CN113344197A - 一种识别模型的训练方法、业务执行的方法以及装置 - Google Patents
一种识别模型的训练方法、业务执行的方法以及装置 Download PDFInfo
- Publication number
- CN113344197A CN113344197A CN202110614012.3A CN202110614012A CN113344197A CN 113344197 A CN113344197 A CN 113344197A CN 202110614012 A CN202110614012 A CN 202110614012A CN 113344197 A CN113344197 A CN 113344197A
- Authority
- CN
- China
- Prior art keywords
- training
- service
- layer
- training sample
- feature vector
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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)
- 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)
- Image Analysis (AREA)
Abstract
本说明书公开了一种识别模型的训练方法、业务执行的方法以及装置,获取各业务处理层对应的训练样本。其次,将训练样本输入到待训练的识别模型中的基础特征向量层,确定训练样本对应的基础特征向量。而后,将训练样本对应的基础特征向量输入到待训练的识别模型中包含的训练样本对应的业务处理层,确定训练样本对应的识别结果。最后,以最小化训练样本对应的识别结果与训练样本对应的标注信息之间的偏差为优化目标,对识别模型中包含的基础特征向量层以及若干业务处理层进行联合训练。本方法通过确定业务信息所对应的业务类型,根据目标业务类型对应的业务处理层,对业务信息中的关键词进行识别,避免重复训练多个识别模型,提高了训练模型的效率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种识别模型的训练方法、业务执行的方法以及装置。
背景技术
随着电子技术和网络技术的不断发展,在一些业务场景中,需要在用户输入的文本信息中提取指定类型的关键词,以帮助计算机更好地执行任务,从而提高用户的体验。
目前,识别技术主要是对特定类型的关键词进行识别,一个识别模型通常仅能对一种业务场景下的关键词有较高的识别正确率,对其他业务场景下的关键词识别正确率较低。在实际应用中,针对不同的业务场景,需要重新训练出多个识别模型,对不同的业务场景下的关键词进行识别,而训练多个识别模型花费成本高,训练模型的花费的时间长,训练用于执行业务的识别模型的效率低。
因此,如何能够提高训练识别模型的效率,则是一个亟待解决的问题。
发明内容
本说明书提供一种识别模型的训练方法、业务执行的方法以及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种识别模型的训练方法,识别模型中包含有基础特征向量层以及若干业务处理层,不同业务处理层对应不同的业务类型,包括:
获取各业务处理层对应的训练样本;
将所述训练样本输入到待训练的识别模型中的基础特征向量层,确定所述训练样本对应的基础特征向量;
将所述训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述训练样本对应的业务处理层,确定所述训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为所述训练样本对应的识别结果;
以最小化所述训练样本对应的识别结果与所述训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及若干业务处理层进行联合训练。
可选地,识别模型中还包含有辅助训练层;
所述方法还包括:
将所述辅助训练层对应的辅助训练样本输入到待训练的识别模型中的基础特征向量层,确定所述辅助训练样本对应的基础特征向量;
将所述辅助训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述辅助训练层,确定所述辅助训练样本针对所述辅助训练层所包含的至少一个关键词,作为所述辅助训练样本对应的识别结果;
在通过所述训练样本对所述基础特征向量层以及若干业务处理层进行联合训练的前提下,以最小化所述辅助训练样本对应的识别结果与所述辅助训练样本对应的标注信息之间的偏差为优化目标,对所述基础特征向量层进行强化训练。
可选地,将所述训练样本输入到待训练的识别模型中的基础特征向量层,确定所述训练样本对应的基础特征向量之前,所述方法还包括:
从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本;
以最小化所述训练样本对应的识别结果与所述训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及若干业务处理层进行联合训练,具体包括:
以最小化所述目标训练样本对应的识别结果与所述目标训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及所述目标训练样本对应的业务处理层进行联合训练。
可选地,从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本,具体包括:
针对每个业务处理层,根据该业务处理层对应的训练样本的数量以及该业务处理层已经训练过的轮次,确定该业务处理层在当前训练轮次所对应的训练概率;
根据每个业务处理层在当前训练轮次所对应的训练概率,从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本。
可选地,针对每个业务处理层,若该业务处理层已经训练过的轮次越高,该业务处理层在当前训练轮次所对应的训练概率越低。
本说明书提供了一种业务执行的方法,识别模型中包含有基础特征向量层以及若干业务处理层,不同业务处理层对应不同的业务类型,包括:
获取业务信息;
确定所述业务信息所对应的业务类型,作为目标业务类型;
将所述业务信息输入到所述识别模型中包含的所述基础特征向量层,确定所述业务信息对应的基础特征向量;
将所述基础特征向量输入到所述识别模型中包含的所述目标业务类型对应的业务处理层,确定所述业务信息在所述目标业务类型下所包含的至少一个关键词,所述识别模型是通过上述识别模型训练的方法训练得到的;
根据所述至少一个关键词,向用户提供所述目标业务类型对应的业务,以使所述用户对所述业务进行执行。
本说明书提供了一种识别模型训练的装置,包括:
获取模块,用于获取各业务处理层对应的训练样本;
确定模块,用于将所述训练样本输入到待训练的识别模型中的基础特征向量层,确定所述训练样本对应的基础特征向量;
识别模块,用于将所述训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述训练样本对应的业务处理层,确定所述训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为所述训练样本对应的识别结果;
训练模块,用于以最小化所述训练样本对应的识别结果与所述训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及若干业务处理层进行联合训练。
本说明书提供了一种业务执行的装置,包括:
获取模块,用于获取业务信息;
确定模块,用于确定所述业务信息所对应的业务类型,作为目标业务类型;
输入模块,用于将所述业务信息输入到所述识别模型中包含的所述基础特征向量层,确定所述业务信息对应的基础特征向量;
识别模块,用于将所述基础特征向量输入到所述识别模型中包含的所述目标业务类型对应的业务处理层,确定所述业务信息在所述目标业务类型下所包含的至少一个关键词,所述识别模型是通过上述识别模型训练的方法训练得到的;
提供模块,用于根据所述至少一个关键词,向用户提供所述目标业务类型对应的业务,以使所述用户对所述业务进行执行。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述识别模型的训练方法和业务执行的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述识别模型的训练方法和业务执行的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的识别模型的训练方法中,获取各业务处理层对应的训练样本。其次,将训练样本输入到待训练的识别模型中的基础特征向量层,确定训练样本对应的基础特征向量。而后,将训练样本对应的基础特征向量输入到待训练的识别模型中包含的训练样本对应的业务处理层,确定训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为训练样本对应的识别结果。最后,以最小化训练样本对应的识别结果与训练样本对应的标注信息之间的偏差为优化目标,对识别模型中包含的基础特征向量层以及若干业务处理层进行联合训练。
从上述方法中可以看出,本方法可以获取各业务处理层对应的训练样本,对识别模型中包含的基础特征向量层以及各业务处理层进行联合训练。基础特征向量层包含有各业务处理层对关键词进行识别的通用的基础语义逻辑,各业务处理层分别处理不同的业务类型的业务信息,在联合训练的过程中,公共的基础特征向量层经过大量的训练具有极强的泛化性,可以适用于不同的业务类型的业务信息,这样不仅避免重复训练多个识别模型,导致花费的成本过长,还能够在降低训练多个识别模型所消耗的时间,提高了训练模型的效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的识别模型的训练方法的流程示意图;
图2为本说明书实施例提供的业务执行的方法的流程示意图;
图3为本说明书实施例提供的识别模型的训练装置的结构示意图;
图4为本说明书实施例提供的业务执行的装置的结构示意图;
图5为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
在本说明书实施例中,可以基于业务信息中的关键词,向用户提供目标业务类型对应的业务,以使用户对业务进行执行,需要依赖预先训练好的识别模型,所以,下面将先介绍对识别模型进行训练的过程,如图1所示。
图1为本说明书实施例提供的识别模型的训练方法的流程示意图,具体包括以下步骤:
S100:获取各业务处理层对应的训练样本。
在本说明书实施例中,对识别模型进行训练的执行主体可以是服务器,也可以是诸如台式电脑等电子设备,为了便于描述,下面仅以服务器为执行主体,对本说明书提供的识别模型的训练方法进行说明。
在本说明书实施例中,识别模型中包含有基础特征向量层以及若干业务处理层,不同业务处理层对应不同的业务类型。针对不同的业务类型,获取该业务类型对应的训练样本,根据该业务类型对应的业务处理层,确定该训练样本对应的业务处理层。这里提到的训练样本可以是指用户用于搜索的文本信息,也可以是用户用于评价商品的评价信息,也可以是专门用于进行模型训练的数据信息,本说明书对获取训练识别模型的训练样本的方式不做限定。
S102:将所述训练样本输入到待训练的识别模型中的基础特征向量层,确定所述训练样本对应的基础特征向量。
在本说明书实施例中,服务器可以将训练样本输入到待训练的识别模型中的基础特征向量层,确定训练样本对应的基础特征向量。
上述识别模型中包含有基础特征向量层,该基础特征向量层主要用于对语义进行分析,除此之外,识别模型中还包含有多个业务处理层,这些业务处理层共用一个基础特征向量层。也就是说,虽然不同的业务处理层对应不同的业务类型,但是,通过联合训练的方式所得出的基础特征向量层,能够具备适用于所有业务类型的语义分析能力,即,具有较强的泛化性,进而可以使得每个业务处理层都能输出较为准确的结果。
在实际应用中,服务器确定训练样本对应的基础特征向量的方式可以有多种,例如,在确定训练样本所对应的基础特征向量时,可以按照预设的方式,确定出训练样本中每个字的特征向量,并将每个字的特征向量进行合并计算,进而得到该训练样本对应的基础特征向量;再例如,服务器也可以采用针对语言理解的深度双向转换器预训练模型(Bidirectional Encoder Representations from Transformers,BERT),确定出训练样本中每个字的特征向量。其中,由于采用的是针对语言理解的深度双向转换器预训练模型,所以,虽然确定出的是训练样本中每个字的特征向量,但是,每个字的特征向量中实际上还涉及训练样本中除该字外的其他字的部分特征向量,因此,训练样本中的每个字都可以得到该字对应的语义信息。其他的方式在此就不一一举例说明了。
S104:将所述训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述训练样本对应的业务处理层,确定所述训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为所述训练样本对应的识别结果。
在本说明书实施例中,服务器可以将训练样本对应的基础特征向量输入到待训练的识别模型中包含的训练样本对应的业务处理层,确定训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为训练样本对应的识别结果。
在实际应用中,针对每个业务类型,可以根据该业务类型的特点以及实际需要,构建出该业务类型对应的业务处理层。其中,一个关键词在不同业务类型下可能会对应有不同的标签类型,例如,A地在旅游类型下的标签类型为景点(用于展示A地的介绍界面),A地在美食类型下的标签类型为餐厅(用于查找A地附近的美食)。
针对每个业务类型,可以根据不同的粒度要求,构建出该业务类型对应的业务处理层,例如,A市B区C地在外卖类型下的标签为地址,需要对“A市B区C地”进行整体识别(用于帮助外卖骑手定位A市B区C地),A市B区C地在美食类型下的标签类型为餐厅,若定位出用户已经位于A市B区,则可以直接识别“C地”(用于查找C地附近的美食)。
在本说明书实施例中,上述训练样本中可以存在一些训练效果较差的训练样本。这部分训练样本是指在对该训练样本对应的业务处理层进行训练的训练效果较差,而训练样本本身质量并无问题。但是,这些训练样本可以增强识别模型中的基础特征向量层的通用的基础语义逻辑,在后续的模型训练中,保证其他训练样本进行训练的训练效果,因此,服务器可以通过这部分训练样本对各业务处理层通用的基础特征向量层进行强化训练。
基于此,识别模型中还包括有辅助训练层,服务器可以将辅助训练层对应的辅助训练样本输入到待训练的识别模型中的基础特征向量层,确定辅助训练样本对应的基础特征向量。其次,将辅助训练样本对应的基础特征向量输入到待训练的识别模型中包含的辅助训练层,确定辅助训练样本针对辅助训练层所包含的至少一个关键词,作为辅助训练样本对应的识别结果。最后,在通过训练样本对基础特征向量层以及若干业务处理层进行联合训练的前提下,以最小化辅助训练样本对应的识别结果与辅助训练样本对应的标注信息之间的偏差为优化目标,对基础特征向量层进行强化训练。
在实际应用中,可以将训练效果较差的训练样本进行重复利用,通过识别模型中的辅助训练层进行强化训练,进一步提高基础特征向量层的泛化性,使得识别模型的识别准确率更高。
S106:以最小化所述训练样本对应的识别结果与所述训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及若干业务处理层进行联合训练。
在本说明书实施例中,服务器可以以最小化训练样本对应的识别结果与训练样本对应的标注信息之间的偏差为优化目标,对识别模型中包含的基础特征向量层以及若干业务处理层进行联合训练。
具体的,服务器将业务处理层对应的训练样本输入到待训练的识别模型中的基础特征向量层,再将训练样本对应的基础特征向量输入到待训练的识别模型中包含的训练样本对应的业务处理层,确定训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为训练样本对应的识别结果。将训练样本对应的识别结果与训练样本对应的标注信息进行对比,确定训练样本对应的识别结果与训练样本对应的标注信息之间的偏差。经过多轮的迭代训练,可以使偏差不断减小,并收敛在一个数值范围内,进而完成该轮的该业务处理层与基础特征向量层的训练过程。
进一步的,对每个业务处理层都采用上述同样的方式进行训练,对于任意一个业务处理层,使得该业务处理层对应的训练样本的识别结果与训练样本对应的标注信息之间的偏差不断减小,并在总体上使得识别模型的参数收敛在一个数值范围内,进而完成整个识别模型的训练。
需要说明的是,上述提到的对各业务处理层进行训练所使用的框架可以是多任务学习(Multi-Task Learning,ML)、联合学习(Joint Learning,JL)等网络结构,本说明书不对识别模型所使用的框架的具体形式进行限定。
在实际应用中,服务器对识别模型进行训练的过程中,需要对各业务处理层分别进行训练,由于,各业务处理层对应的训练样本的数量并不相同,可能导致一部分业务处理层训练出现过拟合的情况,也可能出现导致一部分业务处理层训练出现欠拟合的情况,因此,服务器可以从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本,以最小化目标训练样本对应的识别结果与目标训练样本对应的标注信息之间的偏差为优化目标,对识别模型中包含的基础特征向量层以及目标训练样本对应的业务处理层进行联合训练。
在本说明书实施例中,服务器可以针对每个业务处理层,根据该业务处理层对应的训练样本的数量以及该业务处理层已经训练过的轮次,确定该业务处理层在当前训练轮次所对应的训练概率,再根据每个业务处理层在当前训练轮次所对应的训练概率,从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本。
具体的,服务器可以参考如下公式,确定出每个业务处理层在当前训练轮次所对应的训练概率:
在上述公式中,pi可以用于表示当前轮训练第i个业务处理层的概率,e可以用于表示每个业务处理层已经训练过的轮次,k可以用于表示业务处理层的总层数,ni可以用于表示第i个业务处理层对应的训练样本的数量。
从上述公式中可以看出,可以用于表示根据已经训练过的轮次以及训练样本的数量,确定出的第i个业务处理层对应的表征值。其中,可以看出已经训练过的轮次与表征值呈负相关关系,即,若第i个业务处理层已经训练过的轮次越高,第i个业务处理层对应的表征值越小。训练样本的数量与表征值呈正相关关系,即,若第i个业务处理层对应的训练样本的数量越多,第i个业务处理层对应的表征值越大。可以用于表示所有的业务处理层对应的表征值之和。第i个业务处理层对应的表征值越大,第i个业务处理层对应的表征值在所有的业务处理层对应的表征值之和中的占比越大,当前轮训练第i个业务处理层的概率越大。若第i个业务处理层已经训练过的轮次越高,第i个业务处理层对应的表征值越小,第i个业务处理层在当前训练轮次所对应的训练概率越低。在训练轮次足够高时,各业务处理层对应的表征值都无限接近于1。从而,保证了训练样本的数量较多的业务处理层得到更多的训练轮次,并在识别模型训练的后期,保证各业务处理层的训练概率趋向一致。
在本说明书实施例中,服务器还可以根据确定出的目标训练样本对应的识别结果与目标训练样本对应的标注信息之间的偏差,确定每个业务处理层在当前训练轮次所对应的训练概率,若目标训练样本对应的识别结果与目标训练样本对应的标注信息之间的偏差越大,目标训练样本对应的业务处理层在下一轮次的训练概率越高。
需要说明的是,服务器在确定出各业务处理层对应的训练概率后,可以对每个业务处理层在当前训练轮次的训练概率最高的业务处理层进行训练,也可以根据每个业务处理在当前训练轮次的训练概率,随机确定出业务处理层进行训练。
在实际应用中,对识别模型进行每一轮次的训练,是由一个业务处理层与基础特征向量层进行联合训练的,也就是说,在训练每个业务处理层的过程中,都对基础特征向量层进行训练,因此,基础特征向量层经过了大量的训练,具有极高的泛化性。若需要新增业务类型,可以根据新增的业务类型,确定出新增的业务处理层,由于基础特征向量层具有极高的泛化性,因此,在模型训练的过程中,可以认为基础特征向量层已经训练完成,仅对新增的业务处理层进行训练,从而使得训练识别模型的训练时间大大减少,提高了训练模型的效率。即使需要对基础特征向量层以及新增的业务处理层进行联合训练,由于基础特征向量层具有极高的泛化性,基础特征向量层的参数变化也相当小,从而使得对新增的业务处理层进行训练的训练时间大大减少,提高了训练模型的效率。
从上述过程中可以看出,获取各业务处理层对应的训练样本,对识别模型中包含的基础特征向量层以及各业务处理层进行联合训练。基础特征向量层包含有各业务处理层对关键词进行识别的通用的基础语义逻辑,各业务处理层分别处理不同的业务类型的业务信息。由于基础特征向量层经过大量的训练,具有极高的泛化性,可以使得对新增的业务处理层进行训练的训练时间大大减少。这样不仅避免重复训练多个识别模型,还能够提高了训练模型的效率。
本说明书实施例在识别模型的训练完成后,可以通过识别模型向用户提供目标业务类型对应的业务,以使用户对所述业务进行执行,具体过程如图2所示。
图2为本说明书实施例提供的业务执行的方法的流程示意图。
S200:获取业务信息。
S202:确定所述业务信息所对应的业务类型,作为目标业务类型。
在本说明书实施例中,服务器可以获取业务信息,这里提到的业务信息可以是指用户用于搜索的文本信息,也可以是用户用于评价商品的评价信息。再确定出业务信息所对应的业务类型,作为目标业务类型。
S204:将所述业务信息输入到所述识别模型中包含的所述基础特征向量层,确定所述业务信息对应的基础特征向量。
在本说明书实施例中,服务器可以将业务信息输入到识别模型中包含的基础特征向量层,确定业务信息对应的基础特征向量。其中,确定业务信息对应的基础特征向量的方式,与上述模型训练过程中提到的方式基本相同,在此就不进行详细赘述了。
S206:将所述基础特征向量输入到所述识别模型中包含的所述目标业务类型对应的业务处理层,确定所述业务信息在所述目标业务类型下所包含的至少一个关键词。
S208:根据所述至少一个关键词,向用户提供所述目标业务类型对应的业务,以使所述用户对所述业务进行执行。
在本说明书实施例中,服务器可以将基础特征向量输入到识别模型中包含的目标业务类型对应的业务处理层,确定业务信息在目标业务类型下所包含的至少一个关键词,再根据至少一个关键词,向用户提供目标业务类型对应的业务,以使用户对业务进行执行。
从上述内容可以看出,首先,服务器先通过识别模型,来确定各业务处理层共有的基础特征向量,而后,服务器再根据业务信息,确定出业务信息所对应的目标业务类型,将业务信息输入到目标业务类型对应的业务处理层。这样不仅能够保证识别模型可以识别多个领域的关键词,还能保证识别关键词的准确性,从而进一步地提高了用户的业务体验。
以上为本说明书的一个或多个实施例提供的识别模型训练的方法,基于同样的思路,本说明书还提供了相应的识别模型的训练装置,如图3所示。
图3为本说明书实施例提供的识别模型的训练装置的结构示意图,具体包括:
获取模块300,用于获取各业务处理层对应的训练样本;
确定模块302,用于将所述训练样本输入到待训练的识别模型中的基础特征向量层,确定所述训练样本对应的基础特征向量;
识别模块304,用于将所述训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述训练样本对应的业务处理层,确定所述训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为所述训练样本对应的识别结果;
训练模块306,用于以最小化所述训练样本对应的识别结果与所述训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及若干业务处理层进行联合训练。
可选地,所述确定模块302具体用于,将所述辅助训练层对应的辅助训练样本输入到待训练的识别模型中的基础特征向量层,确定所述辅助训练样本对应的基础特征向量,将所述辅助训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述辅助训练层,确定所述辅助训练样本针对所述辅助训练层所包含的至少一个关键词,作为所述辅助训练样本对应的识别结果,在通过所述训练样本对所述基础特征向量层以及若干业务处理层进行联合训练的前提下,以最小化所述辅助训练样本对应的识别结果与所述辅助训练样本对应的标注信息之间的偏差为优化目标,对所述基础特征向量层进行强化训练。
可选地,所述确定模块302具体用于,从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本,以最小化所述目标训练样本对应的识别结果与所述目标训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及所述目标训练样本对应的业务处理层进行联合训练。
可选地,所述获取模块300具体用于,针对每个业务处理层,根据该业务处理层对应的训练样本的数量以及该业务处理层已经训练过的轮次,确定该业务处理层在当前训练轮次所对应的训练概率,根据每个业务处理层在当前训练轮次所对应的训练概率,从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本。
可选地,所述获取模块300具体用于,针对每个业务处理层,若该业务处理层已经训练过的轮次越高,该业务处理层在当前训练轮次所对应的训练概率越低。
图4为本说明书实施例提供的业务执行的装置的结构示意图,具体包括:
获取模块400,用于获取业务信息;
确定模块402,用于确定所述业务信息所对应的业务类型,作为目标业务类型;
输入模块404,用于将所述业务信息输入到所述识别模型中包含的所述基础特征向量层,确定所述业务信息对应的基础特征向量;
识别模块406,用于将所述基础特征向量输入到所述识别模型中包含的所述目标业务类型对应的业务处理层,确定所述业务信息在所述目标业务类型下所包含的至少一个关键词,所述识别模型是通过上述模型训练的方法训练得到的;
提供模块408,用于根据所述至少一个关键词,向用户提供所述目标业务类型对应的业务,以使所述用户对所述业务进行执行。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的识别模型的训练方法以及上述图2提供的业务执行的方法。
本说明书还提供了图5所示的电子设备的结构示意图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的识别模型的训练方法以及上述图2提供的业务执行的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种识别模型的训练方法,其特征在于,识别模型中包含有基础特征向量层以及若干业务处理层,不同业务处理层对应不同的业务类型,包括:
获取各业务处理层对应的训练样本;
将所述训练样本输入到待训练的识别模型中的基础特征向量层,确定所述训练样本对应的基础特征向量;
将所述训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述训练样本对应的业务处理层,确定所述训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为所述训练样本对应的识别结果;
以最小化所述训练样本对应的识别结果与所述训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及若干业务处理层进行联合训练。
2.如权利要求1所述的方法,其特征在于,识别模型中还包含有辅助训练层;
所述方法还包括:
将所述辅助训练层对应的辅助训练样本输入到待训练的识别模型中的基础特征向量层,确定所述辅助训练样本对应的基础特征向量;
将所述辅助训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述辅助训练层,确定所述辅助训练样本针对所述辅助训练层所包含的至少一个关键词,作为所述辅助训练样本对应的识别结果;
在通过所述训练样本对所述基础特征向量层以及若干业务处理层进行联合训练的前提下,以最小化所述辅助训练样本对应的识别结果与所述辅助训练样本对应的标注信息之间的偏差为优化目标,对所述基础特征向量层进行强化训练。
3.如权利要求1所述的方法,其特征在于,将所述训练样本输入到待训练的识别模型中的基础特征向量层,确定所述训练样本对应的基础特征向量之前,所述方法还包括:
从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本;
以最小化所述训练样本对应的识别结果与所述训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及若干业务处理层进行联合训练,具体包括:
以最小化所述目标训练样本对应的识别结果与所述目标训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及所述目标训练样本对应的业务处理层进行联合训练。
4.如权利要求3所述的方法,其特征在于,从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本,具体包括:
针对每个业务处理层,根据该业务处理层对应的训练样本的数量以及该业务处理层已经训练过的轮次,确定该业务处理层在当前训练轮次所对应的训练概率;
根据每个业务处理层在当前训练轮次所对应的训练概率,从各业务处理层对应的训练样本中选取训练样本,作为目标训练样本。
5.如权利要求4所述的方法,其特征在于,针对每个业务处理层,若该业务处理层已经训练过的轮次越高,该业务处理层在当前训练轮次所对应的训练概率越低。
6.一种业务执行的方法,其特征在于,识别模型中包含有基础特征向量层以及若干业务处理层,不同业务处理层对应不同的业务类型,包括:
获取业务信息;
确定所述业务信息所对应的业务类型,作为目标业务类型;
将所述业务信息输入到所述识别模型中包含的所述基础特征向量层,确定所述业务信息对应的基础特征向量;
将所述基础特征向量输入到所述识别模型中包含的所述目标业务类型对应的业务处理层,确定所述业务信息在所述目标业务类型下所包含的至少一个关键词,所述识别模型是通过上述权利要求1~5任一项的方法训练得到的;
根据所述至少一个关键词,向用户提供所述目标业务类型对应的业务,以使所述用户对所述业务进行执行。
7.一种识别模型训练的装置,其特征在于,包括:
获取模块,用于获取各业务处理层对应的训练样本;
确定模块,用于将所述训练样本输入到待训练的识别模型中的基础特征向量层,确定所述训练样本对应的基础特征向量;
识别模块,用于将所述训练样本对应的基础特征向量输入到待训练的识别模型中包含的所述训练样本对应的业务处理层,确定所述训练样本在该业务处理层对应的业务类型下所包含的至少一个关键词,作为所述训练样本对应的识别结果;
训练模块,用于以最小化所述训练样本对应的识别结果与所述训练样本对应的标注信息之间的偏差为优化目标,对所述识别模型中包含的所述基础特征向量层以及若干业务处理层进行联合训练。
8.一种业务执行的装置,其特征在于,包括:
获取模块,用于获取业务信息;
确定模块,用于确定所述业务信息所对应的业务类型,作为目标业务类型;
输入模块,用于将所述业务信息输入到所述识别模型中包含的所述基础特征向量层,确定所述业务信息对应的基础特征向量;
识别模块,用于将所述基础特征向量输入到所述识别模型中包含的所述目标业务类型对应的业务处理层,确定所述业务信息在所述目标业务类型下所包含的至少一个关键词,所述识别模型是通过上述权利要求1~5任一项的方法训练得到的;
提供模块,用于根据所述至少一个关键词,向用户提供所述目标业务类型对应的业务,以使所述用户对所述业务进行执行。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5或6任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~5或6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110614012.3A CN113344197A (zh) | 2021-06-02 | 2021-06-02 | 一种识别模型的训练方法、业务执行的方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110614012.3A CN113344197A (zh) | 2021-06-02 | 2021-06-02 | 一种识别模型的训练方法、业务执行的方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344197A true CN113344197A (zh) | 2021-09-03 |
Family
ID=77475164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110614012.3A Pending CN113344197A (zh) | 2021-06-02 | 2021-06-02 | 一种识别模型的训练方法、业务执行的方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344197A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618748A (zh) * | 2022-11-29 | 2023-01-17 | 支付宝(杭州)信息技术有限公司 | 一种模型优化的方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304440B1 (en) * | 2015-07-10 | 2019-05-28 | Amazon Technologies, Inc. | Keyword spotting using multi-task configuration |
CN110263323A (zh) * | 2019-05-08 | 2019-09-20 | 清华大学 | 基于栅栏式长短时记忆神经网络的关键词抽取方法及系统 |
CN112085012A (zh) * | 2020-09-04 | 2020-12-15 | 泰康保险集团股份有限公司 | 项目名称和类别识别方法及装置 |
CN112154465A (zh) * | 2018-09-19 | 2020-12-29 | 华为技术有限公司 | 一种意图识别模型的学习方法、装置及设备 |
-
2021
- 2021-06-02 CN CN202110614012.3A patent/CN113344197A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304440B1 (en) * | 2015-07-10 | 2019-05-28 | Amazon Technologies, Inc. | Keyword spotting using multi-task configuration |
CN112154465A (zh) * | 2018-09-19 | 2020-12-29 | 华为技术有限公司 | 一种意图识别模型的学习方法、装置及设备 |
CN110263323A (zh) * | 2019-05-08 | 2019-09-20 | 清华大学 | 基于栅栏式长短时记忆神经网络的关键词抽取方法及系统 |
CN112085012A (zh) * | 2020-09-04 | 2020-12-15 | 泰康保险集团股份有限公司 | 项目名称和类别识别方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618748A (zh) * | 2022-11-29 | 2023-01-17 | 支付宝(杭州)信息技术有限公司 | 一种模型优化的方法、装置、设备及存储介质 |
CN115618748B (zh) * | 2022-11-29 | 2023-05-02 | 支付宝(杭州)信息技术有限公司 | 一种模型优化的方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144126A (zh) | 一种语义分析模型的训练方法、语义分析方法及装置 | |
CN113344098A (zh) | 一种模型训练方法及装置 | |
CN115759122A (zh) | 一种意图识别方法、装置、设备及可读存储介质 | |
CN112733024A (zh) | 一种信息推荐的方法及装置 | |
CN107577660B (zh) | 类目信息识别方法、装置及服务器 | |
CN111222315B (zh) | 一种电影剧本情节预测方法 | |
CN114861665B (zh) | 一种强化学习模型训练以及确定数据关系的方法及装置 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN112948449A (zh) | 一种信息推荐的方法及装置 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN116227467A (zh) | 模型的训练方法、文本处理方法及装置 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN116151355B (zh) | 一种模型训练和业务执行的方法、装置、介质及设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN115994252A (zh) | 数据处理方法、装置及设备 | |
CN114912513A (zh) | 一种模型训练的方法、识别信息的方法及装置 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 | |
CN114926687A (zh) | 一种分类模型的训练方法及装置 | |
CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
CN115423485B (zh) | 数据处理方法、装置及设备 | |
CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN115017899B (zh) | 一种缩略语生成方法、装置、设备及存储介质 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN112598279A (zh) | 一种信息的提供方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210903 |