CN114021565A - 命名实体识别模型的训练方法及装置 - Google Patents

Abstract

本申请公开了一种命名实体识别模型的训练方法及装置。方法的一具体实施方式包括：获取多个训练任务一一对应的多组数据集，其中，多组数据集中的每组数据集中包括训练集和验证集；对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型。本申请提供了提供了一种可适用于多种命名实体识别任务的命名实体识别模型的训练方法，提高了所得到的命名实体识别模型的适用范围和准确度。

Description

命名实体识别模型的训练方法及装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及一种命名实体识别模型的训练方法及装置。

背景技术

在网络购物的场景下，消费者的搜索词中包含了消费者的诉求信息，但是，消费者的原始搜索词不够规则化，商家很难从中提取出消费者的关键意图。为了帮助商家通过搜索词中的信息去更好的了解消费者的喜好，需要规则化消费者的搜索词以进行分析。目前，一般通过对消费者的原始搜索词进行命名实体识别，以规则化原始搜索词。命名实体识别是自然语言处理领域中的一个经典问题，比如从一句话中识别出人名、地名，从电商平台的搜索中识别出物品的名字、药物名称等等。命名实体识别技术的应用极为广泛，得到一个可广泛适用于不同任务的命名实体识别模型是一个挑战。

发明内容

本申请实施例提出了一种命名实体识别模型的训练方法及装置。

第一方面，本申请实施例提供了一种命名实体识别模型的训练方法，包括：获取多个训练任务一一对应的多组数据集，其中，多组数据集中的每组数据集中包括训练集和验证集；对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型。

在一些实施例中，上述通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失，包括：对该训练集进行数据增强，得到增强训练集；通过增强训练集训练初始模型，并通过该验证集确定经增强训练集训练后的初始模型的训练损失。

在一些实施例中，上述对该训练集和该验证集进行数据增强，得到增强训练集，包括：通过预训练的命名实体标注模型，生成与该训练集中的数据同类型的命名实体标注数据，得到增强训练集。

在一些实施例中，上述根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型，包括：确定各验证集对应的训练损失的总损失；根据总损失，调整初始模型，得到命名实体识别模型。

在一些实施例中，上述方法还包括：获取目标任务对应的目标训练集和目标验证集；通过目标训练集训练命名实体识别模型，并通过目标验证集确定经目标训练集训练后的命名实体识别模型的目标损失；根据目标损失，调整命名实体识别模型，得到微调后的命名实体识别模型。

在一些实施例中，上述通过目标训练集训练命名实体识别模型，并通过目标验证集确定经目标训练集训练后的命名实体识别模型的目标损失，包括：对目标训练集进行数据增强，得到增强目标训练集；通过增强目标训练集训练命名实体识别模型，并通过目标验证集确定经增强目标训练集训练后的命名实体识别模型的目标损失。

在一些实施例中，上述方法还包括：通过微调后的命名实体识别模型，执行目标任务。

第二方面，本申请实施例提供了一种命名实体识别模型的训练装置，包括：获取单元，被配置成获取多个训练任务一一对应的多组数据集，其中，多组数据集中的每组数据集中包括训练集和验证集；训练验证单元，被配置成对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；调整单元，被配置成根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型。

在一些实施例中，训练验证单元，进一步被配置成：对该训练集进行数据增强，得到增强训练集；通过增强训练集训练初始模型，并通过该验证集确定经增强训练集训练后的初始模型的训练损失。

在一些实施例中，训练验证单元，进一步被配置成：通过预训练的命名实体标注模型，生成与该训练集中的数据同类型的命名实体标注数据，得到增强训练集。

在一些实施例中，调整单元，进一步被配置成：确定各验证集对应的训练损失的总损失；根据总损失，调整初始模型，得到命名实体识别模型。

在一些实施例中，上述装置还包括：微调单元，被配置成：获取目标任务对应的目标训练集和目标验证集；通过目标训练集训练命名实体识别模型，并通过目标验证集确定经目标训练集训练后的命名实体识别模型的目标损失；根据目标损失，调整命名实体识别模型，得到微调后的命名实体识别模型。

在一些实施例中，上述微调单元，进一步被配置成：对目标训练集进行数据增强，得到增强目标训练集；通过增强目标训练集训练命名实体识别模型，并通过目标验证集确定经增强目标训练集训练后的命名实体识别模型的目标损失。

在一些实施例中，上述装置还包括：执行单元，被配置成通过微调后的命名实体识别模型，执行目标任务。

第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面任一实现方式描述的方法。

第四方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一实现方式描述的方法。

本申请实施例提供的命名实体识别模型的训练方法及装置，通过获取多个训练任务一一对应的多组数据集，其中，多组数据集中的每组数据集中包括训练集和验证集；对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型，从而提供了一种可适用于多种命名实体识别任务的命名实体识别模型的训练方法，提高了所得到的命名实体识别模型的适用范围和准确度。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请命名实体识别模型的训练方法的一个实施例的流程图；

图3是根据本实施例的命名实体识别模型的训练方法的应用场景的示意图；

图4是根据本申请的命名实体识别模型的训练方法的又一个实施例的流程图；

图5是根据本申请的命名实体识别模型的训练装置的一个实施例的结构图；

图6是适于用来实现本申请实施例的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的命名实体识别模型的训练方法及装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如获取用户通过终端设备101、102、103发送的训练请求，通过多个训练任务一一对应的多组数据集训练初始模型，得到命名实体识别模型的后台处理服务器。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本申请的实施例所提供的命名实体识别模型的训练方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，命名实体识别模型的训练装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当命名实体识别模型的训练方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括命名实体识别模型的训练方法运行于其上的电子设备(例如服务器或终端设备)。

继续参考图2，示出了命名实体识别模型的训练方法的一个实施例的流程200，包括以下步骤：

步骤201，获取多个训练任务一一对应的多组数据集。

本实施例中，命名实体识别模型的训练方法的执行主体(例如图1中的终端设备或服务器)可以基于有线连接方式或无线连接方式从远程，或从本地获取多个训练任务一一对应的多组数据集。

多组数据集中的每组数据集中包括训练集和验证集。训练集和验证集中均包括标注了命名实体的多个数据，多个训练任务可以是相关联的训练任务，也可以是相对独立的训练任务，同一训练任务对应的训练集和验证集中的数据为同类型的数据。

作为示例，多个训练任务为相对独立的训练任务，多组数据集分属于电子商务领域、金融领域等领域，关联性较小。对应于电子商务领域的数据集中的训练集中的训练数据和验证集中的验证数据均是电子商务领域中的物品所表征的命名实体的标注数据。

作为又一示例，多个训练任务为相关联的训练任务。此时，多组数据集对应的类型可以基于较小的划分粒度得到。例如，对应于上述电子商务领域，对其进一步划分可以得到电子产品类、食品类、图书类等类型。对应于电子产品类的数据集中的训练集中的训练数据和验证集中的验证数据均是电子产品所表征的命名实体的标注数据。

本实施例中，数据标注方式为BIO。其中，B，即Begin，表示某实体的开始；I，即Intermediate，表示中间部分；O，即Other，表示其他部分，用于标记无关字符。此外，还可以基于数字表示标注命名实体中的产品、品牌等信息。例如，0表示产品；1表示修饰；2表示品牌。

步骤202，对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失。

本实施例中，上述执行主体可以对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失。

初始模型可以是具有命名实体识别功能的任意网络模型，作为示例，初始模型可以是LSTM(Long Short-Term Memory，长短期记忆)+CRF(conditional random field，条件随机场)、ID-CNN(Iterated Dilated Convolutional Neural Networks，迭代扩张卷积神经网络)+CRF。

上述执行主体可以采用MAML(Model-Agnostic Meta-Learning，模型无关元学习)方法对初始模型进行训练。具体的，对于每组数据集中的训练集和验证集，上述执行主体将从该训练集中选取的训练数据作为输入，将所输入的训练数据的标签(命名实体的标注信息)作为期望输出，训练初始模型。通过该训练集完成初始模型的训练后，上述执行主体可以将验证集中的验证数据作为经该训练集训练后的初始模型的输入，得到训练后的初始模型的实际输出；进而，上述执行主体可以确定该验证集中的每个验证数据对应的实际输出和标签之间的训练损失。

作为示例，参数为θ的初始模型经过不同的训练任务i的训练集训练后，得到在对应的训练任务i上的模型参数θ′_i。在训练任务i对应的验证集上获得经训练集训练后的、参数为θ′_i的模型在该训练任务下的训练损失

由于命名实体的标注数据较难获得，为了提高得到的命名实体识别模型的准确度，在本实施例的一些可选的实现方式，上述执行主体可以通过如下方式执行上述步骤202：

第一，对该训练集进行数据增强，得到增强训练集。

作为示例，上述执行主体可以通过如下至少一种方式进行数据增强：

(1)LwTR(Label-wise token replacement，同标签符号替换)：对于每一token通过二项分布来确定是否被替换；如果确定被替换，则从进行数据增强的训练集或验证集中选择相同的token进行替换。

(2)SR(Synonym replacement，同义词替换)：利用预设词典(例如WordNet)查询命名实体的同义词，然后根据二项分布随机替换。如果替换的同义词大于1个token，则对替换的同义词依次延展BIO标签。

(3)MR(Mention replacement，提及替换)：利用进行数据增强的训练集中的相同实体类型进行命名实体的替换。如果替换的mention大于1个token，则对替换后的mention依次延展BIO标签。Mention可以理解为自然语言中表达实体的语言片段。

(4)SiS(Shuffle within segments，在片段内洗牌)：按照mention来切分句子，然后以切分后的片段为单位进行洗牌。

数据增强得到的新的训练数据达到一定数量后，里面的标签会出现大量重复，对命名实体识别模型的识别效果不再有提升意义。在本实施例的一些可选的实现方式中，为了避免进行无效的数据增强，提高数据增强的有效性，上述执行主体可以针对于每组数集中的训练集，设置增强数据的上限值，从而限制每个训练集中增强数据的数量。

作为示例，上述执行主体可以预先设置对应关系表。对应关系表表征集合中未进行数据增强的标注数据的数量与增强数据的上限值之间的对应关系。进而，上述执行主体可以根据对应关系表进行每个数据集合的数据增强。

第二，通过增强训练集训练初始模型，并通过该验证集确定经增强训练集训练后的初始模型的训练损失。

作为示例，上述执行主体将从增强训练集中选取的训练数据作为输入，将所输入的训练数据的标签(命名实体的标注信息)作为输出，训练初始模型。通过增强训练集完成初始模型的训练后，上述执行主体可以将该验证集中的验证数据作为经增强训练集训练后的初始模型的输入，得到训练后的初始模型的实际输出；进而，上述执行主体可以确定该验证集中的每个验证数据的实际输出和标签之间的训练损失。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第一步骤：

通过预训练的命名实体标注模型，生成与该训练集中的数据同类型的命名实体标注数据，得到增强训练集。

命名实体标注模型可以是具有命名实体标注功能的任意网络模型。作为示例，命名实体标注模型可以是LSTM模型。

作为示例，上述执行主体可以采用机器学习方法，通过该训练集中的标注数据训练初始命名实体标注模型；在得到预训练的命名实体识别模型后，通过所得到的模型生成新的标注数据；过采样原训练集中的标注数据；结合新的标注数据和过采样标注数据，训练初始模型。

步骤203，根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型。

本实施例中，上述执行主体可以根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型。

作为示例，上述执行主体可以依次根据各验证集对应的训练损失，求取梯度，进而基于梯度下降法、随机梯度下降法等方法进行初始模型的参数更新，得到命名实体识别模型。

为了提高根据各验证集对应的训练损失更新初始模型的效率，在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203：

首先，确定各验证集对应的训练损失的总损失；然后，根据总损失，调整初始模型，得到命名实体识别模型。如此，基于总损失更新初始模型，减少了更新次数和计算量。

继续参见图3，图3是根据本实施例的命名实体识别模型的训练方法的应用场景的一个示意图300。在图3的应用场景中，首先，服务器301从数据库302中获取多个训练任务一一对应的多组数据集303、304、305。其中，多组数据集中的每组数据集中包括训练集和验证集，具体标记为训练集3031、3041、3051，验证集3032、3042、3052。然后，对于每组数据集中的训练集和验证集，通过该训练集训练初始模型306，并通过该验证集确定经该训练集训练后的初始模型的训练损失。具体得到依次对应于验证集3032、3042、3052的训练损失307、308、309。最后，根据各验证集对应的训练损失307、308、309，调整初始模型306，得到命名实体识别模型310。

本申请的上述实施例提供的方法，通过获取多个训练任务一一对应的多组数据集，其中，多组数据集中的每组数据集中包括训练集和验证集；对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型，从而提供了一种可适用于多种命名实体识别任务的命名实体识别模型的训练方法，提高了所得到的命名实体识别模型的适用范围和准确度。

在本实施例的一些可选的实现方式中，为了进一步提高命名实体识别模型在目标任务上的识别准确度，上述执行主体还可以执行如下操作：

第一，获取目标任务对应的目标训练集和目标验证集。

目标任务可以是命名实体识别模型所将应用的命名实体识别任务。目标训练集和目标验证集中均包括标注了命名实体的多个数据，目标训练集和目标验证集中的数据为同类型的数据。

第二，通过目标训练集训练命名实体识别模型，并通过目标验证集确定经目标训练集训练后的命名实体识别模型的目标损失。

作为示例，上述执行主体将从目标训练集中选取的训练数据作为输入，将所输入的训练数据的标签(命名实体的标注信息)作为期望输出，训练命名实体识别模型。通过目标训练集完成命名实体识别模型的训练后，上述执行主体可以将目标验证集中的验证数据作为经目标训练集训练后的命名实体识别模型的输入，得到训练后的命名实体识别模型的实际输出；进而，上述执行主体可以确定目标验证集中的每个验证数据对应的实际输出和标签之间的训练损失。

第三，根据目标损失，调整命名实体识别模型，得到微调后的命名实体识别模型。

在本实施例的一些可选的实现方式中，为了进一步提高命名实体识别模型在目标任务上的准确度，上述执行主体可以通过如下方式执行上述第二步骤：

首先，对目标训练集进行数据增强，得到增强目标训练集；然后，通过增强目标训练集训练命名实体识别模型，并通过目标验证集确定经增强目标训练集训练后的命名实体识别模型的目标损失。

其中，针对于目标训练集的数据增强方式可以参照上述各数据集中的训练集的数据增强方式，在此不做赘述。

在本实施例的一些可选的方式中，上述执行主体还可以执行如下操作：通过微调后的命名实体识别模型，执行目标任务。作为示例，目标任务为针对于用户在电子商务平台输入的搜索语句的命名实体识别任务。

继续参考图4，示出了根据本申请的命名实体识别模型的训练方法的一个实施例的示意性流程400，包括如下步骤：

步骤401，获取多个训练任务一一对应的多组数据集。

其中，多组数据集中的每组数据集中包括训练集和验证集。

步骤402，对于每组数据集中的训练集和验证集，执行如下操作：

步骤4021，对该训练集进行数据增强，得到增强训练集。

步骤4022，通过增强训练集训练初始模型，并通过该验证集确定经增强训练集训练后的初始模型的训练损失。

步骤403，确定各验证集对应的训练损失的总损失。

步骤404，根据总损失，调整初始模型，得到命名实体识别模型。

步骤405，获取目标任务对应的目标训练集和目标验证集。

步骤406，对目标训练集进行数据增强，得到增强目标训练集。

步骤407，通过增强目标训练集训练命名实体识别模型，并通过目标验证集确定经增强目标训练集训练后的命名实体识别模型的目标损失。

步骤408，根据目标损失，调整命名实体识别模型，得到微调后的命名实体识别模型。

步骤409，通过微调后的命名实体识别模型，执行目标任务。

从本实施例中可以看出，与图2对应的实施例相比，本实施例中的命名实体识别模型的训练方法的流程400具体说明了命名实体识别模型的训练过程、微调过程，以及在训练过程、微调过程中的训练数据的数据增强过程，进一步提高了命名实体识别模型的识别准确度。

继续参考图5，作为对上述各图所示方法的实现，本申请提供了一种命名实体识别模型的训练装置的一个实施例，该装置实施例与图2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，命名实体识别模型的训练装置包括：获取单元501，被配置成获取多个训练任务一一对应的多组数据集，其中，多组数据集中的每组数据集中包括训练集和验证集；训练验证单元502，被配置成对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；调整单元503，被配置成根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型。

在一些实施例中，训练验证单元502，进一步被配置成：对该训练集进行数据增强，得到增强训练集；通过增强训练集训练初始模型，并通过该验证集确定经增强训练集训练后的初始模型的训练损失。

在一些实施例中，训练验证单元502，进一步被配置成：通过预训练的命名实体标注模型，生成与该训练集中的数据同类型的命名实体标注数据，得到增强训练集。

在一些实施例中，调整单元503，进一步被配置成：确定各验证集对应的训练损失的总损失；根据总损失，调整初始模型，得到命名实体识别模型。

在一些实施例中，上述装置还包括：微调单元(图中未示出)，被配置成：获取目标任务对应的目标训练集和目标验证集；通过目标训练集训练命名实体识别模型，并通过目标验证集确定经目标训练集训练后的命名实体识别模型的目标损失；根据目标损失，调整命名实体识别模型，得到微调后的命名实体识别模型。

在一些实施例中，微调单元(图中未示出)，进一步被配置成：对目标训练集进行数据增强，得到增强目标训练集；通过增强目标训练集训练命名实体识别模型，并通过目标验证集确定经增强目标训练集训练后的命名实体识别模型的目标损失。

在一些实施例中，上述装置还包括：执行单元(图中未示出)，被配置成通过微调后的命名实体识别模型，执行目标任务。

本实施例中，命名实体识别模型的训练装置中的获取单元获取多个训练任务一一对应的多组数据集，其中，多组数据集中的每组数据集中包括训练集和验证集；训练验证单元对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；调整单元503根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型，从而提供了一种可适用于多种命名实体识别任务的命名实体识别模型的训练装置，提高了所得到的命名实体识别模型的适用范围和准确度。

下面参考图6，其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统600的结构示意图。图6示出的设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括处理器(例如CPU，中央处理器)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。处理器601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到客户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、训练验证单元和调整单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，训练验证单元还可以被描述为“对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该计算机设备：获取多个训练任务一一对应的多组数据集，其中，多组数据集中的每组数据集中包括训练集和验证集；对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；根据各验证集对应的训练损失，调整初始模型，得到命名实体识别模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种命名实体识别模型的训练方法，包括：

获取多个训练任务一一对应的多组数据集，其中，所述多组数据集中的每组数据集中包括训练集和验证集；

对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；

根据各验证集对应的训练损失，调整所述初始模型，得到所述命名实体识别模型。

2.根据权利要求1所述的方法，其中，所述通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失，包括：

对该训练集进行数据增强，得到增强训练集；

通过所述增强训练集训练所述初始模型，并通过该验证集确定经所述增强训练集训练后的初始模型的训练损失。

3.根据权利要求2所述的方法，其中，所述对该训练集进行数据增强，得到增强训练集，包括：

通过预训练的命名实体标注模型，生成与该训练集中的数据同类型的命名实体标注数据，得到所述增强训练集。

4.根据权利要求1所述的方法，其中，所述根据各验证集对应的训练损失，调整所述初始模型，得到所述命名实体识别模型，包括：

确定各验证集对应的训练损失的总损失；

根据所述总损失，调整所述初始模型，得到所述命名实体识别模型。

5.根据权利要求1-4中任一所述的方法，其中，还包括：

获取目标任务对应的目标训练集和目标验证集；

通过所述目标训练集训练所述命名实体识别模型，并通过所述目标验证集确定经所述目标训练集训练后的命名实体识别模型的目标损失；

根据所述目标损失，调整所述命名实体识别模型，得到微调后的命名实体识别模型。

6.根据权利要求5所述的方法，其中，所述通过所述目标训练集训练所述命名实体识别模型，并通过所述目标验证集确定经所述目标训练集训练后的命名实体识别模型的目标损失，包括：

对所述目标训练集进行数据增强，得到增强目标训练集；

通过所述增强目标训练集训练所述命名实体识别模型，并通过所述目标验证集确定经所述增强目标训练集训练后的命名实体识别模型的目标损失。

7.根据权利要求5所述的方法，其中，还包括：

通过微调后的命名实体识别模型，执行所述目标任务。

8.一种命名实体识别模型的训练装置，包括：

获取单元，被配置成获取多个训练任务一一对应的多组数据集，其中，所述多组数据集中的每组数据集中包括训练集和验证集；

训练验证单元，被配置成对于每组数据集中的训练集和验证集，通过该训练集训练初始模型，并通过该验证集确定经该训练集训练后的初始模型的训练损失；

调整单元，被配置成根据各验证集对应的训练损失，调整所述初始模型，得到所述命名实体识别模型。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

Images