CN113408636B - 预训练模型获取方法、装置、电子设备及存储介质 - Google Patents

预训练模型获取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113408636B
CN113408636B CN202110734498.4A CN202110734498A CN113408636B CN 113408636 B CN113408636 B CN 113408636B CN 202110734498 A CN202110734498 A CN 202110734498A CN 113408636 B CN113408636 B CN 113408636B
Authority
CN
China
Prior art keywords
word
training
similarity
subtree
attention
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.)
Active
Application number
CN202110734498.4A
Other languages
English (en)
Other versions
CN113408636A (zh
Inventor
王丽杰
张帅
肖欣延
常月
李婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110734498.4A priority Critical patent/CN113408636B/zh
Publication of CN113408636A publication Critical patent/CN113408636A/zh
Priority to US17/572,068 priority patent/US11989516B2/en
Priority to JP2022038312A priority patent/JP7379792B2/ja
Application granted granted Critical
Publication of CN113408636B publication Critical patent/CN113408636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了预训练模型获取方法、装置、电子设备及存储介质，涉及自然语言处理及深度学习等人工智能领域，其中的方法可包括：在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块，定义句法信息对应的学习目标；根据所定义的学习目标进行预训练模型的训练。应用本公开所述方案，可提升预训练模型的性能，并可减少对于计算资源的消耗等。

Description

预训练模型获取方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，特别涉及自然语言处理及深度学习等领域的预训练模型获取方法、装置、电子设备及存储介质。
背景技术
基于大规模无结构文本数据训练得到的预训练模型，为下游任务带来了很大的效果提升。
目前，一些研究尝试使预训练模型学习到句法信息，以便在下游任务上进一步提升效果。比如，采用句法语言模型，预训练过程直接预测输出整颗句法树，但种方式需要耗费巨大的计算资源。
发明内容
本公开提供了预训练模型获取方法、装置、电子设备及存储介质。
一种预训练模型获取方法，包括：
在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块，加入句法信息对应的学习目标；
根据所述学习目标进行所述预训练模型的训练。
一种预训练模型获取装置，包括：第一训练模块以及第二训练模块；
所述第一训练模块，用于在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块，加入句法信息对应的学习目标；
所述第二训练模块，用于根据所述学习目标进行所述预训练模型的训练。
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以上所述的方法。
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计算机执行如以上所述的方法。
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如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果：可利用句法信息指导预训练模型的训练，使其学习到句法信息，从而提升了预训练模型的性能，并可减少对于计算资源的消耗等。
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为本公开所述预训练模型获取方法实施例的流程图；
图2为本公开所述依存树的示意图；
图3为本公开所述注意力权重矩阵的示意图；
图4为本公开所述预训练模型获取装置实施例400的组成结构示意图；
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。
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。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本公开所述预训练模型获取方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块(自注意力机制)，加入句法信息对应的学习目标。
在步骤102中，根据所述学习目标进行预训练模型的训练。
可以看出，上述方法实施例所述方案中，可利用句法信息来指导预训练模型的训练，使其学习到句法信息，从而提升了预训练模型的性能，并可减少对于计算资源的消耗等。
所述预训练模型通常为基于转换器(transformer)架构的预训练模型，自注意力(self-attention)模块是其中一个非常重要的模块。
本公开所述方式中，引入了额外的子任务学习来正则化自注意力模块的学习，所述正则化的设计参考了句法信息，从而使得预训练模型能够学习到句法信息。
也就是说，在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块，可定义句法信息对应的学习目标。
所述学习目标可包括以下之一或全部：第一学习目标，第二学习目标。即可以仅定义第一学习目标，也可以仅定义第二学习目标，还可以同时定义第一学习目标和第二学习目标，可根据实际需要而定，非常地灵活方便。
以下分别对第一学习目标和第二学习目标进行具体介绍。
1)第一学习目标
针对训练语句中的任一词(term)x，要求词x对应的第一权重大于第二权重。第一权重为在该训练语句对应的依存树中与词x通过直接路径关联的任一词y与词x之间的注意力权重，第二权重为在依存树中与词x通过弱路径关联或无路径关联的任一词z与词x之间的注意力权重。
其中，通过直接路径关联可包括：与词x在同一路径上，且位于词x的下游，与词x通过一条边直接相连，或者，与词x在同一路径上，且与词x通过一条边直接相连。
通过弱路径关联可包括：与词x在同一路径上，且位于词x的下游，与词x通过至少两条边间接相连，或者，与词x在同一路径上，且与词x通过至少两条边间接相连。
无路径关联包括：与词x不在同一路径上。
为便于表述/区分，将上述不同的词分别称为词x、词y和词z。
句法信息给出了词间的语法结构信息，句法路径越短的词之间依赖度越高，即父亲更倾向于由直接孩子来表示。基于此，可假设，针对给定的任一词x，在依存树中与词x通过直接路径关联的任一词y与词x之间的注意力权重大于在依存树中与词x通过弱路径关联或无路径关联的任一词z与词x之间的注意力权重。
对于任一训练语句，其中可包括多个词，比如，对于训练语句“百*(表示一家公司名称)收购一家高科技公司”，其中可包括“百*”、“收购”、“一家”、“高科技”和“公司”等词。另外，可按照现有方式，构建出该训练语句对应的依存树，如图2所示，图2为本公开所述依存树的示意图。依存树可体现出该训练语句中的各词之间的依赖关系。
以词x为图2中所示的“公司”为例，那么词y可为“一家”或“高科技”，可以看出，“一家”或“高科技”与“公司”在同一路径上，且位于“公司”的下游，即为“公司”的孩子节点，且与“公司”通过一条边直接相连，词z可为“百*”，可以看出，“百*”与“公司”不在同一路径上。
以上为考虑了边的方向的处理方式，若不考虑边的方向，仍以词x为图2中所示的“公司”为例，那么词y可为“一家”、“高科技”或“收购”，即与“公司”在同一路径上，且与“公司”通过一条边直接相连。
假设图2中所示的“一家”之下进一步包括一个孩子节点，那么该节点对应的词也可作为词z，其为与“公司”通过弱路径关联的词。
如前所述，对于词x，可分别获取第一权重和第二权重，其中，第一权重可为词y与词x之间的注意力权重，第二权重可为词z与词x之间的注意力权重。
在实际应用中，自注意力机制中可包括多层，且可为多头(head)自注意力机制，对于同一训练语句中的各个词来说，在每一层的每个头下，每个词分别对于其它各词(可包括自身)存在一个注意力权重，如何获取所述注意力权重为现有技术。假设当前层为层j，1≤j≤L，L表示层数，并假设头数为8，那么以词x和词y为例，词y和词x之间存在8个注意力权重，分别对应于8个头，相应地，可计算这8个注意力权重的均值，将得到的均值作为所需的第一权重。按照同样的方式，可得到所需的第二权重。
利用上述注意力权重，还可进一步得到注意力权重矩阵，如图3所示，图3为本公开所述注意力权重矩阵的示意图，其中的方格数等于训练语句中包括的词数，每个方格分别表示两个词之间的注意力权重，方格的颜色表示不同的注意力权重大小。
针对词x，要求第一权重大于第二权重，通常所述大于为远大于(>>)，具体取值可根据实际需要而定。
2)第二学习目标
对于训练语句对应的依存树中的任一子树，要求该子树中的任一核心词对应的第一相似度大于第二相似度，且，要求该子树对应的第三相似度大于第四相似度。核心词为该子树中的非叶子节点对应的词。
其中，第一相似度可为该核心词与子树内的任一词的注意力分布之间的相似度，第二相似度可为该核心词与子树外的任一词的注意力分布之间的相似度，第三相似度可为该子树中位于左右两个边界处的叶子节点对应的词的注意力分布之间的相似度，第四相似度可为该子树内的任一词与该子树外的任一词的注意力分布之间的相似度。
句法信息给出了组块信息，即一颗子树可认为是一个组块，一个组块表达了完整、独立的语义。基于此，可假设同一组块内的词之间的注意力分布较为一致，相应地，同一组块内的词的注意力分布之间的相似度要高于不同组块内的词的注意力分布之间的相似度。
如何获取两个词的注意力分布之间的相似度不作限制。比如，可采用以下计算方式：
Figure BDA0003141076050000051
Figure BDA0003141076050000052
Figure BDA0003141076050000053
其中，P和Q分别表示两个词的注意力分布，JSD(P,Q)表示两个词的注意力分布之间的相似度。
对于任一词来说，其注意力分布可为一个向量形式，向量的维度等于该词所在训练语句中包括的词数，向量中的各值分别表示该词与其它各词之间的注意力权重。相应地，上述s表示向量的维度，x表示其中的每一维度。
在实际应用中，自注意力机制中可包括多层，且可为多头自注意力机制，对于同一训练语句中的各个词来说，在每一层的每个头下，均会存在一个对应的注意力分布，假设当前层为层j，1≤j≤L，L表示层数，并假设头数为8，那么对于任一词来说，可获取到8个对应的注意力分布，分别对应于8个头，相应地，可计算8个注意力分布的均值，将得到的均值作为所需的该词的注意力分布。
对于任一子树中的任一核心词，其与该子树内的任一词的注意力分布之间的相似度需要大于该核心词与该子树外的任一词的注意力分布之间的相似度，并且，该子树中位于左右两个边界处的叶子节点对应的词的注意力分布之间的相似度需要大于该子树内的任一词与子树外的任一词的注意力分布之间的相似度。通常所述大于为远大于。
以图2所示为例，“公司”可为核心词，以“公司”所在的子树为例，“公司”与“一家”的注意力分布之间的相似度需要大于“公司”与“百*”(该子树外的词)的注意力分布之间的相似度，并且，“一家”和“高科技”(该子树中位于左右两个边界处的叶子节点对应的词)的注意力分布之间的相似度需要大于如“一家”与“百*”的注意力分布之间的相似度。
根据所定义的上述学习目标，可进行预训练模型的训练。优选地，可根据所定义的学习目标以及预训练模型的原有学习目标，如掩码语言模型损失(Masked language modelloss)，进行预训练模型的训练。
也就是说，采用本公开所述方式，不会对原有预训练模型的训练造成影响，只是在此基础上增加了一个或多个学习目标，以提升预训练模型的性能等。
通过第一学习目标，可使得词的表示计算更依赖于其孩子节点(或称为子孙节点)，通过第二学习目标，可使得组块内信息的语义更为一致，通过学习，可提升预训练模型的性能，进而可为下游任务带来进一步的效果提升等。
如前所述，在实际应用中，自注意力机制中可包括多层，针对每一层，可分别按照本公开所述方式进行处理，或者，可针对其中的指定层，按照本公开所述方式进行处理，具体实现方式不限。
另外，需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图4为本公开所述预训练模型获取装置实施例400的组成结构示意图。如图4所示，包括：第一训练模块401以及第二训练模块402。
第一训练模块401，用于在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块，加入句法信息对应的学习目标。
第二训练模块402，用于根据所述学习目标进行预训练模型的训练。
所述预训练模型通常为基于transformer架构的预训练模型，自注意力模块是为其中一个非常重要的模块。
在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块，可定义句法信息对应的学习目标。所述学习目标可包括以下之一或全部：第一学习目标，第二学习目标。也就是说，可以仅定义第一学习目标，也可以仅定义第二学习目标，还可以同时定义第一学习目标和第二学习目标。
其中，第一学习目标可包括：针对训练语句中的任一词x，要求词x对应的第一权重大于第二权重，第一权重为在训练语句对应的依存树中与词x通过直接路径关联的任一词y与词x之间的注意力权重，第二权重为在依存树中与词x通过弱路径关联或无路径关联的任一词z与词x之间的注意力权重。
通过直接路径关联可包括：与词x在同一路径上，且位于词x的下游，与词x通过一条边直接相连，或者，与词x在同一路径上，且与词x通过一条边直接相连。
通过弱路径关联可包括：与词x在同一路径上，且位于词x的下游，与词x通过至少两条边间接相连，或者，与词x在同一路径上，且与词x通过至少两条边间接相连。
无路径关联包括：与词x不在同一路径上。
第二学习目标可包括：对于训练语句对应的依存树中的任一子树，要求该子树中的任一核心词对应的第一相似度大于第二相似度，且，要求该子树对应的第三相似度大于第四相似度。核心词为该子树中的非叶子节点对应的词。
其中，第一相似度可为该核心词与子树内的任一词的注意力分布之间的相似度，第二相似度可为该核心词与子树外的任一词的注意力分布之间的相似度，第三相似度可为该子树中位于左右两个边界处的叶子节点对应的词的注意力分布之间的相似度，第四相似度可为该子树内的任一词与该子树外的任一词的注意力分布之间的相似度。
根据上述学习目标，可进行预训练模型的训练。优选地，第二训练模块402可根据上述学习目标以及预训练模型的原有学习目标，进行预训练模型的训练。
图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本公开装置实施例所述方案，可利用句法信息指导预训练模型的训练，使其学习到句法信息，从而提升了预训练模型的性能，并可减少对于计算资源的消耗等。
本公开所述方案可应用于人工智能领域，特别涉及自然语言处理及深度学习等领域。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。
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，以解决传统物理主机与虚拟专用服务器(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。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系，通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (12)

1.一种预训练模型获取方法，包括：
在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块，加入句法信息对应的学习目标；所述学习目标包括：第二学习目标；所述第二学习目标包括：对于所述训练语句对应的依存树中的任一子树，要求所述子树中的任一核心词对应的第一相似度大于第二相似度，且，要求所述子树对应的第三相似度大于第四相似度；所述核心词为所述子树中的非叶子节点对应的词；所述第一相似度为所述核心词与所述子树内的任一词的注意力分布之间的相似度，所述第二相似度为所述核心词与所述子树外的任一词的注意力分布之间的相似度，所述第三相似度为所述子树中位于左右两个边界处的叶子节点对应的词的注意力分布之间的相似度，所述第四相似度为所述子树内的任一词与所述子树外的任一词的注意力分布之间的相似度；
根据所述学习目标进行所述预训练模型的训练。
2.根据权利要求1所述的方法，其中，所述学习目标还包括：第一学习目标。
3.根据权利要求2所述的方法，其中，所述第一学习目标包括：
针对所述训练语句中的任一词x，要求所述词x对应的第一权重大于第二权重；所述第一权重为在所述训练语句对应的依存树中与所述词x通过直接路径关联的任一词y与所述词x之间的注意力权重，所述第二权重为在所述依存树中与所述词x通过弱路径关联或无路径关联的任一词z与所述词x之间的注意力权重。
4.根据权利要求3所述的方法，其中，
所述通过直接路径关联包括：与所述词x在同一路径上，且位于所述词x的下游，与所述词x通过一条边直接相连，或者，与所述词x在同一路径上，且与所述词x通过一条边直接相连；
所述通过弱路径关联包括：与所述词x在同一路径上，且位于所述词x的下游，与所述词x通过至少两条边间接相连，或者，与所述词x在同一路径上，且与所述词x通过至少两条边间接相连；
所述无路径关联包括：与所述词x不在同一路径上。
5.根据权利要求1-4中任一项所述的方法，还包括：
根据所述学习目标以及所述预训练模型的原有学习目标，进行所述预训练模型的训练。
6.一种预训练模型获取装置，包括：第一训练模块以及第二训练模块；
所述第一训练模块，用于在利用训练语句对预训练模型进行训练的过程中，针对其中的自注意力模块，加入句法信息对应的学习目标；所述学习目标包括：第二学习目标；所述第二学习目标包括：对于所述训练语句对应的依存树中的任一子树，要求所述子树中的任一核心词对应的第一相似度大于第二相似度，且，要求所述子树对应的第三相似度大于第四相似度；所述核心词为所述子树中的非叶子节点对应的词；所述第一相似度为所述核心词与所述子树内的任一词的注意力分布之间的相似度，所述第二相似度为所述核心词与所述子树外的任一词的注意力分布之间的相似度，所述第三相似度为所述子树中位于左右两个边界处的叶子节点对应的词的注意力分布之间的相似度，所述第四相似度为所述子树内的任一词与所述子树外的任一词的注意力分布之间的相似度；
所述第二训练模块，用于根据所述学习目标进行所述预训练模型的训练。
7.根据权利要求6所述的装置，其中，所述学习目标还包括：第一学习目标。
8.根据权利要求7所述的装置，其中，所述第一学习目标包括：
针对所述训练语句中的任一词x，要求所述词x对应的第一权重大于第二权重；所述第一权重为在所述训练语句对应的依存树中与所述词x通过直接路径关联的任一词y与所述词x之间的注意力权重，所述第二权重为在所述依存树中与所述词x通过弱路径关联或无路径关联的任一词z与所述词x之间的注意力权重。
9.根据权利要求8所述的装置，其中，
所述通过直接路径关联包括：与所述词x在同一路径上，且位于所述词x的下游，与所述词x通过一条边直接相连，或者，与所述词x在同一路径上，且与所述词x通过一条边直接相连；
所述通过弱路径关联包括：与所述词x在同一路径上，且位于所述词x的下游，与所述词x通过至少两条边间接相连，或者，与所述词x在同一路径上，且与所述词x通过至少两条边间接相连；
所述无路径关联包括：与所述词x不在同一路径上。
10.根据权利要求6-9中任一项所述的装置，其中，
所述第二训练模块进一步用于，根据所述学习目标以及所述预训练模型的原有学习目标，进行所述预训练模型的训练。
11.一种电子设备，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1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。
CN202110734498.4A 2021-06-30 2021-06-30 预训练模型获取方法、装置、电子设备及存储介质 Active CN113408636B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110734498.4A CN113408636B (zh) 2021-06-30 2021-06-30 预训练模型获取方法、装置、电子设备及存储介质
US17/572,068 US11989516B2 (en) 2021-06-30 2022-01-10 Method and apparatus for acquiring pre-trained model, electronic device and storage medium
JP2022038312A JP7379792B2 (ja) 2021-06-30 2022-03-11 事前訓練モデル取得方法、装置、電子デバイス、記憶媒体及びコンピュータプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110734498.4A CN113408636B (zh) 2021-06-30 2021-06-30 预训练模型获取方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113408636A CN113408636A (zh) 2021-09-17
CN113408636B true CN113408636B (zh) 2023-06-06

Family

ID=77680404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110734498.4A Active CN113408636B (zh) 2021-06-30 2021-06-30 预训练模型获取方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US11989516B2 (zh)
JP (1) JP7379792B2 (zh)
CN (1) CN113408636B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819188B (zh) * 2022-05-19 2024-08-16 北京百度网讯科技有限公司 模型训练方法、装置、电子设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399158A (zh) * 2018-02-05 2018-08-14 华南理工大学 基于依存树和注意力机制的属性情感分类方法
WO2020107878A1 (zh) * 2018-11-30 2020-06-04 平安科技（深圳）有限公司 文本摘要生成方法、装置、计算机设备及存储介质
CN111488734A (zh) * 2020-04-14 2020-08-04 西安交通大学 基于全局交互和句法依赖的情感特征表示学习系统及方法
CN111553142A (zh) * 2020-04-24 2020-08-18 中国科学院空天信息创新研究院 一种自然语言推理方法及系统
CN112560496A (zh) * 2020-12-09 2021-03-26 北京百度网讯科技有限公司 语义分析模型的训练方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019211651A1 (de) * 2019-08-02 2021-02-04 Robert Bosch Gmbh Vorrichtung und Verfahren zum Maschinenlernen und Ansteuern einer Maschine
US11556712B2 (en) * 2019-10-08 2023-01-17 International Business Machines Corporation Span selection training for natural language processing
US11003865B1 (en) * 2020-05-20 2021-05-11 Google Llc Retrieval-augmented language model pre-training and fine-tuning
CN112016299B (zh) 2020-08-31 2023-11-14 支付宝(杭州)信息技术有限公司 计算机执行、利用神经网络生成依存句法树的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399158A (zh) * 2018-02-05 2018-08-14 华南理工大学 基于依存树和注意力机制的属性情感分类方法
WO2020107878A1 (zh) * 2018-11-30 2020-06-04 平安科技（深圳）有限公司 文本摘要生成方法、装置、计算机设备及存储介质
CN111488734A (zh) * 2020-04-14 2020-08-04 西安交通大学 基于全局交互和句法依赖的情感特征表示学习系统及方法
CN111553142A (zh) * 2020-04-24 2020-08-18 中国科学院空天信息创新研究院 一种自然语言推理方法及系统
CN112560496A (zh) * 2020-12-09 2021-03-26 北京百度网讯科技有限公司 语义分析模型的训练方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Domain Adaptive Neural Sentence Compression by Tree Cutting;Litton J 等;ECIR 2019: Advances in Information Retrieval;全文 *
Syntax-Enhanced Pre-trained Model;Zenan Xu 等;arXiv;论文第4节 *
基于多头注意力机制Tree-LSTM的句子语义相似度计算;胡艳霞;王成;李弼程;李海林;吴以茵;;中文信息学报(03);全文 *
融合句法依存树注意力的关系抽取研究;张翠;周茂杰;杨志清;;广东通信技术(10);全文 *

Also Published As

Publication number Publication date
US11989516B2 (en) 2024-05-21
US20230004717A1 (en) 2023-01-05
JP2023007378A (ja) 2023-01-18
JP7379792B2 (ja) 2023-11-15
CN113408636A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
US20220004892A1 (en) Method for training multivariate relationship generation model, electronic device and medium
JP7291183B2 (ja) モデルをトレーニングするための方法、装置、デバイス、媒体、およびプログラム製品
CN112560496B (zh) 语义分析模型的训练方法、装置、电子设备及存储介质
CN112560481B (zh) 语句处理方法、设备和存储介质
CN112749300A (zh) 用于视频分类的方法、装置、设备、存储介质和程序产品
CN114281968A (zh) 一种模型训练及语料生成方法、装置、设备和存储介质
CN112949818A (zh) 模型蒸馏方法、装置、设备以及存储介质
US20220207427A1 (en) Method for training data processing model, electronic device and storage medium
CN113408636B (zh) 预训练模型获取方法、装置、电子设备及存储介质
CN113360683B (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN114861758A (zh) 多模态数据处理方法、装置、电子设备及可读存储介质
CN113344213A (zh) 知识蒸馏方法、装置、电子设备及计算机可读存储介质
CN115809688B (zh) 一种模型调试方法、装置、电子设备及存储介质
CN113408304B (zh) 文本翻译方法、装置、电子设备及存储介质
CN114239583B (zh) 实体链指模型的训练及实体链指方法、装置、设备及介质
CN116227569A (zh) 预训练语言模型及可解释性方法的性能评估方法及装置
CN112530415B (zh) 负向回复识别模型获取及负向回复识别方法和装置
CN112784967B (zh) 信息处理方法、装置以及电子设备
CN112966513B (zh) 用于实体链接的方法和装置
CN112818167B (zh) 实体检索方法、装置、电子设备及计算机可读存储介质
CN112559727B (zh) 用于输出信息的方法、装置、设备、存储介质和程序
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN113033219A (zh) 模型训练方法、装置、电子设备及计算机可读存储介质
JP7551970B2 (ja) 人工知能モデル更新方法、装置、電子デバイス及び記憶媒体
CN112905777B (zh) 一种扩展问推荐方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant