CN113360751A - 意图识别方法、装置、设备和介质 - Google Patents
意图识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113360751A CN113360751A CN202010152083.1A CN202010152083A CN113360751A CN 113360751 A CN113360751 A CN 113360751A CN 202010152083 A CN202010152083 A CN 202010152083A CN 113360751 A CN113360751 A CN 113360751A
- Authority
- CN
- China
- Prior art keywords
- training sample
- language model
- matching keyword
- fine
- fine tuning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 166
- 230000000873 masking effect Effects 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000013519 translation Methods 0.000 claims description 13
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 13
- 230000003993 interaction Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000009453 Thyroid Nodule Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 231100000535 infertility Toxicity 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001685 thyroid gland Anatomy 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Abstract
本申请公开了一种意图识别方法、装置、设备和介质,涉及自然语言处理技术。具体实现方案为:针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体;基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练;对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。本申请实施例通过在语言模型的预训练阶段融入知识图谱,让模型可以学习到知识的语义表示,从而增强模型的表征能力和推理能力,提高模型预测的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种自然语言处理技术,具体涉及一种意图识别方法、装置、设备和介质。
背景技术
用户意图识别在搜索引擎和广告推荐等领域起着至关重要的作用。只有精准识别用户意图,才能给出精准的内容,才能提升广告的点击率与转化率,以更好地满足用户需求和体验,提升商业上的收益。
用户意图识别本质上是一个文本分类问题,是指在给定的分类体系中,将文本指定分到某个或某几个类别中。作为自然语言处理领域中一个非常经典的问题,现有技术主要是基于深度学习的分类方法。并在此基础上还进一步还提出了预训练语言模型,包括基于RNN(循环神经网络)的ELMo和ULMFiT,基于Transformer(一种网络结构)的OpenAI GPT及Google BERT等,即首先使用大量无监督语料进行语言模型预训练(Pre-training),再使用少量标注语料进行微调(Fine-tuning),以完成如意图识别等具体NLP(自然语言处理)的应用。
然而,现有技术中的预训练语言模型只能学习到样本的上下文表征,缺乏对语义的理解,使得模型并未理解数据中蕴含的语义知识,缺乏推理能力,从而导致模型预测的准确性降低。
发明内容
本申请实施例提供一种意图识别方法、装置、设备和介质,以解决现有技术中的预训练语言模型预测准确性降低的问题。
第一方面,本申请实施例提供了一种意图识别方法,包括:
针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体;
基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练;
对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。
上述申请中的一个实施例具有如下优点或有益效果:通过在语言模型的预训练阶段融入知识图谱,让模型可以学习到知识的语义表示,从而增强模型的表征能力和推理能力,提高模型预测的准确性。
可选的,在所述针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽之前,所述方法还包括:
对每个预训练样本进行分词,得到分词结果;
分别将每个预训练样本的分词结果与所述知识图谱中的实体进行匹配,得到每个预训练样本中的所述至少一个第一匹配关键词。
上述申请中的一个实施例具有如下优点或有益效果:为了实现在预训练阶段融入知识图谱,采用了对训练样本中与知识图谱中的实体相匹配的关键词进行遮蔽的方法,对模型进行预训练,使得训练后的模型能够学习到知识的语义表示,以及知识与其上下文和其它知识之间的关系,从而增强模型的表征能力和推理能力,提高模型预测的准确性。
可选的,所述对所述预训练后的语言模型进行微调,包括:
获取每个微调训练样本中与所述知识图谱中的实体相匹配的至少一个第二匹配关键词;
分别将所述每个微调训练样本及所述至少一个第二匹配关键词作为输入,将所述每个微调训练样本的意图标注信息作为输出,对所述预训练后的语言模型进行微调。
上述申请中的一个实施例具有如下优点或有益效果:通过在微调阶段融入知识图谱,能够最大限度的同时利用微调训练数据的上下文表征与知识图谱的丰富语义线索,模型能够进一步实现上下文部分与知识图谱中知识部分之间的交互,从而提高模型的训练效果,得到的模型的预测准确性更高。
可选的,所述预训练后的语言模型对输入的所述每个微调训练样本及所述至少一个第二匹配关键词的处理方式至少包括:
从所述每个微调训练样本中提取上下文表征序列;
对所述每个微调训练样本中的所述至少一个第二匹配关键词进行词嵌入,得到第二匹配关键词序列;
连接所述上下文表征序列与所述第二匹配关键词序列。
上述申请中的一个实施例具有如下优点或有益效果:通过将上下文表征序列和第二匹配关键词序列进行连接,然后模型会基于连接后的序列进行处理,使得模型可以最大限度的同时利用训练数据的上下文表征与先验知识的丰富语义线索,能够进一步实现上下文部分与知识图谱中知识的部分之间的交互,从而提高模型的训练效果,提高模型的预测准确性。
可选的,在所述对所述预训练后的语言模型进行微调之前,所述方法还包括:
对用于对所述预训练后的语言模型进行微调的微调训练样本进行数据增强;
其中,数据增强的方式至少包括:同义词替换、随机删除关键词、随机选择两个关键词互换位置、生成微调训练样本的意译文本或回译文本。
上述申请中的一个实施例具有如下优点或有益效果:通过数据增强,利用有限的标注数据,获取到更多的训练数据,从而减少网络中的过拟合现象,使得训练出的模型具有更强的泛化能力。
第二方面,本申请实施例还提供了一种意图识别装置,包括:
遮蔽模块,用于针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体;
预训练模块,用于基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练;
微调模块,用于对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。
第三方面,本申请实施例还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申请任意实施例所述的意图识别方法。
第四方面,本申请实施例还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申请任意实施例所述的意图识别方法。
上述申请中的一个实施例具有如下优点或有益效果:在语言模型的预训练阶段,通过引入知识图谱,将训练样本中与知识图谱中的实体相匹配的关键词也按照一定概率进行遮蔽,这些关键词即作为知识,使得训练出的模型可以学习到知识的语义表示,以及知识与其上下文和其它知识之间的关系,从而增强模型的表征能力和推理能力,提高模型预测的准确性;进一步的,在微调阶段,通过融入知识图谱作为先验知识,能够最大限度的同时利用训练数据的上下文表征与先验知识的丰富语义线索,模型能够进一步实现上下文部分与知识图谱中知识的部分之间的交互,从而提高模型的训练效果,得到的模型的预测准确性更高;最后,针对微调阶段所使用的训练样本,通过数据增强,利用有限的标注数据,获取到更多的训练数据,从而减少网络中的过拟合现象,使得训练出的模型具有更强的泛化能力。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
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1a是根据本申请第一实施例的意图识别方法的流程示意图;
图1b是根据本申请第一实施例中对预训练样本进行遮蔽的示意图;
图2是根据本申请第二实施例的意图识别方法的流程示意图;
图3是根据本申请第三实施例的意图识别方法的流程示意图;
图4是根据本申请第四实施例的意图识别装置的结构示意图;
图5是用来实现本申请实施例的意图识别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。
用户意图识别在搜索引擎和广告推荐等领域起着至关重要的作用。以医疗类为例,用户输入query(查询语句)“甲状腺结节有什么危害?”的意图为“危害”;用户点击标题“不孕不育咋办?一直不怀孕怎么办?专业孕育团队_全程亲诊”的意图为“治疗”;而点击网页中的描述“不怀孕的原因,做好孕期检查…”的意图则为“病因”。因此,精准识别用户意图,不仅能更好满足用户需求和体验,提供用户想要的答案或推荐内容,而且能提升广告点击率与转化率等商业收益。
图1a是根据本申请第一实施例的意图识别方法的流程示意图,本实施例可适用于识别用户意图的情况,例如在咨询落地页猜你想问、动态子卡推荐或多轮对话系统等场景下,进行意图识别。该方法可由一种意图识别装置来执行,该装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如服务器或计算机设备等。如图1a所示,该方法具体包括如下:
S101、针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体。
S102、基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练。
其中,所述预先搭建的语言模型可以是基于RNN的ELMo和ULMFiT,基于Transformer的OpenAI GPT及Google BERT等预训练语言模型。本申请实施例对语言模型不做任何限定,可以采用现有技术中的任意预训练语言模型。
在对语言模型进行预训练之前,需要对用于训练语言模型的预训练样本进行处理,即针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽(mask),然后基于遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练。
其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体。示例性的,关键词“危害”、“影响”、“损害”与意图类别“危害”相关;“手术”、“疗法”则与意图类别“治疗”密切相关。而“危害”、“影响”、“损害”、“手术”、“疗法”这些关键词,即可作为实体存在于知识图谱中,知识图谱中可以包括所有意图类别及其相关的实体。而预训练样本中若存在某词语与知识图谱中的实体相匹配,则该词语即可作为所述第一匹配关键词,而且这样的词语可以有多个。
在一种实施方式中,所述第一匹配关键词的确定过程,可以按照如下操作实现,即在针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽之前,所述方法还包括:
对每个预训练样本进行分词,得到分词结果;
分别将每个预训练样本的分词结果与所述知识图谱中的实体进行匹配,得到每个预训练样本中的所述至少一个第一匹配关键词。
具体的,可以采用现有技术中的任意一种分词方法对预训练样本进行分词,分词结果中可以包括至少一个词语、短语或短句等。将这些分词结果分别与知识图谱中的实体进行匹配,如果匹配上,则将其作为所述第一匹配关键词。对于没有匹配上关键词的预训练样本,则直接对其中的每个字按照预设概率进行遮蔽。
在得到第一匹配关键词后,针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽。例如,对于预训练样本“甲状腺结节有什么危害?”,其中单个的字有10个,词语“危害”是第一匹配关键词,与意图类别“危害”相关,于是,在这10个字和1个第一匹配关键词中,按照预设概率进行遮蔽,得到样本“甲状腺节有什么?”,其中,结节的“结”字和词语“危害”被遮蔽。本申请实施例对所述预设概率不做任何限定,可以由技术人员配置。
这里需要说明的是,在现有技术中只是对每个预训练样本中的每个字按照一定的概率进行遮蔽。如图1b中的(1)所示,在上面的例子中,按照现有技术,遮蔽的是“状”、“节”、“危”这几个单个的字,而如图1b中的(2)所示,按照本申请实施例,遮蔽的则是“结”字和词语“危害”。可以得知,按照现有技术,模型只能学习到单个字之间的共现关系和上下文,并不能学习到词的整体语义表示,特别是没有学习到知识,缺乏对语义的理解。而相比之下,本申请实施例中,通过引入知识图谱,将匹配到的第一匹配关键词和单独的字一起进行遮蔽,这些关键词即可以作为知识,使得训练出的模型可以学习到知识的语义表示,以及知识与其上下文和其它知识之间的关系,从而增强模型的表征能力和推理能力,最终提高模型预测的准确性。
S103、对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。
在预训练阶段,是使用大量无监督语料进行,而微调阶段,则是使用少量标注语料进行,以完成诸如意图识别等具体的NLP应用。
本申请实施例的技术方案,通过在语言模型的预训练阶段融入知识图谱,在对预训练样本进行遮蔽时,除遮蔽单个的字之后,还会遮蔽其中与知识图谱的实体相匹配的关键词,这些关键词即作为知识,让模型可以学习到知识的语义表示,从而增强模型的表征能力和推理能力,提高模型预测的准确性。
图2是根据本申请第二实施例的意图识别方法的流程示意图,本实施例在上述实施例的基础上进一步进行优化。如图2所示,该方法具体包括如下:
S201、针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体。
S202、基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练。
S203、获取每个微调训练样本中与所述知识图谱中的实体相匹配的至少一个第二匹配关键词。
其中,微调训练样本为在微调阶段对预训练后的语言模型进行训练所使用的样本数据。具体实现时,可以先对每个微调训练样本进行分词,得到分词结果,然后分别将每个分词结果与知识图谱中的实体进行匹配,将匹配上的词语作为所述第二匹配关键词。需要说明的是,S201中的第一匹配关键词与S203中的第二匹配关键词,可以是知识图谱中的同一个实体,也可以是两个不同的实体。
S204、分别将所述每个微调训练样本及所述至少一个第二匹配关键词作为输入,将所述每个微调训练样本的意图标注信息作为输出,对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。
在现有技术中,微调阶段通常是没有利用到知识图谱中的先验知识的,这使得预测时模型只能根据在训练过程中学习到的上下文表征来进行推理,在精度上存在损失,预测的准确性并不高。而本申请实施例中,将知识图谱融入到微调阶段的训练过程中,将每个微调训练样本以及经匹配确定的至少一个第二匹配关键词都作为模型的输入进行训练,而由于这些第二匹配关键词是知识图谱中与某种意图相关的关键词,因此,这就使得模型不仅能学习到上下文表征,还能学习到知识图谱中的先验知识,也即,模型能够同时利用训练数据的上下文表征和先验知识的丰富语义线索,从而提高模型学习的效果,提高模型预测的准确性。
进一步的,由于微调阶段模型有两部分输入,分别是微调训练样本和作为知识的第二匹配关键词,于是,所述预训练后的语言模型对输入的每个微调训练样本及至少一个第二匹配关键词的处理方式至少包括:
从每个微调训练样本中提取上下文表征序列;
对每个微调训练样本中的至少一个第二匹配关键词进行词嵌入,得到第二匹配关键词序列;
连接上下文表征序列与第二匹配关键词序列。
也即,本申请实施例中,模型会根据输入得到两种序列,分别是上下文表征序列和对知识进行embedding后得到的第二匹配关键词序列,通过将二者进行连接,即可得到最终的序列。而后,模型再基于自身的自注意力机制对最终的序列进行学习,进一步实现上下文部分与知识部分之间的交互,最后使用线性输出层,采用标准的softmax输出结果。经过上述训练,得到目标语言模型,目标语言模型可以对用户输入的query、用户点击标题或描述等行为进行意图预测,从而给出精确的答案或推荐内容。
本申请实施例的技术方案,通过在微调阶段融入知识图谱,能够最大限度的同时利用微调训练数据的上下文表征与知识图谱的丰富语义线索,模型能够进一步实现上下文部分与知识图谱中知识部分之间的交互,从而提高模型的训练效果,得到的模型的预测准确性更高。
图3是根据本申请第三实施例的意图识别方法的流程示意图,本实施例在上述实施例的基础上进一步进行优化。如图3所示,该方法具体包括如下:
S301、针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体。
S302、基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练。
S303、对用于对所述预训练后的语言模型进行微调的微调训练样本进行数据增强。
其中,数据增强的方式至少包括:同义词替换、随机删除关键词、随机选择两个关键词互换位置、生成微调训练样本的意译文本或回译文本。
具体的,同义词替换,即在微调训练样本中,先删除停用词及重要性较低的词,在剩余的部分中经过分词得到关键词,然后从中随机抽取预设个数的关键词,从同义词词典中获取这些关键词的同义词进行替换,或者利用word2vec训练的词向量模型查找同义词进行替换;随机删除关键词,即对上述关键词以一定的概率进行删除;随机选择两个关键词互换位置,即在上述关键词中随机选择两个关键词互换位置,而且这样的操作可以重复多次;生成微调训练样本的意译文本,即通过句法树或正则表达式生成微调训练样本的意译的句子,实现对微调训练样本的改写;生成回译文本,即利用机器翻译技术把微调训练样本的中文翻译成另一种语言(例如英文),然后再将其翻译回中文。
在上述几种数据增强的方式中,除回译之外的几种方法,实际上属于为加噪法,即为在原有的微调训练样本的基础上,通过替换,删除和交换等方式创造和原数据相类似的新数据,有助于防止过拟合,也能引入新的词汇,允许模型泛化到那些在测试集中但不在训练集中的词;而回译的方法往往能够增加训练文本数据的多样性,有时可以改变句法结构等,并保留语义信息。
采用数据增强技术,能够解决训练数据分布不均匀的问题,减少网络中的过拟合现象,训练出泛化能力更强的模型,特别是针对占比较少的用户意图类别数据,效果则更为显著。
S304、基于数据增强后的微调训练样本,对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。
本申请实施例的技术方案,通过数据增强,利用有限的标注数据,获取到更多的微调阶段的训练数据,从而减少网络中的过拟合现象,使得训练出的模型具有更强的泛化能力。
图4是根据本申请第四实施例的意图识别装置的结构示意图,本实施例可适用于识别用户意图的情况,例如在咨询落地页猜你想问、动态子卡推荐或多轮对话系统等场景下,进行意图识别。该装置可实现本申请任意实施例所述的意图识别方法。如图4所示,该装置400具体包括:
遮蔽模块401,用于针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体;
预训练模块402,用于基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练;
微调模块403,用于对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。
可选的,所述装置还包括:
匹配关键词获取模块,用于在所述遮蔽模块针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽之前,执行如下操作:
对每个预训练样本进行分词,得到分词结果;
分别将每个预训练样本的分词结果与所述知识图谱中的实体进行匹配,得到每个预训练样本中的所述至少一个第一匹配关键词。
可选的,所述微调模块包括:
匹配关键词获取单元,用于获取每个微调训练样本中与所述知识图谱中的实体相匹配的至少一个第二匹配关键词;
微调单元,用于分别将所述每个微调训练样本及所述至少一个第二匹配关键词作为输入,将所述每个微调训练样本的意图标注信息作为输出,对所述预训练后的语言模型进行微调。
可选的,所述预训练后的语言模型对输入的所述每个微调训练样本及所述至少一个第二匹配关键词的处理方式至少包括:
从所述每个微调训练样本中提取上下文表征序列;
对所述每个微调训练样本中的所述至少一个第二匹配关键词进行词嵌入,得到第二匹配关键词序列;
连接所述上下文表征序列与所述第二匹配关键词序列。
可选的,所述装置还包括:
数据增强模块,用于在所述微调模块对所述预训练后的语言模型进行微调之前,执行如下操作:
对用于对所述预训练后的语言模型进行微调的微调训练样本进行数据增强;
其中,数据增强的方式至少包括:同义词替换、随机删除关键词、随机选择两个关键词互换位置、生成微调训练样本的意译文本或回译文本。
本申请实施例提供的意图识别装置400可执行本申请任意实施例提供的意图识别方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的意图识别方法的电子设备的框图。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5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的意图识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的意图识别方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的意图识别方法对应的程序指令/模块(例如,附图4所示的遮蔽模块401、预训练模块402和微调模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的意图识别方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据实现本申请实施例的意图识别方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至实现本申请实施例的意图识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现本申请实施例的意图识别方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与实现本申请实施例的意图识别方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
根据本申请实施例的技术方案,在语言模型的预训练阶段,通过引入知识图谱,将训练样本中与知识图谱中的实体相匹配的关键词也按照一定概率进行遮蔽,这些关键词即作为知识,使得训练出的模型可以学习到知识的语义表示,以及知识与其上下文和其它知识之间的关系,从而增强模型的表征能力和推理能力,提高模型预测的准确性;进一步的,在微调阶段,通过融入知识图谱作为先验知识,能够最大限度的同时利用训练数据的上下文表征与先验知识的丰富语义线索,模型能够进一步实现上下文部分与知识图谱中知识的部分之间的交互,从而提高模型的训练效果,得到的模型的预测准确性更高;最后,针对微调阶段所使用的训练样本,通过数据增强,利用有限的标注数据,获取到更多的训练数据,从而减少网络中的过拟合现象,使得训练出的模型具有更强的泛化能力。
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 (12)
1.一种意图识别方法,其特征在于,包括:
针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体;
基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练;
对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。
2.根据权利要求1所述的方法,其特征在于,在所述针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽之前,所述方法还包括:
对每个预训练样本进行分词,得到分词结果;
分别将每个预训练样本的分词结果与所述知识图谱中的实体进行匹配,得到每个预训练样本中的所述至少一个第一匹配关键词。
3.根据权利要求1所述的方法,其特征在于,所述对所述预训练后的语言模型进行微调,包括:
获取每个微调训练样本中与所述知识图谱中的实体相匹配的至少一个第二匹配关键词;
分别将所述每个微调训练样本及所述至少一个第二匹配关键词作为输入,将所述每个微调训练样本的意图标注信息作为输出,对所述预训练后的语言模型进行微调。
4.根据权利要求3所述的方法,其特征在于,所述预训练后的语言模型对输入的所述每个微调训练样本及所述至少一个第二匹配关键词的处理方式至少包括:
从所述每个微调训练样本中提取上下文表征序列;
对所述每个微调训练样本中的所述至少一个第二匹配关键词进行词嵌入,得到第二匹配关键词序列;
连接所述上下文表征序列与所述第二匹配关键词序列。
5.根据权利要求1所述的方法,其特征在于,在所述对所述预训练后的语言模型进行微调之前,所述方法还包括:
对用于对所述预训练后的语言模型进行微调的微调训练样本进行数据增强;
其中,数据增强的方式至少包括:同义词替换、随机删除关键词、随机选择两个关键词互换位置、生成微调训练样本的意译文本或回译文本。
6.一种意图识别装置,其特征在于,包括:
遮蔽模块,用于针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽,其中,所述第一匹配关键词是预训练样本中与预先建立的知识图谱中的实体相匹配的词语,所述知识图谱中包括每种意图类别相关的实体;
预训练模块,用于基于所述遮蔽后的每个预训练样本,对预先搭建的语言模型进行预训练;
微调模块,用于对所述预训练后的语言模型进行微调,得到目标语言模型,以基于所述目标语言模型进行意图识别。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
匹配关键词获取模块,用于在所述遮蔽模块针对每个预训练样本中的每个字和至少一个第一匹配关键词,按照预设概率进行遮蔽之前,执行如下操作:
对每个预训练样本进行分词,得到分词结果;
分别将每个预训练样本的分词结果与所述知识图谱中的实体进行匹配,得到每个预训练样本中的所述至少一个第一匹配关键词。
8.根据权利要求6所述的装置,其特征在于,所述微调模块包括:
匹配关键词获取单元,用于获取每个微调训练样本中与所述知识图谱中的实体相匹配的至少一个第二匹配关键词;
微调单元,用于分别将所述每个微调训练样本及所述至少一个第二匹配关键词作为输入,将所述每个微调训练样本的意图标注信息作为输出,对所述预训练后的语言模型进行微调。
9.根据权利要求8所述的装置,其特征在于,所述预训练后的语言模型对输入的所述每个微调训练样本及所述至少一个第二匹配关键词的处理方式至少包括:
从所述每个微调训练样本中提取上下文表征序列;
对所述每个微调训练样本中的所述至少一个第二匹配关键词进行词嵌入,得到第二匹配关键词序列;
连接所述上下文表征序列与所述第二匹配关键词序列。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
数据增强模块,用于在所述微调模块对所述预训练后的语言模型进行微调之前,执行如下操作:
对用于对所述预训练后的语言模型进行微调的微调训练样本进行数据增强;
其中,数据增强的方式至少包括:同义词替换、随机删除关键词、随机选择两个关键词互换位置、生成微调训练样本的意译文本或回译文本。
11.一种电子设备,其特征在于,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中任一项所述的意图识别方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的意图识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152083.1A CN113360751A (zh) | 2020-03-06 | 2020-03-06 | 意图识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152083.1A CN113360751A (zh) | 2020-03-06 | 2020-03-06 | 意图识别方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360751A true CN113360751A (zh) | 2021-09-07 |
Family
ID=77524238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152083.1A Pending CN113360751A (zh) | 2020-03-06 | 2020-03-06 | 意图识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360751A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806562A (zh) * | 2021-11-17 | 2021-12-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 模型训练方法、装置、设备及存储介质 |
CN114564971A (zh) * | 2022-02-28 | 2022-05-31 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、文本数据处理方法和装置 |
CN114861665A (zh) * | 2022-04-27 | 2022-08-05 | 北京三快在线科技有限公司 | 一种强化学习模型训练以及确定数据关系的方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120059713A1 (en) * | 2010-08-27 | 2012-03-08 | Adchemy, Inc. | Matching Advertisers and Users Based on Their Respective Intents |
WO2018072563A1 (zh) * | 2016-10-18 | 2018-04-26 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及系统 |
US20180143965A1 (en) * | 2016-11-22 | 2018-05-24 | Microsoft Technology Licensing, Llc | Trained data input system |
CN109145153A (zh) * | 2018-07-02 | 2019-01-04 | 北京奇艺世纪科技有限公司 | 意图类别的识别方法和装置 |
CN109388793A (zh) * | 2017-08-03 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 实体标注方法、意图识别方法及对应装置、计算机存储介质 |
US20190205381A1 (en) * | 2017-12-29 | 2019-07-04 | Facebook, Inc. | Analyzing language units for opinions |
CN109992671A (zh) * | 2019-04-10 | 2019-07-09 | 出门问问信息科技有限公司 | 意图识别方法、装置、设备及存储介质 |
CN110083831A (zh) * | 2019-04-16 | 2019-08-02 | 武汉大学 | 一种基于BERT-BiGRU-CRF的中文命名实体识别方法 |
US20190278846A1 (en) * | 2017-03-02 | 2019-09-12 | Tencent Technology (Shenzhen) Company Limited | Semantic extraction method and apparatus for natural language, and computer storage medium |
CN110245348A (zh) * | 2019-05-17 | 2019-09-17 | 北京百度网讯科技有限公司 | 一种意图识别方法及系统 |
CN110263180A (zh) * | 2019-06-13 | 2019-09-20 | 北京百度网讯科技有限公司 | 意图知识图谱生成方法、意图识别方法及装置 |
CN110297870A (zh) * | 2019-05-30 | 2019-10-01 | 南京邮电大学 | 一种金融领域中文新闻标题情感分类方法 |
CN110489555A (zh) * | 2019-08-21 | 2019-11-22 | 创新工场(广州)人工智能研究有限公司 | 一种结合类词信息的语言模型预训练方法 |
CN110502643A (zh) * | 2019-08-28 | 2019-11-26 | 南京璇玑信息技术有限公司 | 一种基于bert模型的预测下一句模型自动构建技术 |
US20200012953A1 (en) * | 2018-07-03 | 2020-01-09 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating model |
CN110704641A (zh) * | 2019-10-11 | 2020-01-17 | 零犀(北京)科技有限公司 | 一种万级意图分类方法、装置、存储介质及电子设备 |
CN110727806A (zh) * | 2019-12-17 | 2020-01-24 | 北京百度网讯科技有限公司 | 基于自然语言和知识图谱的文本处理方法及装置 |
CN110795565A (zh) * | 2019-09-06 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于语义识别的别名挖掘方法、装置、介质及电子设备 |
-
2020
- 2020-03-06 CN CN202010152083.1A patent/CN113360751A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120059713A1 (en) * | 2010-08-27 | 2012-03-08 | Adchemy, Inc. | Matching Advertisers and Users Based on Their Respective Intents |
WO2018072563A1 (zh) * | 2016-10-18 | 2018-04-26 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及系统 |
US20180143965A1 (en) * | 2016-11-22 | 2018-05-24 | Microsoft Technology Licensing, Llc | Trained data input system |
US20190278846A1 (en) * | 2017-03-02 | 2019-09-12 | Tencent Technology (Shenzhen) Company Limited | Semantic extraction method and apparatus for natural language, and computer storage medium |
CN109388793A (zh) * | 2017-08-03 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 实体标注方法、意图识别方法及对应装置、计算机存储介质 |
US20190205381A1 (en) * | 2017-12-29 | 2019-07-04 | Facebook, Inc. | Analyzing language units for opinions |
CN109145153A (zh) * | 2018-07-02 | 2019-01-04 | 北京奇艺世纪科技有限公司 | 意图类别的识别方法和装置 |
US20200012953A1 (en) * | 2018-07-03 | 2020-01-09 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating model |
CN109992671A (zh) * | 2019-04-10 | 2019-07-09 | 出门问问信息科技有限公司 | 意图识别方法、装置、设备及存储介质 |
CN110083831A (zh) * | 2019-04-16 | 2019-08-02 | 武汉大学 | 一种基于BERT-BiGRU-CRF的中文命名实体识别方法 |
CN110245348A (zh) * | 2019-05-17 | 2019-09-17 | 北京百度网讯科技有限公司 | 一种意图识别方法及系统 |
CN110297870A (zh) * | 2019-05-30 | 2019-10-01 | 南京邮电大学 | 一种金融领域中文新闻标题情感分类方法 |
CN110263180A (zh) * | 2019-06-13 | 2019-09-20 | 北京百度网讯科技有限公司 | 意图知识图谱生成方法、意图识别方法及装置 |
CN110489555A (zh) * | 2019-08-21 | 2019-11-22 | 创新工场(广州)人工智能研究有限公司 | 一种结合类词信息的语言模型预训练方法 |
CN110502643A (zh) * | 2019-08-28 | 2019-11-26 | 南京璇玑信息技术有限公司 | 一种基于bert模型的预测下一句模型自动构建技术 |
CN110795565A (zh) * | 2019-09-06 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于语义识别的别名挖掘方法、装置、介质及电子设备 |
CN110704641A (zh) * | 2019-10-11 | 2020-01-17 | 零犀(北京)科技有限公司 | 一种万级意图分类方法、装置、存储介质及电子设备 |
CN110727806A (zh) * | 2019-12-17 | 2020-01-24 | 北京百度网讯科技有限公司 | 基于自然语言和知识图谱的文本处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
周烨恒 等: "结合预训练模型和语言知识库的文本匹配方法", 《中文信息学报》, vol. 34, no. 02, pages 63 - 72 * |
曾明睿 等: "文本特征提取的研究进展", 《南京信息工程大学学报(自然科学版)》, vol. 11, no. 06, pages 706 - 715 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806562A (zh) * | 2021-11-17 | 2021-12-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 模型训练方法、装置、设备及存储介质 |
CN114564971A (zh) * | 2022-02-28 | 2022-05-31 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、文本数据处理方法和装置 |
CN114564971B (zh) * | 2022-02-28 | 2023-05-12 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、文本数据处理方法和装置 |
CN114861665A (zh) * | 2022-04-27 | 2022-08-05 | 北京三快在线科技有限公司 | 一种强化学习模型训练以及确定数据关系的方法及装置 |
CN114861665B (zh) * | 2022-04-27 | 2023-01-06 | 北京三快在线科技有限公司 | 一种强化学习模型训练以及确定数据关系的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111221983B (zh) | 时序知识图谱生成方法、装置、设备和介质 | |
US20210182498A1 (en) | Method, apparatus, electronic device and storage medium for processing a semantic representation model | |
CN111428507B (zh) | 实体链指方法、装置、设备以及存储介质 | |
CN110674314B (zh) | 语句识别方法及装置 | |
CN110991196B (zh) | 多义词的翻译方法、装置、电子设备及介质 | |
US11928435B2 (en) | Event extraction method, event extraction device, and electronic device | |
KR102565673B1 (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
US11361002B2 (en) | Method and apparatus for recognizing entity word, and storage medium | |
US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN112256860A (zh) | 客服对话内容的语义检索方法、系统、设备及存储介质 | |
US20220129448A1 (en) | Intelligent dialogue method and apparatus, and storage medium | |
CN111611468B (zh) | 页面交互方法、装置和电子设备 | |
CN112528001B (zh) | 一种信息查询方法、装置及电子设备 | |
CN113360751A (zh) | 意图识别方法、装置、设备和介质 | |
CN112507735A (zh) | 机器翻译模型的训练方法、装置和电子设备 | |
CN112506949B (zh) | 结构化查询语言查询语句生成方法、装置及存储介质 | |
US11704326B2 (en) | Generalization processing method, apparatus, device and computer storage medium | |
CN112163405A (zh) | 问题的生成方法和装置 | |
CN111858880B (zh) | 获取查询结果的方法、装置、电子设备和可读存储介质 | |
CN111831814A (zh) | 摘要生成模型的预训练方法、装置、电子设备和存储介质 | |
CN111984775A (zh) | 问答质量确定方法、装置、设备和存储介质 | |
CN111966781A (zh) | 数据查询的交互方法及装置、电子设备和存储介质 | |
CN111708800A (zh) | 查询方法、装置及电子设备 | |
CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 |
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 |