CN113850386A - 模型预训练方法、装置、设备、存储介质以及程序产品 - Google Patents
模型预训练方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN113850386A CN113850386A CN202111260450.0A CN202111260450A CN113850386A CN 113850386 A CN113850386 A CN 113850386A CN 202111260450 A CN202111260450 A CN 202111260450A CN 113850386 A CN113850386 A CN 113850386A
- Authority
- CN
- China
- Prior art keywords
- natural language
- language text
- model
- pseudo
- sample
- 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
- 238000012549 training Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 78
- 239000012634 fragment Substances 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F40/20—Natural language analysis
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种模型预训练方法、装置、设备、存储介质以及程序产品，涉及人工智能技术领域，具体为自然语言处理和深度学习技术领域。该方法的一具体实施方式包括：利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型，其中，第一阶段训练中生成样本伪自然语言文本；为生成模型增加初始判别模型，得到初始预训练语言模型；利用样本自然语言文本和样本伪自然语言文本对初始预训练语言模型进行第二阶段训练，得到预训练语言模型，其中，预训练语言模型既用于生成伪自然语言文本，又用于判别自然语言文本和伪自然语言文本的真实性。该实施方式提供了一种模型预训练方法，提升了模型生成质量。
Description
技术领域
本公开涉及人工智能技术领域，具体为自然语言处理和深度学习技术领域。
背景技术
近年来随着自然语言处理技术的不断发展，基于大语料和大规模参数的生成式预训练语言模型(如GPT3(General Pre-trained Transformer-3，第三代通用预训练转换器)等)逐渐走入人们的视野。这些模型无需进行微调就可以给予输入的各种前缀和提示生成丰富的文本，可以被广泛应用于问答、写作、对话等各种领域。
然而，现有的生成式预训练模型生成的内容相较于自然语言依然存在例如用词不当、前后矛盾、语言重复等等问题。
发明内容
本公开实施例提出了一种模型预训练方法、装置、设备、存储介质以及程序产品。
第一方面，本公开实施例提出了一种模型预训练方法，包括：利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型，其中，第一阶段训练中生成样本伪自然语言文本；为生成模型增加初始判别模型，得到初始预训练语言模型；利用样本自然语言文本和样本伪自然语言文本对初始预训练语言模型进行第二阶段训练，得到预训练语言模型，其中，预训练语言模型既用于生成伪自然语言文本，又用于判别自然语言文本和伪自然语言文本的真实性。
第二方面，本公开实施例提出了一种文本生成方法，包括：获取自然语言文本片段；将自然语言文本片段输入至预先训练的预训练语言模型，得到多个伪自然语言文本以及真实性得分，其中，预训练语言模型是采用第一方面描述的方法训练得到的；根据真实性得分从多个伪自然语言文本中选取伪自然语言文本进行输出。
第三方面，本公开实施例提出了一种模型预训练装置，包括：第一训练模块，被配置成利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型，其中，第一阶段训练中生成样本伪自然语言文本；增加模块，被配置成为生成模型增加初始判别模型，得到初始预训练语言模型；第二训练模块，被配置成利用样本自然语言文本和样本伪自然语言文本对初始预训练语言模型进行第二阶段训练，得到预训练语言模型，其中，预训练语言模型既用于生成伪自然语言文本，又用于判别自然语言文本和伪自然语言文本的真实性。
第四方面，本公开实施例提出了一种文本生成装置，包括：获取模块，被配置成获取自然语言文本片段；生成模块，被配置成将自然语言文本片段输入至预先训练的预训练语言模型，得到多个伪自然语言文本以及真实性得分，其中，预训练语言模型是采用第三方面描述的装置训练得到的；输出模块，被配置成根据真实性得分从多个伪自然语言文本中选取伪自然语言文本进行输出。
第五方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面中任一实现方式描述的方法。
第六方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。
第七方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
本公开实施例提供的模型预训练方法，在训练过程中引入真伪文本判别任务和大量生成的伪文本进行数据增强。在真伪文本自监督的对抗训练过程中，模型发现真伪文本的差异，使得模型生成的伪文本的分布更接近于真实文本，从而进一步加快模型的收敛，提升模型生成质量。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。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是根据本公开的模型预训练方法的一个实施例的流程图；
图2是模型训练阶段的示意图；
图3是根据本公开的模型预训练方法的又一个实施例的流程图；
图4是根据本公开的文本生成方法的一个实施例的流程图；
图5是模型预测阶段的示意图；
图6是根据本公开的文本生成方法的又一个实施例的流程图；
图7是根据本公开的模型预训练装置的一个实施例的结构示意图；
图8是根据本公开的文本生成装置的一个实施例的结构示意图；
图9是用来实现本公开实施例的模型预训练方法或文本生成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。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的模型预训练方法的一个实施例的流程100。该模型预训练方法包括以下步骤：
步骤101，利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型。
在本实施例中，模型预训练方法的训练过程可以分为两阶段。在第一阶段，模型预训练方法的执行主体可以利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型。
实践中，在第一阶段训练中，可以生成样本伪自然语言文本。通常，将样本自然语言文本输入至初始生成模型，可以输出样本伪自然语言文本。基于样本伪自然语言文本与样本自然语言文本的差异，可以调整初始生成模型的参数，使得模型输出的样本伪自然语言文本的分布更接近于输入的样本自然语言文本。样本伪自然语言文本的分布越接近于样本自然语言文本，说明样本伪自然语言文本的质量越高，生成模型的性能越好。
其中，样本自然语言文本可以是预先收集的大规模自然语言文本。通常，这些文本的质量较高，用词恰当、前后连贯、语言简洁。
其中，生成模型可以是利用机器学习方法和样本自然语言文本对初始生成模型进行自监督训练而得到的。通常，可以将初始生成模型的各个参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。初始生成模型的参数在训练过程中可以被不断地调整，直至训练出生成的伪文本的分布更接近于输入的真实文本的分布的生成模型。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始生成模型的参数。
步骤102，为生成模型增加初始判别模型，得到初始预训练语言模型。
在本实施例中，上述执行主体可以为生成模型增加初始判别模型，得到初始预训练语言模型。这样，就在训练过程中引入了真伪文本判别任务。同理，可以将初始判别模型的各个参数用一些不同的小随机数进行初始化。
步骤103，利用样本自然语言文本和样本伪自然语言文本对初始预训练语言模型进行第二阶段训练，得到预训练语言模型。
在本实施例中，模型预训练方法的训练过程可以分为两阶段。在第二阶段，上述执行主体可以利用样本自然语言文本和样本伪自然语言文本对初始预训练语言模型进行第二阶段训练，得到预训练语言模型。其中，预训练语言模型可以既用于生成伪自然语言文本，又用于判别自然语言文本和伪自然语言文本的真实性。
实践中，在第二阶段训练中，可以引入真伪文本判别任务和大量质量较高的样本伪自然语言文本进行数据增强。通常，将样本自然语言文本和样本伪自然语言文本一并输入至初始判别模型，初始判别模型可以对样本自然语言文本和样本伪自然语言文本分别进行打分，输出数值在0到1之间的真实性得分。对于生成模型，其希望生成的样本伪自然语言文本的分布无限接近于样本自然语言文本。而对于初始判别模型，其希望无论生成的样本伪自然语言文本有多真实，初始模型总是能将其和样本自然语言文本区分开。第二阶段训练是生成模型和初始判别模型博弈的过程。基于样本自然语言文本和样本伪自然语言文本的真实性标签与真实性得分的差异，一并调整生成模型和初始判别模型的参数，使得生成模型生成的伪文本的分布无限接近于输入的真实文本，使得得到的判别模型总是能够将生成模型生成的伪文本与真实文本区分开。这时，就得到了包括生成模型和判别模型的预训练语言模型。其中，样本自然语言文本是真实文本，其真实性标签的值为1。样本伪自然语言文本是伪文本，其真实性标签的值为0。
本公开实施例提供的模型预训练方法，在训练过程中引入真伪文本判别任务和大量生成的伪文本进行数据增强。在真伪文本自监督的对抗训练过程中，模型发现真伪文本的差异，使得模型生成的伪文本的分布更接近于真实文本，从而进一步加快模型的收敛，提升模型生成质量。
为了便于理解，图2示出了模型训练阶段的示意图。模型训练阶段分为两阶段。在第一阶段STAGE 1，将样本自然语言文本T输入至生成模型Model_0，输出样本伪自然语言文本T′。基于样本伪自然语言文本T′与样本自然语言文本T的差异，调整生成模型Model_0的参数。在第一阶段STAGE 2，在生成模型Model_0中增加判别模型，得到预训练语言模型Model_1。将样本自然语言文本T和样本伪自然语言文本T′一并输入至预训练语言模型Model_1中的判别模型，对样本自然语言文本T和样本伪自然语言文本T′进行真伪判断。基于真伪判断结果，调整预训练语言模型Model_1的参数。
继续参考图3，其示出了根据本公开的模型预训练方法的又一个实施例的流程300。该模型预训练方法包括以下步骤：
步骤301，将样本自然语言文本划分成样本自然语言文本片段序列。
在本实施例中，模型预训练方法的执行主体可以将样本自然语言文本划分成样本自然语言文本片段序列。例如，对于样本自然语言文本ABCD，可以将其划分为样本自然语言文本片段序列(A,B,C,D)。其中，A、B、C和D均是样本自然语言文本片段。划分方式包括平均划分、随机划分等等。
步骤302，将样本自然语言文本片段序列中的样本自然语言文本片段依次输入至初始生成模型，生成样本伪自然语言文本。
在本实施例中，上述执行主体可以将样本自然语言文本片段序列中的样本自然语言文本片段依次输入至初始生成模型，生成样本伪自然语言文本。
通常，初始生成模型可以根据输入的前缀文本片段预测后续文本片段，进而生成伪文本。预测粒度更加精细，从而提升生成的伪文本的质量。例如，在样本自然语言文本片段序列中的A输入到初始生成模型之后，可以根据A预测其后续的B。在样本自然语言文本片段序列中的B输入到初始生成模型之后，可以根据B或AB预测其后续的C。在样本自然语言文本片段序列中的C输入到初始生成模型之后，可以根据C或ABC预测其后续的D。在样本自然语言文本片段序列中的D输入到初始生成模型之后，可以根据D或ABCD预测结束标志。
在一些实施例中，样本自然语言文本被划分为总片段数为N(N为正整数)的样本自然语言文本片段序列。对于样本自然语言文本片段序列中的第i(i为正整数，且i≤N)个样本自然语言文本片段，将其输入至初始生成模型；利用初始生成模型基于样本自然语言文本片段序列中的前i个样本自然语言文本片段进行预测，得到第i+1个样本伪自然语言文本片段。结合前面所有的文本片段预测后续文本片段，使得后续文本片段与其前面所有的文本片段相关联，使得预测得到的伪文本更加真实、自然，尽可能地避免前后矛盾、语言重复的问题。
步骤303，基于样本伪自然语言文本与样本自然语言文本的差异，调整初始生成模型的参数，得到生成模型。
在本实施例中，上述执行主体可以基于样本伪自然语言文本与样本自然语言文本的差异，调整初始生成模型的参数，得到生成模型。
通常，模型输出的样本伪自然语言文本的分布越接近于样本自然语言文本，说明样本伪自然语言文本的质量越高，生成模型的性能越好。
步骤304，为生成模型增加初始判别模型，得到初始预训练语言模型。
在本实施例中，步骤304的具体操作已在图1所示的实施例中步骤102中进行了详细的介绍，在此不再赘述。
步骤305，将样本自然语言文本和样本伪自然语言文本输入至初始判别模型，得到样本自然语言文本和样本伪自然语言文本的真实性得分。
在本实施例中，上述执行主体可以将样本自然语言文本和样本伪自然语言文本输入至初始判别模型，得到样本自然语言文本和样本伪自然语言文本的真实性得分。其中，真实性得分的数值在0到1之间。真实性得分的数值越大，说明文本越真实。
步骤306，基于样本自然语言文本和样本伪自然语言文本的真实性标签与真实性得分的差异，调整生成模型和初始判别模型的参数，得到预训练语言模型。
在本实施例中，上述执行主体可以基于样本自然语言文本和样本伪自然语言文本的真实性标签与真实性得分的差异，调整生成模型和初始判别模型的参数，得到预训练语言模型。
实践中，对于生成模型，其希望生成的样本伪自然语言文本的分布无限接近于样本自然语言文本。而对于初始判别模型，其希望无论生成的样本伪自然语言文本有多真实，初始模型总是能将其和样本自然语言文本区分开。第二阶段训练是生成模型和初始判别模型博弈的过程。基于样本自然语言文本和样本伪自然语言文本的真实性标签与真实性得分的差异，一并调整生成模型和初始判别模型的参数，使得生成模型生成的伪文本的分布无限接近于输入的真实文本，使得得到的判别模型总是能够将生成模型生成的伪文本与真实文本区分开。这时，就得到了包括生成模型和判别模型的预训练语言模型。其中，样本自然语言文本是真实文本，其真实性标签的值为1。样本伪自然语言文本是伪文本，其真实性标签的值为0。
从图3中可以看出，与图1对应的实施例相比，本实施例中的模型预训练方法的流程300突出了模型训练步骤。由此，本实施例描述的方案在第一阶段将样本自然语言文本划分成片段依次输入至初始生成模型，根据输入的前缀文本片段预测后续文本片段，进而生成伪文本。预测粒度更加精细，从而提升生成的伪文本的质量。在第二阶段让生成模型和初始判别模型博弈，使得生成模型生成的伪文本的分布无限接近于输入的真实文本，使得得到的判别模型总是能够将生成模型生成的伪文本与真实文本区分开。
进一步参考图4，其示出了根据本公开的文本生成方法的一个实施例的流程400。该文本生成方法包括以下步骤：
步骤401，获取自然语言文本片段。
在本实施例中，文本生成方法的执行主体可以获取自然语言文本片段。其中，自然语言文本片段可以是前缀或提示信息。这里，需要根据前缀或提示信息生成与前缀或提示信息相关的完整的自然语言文本。
步骤402，将自然语言文本片段输入至预先训练的预训练语言模型，得到多个伪自然语言文本以及真实性得分。
在本实施例中，上述执行主体可以将将自然语言文本片段输入至预先训练的预训练语言模型，得到多个伪自然语言文本以及真实性得分。
其中，预训练语言模型可以是采用图1或图3所示的方法的实施例训练得到的。预训练语言模型可以包括生成模型和判别模型，既用于生成伪自然语言文本，又用于判别自然语言文本和伪自然语言文本的真实性。
通常，生成模型可以生成多个伪自然语言文本，判别模型可以对多个伪自然语言文本分别进行打分，输出数值在0到1之间的真实性得分。对于生成模型，其生成的伪自然语言文本的分布越接近于真实文本，判别模型对其打分越高。例如，将自然语言文本片段A输入至生成模型，可以根据A预测其后续文本片段是B或B′。根据AB可以预测其后续文本片段是C，而根据AB′可以预测其后续文本片段是C′。根据ABC可以预测其后续文本片段是D，而根据AB′C′可以预测其后续文本片段是D′。此时，就可以得到两个伪自然语言文本片段：ABCD和AB′C′D′。将ABCD和AB′C′D′输入至判别模型，可以得到ABCD的真实性得分和AB′C′D′的真实性得分。
步骤403，根据真实性得分从多个伪自然语言文本中选取伪自然语言文本进行输出。
在本实施例中，上述执行主体可以根据真实性得分从多个伪自然语言文本中选取伪自然语言文本进行输出。通常，上述执行主体会选取真实性得分最高的伪自然语言文本进行输出。
本公开实施例提供的文本生成方法，预训练语言模型能够发现真伪文本的差异，使得模型生成的伪文本的分布更接近于真实文本，提升了模型生成质量。并且，预训练语言模型能够对生成的伪文本进行打分，根据真实性得分选择输出的伪文本，有效降低了采样稳定性的波动，使得输出的伪文本的真实度保持在一定的范围，并过滤掉真实性得分较低的伪文本。
为了便于理解，图5示出了模型预测阶段的示意图。将自然语言文本片段输入至预训练语言模型Model_1。预训练语言模型Model_1中的生成模型输出多个伪自然语言文本s1、s2、s3、s4……。预训练语言模型Model_1中的判别模型对多个伪自然语言文本s1、s2、s3、s4……进行真伪判断打分，输出多个伪自然语言文本s1、s2、s3、s4……的真实性得分。选取真实性得分最高的伪自然语言文本进行输出。
进一步参考图6，其示出了根据本公开的文本生成方法的又一个实施例的流程600。该文本生成方法包括以下步骤：
步骤601，获取自然语言文本片段。
在本实施例中，步骤601的具体操作已在图4所示的实施例中步骤401中进行了详细的介绍，在此不再赘述。
步骤602，将自然语言文本片段输入至预训练语言模型中的生成模型，得到多个伪自然语言文本。
在本实施例中，上述执行主体可以将自然语言文本片段输入至预训练语言模型中的生成模型，得到多个伪自然语言文本。
通常，生成模型可以生成多个伪自然语言文本。例如，将自然语言文本片段A输入至生成模型，可以根据A预测其后续文本片段是B或B′。根据AB可以预测其后续文本片段是C，而根据AB′可以预测其后续文本片段是C′。根据ABC可以预测其后续文本片段是D，而根据AB′C′可以预测其后续文本片段是D′。此时，就可以得到两个伪自然语言文本片段：ABCD和AB′C′D′。
步骤603，将多个伪自然语言文本输入至预训练语言模型中的判别模型，得到多个伪自然语言文本的真实性得分。
在本实施例中，上述执行主体可以将多个伪自然语言文本输入至预训练语言模型中的判别模型，得到多个伪自然语言文本的真实性得分。
通常，判别模型可以对生成的多个伪自然语言文本分别进行打分，输出数值在0到1之间的真实性得分。对于生成模型，其生成的伪自然语言文本的分布越接近于真实文本，判别模型对其打分越高。例如，将自然语言文本片段A输入至生成模型，可以根据A预测其后续文本片段是B或B′。根据AB可以预测其后续文本片段是C，而根据AB′可以预测其后续文本片段是C′。根据ABC可以预测其后续文本片段是D，而根据AB′C′可以预测其后续文本片段是D′。此时，就可以得到两个伪自然语言文本片段：ABCD和AB′C′D′。将ABCD和AB′C′D′输入至判别模型，可以得到ABCD的真实性得分和AB′C′D′的真实性得分。
在一些实施例中，需要生成的伪自然语言文本包括M(M为正整数)个片段。伪自然语言文本的第一个片段是输入的自然语言文本片段。伪自然语言文本的第二个片段是预测得到的第1个伪自然语言文本片段。对于第1个伪自然语言文本片段，将自然语言文本片段输入至生成模型，输出第1个伪自然语言文本片段，其中，第1个伪自然语言文本片段是生成模型预测的自然语言文本片段的下一个自然语言文本片段。对于第j+1(j为正整数，且j≤M-1)个伪自然语言文本片段，将自然语言文本片段前j-1个伪自然语言文本片段拼接后输入至生成模型，输出第j个伪自然语言文本片段。最后，将自然语言文本片段和M-1个伪自然语言文本片段拼接，即可生成伪自然语言文本。结合前面所有的文本片段预测后续文本片段，使得后续文本片段与其前面所有的文本片段相关联，使得预测得到的伪文本更加真实、自然，尽可能地避免前后矛盾、语言重复的问题。
步骤604，根据真实性得分从多个伪自然语言文本中选取伪自然语言文本进行输出。
在本实施例中，步骤604的具体操作已在图4所示的实施例中步骤403中进行了详细的介绍，在此不再赘述。
从图6中可以看出，与图4对应的实施例相比，本实施例中的文本生成方法的流程600突出了模型预测步骤。由此，本实施例描述的方案中的预训练语言模型包括生成模型和判别模型，生成模型生成多个伪文本，判别模型对生成的多个伪文本进行真实性判断打分，根据真实性得分选择输出的伪文本，有效降低了采样稳定性的波动，提升了输出的伪文本的质量。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种模型预训练装置的第一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的模型预训练装置700可以包括：第一训练模块701、增加模块702和第二训练模块703。其中，第一训练模块701，被配置成利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型，其中，第一阶段训练中生成样本伪自然语言文本；增加模块702，被配置成为生成模型增加初始判别模型，得到初始预训练语言模型；第二训练模块703，被配置成利用样本自然语言文本和样本伪自然语言文本对初始预训练语言模型进行第二阶段训练，得到预训练语言模型，其中，预训练语言模型既用于生成伪自然语言文本，又用于判别自然语言文本和伪自然语言文本的真实性。
在本实施例中，模型预训练装置700中：第一训练模块701、增加模块702和第二训练模块703的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-103的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，第一训练模块701包括：划分子模块，被配置成将样本自然语言文本划分成样本自然语言文本片段序列；生成子模块，被配置成将样本自然语言文本片段序列中的样本自然语言文本片段依次输入至初始生成模型，生成样本伪自然语言文本；调整子模块，被配置成基于样本伪自然语言文本与样本自然语言文本的差异，调整初始生成模型的参数，得到生成模型。
在本实施例的一些可选的实现方式中，生成子模块进一步被配置成：将样本自然语言文本片段序列中的第i个样本自然语言文本片段输入至初始生成模型，其中，i为正整数，且i≤N，N为样本自然语言文本的总片段数；利用初始生成模型基于样本自然语言文本片段序列中的前i个样本自然语言文本片段进行预测，得到第i+1个样本伪自然语言文本片段。
在本实施例的一些可选的实现方式中，第二训练模块703进一步被配置成：将样本自然语言文本和样本伪自然语言文本输入至初始判别模型，得到样本自然语言文本和样本伪自然语言文本的真实性得分；基于样本自然语言文本和样本伪自然语言文本的真实性标签与真实性得分的差异，调整生成模型和初始判别模型的参数，得到预训练语言模型。
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种文本生成装置的第一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例的文本生成装置800可以包括：获取模块801、生成模块802和输出模块803。其中，获取模块801，被配置成获取自然语言文本片段；生成模块802，被配置成将自然语言文本片段输入至预先训练的预训练语言模型，得到多个伪自然语言文本以及真实性得分，其中，预训练语言模型是采用图7所示装置的实施例训练得到的；输出模块803，被配置成根据真实性得分从多个伪自然语言文本中选取伪自然语言文本进行输出。
在本实施例中，文本生成装置800中：获取模块801、生成模块802和输出模块803的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401-403的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，生成模块802包括：生成子模块，被配置成将自然语言文本片段输入至预训练语言模型中的生成模型，得到多个伪自然语言文本；判别子模块，被配置成将多个伪自然语言文本输入至预训练语言模型中的判别模型，得到多个伪自然语言文本的真实性得分。
在本实施例的一些可选的实现方式中，生成子模块进一步被配置成：将自然语言文本片段输入至生成模型，输出第1个伪自然语言文本片段，其中，第1个伪自然语言文本片段是生成模型预测的自然语言文本片段的下一个自然语言文本片段；将自然语言文本片段和预训练语言模型预测的前j-1个伪自然语言文本片段拼接后输入至生成模型，输出第j个伪自然语言文本片段，其中，j为正整数，且j≤M-1，其中，M为伪样本自然语言文本的总片段数；将自然语言文本片段和M-1个伪自然语言文本片段拼接，生成伪自然语言文本。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如模型预训练方法或文本生成方法。例如，在一些实施例中，模型预训练方法或文本生成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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的模型预训练方法或文本生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型预训练方法或文本生成方法。
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，也可以是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提供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 (17)
1.一种模型预训练方法，包括：
利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型，其中，所述第一阶段训练中生成样本伪自然语言文本；
为所述生成模型增加初始判别模型，得到初始预训练语言模型；
利用所述样本自然语言文本和所述样本伪自然语言文本对所述初始预训练语言模型进行第二阶段训练，得到预训练语言模型，其中，所述预训练语言模型既用于生成伪自然语言文本，又用于判别自然语言文本和伪自然语言文本的真实性。
2.根据权利要求1所述的方法，其中，所述利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型，包括：
将所述样本自然语言文本划分成样本自然语言文本片段序列；
将所述样本自然语言文本片段序列中的样本自然语言文本片段依次输入至所述初始生成模型，生成样本伪自然语言文本；
基于所述样本伪自然语言文本与所述样本自然语言文本的差异，调整所述初始生成模型的参数，得到所述生成模型。
3.根据权利要求2所述的方法，其中，所述将所述样本自然语言文本片段序列中的样本自然语言文本片段依次输入至所述初始生成模型，生成样本伪自然语言文本，包括：
将所述样本自然语言文本片段序列中的第i个样本自然语言文本片段输入至所述初始生成模型，其中，i为正整数，且i≤N，N为所述样本自然语言文本的总片段数；
利用所述初始生成模型基于所述样本自然语言文本片段序列中的前i个样本自然语言文本片段进行预测，得到第i+1个样本伪自然语言文本片段。
4.根据权利要求3所述的方法，其中，所述利用所述样本自然语言文本和所述样本伪自然语言文本对所述初始预训练语言模型进行第二阶段训练，得到预训练语言模型，包括：
将所述样本自然语言文本和所述样本伪自然语言文本输入至所述初始判别模型，得到所述样本自然语言文本和所述样本伪自然语言文本的真实性得分；
基于所述样本自然语言文本和所述样本伪自然语言文本的真实性标签与真实性得分的差异，调整所述生成模型和所述初始判别模型的参数，得到所述预训练语言模型。
5.一种文本生成方法，包括：
获取自然语言文本片段；
将所述自然语言文本片段输入至预先训练的预训练语言模型，得到多个伪自然语言文本以及真实性得分，其中，所述预训练语言模型是采用权利要求1-4中任一项所述的方法训练得到的；
根据真实性得分从所述多个伪自然语言文本中选取伪自然语言文本进行输出。
6.根据权利要求5所述的方法，其中，所述将所述自然语言文本片段输入至预先训练的预训练语言模型，得到多个伪自然语言文本以及真实性得分，包括：
将所述自然语言文本片段输入至所述预训练语言模型中的生成模型，得到所述多个伪自然语言文本；
将所述多个伪自然语言文本输入至所述预训练语言模型中的判别模型，得到所述多个伪自然语言文本的真实性得分。
7.根据权利要求6所述的方法，其中，所述将所述自然语言文本片段输入至所述预训练语言模型中的生成模型，得到所述多个伪自然语言文本，包括：
将所述自然语言文本片段输入至所述生成模型，输出第1个伪自然语言文本片段，其中，所述第1个伪自然语言文本片段是所述生成模型预测的所述自然语言文本片段的下一个自然语言文本片段；
将所述自然语言文本片段和所述预训练语言模型预测的前j-1个伪自然语言文本片段拼接后输入至所述生成模型，输出第j个伪自然语言文本片段，其中，j为正整数，且j≤M-1，其中，M为伪样本自然语言文本的总片段数；
将所述自然语言文本片段和M-1个伪自然语言文本片段拼接，生成所述伪自然语言文本。
8.一种模型预训练装置，包括：
第一训练模块，被配置成利用样本自然语言文本对初始生成模型进行第一阶段训练，得到生成模型，其中，所述第一阶段训练中生成样本伪自然语言文本；
增加模块，被配置成为所述生成模型增加初始判别模型，得到初始预训练语言模型；
第二训练模块，被配置成利用所述样本自然语言文本和所述样本伪自然语言文本对所述初始预训练语言模型进行第二阶段训练，得到预训练语言模型，其中，所述预训练语言模型既用于生成伪自然语言文本，又用于判别自然语言文本和伪自然语言文本的真实性。
9.根据权利要求8所述的装置，其中，所述第一训练模块包括：
划分子模块，被配置成将所述样本自然语言文本划分成样本自然语言文本片段序列；
生成子模块，被配置成将所述样本自然语言文本片段序列中的样本自然语言文本片段依次输入至所述初始生成模型，生成样本伪自然语言文本；
调整子模块，被配置成基于所述样本伪自然语言文本与所述样本自然语言文本的差异，调整所述初始生成模型的参数，得到所述生成模型。
10.根据权利要求9所述的装置，其中，所述生成子模块进一步被配置成：
将所述样本自然语言文本片段序列中的第i个样本自然语言文本片段输入至所述初始生成模型，其中，i为正整数，且i≤N，N为所述样本自然语言文本的总片段数；
利用所述初始生成模型基于所述样本自然语言文本片段序列中的前i个样本自然语言文本片段进行预测，得到第i+1个样本伪自然语言文本片段。
11.根据权利要求10所述的装置，其中，所述第二训练模块进一步被配置成：
将所述样本自然语言文本和所述样本伪自然语言文本输入至所述初始判别模型，得到所述样本自然语言文本和所述样本伪自然语言文本的真实性得分；
基于所述样本自然语言文本和所述样本伪自然语言文本的真实性标签与真实性得分的差异，调整所述生成模型和所述初始判别模型的参数，得到所述预训练语言模型。
12.一种文本生成装置，包括：
获取模块，被配置成获取自然语言文本片段；
生成模块，被配置成将所述自然语言文本片段输入至预先训练的预训练语言模型，得到多个伪自然语言文本以及真实性得分，其中，所述预训练语言模型是采用权利要求8-11中任一项所述的装置训练得到的；
输出模块，被配置成根据真实性得分从所述多个伪自然语言文本中选取伪自然语言文本进行输出。
13.根据权利要求12所述的装置，其中，所述生成模块包括：
生成子模块，被配置成将所述自然语言文本片段输入至所述预训练语言模型中的生成模型，得到所述多个伪自然语言文本；
判别子模块，被配置成将所述多个伪自然语言文本输入至所述预训练语言模型中的判别模型，得到所述多个伪自然语言文本的真实性得分。
14.根据权利要求13所述的装置，其中，所述生成子模块进一步被配置成：
将所述自然语言文本片段输入至所述生成模型，输出第1个伪自然语言文本片段，其中，所述第1个伪自然语言文本片段是所述生成模型预测的所述自然语言文本片段的下一个自然语言文本片段；
将所述自然语言文本片段和所述预训练语言模型预测的前j-1个伪自然语言文本片段拼接后输入至所述生成模型，输出第j个伪自然语言文本片段，其中，j为正整数，且j≤M-1，其中，M为伪样本自然语言文本的总片段数；
将所述自然语言文本片段和M-1个伪自然语言文本片段拼接，生成所述伪自然语言文本。
15.一种电子设备，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1-7中任一项所述的方法。
16.一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权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，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1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111260450.0A CN113850386A (zh) | 2021-10-28 | 2021-10-28 | 模型预训练方法、装置、设备、存储介质以及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111260450.0A CN113850386A (zh) | 2021-10-28 | 2021-10-28 | 模型预训练方法、装置、设备、存储介质以及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113850386A true CN113850386A (zh) | 2021-12-28 |
Family
ID=78983141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111260450.0A Pending CN113850386A (zh) | 2021-10-28 | 2021-10-28 | 模型预训练方法、装置、设备、存储介质以及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850386A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114547266A (zh) * | 2022-02-21 | 2022-05-27 | 北京百度网讯科技有限公司 | 信息生成模型的训练方法、生成信息的方法、装置和设备 |
| CN114723045A (zh) * | 2022-04-06 | 2022-07-08 | 北京百度网讯科技有限公司 | 模型训练方法、装置、系统、设备、介质及程序产品 |
| CN116244416A (zh) * | 2023-03-03 | 2023-06-09 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法、基于模型的人机语音交互方法 |
-
2021
- 2021-10-28 CN CN202111260450.0A patent/CN113850386A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114547266A (zh) * | 2022-02-21 | 2022-05-27 | 北京百度网讯科技有限公司 | 信息生成模型的训练方法、生成信息的方法、装置和设备 |
| CN114723045A (zh) * | 2022-04-06 | 2022-07-08 | 北京百度网讯科技有限公司 | 模型训练方法、装置、系统、设备、介质及程序产品 |
| CN116244416A (zh) * | 2023-03-03 | 2023-06-09 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法、基于模型的人机语音交互方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962315B (zh) | 模型预训练方法、装置、设备、存储介质以及程序产品 | |
| CN112466288B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
| CN113850386A (zh) | 模型预训练方法、装置、设备、存储介质以及程序产品 | |
| CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
| CN112163405A (zh) | 问题的生成方法和装置 | |
| CN112307188B (zh) | 对话生成方法、系统、电子设备和可读存储介质 | |
| CN114841274B (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
| CN113407850A (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
| CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
| CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
| CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
| CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
| JP7099254B2 (ja) | 学習方法、学習プログラム及び学習装置 | |
| CN113808572B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN115510203A (zh) | 问题答案确定方法、装置、设备、存储介质及程序产品 | |
| CN114550692A (zh) | 文本处理及其模型的训练方法、装置、设备和存储介质 | |
| KR20220046526A (ko) | 데이터 처리 방법, 장치, 전자 기기 및 저장 매체 | |
| CN114549695A (zh) | 图像生成方法、装置、电子设备及可读存储介质 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN113689866A (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
| CN113689867B (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
| US20220351085A1 (en) | Method and apparatus for presenting candidate character string, and method and apparatus for training discriminative model | |
| CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
| CN114492456B (zh) | 文本生成方法、模型的训练方法、装置、电子设备及介质 | |
| CN114580448B (zh) | 一种手语翻译方法、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 |