CN113962315A - 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 PDF

Info

Publication number
CN113962315A
CN113962315A CN202111260446.4A CN202111260446A CN113962315A CN 113962315 A CN113962315 A CN 113962315A CN 202111260446 A CN202111260446 A CN 202111260446A CN 113962315 A CN113962315 A CN 113962315A
Authority
CN
China
Prior art keywords
natural language
sample
language text
text
cue
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.)
Granted
Application number
CN202111260446.4A
Other languages
English (en)
Other versions
CN113962315B (zh
Inventor
尚骏远
王硕寰
丁思宇
赵晏彬
庞超
孙宇
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 CN202111260446.4A priority Critical patent/CN113962315B/zh
Publication of CN113962315A publication Critical patent/CN113962315A/zh
Priority to JP2022111132A priority patent/JP7421604B2/ja
Priority to US17/889,218 priority patent/US20230040095A1/en
Priority to EP22190600.1A priority patent/EP4174715A1/en
Application granted granted Critical
Publication of CN113962315B publication Critical patent/CN113962315B/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
    • G06F40/40—Processing or translation of natural language
    • 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
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • 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
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/55—Rule-based translation
    • G06F40/56—Natural language generation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (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：获取样本自然语言文本；基于样本自然语言文本，生成N种类型的提示词，其中N为正整数；基于样本自然语言文本和N种类型的提示词，生成样本输入数据；基于样本输入数据对初始语言模型进行训练，得到预训练语言模型。该实施方式提供了一种基于提示词的可控生成预训练技术，增加了模型的可控性。

Description

模型预训练方法、装置、设备、存储介质以及程序产品
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，语言模型逐渐走入人们的视野。语言模型在自然语言处理中占有重要的地位，它的任务是预测一个句子在语言中出现的概率。虽然大规模的语言模型展示出了超强的文本生成能力，但是用户却很难对语言模型的生成结果进行操控。
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：获取样本自然语言文本；基于样本自然语言文本，生成N种类型的提示词，其中N为正整数；基于样本自然语言文本和N种类型的提示词，生成样本输入数据；基于样本输入数据对初始语言模型进行训练，得到预训练语言模型。
第二方面，本公开实施例提出了一种文本生成方法，包括：获取前缀文本片段和至少一种类型的提示词；将前缀文本片段与至少一种类型的提示词拼接，生成输入数据；将输入数据输入至预先训练的预训练语言模型，生成伪自然语言文本，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。
第三方面，本公开实施例提出了一种模型预训练装置，包括：获取模块，被配置成获取样本自然语言文本；第一生成模块，被配置成基于样本自然语言文本，生成N种类型的提示词，其中N为正整数；第二生成模块，被配置成基于样本自然语言文本和N种类型的提示词，生成样本输入数据；训练模块，被配置成基于样本输入数据对初始语言模型进行训练，得到预训练语言模型。
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，被配置成获取前缀文本片段和至少一种类型的提示词；拼接模块，被配置成将前缀文本片段与至少一种类型的提示词拼接，生成输入数据；生成模块，被配置成将输入数据输入至预先训练的预训练语言模型，生成伪自然语言文本，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。
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，提供了一种基于提示词的可控生成预训练技术，通过在预训练阶段针对不同类型的数据设计提示词模板，使得语言模型更好地生成文本，增加了模型的可控性、可解释性和趣味性。并且，基于提示词构建可控生成数据来训练语言模型，避免了对下游生成任务的二次训练，减少训练成本。
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3是可以实现本公开实施例的模型预训练方法的场景图；
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6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7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，获取样本自然语言文本。
在本实施例中，模型预训练方法的执行主体可以获取样本自然语言文本。
其中，样本自然语言文本可以来源于预训练语料库。通常，这些文本的质量较高，用词恰当、前后连贯、语言简洁。例如，基于知识增强的ERNIE(Enhanced Representationthrough Knowledge Integration，知识增强的语义表示模型)3.0百亿参数大模型构建了高达4TB的预训练语料库，预训练语料库来源广且种类多样，包括了百科、搜索、小说、知道、对联古诗等多种多样的数据。样本自然语言文本可以来源于该预训练语料库。
步骤102，基于样本自然语言文本，生成N种类型的提示词。
在本实施例中，上述执行主体可以基于样本自然语言文本，生成N种类型的提示词。其中，N为正整数。
通常，通过对样本自然语言文本的内容进行分析，可以确定出N种类型的提示词。N种类型可以包括但不限于任务类型、主题类型、关注点类型、情感类型和生成长度类型等等。
其中，任务类型可以进一步细分为问答、知识、对话、通用、金融、医疗、法律、对联、诗词、歌曲、翻译、数学、网页、贴吧等多个种类。一种任务类型可以关联一个连续提示词词表。首先确定出样本自然语言文本所属的具体种类的任务类型，然后从该种任务类型关联的连续提示词词表中获取连续提示词，作为样本自然语言文本的任务类型的提示词。连续提示词可以为特殊字符，每个特殊字符都是可以学习参数。与离散提示词相比，连续提示词具有更强的通用性，可以使模型学习到更为有效表征。
其中，主题类型可以对应一个主题类型提示词表。主题类型提示词表中可以包括但不限于国际、体育、娱乐、社会、财经、时事、科技、科学、数据、情感、汽车、教育、时尚、游戏、军事、旅游、美食、文化、健康养生、搞笑、家居、动漫、宠物、母婴育儿、星座运势、历史、音乐等提示词。从主题类型提示词表中可以选取出样本自然语言文本的主题类型的提示词。通过主题类型的提示词，可以引导模型进行主题相关的文本生成。
其中，关注点类型的提示词一般是自然语言文本中人们比较关注的词语，例如人物、时间、地点、事件等关键词。从样本自然语言文本中提取类型为人物、时间、地点、事件等的关键词，作为样本自然语言文本的关注点类型的提示词。通过这些关键词的提示，模型可以生成关键词相关的文本。
其中，情感类型的提示词可以包括消极、积极和中性。对样本自然语言文本进行情感分类，可以确定样本自然语言文本的情感类别，其情感类别即为其情感类型的提示词。通过情感类型的提示词，可以引导模型进行情感相关的文本生成。
其中，样本自然语言文本的生成长度类型的提示词可以是样本自然语言文本的长度。加入了生成长度提示词，可以控制文本生成的长短，避免模型预期生成过长内容而人为提前进行截断导致的语义不连贯问题。
步骤103，基于样本自然语言文本和N种类型的提示词，生成样本输入数据。
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N种类型的提示词，生成样本输入数据。
通常，从样本自然语言文本中截取样本前缀文本片段，将N种类型的提示词全部或部分插入到样本前缀文本片段的前面，即可生成样本输入数据。例如，从样本自然语言文本中截取前5个字组成的样本前缀文本片段，将N种类型的提示词全部插入到样本前缀文本片段的前面，得到样本输入数据。在特殊情况下，前缀文本片段可以为空。例如，从N种类型的提示词中选取部分类型的提示词，直接拼接得到样本输入数据。
步骤104，基于样本输入数据对初始语言模型进行训练，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输入数据对初始语言模型进行训练，得到预训练语言模型。
通常，将样本输入数据输入至初始语言模型，可以得到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，可以调整初始语言模型的参数，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，预训练语言模型的性能越好。
其中，预训练语言模型可以是利用机器学习方法和样本输入数据对初始语言模型进行训练而得到的。通常，可以将初始语言模型的各个参数(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。初始语言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预训练语言模型。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)算法来调整初始语言模型的参数。
本公开实施例提供的模型预训练方法，提供了一种基于提示词的可控生成预训练技术，通过在预训练阶段针对不同类型的数据设计提示词模板，使得语言模型更好地生成文本，增加了模型的可控性、可解释性和趣味性。并且，基于提示词构建可控生成数据来训练语言模型，避免了对下游生成任务的二次训练，减少训练成本。
继续参考图2，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200。该模型预训练方法包括以下步骤：
步骤201，获取样本自然语言文本。
在本实施例中，步骤201操作已在图1所示的实施例中步骤101进行了详细的介绍，在此不再赘述。
在本实施例中，提示词类型可以包括任务类型、主题类型、关注点类型、情感类型和生成长度类型。模型预训练方法的执行主体可以并行执行步骤202-204、205、206、207和208，以获取样本自然语言文本的以上5种类型的提示词。
步骤202，确定样本自然语言文本的目标任务类型。
在本实施例中，上述执行主体可以对样本自然语言文本进行分析，确定其所属的具体种类的任务类型，即目标任务类型。
其中，任务类型可以进一步细分为问答、知识、对话、通用、金融、医疗、法律、对联、诗词、歌曲、翻译、数学、网页、贴吧等多个种类。
步骤203，获取目标任务类型关联的连续提示词词表。
在本实施例中，上述执行主体可以获取目标任务类型关联的连续提示词词表。
通常，一种任务类型可以关联一个连续提示词词表。确定出样本自然语言文本的目标任务类型，即可获取目标任务类型关联的连续提示词词表。
步骤204，从目标任务类型关联的连续提示词词表中获取随机长度的连续提示词，作为样本自然语言文本的任务类型的提示词。
在本实施例中，上述执行主体可以从目标任务类型关联的连续提示词词表中获取随机长度的连续提示词，作为样本自然语言文本的任务类型的提示词。
通常，从目标任务类型关联的连续提示词词表中可以获取连续提示词，作为样本自然语言文本的任务类型的提示词。连续提示词可以为特殊字符，每个特殊字符都是可以学习参数。与离散提示词相比，连续提示词具有更强的通用性，可以使模型学习到更为有效表征。例如，通用任务类型关联的连续提示词词表可以包括<通用0>到<通用63>的连续提示词。可以从通用任务类型关联的连续提示词词表中获取<通用0>到<通用M>的连续提示词，作为样本自然语言文本的任务类型的提示词。其中，M为0-63之间的一个整型数字。在训练阶段M为随机采样得到的。而在预测阶段选择M数值越大表达该任务引导信号越强。
步骤205，将样本自然语言文本输入至预先训练的主题分类模型，得到样本自然语言文本的主题类型的提示词。
在本实施例中，上述执行主体可以将样本自然语言文本输入至预先训练的主题分类模型，得到样本自然语言文本的主题类型的提示词。
其中，主题类型可以对应一个主题类型提示词表。主题类型提示词表中可以包括但不限于国际、体育、娱乐、社会、财经、时事、科技、科学、数据、情感、汽车、教育、时尚、游戏、军事、旅游、美食、文化、健康养生、搞笑、家居、动漫、宠物、母婴育儿、星座运势、历史、音乐等提示词。通过主题类型的提示词，可以引导模型进行主题相关的文本生成。
其中，主题分类模型可以是利用机器学习方法训练得到的神经网络。通常，主题分类模型可以是现有模型，对外提供API(Application Programming Interface，应用程序编程接口)。上述执行主体可以通过调用API使用主题分类模型，以获取样本自然语言文本的主题类型的提示词。
步骤206，将样本自然语言文本输入至预先训练的关注点提取模型，得到样本自然语言文本的关注点类型的提示词。
在本实施例中，上述执行主体可以将样本自然语言文本输入至预先训练的关注点提取模型，得到样本自然语言文本的关注点类型的提示词。
其中，关注点类型的提示词一般是自然语言文本中人们比较关注的词语，例如人物、时间、地点、事件等关键词。从样本自然语言文本中提取类型为人物、时间、地点、事件等的关键词，作为样本自然语言文本的关注点类型的提示词。通过这些关键词的提示，模型可以生成关键词相关的文本。
其中，关注点提取模型可以是利用机器学习方法训练得到的神经网络。通常，关注点提取模型可以是现有模型，对外提供API。上述执行主体可以通过调用API使用关注点提取模型，以获取样本自然语言文本的关注点类型的提示词。
步骤207，将样本自然语言文本输入至预先训练的情感分析模型，得到样本自然语言文本的情感类型的提示词。
在本实施例中，上述执行主体可以将样本自然语言文本输入至预先训练的情感分析模型，得到样本自然语言文本的情感类型的提示词。
其中，情感类型的提示词可以包括消极、积极和中性。对样本自然语言文本进行情感分类，可以确定样本自然语言文本的情感类别，其情感类别即为其情感类型的提示词。通过情感类型的提示词，可以引导模型进行情感相关的文本生成。
其中，情感分析模型模型可以是利用机器学习方法训练得到的神经网络，可以对样本自然语言文本进行消极、积极和中性三分类。通常，情感分析模型可以是现有模型，对外提供API。上述执行主体可以通过调用API使用情感分析模型，以获取样本自然语言文本的情感类型的提示词。
步骤208，将样本自然语言文本的长度作为样本自然语言文本的生成长度类型的提示词。
在本实施例中，上述执行主体可以将样本自然语言文本的长度作为样本自然语言文本的生成长度类型的提示词。
其中，样本自然语言文本的生成长度类型的提示词可以是样本自然语言文本的长度。加入了生成长度提示词，可以控制文本生成的长短，避免模型预期生成过长内容而人为提前进行截断导致的语义不连贯问题。
这里，构建了5种类型的提示词，包括任务类型、主题类型、关注点类型、情感类型和生成长度类型，可以让模型更好地完成指定任务、主题、风格等的文本生成，极大丰富了用户对文本生成的控制。
步骤209，分别生成5种类型的提示词的随机采样概率。
在本实施例中，上述执行主体可以分别生成5种类型的提示词的随机采样概率。在训练阶段，5种类型的提示词的随机采样概率可以是随机生成的。
步骤210，从5种类型的提示词中选取随机采样概率大于预设概率阈值的提示词。
在本实施例中，上述执行主体可以从5种类型的提示词中选取随机采样概率大于预设概率阈值的提示词。
通常，在训练阶段，当随机采样概率大于预设概率阈值(例如0.5)时，才使用该类型的提示词。随机采样决定是否使用特定类型的提示词，避免了模型在文本生成时对提示词的强依赖关系。在预测阶段，用户可以更多样地选择是否使用某种类型的提示词。
通常，训练阶段可以采用可控条件生成优化目标，例如：
Figure BDA0003325501430000091
Figure BDA0003325501430000092
其中，
Figure BDA0003325501430000093
是指示函数，
Figure BDA0003325501430000094
Figure BDA0003325501430000095
分别是任务类型、主题类型、关注点类型、情感类型和生成长度类型的指示函数。当随机采样概率大于0.5时，才使用该类型的提示词。对于第i个需要生成的字符，其条件依赖于正文中前序的字符x＜i与5种类型的提示词。
步骤211，从样本自然语言文本中截取样本前缀文本片段。
在本实施例中，上述执行主体可以从样本自然语言文本中截取样本前缀文本片段。例如，从样本自然语言文本中截取前5个字组成的样本前缀文本片段。在特殊情况下，前缀文本片段可以为空。
步骤212，将所选取的提示词与样本前缀文本片段拼接，生成样本输入数据。
在本实施例中，上述执行主体可以将所选取的提示词与样本前缀文本片段拼接，生成样本输入数据。例如，将5种类型的提示词全部插入到样本前缀文本片段的前面，得到样本输入数据。实践中，为了让模型能够准确地区分不同类型的提示词，每种类型的提示词可以以特殊分割开始字符开始，相应地，以特殊分割结束字符结束。例如，<t>、<k>、<s>、<w>分别为主题类型、关注点类型、情感类型和生成长度类型的提示词的特殊分割开始字符，</t>、</k>、</s>、</w>分别为主题类型、关注点类型、情感类型和生成长度类型的提示词的特殊分割结束字符。
步骤213，将样本输入数据输入至初始语言模型，得到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输入数据输入至初始语言模型，可以得到样本伪自然语言文本。
通常，通过样本输入数据中的提示词，可以引导模型进行相关的文本生成。
步骤214，基于样本伪自然语言文本与样本自然语言文本的差异，调整初始语言模型的参数，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伪自然语言文本与样本自然语言文本的差异，调整初始语言模型的参数，得到预训练语言模型。
通常，通过参数调整，使得预训练语言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，预训练语言模型的性能越好。
从图2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200突出了提示词生成步骤、样本输入数据生成步骤和模型训练步骤。由此，本实施例描述的方案构建了5种类型的提示词，包括任务类型、主题类型、关注点类型、情感类型和生成长度类型，可以让模型更好地完成指定任务、主题、风格等的文本生成，极大丰富了用户对文本生成的控制。且可以作为一种数据增强的手段，产生特定领域的数据。此外，任务类型的提示词采用了连续提示词的实现方式，与离散提示词相比，连续提示词具有更强的通用性，可以使模型学习到更为有效表征，避免人工选择离散提示词对文本生成的影响与成本。在训练阶段，随机采样决定是否使用特定类型的提示词，避免了模型在文本生成时对提示词的强依赖关系。在预测阶段，用户可以更多样地选择是否使用某种类型的提示词。基于样本伪自然语言文本与样本自然语言文本的差异，调整参数，使得预训练语言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，提升了预训练语言模型的性能。
为了便于理解，图3示出了可以实现本公开实施例的模型预训练方法的场景图。如图3所示，对样本自然语言文本的内容进行分析，确定任务类型的提示词是：<通用0><通用1>...<通用M>，其中，M为0-63之间的一个整型数字；主题类型的提示词是：体育；关注点类型的提示词是：兰帕德,切尔西,欧冠；情感类型的提示词是：消极；生成长度类型的提示词是：全文约85个字。将以上5种类型的提示词插入到样本自然语言文本的原始正文的前面，得到样本输入数据：<通用0><通用1>...<通用M><t>体育</t><k>兰帕德,切尔西,欧冠</k><s>消极</s><w>全文约85个字</w>原始正文。将样本输入数据输入到ERNIE3.0，输出样本伪自然语言文本：兰帕德的经纪人4日称这位英格兰球员将确定与赛季末离开切尔西，但不会，谋取去中国发展。再过几个月，34岁的兰帕德与欧冠冠军切尔西的合约就将到期，而双方目前对续约都不太感兴趣。基于样本伪自然语言文本与样本自然语言文本的分布差异，对ERNIE 3.0的参数进行调整，即可得到预训练语言模型。
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，获取前缀文本片段和至少一种类型的提示词。
在本实施例中，文本生成方法的执行主体可以获取前缀文本片段和至少一个类型的提示词。
其中，前缀文本片段可以是任意不完整的文本片段。至少一种类型的提示词可以是用户根据生成需求输入的提示词。用户可以输入一种类型的提示词，也可以输入多种类型的提示词。在预测阶段，用户可以更多样地选择是否使用某种类型的提示词。这里，需要根据前缀文本片段和至少一种类型的提示词生成相关的完整的自然语言文本。
步骤402，将前缀文本片段与至少一种类型的提示词拼接，生成输入数据。
在本实施例中，上述执行主体可以将前缀文本片段与至少一种类型的提示词拼接，生成输入数据。例如，将用户输入的提示词全部插入到前缀文本片段的前面，即可得到输入数据。实践中，为了让模型能够准确地区分不同类型的提示词，每种类型的提示词可以以特殊分割开始字符开始，相应地，以特殊分割结束字符结束。
步骤403，将输入数据输入至预先训练的预训练语言模型，生成伪自然语言文本。
在本实施例中，上述执行主体可以将输入数据输入至预先训练的预训练语言模型，生成伪自然语言文本。
其中，预训练语言模型可以是采用图1或图2所示的方法的实施例训练得到的。预训练语言模型可以用于根据前缀文本片段和至少一种类型的提示词生成相关的完整的伪文本。
本公开实施例提供的文本生成方法，通过在预训练阶段针对不同类型的数据设计提示词模板，使得语言模型更好地生成文本，增加了模型的可控性、可解释性和趣味性。用户通过输入至少一种类型的提示词，可以引导模型进行相关的文本生成。
进一步参考图5，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5所示，本实施例的模型预训练装置500可以包括：获取模块501、第一生成模块502、第二生成模块503和训练模块504。其中，获取模块501，被配置成获取样本自然语言文本；第一生成模块502，被配置成基于样本自然语言文本，生成N种类型的提示词，其中N为正整数；第二生成模块503，被配置成基于样本自然语言文本和N种类型的提示词，生成样本输入数据；训练模块504，被配置成基于样本输入数据对初始语言模型进行训练，得到预训练语言模型。
在本实施例中，模型预训练装置500中：获取模块501、第一生成模块502、第二生成模块503和训练模块504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101-104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，提示词类型包括任务类型；以及第一生成模块502进一步被配置成：确定样本自然语言文本的目标任务类型；获取目标任务类型关联的连续提示词词表，其中，一种任务类型关联一个连续提示词词表；从目标任务类型关联的连续提示词词表中获取随机长度的连续提示词，作为样本自然语言文本的任务类型的提示词。
在本实施例的一些可选的实现方式中，提示词包括主题类型；以及第一生成模块502进一步被配置成：将样本自然语言文本输入至预先训练的主题分类模型，得到样本自然语言文本的主题类型的提示词。
在本实施例的一些可选的实现方式中，提示词包括关注点类型；以及第一生成模块502进一步被配置成：将样本自然语言文本输入至预先训练的关注点提取模型，得到样本自然语言文本的关注点类型的提示词。
在本实施例的一些可选的实现方式中，提示词包括情感类型；以及第一生成模块502进一步被配置成：将样本自然语言文本输入至预先训练的情感分析模型，得到样本自然语言文本的情感类型的提示词。
在本实施例的一些可选的实现方式中，提示词包括生成长度类型；以及第一生成模块502进一步被配置成：将样本自然语言文本的长度作为样本自然语言文本的生成长度类型的提示词。
在本实施例的一些可选的实现方式中，第二生成模块503进一步被配置成：分别生成N种类型的提示词的随机采样概率；从N种类型的提示词中选取随机采样概率大于预设概率阈值的提示词；从样本自然语言文本中截取样本前缀文本片段；将所选取的提示词与样本前缀文本片段拼接，生成样本输入数据。
在本实施例的一些可选的实现方式中，训练模块504进一步被配置成：将样本输入数据输入至初始语言模型，得到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，调整初始语言模型的参数，得到预训练语言模型。
进一步参考图6，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6所示，本实施例的文本生成装置600可以包括：获取模块601、拼接模块602和生成模块603。其中，获取模块601，被配置成获取前缀文本片段和至少一种类型的提示词；拼接模块602，被配置成将前缀文本片段与至少一种类型的提示词拼接，生成输入数据；生成模块603，被配置成将输入数据输入至预先训练的预训练语言模型，生成伪自然语言文本，其中，预训练语言模型是采用图5所示的装置的实施例训练得到的。
在本实施例中，文本生成装置600中：获取模块601、拼接模块602和生成模块603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。
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、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7所示，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。
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 (21)

1.一种模型预训练方法，包括：
获取样本自然语言文本；
基于所述样本自然语言文本，生成N种类型的提示词，其中N为正整数；
基于所述样本自然语言文本和所述N种类型的提示词，生成样本输入数据；
基于所述样本输入数据对初始语言模型进行训练，得到预训练语言模型。
2.根据权利要求1所述的方法，其中，提示词类型包括任务类型；以及
所述基于所述样本自然语言文本，生成N种类型的提示词，包括：
确定所述样本自然语言文本的目标任务类型；
获取所述目标任务类型关联的连续提示词词表，其中，一种任务类型关联一个连续提示词词表；
从所述目标任务类型关联的连续提示词词表中获取随机长度的连续提示词，作为所述样本自然语言文本的任务类型的提示词。
3.根据权利要求1所述的方法，其中，提示词包括主题类型；以及
所述基于所述样本自然语言文本，生成N种类型的提示词，包括：
将所述样本自然语言文本输入至预先训练的主题分类模型，得到所述样本自然语言文本的主题类型的提示词。
4.根据权利要求1所述的方法，其中，提示词包括关注点类型；以及
所述基于所述样本自然语言文本，生成N种类型的提示词，包括：
将所述样本自然语言文本输入至预先训练的关注点提取模型，得到所述样本自然语言文本的关注点类型的提示词。
5.根据权利要求1所述的方法，其中，提示词包括情感类型；以及
所述基于所述样本自然语言文本，生成N种类型的提示词，包括：
将所述样本自然语言文本输入至预先训练的情感分析模型，得到所述样本自然语言文本的情感类型的提示词。
6.根据权利要求1所述的方法，其中，提示词包括生成长度类型；以及
所述基于所述样本自然语言文本，生成N种类型的提示词，包括：
将所述样本自然语言文本的长度作为所述样本自然语言文本的生成长度类型的提示词。
7.根据权利要求1-6中任一项所述的方法，其中，所述基于所述样本自然语言文本和所述N种类型的提示词，生成样本输入数据，包括：
分别生成所述N种类型的提示词的随机采样概率；
从所述N种类型的提示词中选取随机采样概率大于预设概率阈值的提示词；
从所述样本自然语言文本中截取样本前缀文本片段；
将所选取的提示词与所述样本前缀文本片段拼接，生成所述样本输入数据。
8.根据权利要求1-7中任一项所述的方法，其中，所述基于所述样本输入数据对初始语言模型进行训练，得到预训练语言模型，包括：
将所述样本输入数据输入至初始语言模型，得到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，调整所述初始语言模型的参数，得到所述预训练语言模型。
9.一种文本生成方法，包括：
获取前缀文本片段和至少一种类型的提示词；
将所述前缀文本片段与所述至少一种类型的提示词拼接，生成输入数据；
将所述输入数据输入至预先训练的预训练语言模型，生成伪自然语言文本，其中，所述预训练语言模型是采用权利要求1-8中任一项所述的方法训练得到的。
10.一种模型预训练装置，包括：
获取模块，被配置成获取样本自然语言文本；
第一生成模块，被配置成基于所述样本自然语言文本，生成N种类型的提示词，其中N为正整数；
第二生成模块，被配置成基于所述样本自然语言文本和所述N种类型的提示词，生成样本输入数据；
训练模块，被配置成基于所述样本输入数据对初始语言模型进行训练，得到预训练语言模型。
11.根据权利要求10所述的装置，其中，提示词类型包括任务类型；以及
所述第一生成模块进一步被配置成：
确定所述样本自然语言文本的目标任务类型；
获取所述目标任务类型关联的连续提示词词表，其中，一种任务类型关联一个连续提示词词表；
从所述目标任务类型关联的连续提示词词表中获取随机长度的连续提示词，作为所述样本自然语言文本的任务类型的提示词。
12.根据权利要求10所述的装置，其中，提示词包括主题类型；以及
所述第一生成模块进一步被配置成：
将所述样本自然语言文本输入至预先训练的主题分类模型，得到所述样本自然语言文本的主题类型的提示词。
13.根据权利要求10所述的装置，其中，提示词包括关注点类型；以及
所述第一生成模块进一步被配置成：
将所述样本自然语言文本输入至预先训练的关注点提取模型，得到所述样本自然语言文本的关注点类型的提示词。
14.根据权利要求10所述的装置，其中，提示词包括情感类型；以及
所述第一生成模块进一步被配置成：
将所述样本自然语言文本输入至预先训练的情感分析模型，得到所述样本自然语言文本的情感类型的提示词。
15.根据权利要求10所述的装置，其中，提示词包括生成长度类型；以及
所述第一生成模块进一步被配置成：
将所述样本自然语言文本的长度作为所述样本自然语言文本的生成长度类型的提示词。
16.根据权利要求10-15中任一项所述的装置，其中，所述第二生成模块进一步被配置成：
分别生成所述N种类型的提示词的随机采样概率；
从所述N种类型的提示词中选取随机采样概率大于预设概率阈值的提示词；
从所述样本自然语言文本中截取样本前缀文本片段；
将所选取的提示词与所述样本前缀文本片段拼接，生成所述样本输入数据。
17.根据权利要求10-16中任一项所述的装置，其中，所述训练模块进一步被配置成：
将所述样本输入数据输入至初始语言模型，得到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，调整所述初始语言模型的参数，得到所述预训练语言模型。
18.一种文本生成装置，包括：
获取模块，被配置成获取前缀文本片段和至少一种类型的提示词；
拼接模块，被配置成将所述前缀文本片段与所述至少一种类型的提示词拼接，生成输入数据；
生成模块，被配置成将所述输入数据输入至预先训练的预训练语言模型，生成伪自然语言文本，其中，所述预训练语言模型是采用权利要求10-17中任一项所述的装置训练得到的。
19.一种电子设备，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1-9中任一项所述的方法。
20.一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1-9中任一项所述的方法。
21.一种计算机程序产品，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1-9中任一项所述的方法。
CN202111260446.4A 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 Active CN113962315B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202111260446.4A CN113962315B (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
JP2022111132A JP7421604B2 (ja) 2021-10-28 2022-07-11 モデル事前訓練方法および装置、テキスト生成方法および装置、電子機器、記憶媒体並びにコンピュータプログラム
US17/889,218 US20230040095A1 (en) 2021-10-28 2022-08-16 Method for pre-training model, device, and storage medium
EP22190600.1A EP4174715A1 (en) 2021-10-28 2022-08-16 Method and apparatus for pre-training a language model, storage medium and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111260446.4A CN113962315B (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 (2)

Publication Number Publication Date
CN113962315A true CN113962315A (zh) 2022-01-21
CN113962315B CN113962315B (zh) 2023-12-22

Family

ID=79467904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111260446.4A Active CN113962315B (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 (4)

Country Link
US (1) US20230040095A1 (zh)
EP (1) EP4174715A1 (zh)
JP (1) JP7421604B2 (zh)
CN (1) CN113962315B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943211A (zh) * 2022-07-25 2022-08-26 北京澜舟科技有限公司 一种基于前缀的文本生成方法、系统及计算机可读存储介质
CN116127020A (zh) * 2023-03-03 2023-05-16 北京百度网讯科技有限公司 生成式大语言模型训练方法以及基于模型的搜索方法
CN116383652A (zh) * 2023-04-03 2023-07-04 华院计算技术(上海)股份有限公司 模型训练方法、可控文本的生成方法、系统、设备及介质
CN116644145A (zh) * 2023-07-26 2023-08-25 北京仁科互动网络技术有限公司 会话数据处理方法、装置、设备和存储介质
CN117216193A (zh) * 2023-09-26 2023-12-12 人民网股份有限公司 基于大语言模型的可控文本生成方法及装置
CN113962315B (zh) * 2021-10-28 2023-12-22 北京百度网讯科技有限公司 模型预训练方法、装置、设备、存储介质以及程序产品
CN117371428A (zh) * 2023-09-25 2024-01-09 百度国际科技（深圳）有限公司 基于大语言模型的文本处理方法与装置
CN117666812A (zh) * 2023-10-16 2024-03-08 百度时代网络技术（北京）有限公司 提示词处理方法、装置、电子设备及存储介质
WO2024139292A1 (zh) * 2022-12-29 2024-07-04 深圳云天励飞技术股份有限公司 数据构建方法、模型训练方法、装置、设备及介质

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240054282A1 (en) * 2022-08-15 2024-02-15 International Business Machines Corporation Elucidated natural language artifact recombination with contextual awareness
CN116204642B (zh) * 2023-03-06 2023-10-27 上海阅文信息技术有限公司 数字阅读中角色隐式属性智能识别分析方法、系统和应用
CN116151194B (zh) * 2023-04-04 2023-07-07 上海燧原科技有限公司 中文通用语言的生成方法、装置、设备及存储介质
CN116386800B (zh) * 2023-06-06 2023-08-18 神州医疗科技股份有限公司 基于预训练语言模型的医疗病历数据分割方法和系统
CN116402166B (zh) * 2023-06-09 2023-09-01 天津市津能工程管理有限公司 一种预测模型的训练方法、装置、电子设备及存储介质
CN116737935B (zh) * 2023-06-20 2024-05-03 青海师范大学 基于提示学习的藏文文本分类方法、装置及存储介质
CN116541752B (zh) * 2023-07-06 2023-09-15 杭州美创科技股份有限公司 元数据管理方法、装置、计算机设备及存储介质
CN117390497B (zh) * 2023-12-08 2024-03-22 浙江口碑网络技术有限公司 基于大语言模型的类目预测方法、装置和设备
CN117744754B (zh) * 2024-02-19 2024-05-10 浙江同花顺智能科技有限公司 大语言模型任务处理方法、装置、设备及介质
CN117744753B (zh) * 2024-02-19 2024-05-03 浙江同花顺智能科技有限公司 大语言模型的提示词确定方法、装置、设备及介质
CN117743315B (zh) * 2024-02-20 2024-05-14 浪潮软件科技有限公司 一种为多模态大模型系统提供高质量数据的方法
CN117744661B (zh) * 2024-02-21 2024-05-17 中国铁道科学研究院集团有限公司电子计算技术研究所 基于提示词工程的文本生成模型训练方法和文本生成方法
CN117787422B (zh) * 2024-02-27 2024-04-26 四川金信石信息技术有限公司 一种倒闸操作任务提取方法及系统
CN117993382A (zh) * 2024-03-08 2024-05-07 上海数中科技有限公司 基于大语言模型的提示词管理方法、系统及计算机设备
CN118013021A (zh) * 2024-04-08 2024-05-10 浙江口碑网络技术有限公司 基于大语言模型的医药解答方法、装置、设备及介质
CN118034659B (zh) * 2024-04-10 2024-07-05 北京云庐科技有限公司 自动生成cae仿真程序的方法、系统和介质
CN118095269B (zh) * 2024-04-24 2024-07-05 腾讯科技（深圳）有限公司 对话的信息抽取方法、装置、设备、介质和程序产品
CN118170686B (zh) * 2024-05-13 2024-07-30 浪潮通用软件有限公司 一种ui自动化测试脚本的生成方法、设备及介质
CN118196567B (zh) * 2024-05-16 2024-08-06 武汉大学 基于大语言模型的数据评价方法、装置、设备及存储介质
CN118394890A (zh) * 2024-06-28 2024-07-26 宏景科技股份有限公司 一种基于大语言模型的知识检索增强生成方法及其系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263158A (zh) * 2019-05-24 2019-09-20 阿里巴巴集团控股有限公司 一种数据的处理方法、装置及设备
CN112183091A (zh) * 2020-10-12 2021-01-05 深圳壹账通智能科技有限公司 问答对生成方法、装置、电子设备及可读存储介质
CN113127624A (zh) * 2021-06-16 2021-07-16 北京金山数字娱乐科技有限公司 问答模型的训练方法及装置
CN113468877A (zh) * 2021-07-09 2021-10-01 浙江大学 语言模型的微调方法、装置、计算设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3787310B2 (ja) 2002-03-08 2006-06-21 日本電信電話株式会社 キーワード決定方法、装置、プログラム、および記録媒体
JP6217468B2 (ja) 2014-03-10 2017-10-25 富士ゼロックス株式会社 多言語文書分類プログラム及び情報処理装置
JP5963328B2 (ja) 2014-10-30 2016-08-03 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 生成装置、生成方法、およびプログラム
WO2018126213A1 (en) 2016-12-30 2018-07-05 Google Llc Multi-task learning using knowledge distillation
CN113962315B (zh) * 2021-10-28 2023-12-22 北京百度网讯科技有限公司 模型预训练方法、装置、设备、存储介质以及程序产品

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263158A (zh) * 2019-05-24 2019-09-20 阿里巴巴集团控股有限公司 一种数据的处理方法、装置及设备
CN112183091A (zh) * 2020-10-12 2021-01-05 深圳壹账通智能科技有限公司 问答对生成方法、装置、电子设备及可读存储介质
CN113127624A (zh) * 2021-06-16 2021-07-16 北京金山数字娱乐科技有限公司 问答模型的训练方法及装置
CN113468877A (zh) * 2021-07-09 2021-10-01 浙江大学 语言模型的微调方法、装置、计算设备和存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962315B (zh) * 2021-10-28 2023-12-22 北京百度网讯科技有限公司 模型预训练方法、装置、设备、存储介质以及程序产品
CN114943211A (zh) * 2022-07-25 2022-08-26 北京澜舟科技有限公司 一种基于前缀的文本生成方法、系统及计算机可读存储介质
WO2024139292A1 (zh) * 2022-12-29 2024-07-04 深圳云天励飞技术股份有限公司 数据构建方法、模型训练方法、装置、设备及介质
CN116127020A (zh) * 2023-03-03 2023-05-16 北京百度网讯科技有限公司 生成式大语言模型训练方法以及基于模型的搜索方法
CN116383652A (zh) * 2023-04-03 2023-07-04 华院计算技术(上海)股份有限公司 模型训练方法、可控文本的生成方法、系统、设备及介质
CN116383652B (zh) * 2023-04-03 2024-02-06 华院计算技术(上海)股份有限公司 模型训练方法、可控文本的生成方法、系统、设备及介质
CN116644145A (zh) * 2023-07-26 2023-08-25 北京仁科互动网络技术有限公司 会话数据处理方法、装置、设备和存储介质
CN116644145B (zh) * 2023-07-26 2023-10-13 北京仁科互动网络技术有限公司 会话数据处理方法、装置、设备和存储介质
CN117371428A (zh) * 2023-09-25 2024-01-09 百度国际科技（深圳）有限公司 基于大语言模型的文本处理方法与装置
CN117216193A (zh) * 2023-09-26 2023-12-12 人民网股份有限公司 基于大语言模型的可控文本生成方法及装置
CN117216193B (zh) * 2023-09-26 2024-02-27 人民网股份有限公司 基于大语言模型的可控文本生成方法及装置
CN117666812A (zh) * 2023-10-16 2024-03-08 百度时代网络技术（北京）有限公司 提示词处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US20230040095A1 (en) 2023-02-09
CN113962315B (zh) 2023-12-22
JP2022153441A (ja) 2022-10-12
EP4174715A1 (en) 2023-05-03
JP7421604B2 (ja) 2024-01-24

Similar Documents

Publication Publication Date Title
CN113962315A (zh) 模型预训练方法、装置、设备、存储介质以及程序产品
CN111428010B (zh) 人机智能问答的方法和装置
CN111832276B (zh) 用于对话解交织的丰富消息嵌入
CN114970522B (zh) 语言模型的预训练方法、装置、设备、存储介质
CN115309877B (zh) 对话生成方法、对话模型训练方法及装置
CN112163405A (zh) 问题的生成方法和装置
EP3732629A1 (en) Training sequence generation neural networks using quality scores
CN111191450A (zh) 语料清洗方法、语料录入设备及计算机可读存储介质
US20230342667A1 (en) Classification model training method, semantic classification method, device and medium
CN111767394A (zh) 一种基于人工智能专家系统的摘要提取方法及装置
CN113641807A (zh) 对话推荐模型的训练方法、装置、设备和存储介质
CN112185361B (zh) 一种语音识别模型训练方法、装置、电子设备及存储介质
CN114625855A (zh) 用于生成对话信息的方法及装置、设备和介质
CN110019691A (zh) 会话消息处理方法和装置
CN113850386A (zh) 模型预训练方法、装置、设备、存储介质以及程序产品
CN115062718A (zh) 语言模型训练方法、装置、电子设备及存储介质
WO2020052061A1 (zh) 用于处理信息的方法和装置
JP7357114B2 (ja) 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体
CN114444462B (zh) 模型训练方法及人机交互方法、装置
CN117033582A (zh) 对话模型的训练方法、装置、电子设备和存储介质
CN115759119A (zh) 一种金融文本情感分析方法、系统、介质和设备
US11657277B2 (en) Generating neural network outputs using insertion commands
CN117421403A (zh) 智能对话方法、装置及电子设备
EP4254256A1 (en) Spoken language processing method and apparatus, electronic device, and storage medium
CN114969195A (zh) 对话内容挖掘方法和对话内容评估模型的生成方法

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