否一致，并根据比较结果，确定出语义表示模型在粗粒度上的损失函数值。

在一些实施例中，为了可准确确定出语义表示模型的损失函数值，在获取第一损失函数值和第二损失函数值，可获取粗粒度对应的权重以及细粒度对应的权重，将第一损失函数值与粗粒度的权重的乘积，与第二损失函数值与细粒度的权重的乘积进行相加，以得到语义表示模型的损失函数值。

本公开提供了一种语义表示模型的预训练方法，通过获取样本文本中的至少一个待掩码字符片段，并将样本文本中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本，从而将处理后的样本文本输入到语义表示模型中，已得到掩码字符的字符预测结果，并根据字符预测结果和待掩码字符片段，训练语义表示模型。由此，在语义表示模型的预训练过程中，根据样本文本中的待掩码字符片段，并基于处理后的一个掩码字符的样本文本输入到语义表示模型中得到的掩码字符的字符预测结果，对语义表示模型进行预训练，实现了从多种粒度的语义信号去完备的训练语义表示模型，能够更加充分的学习样本文本的语义信息。

为了实现上述实施例，本公开实施例还提供一种显示语义表示模型的预训练装置。

图4是根据本公开一个实施例提供的一种语义表示模型的预训练装置的结构示意图。

如图4所示，该语义表示模型的预训练装置400可以包括获取模块401、替换模块402和训练模块403，其中：

获取模块401，用于获取样本文本中的至少一个待掩码字符片段。

替换模块402，用于将样本文本中至少一个待掩码字符片段中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本。

训练模块403，用于根据待掩码字符片段和处理后的样本文本，对语义表示模型进行预训练。

其中，需要说明的是，前述对显示语义表示模型的预训练方法实施例的解释说明也适用于本实施例中的显示语义表示模型的预训练装置，此处不再赘述。

本公开提供了一种语义表示模型的预训练装置，通过获取样本文本中的至少一个待掩码字符片段，并将样本文本中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本，从而根据待掩码字符片段和处理后的样本文本，对语义表示模型进行预训练。由此，在语义表示模型的预训练过程中，利用一个掩码字符对样本文本中的一个待掩码字符片段进行掩码，并基于处理后的样本文本和待掩码字符片段对语义表示模型进行预训练，避免了将掩码字符的长度信息提供给模型，提升了预训练模型表示能力的训练效果及模型性能。

在本公开的一个实施例中，如图5所示，该语义表示模型的预训练装置500可以包括：获取模块501、替换模块502、训练模块503，其中，训练模块503可以包括：输入单元5031、训练单元5032，其中，输入单元5031可以包括：获取子单元50311、联合子单元50312、第一输入子单元50313和第二输入子单元50314，其中，训练单元5032可以包括：确定子单元50321和调整子单元50322。

其中，关于获取模块501、替换模块502、训练模块503的详细描述请参考图4所示实施例中获取模块401、替换模块402、训练模块403的说明，此处不再进行描述。

在本公开的一个实施例中，训练模块503，包括：

输入单元5031，用于将处理后的样本文本输入到语义表示模型中，以得到掩码字符的字符预测结果。

训练单元5032，用于根据字符预测结果和待掩码字符片段，训练语义表示模型。

在本公开的一个实施例中，语义表示模型包括嵌入层、语义表示层和分类层，输入单元5031，包括：

获取子单元50311，用于获取处理后的样本文本中各个字符的位置向量和字符向量。

联合子单元50312，用于通过嵌入层对各个字符的位置向量和字符向量进行联合，以得到各个字符对应的联合向量。

第一输入子单元50313，用于将各个字符对应的联合向量输入到语义表示层，以得到掩码字符的语义表示向量。

第二输入子单元50314，用于将掩码字符的语义表示向量输入到分类层，以得到掩码字符的字符预测结果。

在本公开的一个实施例中，分类层包括粗粒度分类子层和细粒度分类子层，第二输入子单元50314，具体用于：

将掩码字符的语义表示向量输入到粗粒度分类子层，以得到掩码字符的粗粒度预测结果。

将掩码字符的语义表示向量输入到细粒度分类子层，以得到掩码字符的细粒度预测结果。

在本公开的一个实施例中，训练单元5032，包括：

确定子单元50321，用于根据粗粒度预测结果、细粒度预测结果和待掩码字符片段，确定语义表示模型的损失函数值。

调整子单元50322，用于根据损失函数值，对语义表示模型中的语义表示层的参数进行调整。

在本公开的一个实施例中，确定子单元50321，具体用于：

根据粗粒度预测结果和待掩码字符片段，确定出第一损失函数值。

将细粒度预测结果和待掩码字符片段中的各个字符进行比较，并根据比较结果，确定出第二损失函数值。

根据第一损失函数值和第一损失函数值，确定语义表示模型的损失函数值。

本公开提供了一种语义表示模型的预训练装置，通过获取样本文本中的至少一个待掩码字符片段，并将样本文本中的每个待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本，从而根据待掩码字符片段和处理后的样本文本，对语义表示模型进行预训练。由此，在语义表示模型的预训练过程中，利用一个掩码字符对样本文本中的一个待掩码字符片段进行掩码，并基于处理后的样本文本和待掩码字符片段对语义表示模型进行预训练，避免了将掩码字符的长度信息提供给模型，提升了预训练模型表示能力的训练效果及模型性能。

其中，需要说明的是，前述显示语义表示模型的预训练方法实施例的解释说明也适用于本实施例中的显示语义表示模型的预训练装置，此处不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备和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公开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/或者要求的本公开的实现。

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608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608，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，例如语义表示模型的预训练方法。例如，在一些实施例中，语义表示模型的预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608。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语义表示模型的预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）而被配置为执行语义表示模型的预训练方法。

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）、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，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 (10)

1.一种语义表示模型的预训练方法，包括：

获取样本文本中的至少一个待掩码字符片段；

将所述样本文本中所述至少一个待掩码字符片段中的每个所述待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本；

根据所述待掩码字符片段和所述处理后的样本文本，对语义表示模型进行预训练；

所述根据所述待掩码字符片段和所述处理后的样本文本，对语义表示模型进行预训练，包括：

将所述处理后的样本文本输入到语义表示模型中，以得到所述掩码字符的字符预测结果；

根据所述字符预测结果和所述待掩码字符片段，训练所述语义表示模型；

所述语义表示模型包括嵌入层、语义表示层和分类层，所述将所述处理后的样本文本输入到语义表示模型中，以得到所述掩码字符的字符预测结果，包括：

获取所述处理后的样本文本中各个字符的位置向量和字符向量；

通过所述嵌入层对各个字符的位置向量和字符向量进行联合，以得到各个字符对应的联合向量；

将所述各个字符对应的联合向量输入到语义表示层，以得到所述掩码字符的语义表示向量；

将所述掩码字符的语义表示向量输入到所述分类层，以得到所述掩码字符的字符预测结果。

2.根据权利要求1所述的方法，其中，所述分类层包括粗粒度分类子层和细粒度分类子层，所述将所述掩码字符的语义表示向量输入到所述分类层，以得到所述掩码字符的字符预测结果，包括：

将所述掩码字符的语义表示向量输入到所述粗粒度分类子层，以得到所述掩码字符的粗粒度预测结果；

将所述掩码字符的语义表示向量输入到所述细粒度分类子层，以得到所述掩码字符的细粒度预测结果。

3.根据权利要求2所述的方法，其中，所述根据所述字符预测结果和所述待掩码字符片段，训练所述语义表示模型，包括：

根据所述粗粒度预测结果、所述细粒度预测结果和所述待掩码字符片段，确定所述语义表示模型的损失函数值；

根据所述损失函数值，对所述语义表示模型中的所述语义表示层的参数进行调整。

4.根据权利要求3所述的方法，其中，根据所述粗粒度预测结果、所述细粒度预测结果和所述待掩码字符片段，确定所述语义表示模型的损失函数值，包括：

根据所述粗粒度预测结果和所述待掩码字符片段，确定出第一损失函数值；

将所述细粒度预测结果和所述待掩码字符片段中的各个字符进行比较，并根据比较结果，确定出第二损失函数值；

根据所述第一损失函数值和所述第一损失函数值，确定所述语义表示模型的损失函数值。

5.一种语义表示模型的预训练装置，包括：

获取模块，用于获取样本文本中的至少一个待掩码字符片段；

替换模块，用于将所述样本文本中所述至少一个待掩码字符片段中的每个所述待掩码字符片段分别替换为一个掩码字符，以得到处理后的样本文本；

训练模块，用于根据所述待掩码字符片段和所述处理后的样本文本，对语义表示模型进行预训练；

所述训练模块，包括：

输入单元，用于将所述处理后的样本文本输入到语义表示模型中，以得到所述掩码字符的字符预测结果；

训练单元，用于根据所述字符预测结果和所述待掩码字符片段，训练所述语义表示模型；

所述语义表示模型包括嵌入层、语义表示层和分类层，所述输入单元，包括：

获取子单元，用于获取所述处理后的样本文本中各个字符的位置向量和字符向量；

联合子单元，用于通过所述嵌入层对各个字符的位置向量和字符向量进行联合，以得到各个字符对应的联合向量；

第一输入子单元，用于将所述各个字符对应的联合向量输入到语义表示层，以得到所述掩码字符的语义表示向量；

第二输入子单元，用于将所述掩码字符的语义表示向量输入到所述分类层，以得到所述掩码字符的字符预测结果。

6.根据权利要求5所述的装置，其中，所述分类层包括粗粒度分类子层和细粒度分类子层，所述第二输入子单元，具体用于：

将所述掩码字符的语义表示向量输入到所述粗粒度分类子层，以得到所述掩码字符的粗粒度预测结果；

将所述掩码字符的语义表示向量输入到所述细粒度分类子层，以得到所述掩码字符的细粒度预测结果。

7.根据权利要求6所述的装置，其中，所述训练单元，包括：

确定子单元，用于根据所述粗粒度预测结果、所述细粒度预测结果和所述待掩码字符片段，确定所述语义表示模型的损失函数值；

调整子单元，用于根据所述损失函数值，对所述语义表示模型中的所述语义表示层的参数进行调整。

8.根据权利要求7所述的装置，其中，所述确定子单元，具体用于：

根据所述粗粒度预测结果和所述待掩码字符片段，确定出第一损失函数值；

将所述细粒度预测结果和所述待掩码字符片段中的各个字符进行比较，并根据比较结果，确定出第二损失函数值；

根据所述第一损失函数值和所述第一损失函数值，确定所述语义表示模型的损失函数值。

9.一种电子设备，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1-4中任一项所述的方法。

10.一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1-4中任一项所述的方法。

Images