CN113408272A

CN113408272A - 摘要生成模型的训练方法、装置、设备和存储介质

Info

Publication number: CN113408272A
Application number: CN202110734020.1A
Authority: CN
Inventors: 吴文浩; 李伟; 肖欣延; 刘家辰
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-06-30
Filing date: 2021-06-30
Publication date: 2021-09-17
Anticipated expiration: 2041-06-30
Also published as: US20230004589A1; JP2023007372A; JP7413630B2; CN113408272B

Abstract

本公开提供了一种摘要生成模型的训练方法、装置、设备和存储介质，涉及计算机技术领域，具体涉及自然语言处理、深度学习等人工智能领域。摘要生成模型的训练方法包括：获取文档样本对应的文档表示；基于所述文档表示，构造所述文档表示对应的摘要表示，所述摘要表示包括正摘要表示和负摘要表示；基于所述文档表示、所述正摘要表示、所述负摘要表示，构建总对比损失函数，并基于所述总对比损失函数训练摘要生成模型。本公开可以提高摘要生成模型的准确度。

Description

摘要生成模型的训练方法、装置、设备和存储介质

技术领域

本公开涉及计算机技术领域，具体涉及自然语言处理、深度学习等人工智能领域，尤其涉及一种摘要生成模型的训练方法、装置、设备和存储介质。

背景技术

自动摘要旨在为一篇或多篇文档自动生成一份简洁的摘要，并要求该生成的摘要语意连贯，语言通畅并且忠实于原文本的内容。自动摘要分为抽取式摘要和生成式摘要，其中生成式摘要旨在通过大数据技术模仿人类总结文章的方式理解输入文档并组织语言生成目标摘要。生成式摘要的处理过程可以包括采用摘要生成模型对输入的文档进行处理，以获得输入的文档对应的摘要。

相关技术中，摘要生成模型在训练时，以最大似然概率函数作为损失函数进行训练。

发明内容

本公开提供了一种摘要生成模型的训练方法、装置、设备和存储介质。

根据本公开的一方面，提供了一种摘要生成模型的训练方法，包括：获取文档样本对应的文档表示；基于所述文档表示，构造所述文档表示对应的摘要表示，所述摘要表示包括正摘要表示和负摘要表示；基于所述文档表示、所述正摘要表示、所述负摘要表示，构建总对比损失函数，并基于所述总对比损失函数训练摘要生成模型。

根据本公开的另一方面，提供了一种摘要生成模型的训练装置，包括：获取模块，用于获取文档样本对应的文档表示；构造模块，用于基于所述文档表示，构造所述文档表示对应的摘要表示，所述摘要表示包括正摘要表示和负摘要表示；训练模块，用于基于所述文档表示、所述正摘要表示、所述负摘要表示，构建总对比损失函数，并基于所述总对比损失函数训练摘要生成模型。

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，可以提高摘要生成模型的准确度。

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表示，也不用于限制本公开的范围。本公开的其它表示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是根据本公开第四实施例的示意图；

图6是根据本公开第四实施例的示意图；

图7是用来实现本公开实施例的摘要生成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。

图1是根据本公开第一实施例的示意图，本实施例提供一种摘要生成模型的训练方法，包括：

101、获取文档样本对应的文档表示。

102、基于所述文档样本，获取所述文档样本对应的摘要样本，所述摘要样本包括正摘要样本和负摘要样本。

103、基于所述文档样本、所述正摘要样本和所述负摘要样本，构建总对比损失函数，并基于所述总对比损失函数，训练摘要生成模型。

本实施例的执行主体可以为摘要生成模型的训练装置，该训练装置可以位于终端或者服务器中等。

文档样本可以在已有数据集中获取，比如，通过历史收集或者构建，可以获得大量已有数据，这些大量已有数据中可以包括已有文档，将已有文档作为文档样本。

表示(representation)是用于描述数据的一种信息，比如，对于像素点，其表示可以为RGB数据或者HSV数据。表示(representation)一般可以采用向量形式对数据进行描述。

摘要生成模型(可以简称为模型)是指对文档进行处理，以获得文档对应的摘要的模型。比如，如图2所示，在应用阶段，待生成摘要的文档输入到摘要生成模型中，摘要生成模型对该文档进行处理，输出为该文档对应的摘要。文档对应的摘要是指文档中的关键信息，基于摘要生成模型生成的摘要，可以生成原始的文档中没有的新的词语、短语等。

正摘要表示是指文档样本对应的正摘要样本的表示，负摘要表示是指文档样本对应的负摘要样本的表示。

正摘要样本是指与文档样本语义一致的摘要样本，负摘要样本是指与文档样本语义不一致的摘要样本。比如，一个文档样本是说某个电影很好，若一个摘要样本也是说该电影很好或类似的语义，比如极好、还可以等，则该摘要样本为正摘要样本，若一个摘要样本是说该电影不好，比如糟透了，则该摘要样本为负摘要样本。

相关技术中，训练摘要生成模型时，损失函数一般采用最大似然概率函数，最大似然概率函数是二元组函数，基于样本的预测表示和真实表示构建。但是，由于最大似然概率函数只是反映统计关系，不能准确反映语义关系，会影响摘要生成模型的准确度。

本公开实施例中，摘要生成模型在训练时，采用的损失函数是对比损失(contrastive loss)函数，对比损失函数是基于三元组构建的损失函数，以更好地对比正负样本之间的关系。为了与后续出现的对比损失函数区分，模型训练最终采用的对比损失函数可以称为总对比损失函数。

具体地，总对比损失函数基于的三元组包括：文档表示、正摘要表示和负摘要表示。基于上述三元组的总对比损失函数的训练目标是：语义上关联性强的样本表示的距离相近，语义上关联性弱的样本表示的距离较远。这样在预测(即采用模型生成文档的摘要)时，即使存在噪声导致生成的摘要有一些波动，但是由于语义不相关的文本之间相离较远，模型也会生成语义相关性较好的摘要。

如图3所示，假设文档是关于电影A的影评文档，且该影评文档表明A是一部很好的电影(a good movie(A))，理想情况下对应影评文档的摘要可以用白色圆点表示，即摘要：A很棒(movie A is great)，即使存在噪声，生成的摘要可以用斜线填充圆点表示，即可能为，摘要：A极好(Ais awesome)或者A可以(The movie is Okay)。但是，由于模型训练时语义不相关的样本之间距离很远，所以不会生成语义不相关的摘要，比如不会生成黑色圆点表示的摘要：A很糟糕(The movie is awful)。可以理解的是，为了简化说明，图3中的各圆点表示在流形(mainfold)空间内。

基于上述三元组可以构建基于三元组的总对比损失函数，之后，可以基于总对比损失函数训练摘要生成模型，即，可以基于总对比损失函数调整模型参数直至总对比损失函数收敛。

本实施例中，通过构建基于文档表示、文档表示对应的正摘要表示和文档表示对应的负摘要表示的总对比损失函数，基于该总对比损失函数训练摘要生成模型，可以在模型训练时引入对比学习，提高摘要生成模型的准确度。

如图2所示，摘要生成模型的输入是一种文本(文档)，输出是另一种文本(摘要)，因此，摘要生成模型可以为序列到序列(seq2seq)模型，序列到序列模型一般包括编码器(encoder)和解码器(decoder)。

如图4所示，以摘要生成模型包括编码器和解码器为例，在应用阶段，文档输入到编码器中，编码器对文档进行处理后，获得编码表示，之后编码表示可以输入到解码器中，经过解码器处理后，获得解码表示，之后可以基于解码表示，通过查表等方式获取解码表示对应的文本，作为文档对应的摘要。包括编码器和解码器的序列到序列模型可以采用相关技术中的模型结构，比如Transformer模型。在训练阶段，输入的文档可以称为文档样本，文档样本对应的编码表示和/或解码表示可以作为文档表示。

通过基于编码器和解码器获得文档表示，可以适用于序列到序列模型的场景。

图5是根据本公开第五实施例的示意图，本实施例提供一种摘要生成模型的训练方法，结合图4所示的结构，该方法包括：

501、采用摘要生成模型中的编码器对文档样本进行处理，以获得编码表示。

502、采用摘要生成模型中的解码器对所述编码表示进行处理，以获得解码表示。

编码器和解码器可以采用相关技术中序列到序列模型中的编码器和解码器，序列到序列模型比如为Transformer模型。

503、获取所述解码表示对应的生成文本。

其中，解码表示一般为多维向量，可以预先配置向量与文本对应关系的表，通过查询该表可以获得解码表示对应的文本，作为生成文本。

504、基于所述生成文本构造正摘要样本和负摘要样本。

其中，可以采用回环翻译的方式，获得正摘要样本。

即，可以对所述生成文本进行回环翻译，以获得回环翻译结果，将所述回环翻译结果作为所述正摘要样本。

比如，生成文本为中文1，采用翻译器得到中文1对应的英文翻译为英文0，再采用翻译器得到的英文0对应的中文翻译为中文2，则中文2为中文1的回环翻译结果，即中文2可以作为中文1的正摘要样本。

通过回环翻译，可以构造出句法不同但语义一致的正摘要样本。

其中，可以采用如下项中的一项或多项获得负摘要样本：

(1)对所述生成文本进行实体替换，以获得实体替换结果，将所述实体替换结果作为所述负摘要样本。

比如，生成文本中包括地名实体“北京”，则可以也其他的地名实体，比如“天津”，替换该地名实体“北京”，以构造实体关系上的错误，将替换后的包括“天津”的文本作为负摘要样本。

(2)对所述生成文本进行代词替换，以获得代词替换结果，将所述代词替换结果作为所述负摘要样本。

比如，生成文本中包括人称代词“他”，则可以用“她”替换，以构造人称代词上的错误，将替换后的包括“她”的文本作为负摘要样本。

(3)对所述生成文本进行情感替换，以获得情感替换结果，将所述情感替换结果作为所述负摘要样本。

比如，将肯定语句替换为否定语句，具体比如将文本中的“是”替换为“不是”，以构造情感上的错误，将替换后的包括“不是”的文本作为负摘要样本

(4)获取所述生成文本的相似文本，将所述相似文本作为所述负摘要样本。

其中，相似文本可以是指与生成文本强相似的文本，具体地，可以计算生成文本与已有的候选文本的相似度，将相似度最高(top-1)或者N(N可设置)(top-N)个较高的候选文本作为负摘要样本。

(5)对所述生成文本进行虚拟对抗处理，以获得虚拟对抗结果，将所述虚拟对抗结果作为所述负摘要样本。

虚拟对抗是一种数据增强技术，虚拟对抗的关键步骤是通过在输入上加入扰动，使得模型输出与非扰动输入的输出不同。本实施例中通过虚拟对抗，可以在生成文本对应的表示上增加扰动，将增加扰动后的表示作为负摘要表示。

通过上述负摘要样本构造技术，可以构造出存在事实错误且不易在表层区分的强负摘要样本，有效提升模型性能。

通过基于生成文本构造正摘要样本和负摘要样本，可以丰富样本数量，提升模型效果。

505、获取所述正摘要样本对应的正摘要表示，以及，所述负摘要样本对应的负摘要表示。

其中，以正摘要样本为例，可以采用word2vec模型或者其他的文本到向量的转换模型，将正摘要样本转换为对应的向量形式，作为正摘要表示。负摘要表示也可以采用类似方式获取。

506、基于所述编码表示、所述正摘要表示和所述负摘要表示，构建第一对比损失函数；基于所述解码表示、所述正摘要表示和所述负摘要表示，构建第二对比损失函数；以及，基于所述第一对比损失函数和所述第二对比损失函数，构建总对比损失函数。

如图4所示，正摘要表示用P表示，负摘要表示用N表示，本实施例中包括两个语义对比，一个可以称为输入端语义对比，另一个可以称为输出端语义对比，输入端语义对比的对比三元组包括：编码表示、正摘要表示和负摘要表示，输出端语义对比的对比三元组包括：解码表示、正摘要表示和负摘要表示。

对比损失函数的具体形式可以根据需要设置，一种计算公式可以如下：

L＝l₁+l₂

其中，L是总对比损失函数，l₁是第一对比损失函数，l₂是第二对比损失函数，z₀是编码表示，z’₀是解码表示，z₁是正摘要表示，z_k是负摘要表示，n是负摘要表示的总数，τ是预设的超参数。

通过输入端语义对比，可以学习解码表示与编码表示的事实一致性，即，给定一个编码表示和多个解码表示，模型可以学会为正确匹配的解码表示给出较大的相似度，错误匹配的解码表示给出较小的相似度。输出端语义表示可以学习输出表示之间的相似度，即与解码表示事实一致性的正摘要表示之间相似度较大，正摘要表示与负摘要表示相似度较小。

507、基于所述总对比损失函数训练摘要生成模型。

比如，采用总对比损失函数调整摘要生成模型的参数，直至总对比损失函数收敛，或者达到预设的迭代次数。

本实施例中，通过两个语义对比，可以缓解摘要生成模型生成事实性错误的摘要的现象，相比于普通seq2seq模型生成的摘要更加忠于原文且保证生成质量。另外，采用本实施例的摘要生成模型时，不需要对训练时的文档样本以及预测时的文档进行预处理和后处理，可以提高训练或预测效率。

图6是根据本公开第四实施例的示意图，本实施例提供一种摘要生成模型的训练装置。如图6所示，摘要生成模型的训练装置600包括：获取模块601、构造模块602和训练模块603。

获取模块601用于获取文档样本对应的文档表示；构造模块602用于基于所述文档表示，构造所述文档表示对应的摘要表示，所述摘要表示包括正摘要表示和负摘要表示；训练模块603用于基于所述文档表示、所述正摘要表示、所述负摘要表示，构建总对比损失函数，并基于所述总对比损失函数训练摘要生成模型。

一些实施例中，所述摘要生成模型包括：编码器和解码器，所述获取模块601具体用于：采用所述编码器对所述文档样本进行处理，以获得编码表示；采用所述解码器对所述编码表示进行处理，以获得解码表示；将所述编码表示和/或所述解码表示，作为所述文档表示。

一些实施例中，所述文档表示包括所述编码表示和所述解码表示，所述训练模块603具体用于：基于所述编码表示、所述正摘要表示和所述负摘要表示，构建第一对比损失函数；基于所述解码表示、所述正摘要表示和所述负摘要表示，构建第二对比损失函数；基于所述第一对比损失函数和所述第二对比损失函数，构建总对比损失函数。

一些实施例中，所述文档表示包括所述解码表示，所述构造模块602具体用于：获取所述解码表示对应的生成文本；基于所述生成文本构造正摘要样本和负摘要样本；获取所述正摘要样本对应的正摘要表示，以及，所述负摘要样本对应的负摘要表示。

一些实施例中，所述构造模块602进一步具体用于：对所述生成文本进行回环翻译，以获得回环翻译结果，将所述回环翻译结果作为所述正摘要样本。

一些实施例中，所述构造模块602进一步具体用于执行如下项中的至少一项：对所述生成文本进行实体替换，以获得实体替换结果，将所述实体替换结果作为所述负摘要样本；对所述生成文本进行代词替换，以获得代词替换结果，将所述代词替换结果作为所述负摘要样本；对所述生成文本进行情感替换，以获得情感替换结果，将所述情感替换结果作为所述负摘要样本；获取所述生成文本的相似文本，将所述相似文本作为所述负摘要样本；对所述生成文本进行虚拟对抗训，以获得虚拟对抗结果，将所述虚拟对抗结果作为所述负摘要样本。

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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理，例如摘要生成模型的训练方法。例如，在一些实施例中，摘要生成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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的摘要生成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701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行摘要生成模型的训练方法。

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

1.一种摘要生成模型的训练方法，包括：

获取文档样本对应的文档表示；

基于所述文档表示，构造所述文档表示对应的摘要表示，所述摘要表示包括正摘要表示和负摘要表示；

基于所述文档表示、所述正摘要表示、所述负摘要表示，构建总对比损失函数，并基于所述总对比损失函数训练摘要生成模型。

2.根据权利要求1所述的方法，其中，所述摘要生成模型包括：编码器和解码器，所述获取文档样本对应的文档表示，包括：

采用所述编码器对所述文档样本进行处理，以获得编码表示；

采用所述解码器对所述编码表示进行处理，以获得解码表示；

将所述编码表示和/或所述解码表示，作为所述文档表示。

3.根据权利要求2所述的方法，其中，所述文档表示包括所述编码表示和所述解码表示，所述基于所述文档表示、所述正摘要表示、所述负摘要表示，构建总对比损失函数，包括：

基于所述编码表示、所述正摘要表示和所述负摘要表示，构建第一对比损失函数；

基于所述解码表示、所述正摘要表示和所述负摘要表示，构建第二对比损失函数；

基于所述第一对比损失函数和所述第二对比损失函数，构建总对比损失函数。

4.根据权利要求2所述的方法，其中，所述文档表示包括所述解码表示，所述基于所述文档表示，构造所述文档表示对应的摘要表示，包括：

获取所述解码表示对应的生成文本；

基于所述生成文本构造正摘要样本和负摘要样本；

获取所述正摘要样本对应的正摘要表示，以及，所述负摘要样本对应的负摘要表示。

5.根据权利要求4所述的方法，其中，所述基于所述生成文本构造正摘要样本，包括：

对所述生成文本进行回环翻译，以获得回环翻译结果，将所述回环翻译结果作为所述正摘要样本。

6.根据权利要求4所述的方法，其中，所述基于所述生成文本构造负摘要样本，包括如下项中的至少一项：

对所述生成文本进行实体替换，以获得实体替换结果，将所述实体替换结果作为所述负摘要样本；

对所述生成文本进行代词替换，以获得代词替换结果，将所述代词替换结果作为所述负摘要样本；

对所述生成文本进行情感替换，以获得情感替换结果，将所述情感替换结果作为所述负摘要样本；

获取所述生成文本的相似文本，将所述相似文本作为所述负摘要样本；

对所述生成文本进行虚拟对抗训，以获得虚拟对抗结果，将所述虚拟对抗结果作为所述负摘要样本。

7.一种摘要生成模型的训练装置，包括：

获取模块，用于获取文档样本对应的文档表示；

构造模块，用于基于所述文档表示，构造所述文档表示对应的摘要表示，所述摘要表示包括正摘要表示和负摘要表示；

训练模块，用于基于所述文档表示、所述正摘要表示、所述负摘要表示，构建总对比损失函数，并基于所述总对比损失函数训练摘要生成模型。

8.根据权利要求7所述的装置，其中，所述摘要生成模型包括：编码器和解码器，所述获取模块具体用于：

将所述编码表示和/或所述解码表示，作为所述文档表示。

9.根据权利要求8所述的装置，其中，所述文档表示包括所述编码表示和所述解码表示，所述训练模块具体用于：

10.根据权利要求8所述的装置，其中，所述文档表示包括所述解码表示，所述构造模块具体用于：

获取所述解码表示对应的生成文本；

基于所述生成文本构造正摘要样本和负摘要样本；

11.根据权利要求10所述的装置，其中，所述构造模块进一步具体用于：

12.根据权利要求10所述的装置，其中，所述构造模块进一步具体用于执行如下项中的至少一项：

13.一种电子设备，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1-6中任一项所述的方法。

14.一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1-6中任一项所述的方法。

15.一种计算机程序产品，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1-6中任一项所述的方法。