CN114219046B - 模型训练方法、匹配方法、装置、系统、电子设备和介质 - Google Patents

Abstract

本公开提供了一种模型训练方法、匹配方法、装置、系统、电子设备和介质，涉及人工智能技术领域，尤其涉及智能搜索领域。实现方案为：利用多个样本文本和多个样本文本中的每一个样本文本的第一标签来训练第二模型，其中，每一个样本文本的第一标签通过用于第一场景的第一模型对该样本文本的第一预测结果而确定；以及基于多个样本文本中的每一个样本文本，执行对第二模型的更新操作，其中，更新操作包括：响应于第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配，确定该样本文本的第二标签，其中，第二标签为该样本文本在第二场景中所对应的标签；以及基于该样本文本和该样本文本的第二标签，对第二模型中的参数进行微调。

Description

模型训练方法、匹配方法、装置、系统、电子设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及智能搜索领域，具体涉及一种模型训练的方法、匹配方法、装置、系统、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

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。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种模型训练的方法、匹配方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种模型训练方法，包括：利用多个样本文本和多个样本文本中的每一个样本文本的第一标签来训练第二模型，其中，每一个样本文本的第一标签通过用于第一场景的第一模型对该样本文本的第一预测结果而确定；以及基于多个样本文本中的每一个样本文本，执行对第二模型的更新操作，其中，更新操作包括：响应于第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配，确定该样本文本的第二标签，其中，第二标签为该样本文本在第二场景中所对应的标签；以及基于该样本文本和该样本文本的第二标签，对第二模型中的参数进行微调(fine-tuning)。

根据本公开的另一方面，提供了一种文本匹配方法，包括：将待匹配文本和候选文本输入匹配模型，以得到待匹配文本和候选文本的匹配结果，其中，匹配模型根据上述方法训练得到。

根据本公开的另一方面，提供了一种模型训练装置，包括：训练单元，被配置用于利用多个样本文本和多个样本文本中的每一个样本文本的第一标签来训练第二模型，其中，每一个样本文本的第一标签通过用于第一场景的第一模型对该样本文本的第一预测结果而确定；以及更新单元，被配置用于基于多个样本文本中的每一个样本文本，执行对第二模型的更新操作，其中，更新单元包括：确定子单元，被配置用于基响应于第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配，确定该样本文本的第二标签，其中，第二标签为该样本文本在第二场景中所对应的标签；以及调整子单元，被配置用于基于该样本文本和该样本文本的第二标签，对第二模型中的参数进行微调。

根据本公开的另一方面，提供了一种文本匹配模型，其中，匹配模型根据上述训练方法训练得到。

根据本公开的另一方面，提供了一种搜索系统，其中，搜索系统包括上述文本匹配模型。

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上述任意一种方法。

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，计算机指令用于使计算机执行上述任意一种方法。

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，其中，计算机程序在被处理器执行时实现上述任意一种方法。

根据本公开的一个或多个实施例，能够在缺乏经过标注的样本的新场景中，利用其它场景的模型的既有知识来训练新场景下的模型，仅需要少量的人工标注就能够训练得到与新场景相匹配的模型。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2A和图2B示出了根据本公开的实施例的模型训练方法的流程图；

图3示出了根据本公开的实施例的一种更新模型的方法的示意图；

图4示出了根据本公开的实施例的一种文本搜索方法的示意图；

图5示出了根据本公开的实施例的模型训练装置的结构框图；以及

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在一个新场景中执行模型训练时，常常面临缺乏经过标注的样本的情况。在相关技术中，往往通过人工标注的样本来支持新场景中的模型训练。然而，要训练得到一个可靠的模型往往需要极大的样本量，采用相关技术中的方法将导致很高的人力成本。

基于此，本公开提出一种模型训练方法，通过用于第一场景的第一模型对样本文本的第一预测结果，来确定样本文本的第一标签，并利用多个样本文本和多个样本文本中的每一个样本文本的第一标签来训练第二模型，其后，针对每一个样本文本，响应于第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配，确定该样本文本与第二场景匹配的第二标签，并基于该样本文本和该样本文本的第二标签，对第二模型中的参数进行微调。

由此，能够在缺乏经过标注的样本的第二场景中，利用第一场景的第一模型的既有知识来训练第二模型，可以在仅需要少量的人工标注样本的情况下训练得到与第二场景相匹配的可靠模型。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行模型训练方法或文本匹配方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取待匹配文本。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器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，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

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。

图2A和图2B示出了根据本公开示例性实施例的一种模型训练方法，包括：步骤S201、利用多个样本文本和多个样本文本中的每一个样本文本的第一标签来训练第二模型，其中，每一个样本文本的第一标签通过用于第一场景的第一模型对该样本文本的第一预测结果而确定；以及步骤S202、基于多个样本文本中的每一个样本文本，执行对第二模型的更新操作，其中，更新操作包括：步骤S202-1、响应于第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配，确定该样本文本的第二标签，其中，第二标签为该样本文本在第二场景中所对应的标签；以及步骤S202-2、基于该样本文本和该样本文本的第二标签，对第二模型中的参数进行微调。

由此，能够在缺乏经过标注的样本的第二场景中，利用第一场景的第一模型的既有知识来训练第二模型，可以在仅需要少量的人工标注样本的情况下训练得到与第二场景相匹配的可靠模型。

可以理解，上述第一场景与第二场景不同，第一模型与第二模型不同。

在一种实施方式中，第一场景和第二场景分别基于不同的地区而确定。

在另一种实施方式中，第一场景和第二场景也可以分别基于不同的用户类型而确定。

在另一种实施方式中，第一场景和第二场景也可以分别基于不同的业务类型而确定。

针对步骤S201，根据一些实施例，第二模型可以为GBDT模型。由于GBDT模型的处理无需GPU资源，可以节省设备的处理资源。

根据一些实施例，该方法还可以包括：在训练第二模型之前，将多个备选文本中的每一个备选文本输入第一模型，以得到该备选文本的第一预测结果，其中，第一预测结果包括多个第一分类和多个第一分类中的每一个第一分类的置信度；以及针对多个备选文本中的每一个备选文本，响应于该备选文本的多个第一分类中存在置信度大于第三预设阈值的目标第一分类，将该备选文本确定为样本文本，并且将目标第一分类确定为第一标签。

第一模型和第二模型分别基于不同的场景而设置。如果不对利用第一模型标注的文本进行筛选，无差别地将其全部用于第二模型的训练，会导致第二模型和第一模型过于雷同，换言之，经过训练的第二模型会因为带入了较多的第一模型的知识，而较难与第二场景相适配。

基于此，可以基于备选文本的第一预测结果对备选文本进行筛选，仅选取其中存在置信度大于第三预设阈值的目标第一分类的备选文本作为样本文本。如此，得到的样本文本的第一标签均为第一模型所确信的预测结果，即具有较高的置信度的第一分类，这样的预测结果往往能够体现出第一场景和第二场景之间的共性，使得第二模型的训练过程能够有针对性地从第一模型中学习这些通用的知识，同时避免第二模型和第一模型过于相似，降低了后续步骤S202中的更新操作的难度，提升了第二模型与第二场景的适配性。

示例性地，本公开可以应用于文本匹配领域，尤其适用于长文本匹配领域。

根据一些实施例，多个备选文本中的每一个备选文本包括第一子文本和第二子文本，多个第一分类包括用于表示第一子文本和第二子文本相匹配的第一分类和用于表示第一子文本和第二子文本不匹配的另一个第一分类。

可以理解，由于多个样本文本是从多个备选文本中筛选出的，因此，多个样本文本中的每一个样本文本包括第一子文本和第二子文本，第二模型对该样本文本的第二预测结果包括多个第二分类和多个第二分类中的每一个第二分类的置信度，多个第二分类包括用于表示第一子文本和第二子文本相匹配的第二分类和用于表示第一子文本和第二子文本不匹配的另一个第二分类。

为了便于从多个备选文本中筛选出符合要求的样本文本，即能够使得备选文本中存在置信度大于第三预设阈值的目标第一分类，可以采用如下的方式构建备选文本。

根据一些实施例，该方法还包括：确定多个第一子文本；针对多个第一子文本中的每一个第一子文本，基于预设匹配规则确定该第一子文本所对应的一个或多个召回文本；以及针对多个第一子文本中的每一个第一子文本，基于以下至少一种方式构建该第一子文本所对应的备选文本：将该第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，以构建该第一子文本所对应的备选文本；和将多个第一子文本中除该第一子文本以外的任意一个第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，以构建该第一子文本所对应的备选文本。

其中，多个第一子文本可以为相互之间具有预设差异度的文本。

在一种实施方式中，可以通过经过训练的召回模型来确定该第一子文本所对应的一个或多个召回文本。

可以理解，通常情况下，针对数据库中的海量文本中的任意一个文本，在数据库中与该文本匹配度较高的文本数量较少，而与该文本匹配度较低或完全不相干的文本则较为普遍。因此，可以首先通过预设的匹配规则，来确定每个第一子文本所对应的一个或多个召回文本，这些召回文本与第一子文本具有较高的匹配度。

通过将第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，可以便于构建出第一子文本和第二子文本之间的匹配度较高的备选文本，即这样的备选文本容易在用于表示第一子文本和第二子文本相匹配的第二分类上具有较高的置信度；反之，将多个第一子文本中除该第一子文本以外的任意一个第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，可以便于构建出第一子文本和第二子文本之间的匹配度较低的备选文本，即这样的备选文本容易在用于表示第一子文本和第二子文本不相匹配的第二分类上具有较高的置信度。由此，能够提升所构建的备选文本的有效性，即便于从中筛选出符合要求的样本文本。

针对步骤S202，在经过上述训练之后，可以进一步对第二模型进行更新，使得第二模型能够与第二场景适配。

针对步骤S202-1，其中，第二标签可以通过人工标注。可以理解，针对一个样本文本，其第一标签可以与第二标签一致，也可以不一致。例如，在文本匹配领域，如果第一子文本与第二子文本在第一场景和第二场景中具有类似的匹配性，则第一标签与第二标签一致；如果第一子文本与第二子文本在第一场景和第二场景中的匹配性差异较大，则第一标签与第二标签不一致。

可以理解，在步骤S202-1所确定的第二预测结果与第一标签不匹配的样本文本为多个样本文本中的少数，即本公开仅需要对很少量的样本文本进行人工标注，极大地减少了对人力资源的消耗。

根据一些实施例，第二模型对该样本文本的第二预测结果包括多个第二分类和多个第二分类中的每一个第二分类的置信度，并且其中，第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配包括：第二预测结果中的多个第二分类中具有最高置信度的第二分类与该样本文本的第一标签不一致。由此，能够简单快速地找出多个样本文本中预测结果不一致的样本文本，以执行针对性的人工复合，即确定这些样本文本在第二场景下的第二标签。

为了加快对第二模型的更新进程，可以进一步增加标注第二标签的样本数量。根据一些实施例，更新操作还包括：响应于多个第二分类中的每一个第二分类的置信度满足预设条件，确定该样本文本的第二标签；以及基于该样本文本和该样本文本的第二标签，对第二模型中的参数进行微调。

在一种实施方式中，多个第二分类中的每一个第二分类的置信度满足预设条件包括：多个第二分类中的每一个第二分类的置信度的熵值大于第一预设阈值。

在另一种实施方式中，多个第二分类中的每一个第二分类的置信度满足预设条件包括：多个第二分类中的每一个第二分类的置信度中的最大值与最小值之差小于第二预设阈值。

由此，能够简单快速地找出多个样本文本中预测结果不确信的样本文本，以执行针对性的人工复合，即确定这些样本文本在第二场景下的第二标签。

针对步骤S202-2，由于标注的第二标签能够与第二场景相匹配，因此基于具有第二标签的样本文本对第二模型中的参数进行微调，能够使得调整后的第二模型逐步适配于第二场景，并最终得到适配于第二场景的可靠的第二模型。

在本公开中，上述微调表示在步骤S201对第二模型所执行的训练的基础上，利用具有第二标签的样本文本，对第二模型中的部分或者所有参数进行进一步的调整。

图3示出了根据本公开的示例性实施例的一种对模型执行更新操作的示意图。如图3所示，在多个样本文本中的每一个样本文本包括第一子文本和第二子文本，且第一模型和第二模型分别为不同场景下用于预测该第一子文本和第二子文本是否匹配的模型的情况下，对更新操作的步骤描述如下：

步骤S301、确定样本文本，该样本文件包括第一子文本和第二子文本，以及表示该第一子文本和第二子文本是否匹配的第一标签；

步骤S302、将样本文本输入第二模型；

步骤S303、确定第二模型对样本文本执行预测所得到的第二预测结果，该第二预测结果包括预测第一子文本和第二子文本相匹配的第一置信度，以及预测第一子文本和第二子文本不匹配的第二置信度；

步骤S304、基于第二预测结果，判断该样本文本是否为困难样本，这里的困难样本可以是上述“不一致的样本文本”或“不确信的样本文本”，具体的确定方法与上述方法类似，在此不再赘述；

步骤S305、确定该样本文本为困难样本；

步骤S306、采用人工标注的方式，对该困难样本标注适配于第二场景的第二标签，该第二标签用于表示该第一子文本和第二子文本在第二场景下是否匹配；

步骤S307、根据步骤S306的标注得到具有第二标签的样本文本，以此来执行更新操作，即通过具有第二标签的样本文本对第二模型的参数进行微调，可以得到在适配于第二场景的可靠的第二模型。

根据本公开的实施例，还提供了一种文本匹配方法，包括：将待匹配文本和候选文本输入匹配模型，以得到待匹配文本和候选文本的匹配结果，其中，匹配模型根据上述任意一种训练方法训练得到。

上述文本匹配方法可以应用于多种文本处理领域，例如，文本搜索领域。图4示出了根据本公开的示例性实施例的一种文本搜索方法示意图。如图4所示，文本搜索系统可以由预处理模型、召回模型和匹配模型构成。

具体地，将待匹配文本输入预处理模型，对待匹配文本执行断句、分词、提取关键词等操作，以将原始待匹配文本处理为结构化的文本。将经过预处理的待匹配文本输入召回模型，可以从数据库中召回与待匹配文本相关联的多个候选文本，召回策略可分为字面召回、语义召回及多路召回中的至少一种。可以理解，数据库中的文本均经过相同预处理后在数据库中存储，以便于召回模型从数据库中召回与待匹配文本相关联的多个候选文本。最后，将待匹配文本和召回的多个候选文本输入匹配模型，针对多个候选文本中的任意一个候选文本，通过执行上述的文本匹配方法，利用该匹配模型得到该候选文本和待匹配文本的匹配结果，并基于匹配文本和每个候选文本的匹配结果，得到最后的搜索结果，其中，该搜索结果可以为多个候选文本中与待匹配文本最相关的预设数量的候选文本，并且这预设数量的候选文本按照相关程度依次排列。

图5示出了根据本公开的示例性实施例的一种模型训练装置500，包括：训练单元510，被配置用于利用多个样本文本和多个样本文本中的每一个样本文本的第一标签来训练第二模型，其中，每一个样本文本的第一标签通过用于第一场景的第一模型对该样本文本的第一预测结果而确定；以及更新单元520，被配置用于基于多个样本文本中的每一个样本文本，执行对第二模型的更新操作，其中，更新单元520包括：确定子单元521，被配置用于基响应于第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配，确定该样本文本的第二标签，其中，第二标签为该样本文本在第二场景中所对应的标签；以及调整子单元522，被配置用于基于该样本文本和该样本文本的第二标签，对第二模型中的参数进行微调。

根据一些实施例，第二模型对该样本文本的第二预测结果包括多个第二分类和多个第二分类中的每一个第二分类的置信度，并且其中，第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配包括：第二预测结果中的多个第二分类中具有最高置信度的第二分类与该样本文本的第一标签不一致。

根据一些实施例，更新单元还包括：用于响应于多个第二分类中的每一个第二分类的置信度满足预设条件，确定该样本文本的第二标签的子单元；以及用于基于该样本文本和该样本文本的第二标签，对第二模型中的参数进行微调的子单元。

根据一些实施例，多个第二分类中的每一个第二分类的置信度满足预设条件包括：多个第二分类中的每一个第二分类的置信度的熵值大于第一预设阈值。

根据一些实施例，多个第二分类中的每一个第二分类的置信度满足预设条件包括：多个第二分类中的每一个第二分类的置信度中的最大值与最小值之差小于第二预设阈值。

根据一些实施例，该装置还包括：获取单元，被配置用于在训练第二模型之前，将多个备选文本中的每一个备选文本输入第一模型，以得到该备选文本的第一预测结果，其中，第一预测结果包括多个第一分类和多个第一分类中的每一个第一分类的置信度；以及第一确定单元，被配置用于针对多个备选文本中的每一个备选文本，响应于该备选文本的多个第一分类中存在置信度大于第三预设阈值的目标第一分类，将该备选文本确定为样本文本，并且将目标第一分类确定为第一标签。

根据一些实施例，多个备选文本中的每一个备选文本包括第一子文本和第二子文本，多个第一分类包括用于表示第一子文本和第二子文本相匹配的第一分类和用于表示第一子文本和第二子文本不匹配的另一个第一分类。

根据一些实施例，该装置还包括：第二确定单元，被配置用于确定多个第一子文本；第三确定单元，被配置用于针对多个第一子文本中的每一个第一子文本，基于预设匹配规则确定该第一子文本所对应的一个或多个召回文本；以及构建单元，被配置用于针对多个第一子文本中的每一个第一子文本，基于以下至少一种方式构建该第一子文本所对应的备选文本：将该第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，以构建该第一子文本所对应的备选文本；和将多个第一子文本中除该第一子文本以外的任意一个第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，以构建该第一子文本所对应的备选文本。

根据一些实施例，第一场景和第二场景分别基于不同的地区而确定。

根据一些实施例，第二模型为GBDT模型。

根据本公开的另一方面，还公开了一种文本匹配模型，其中，匹配模型根据上述任意一种训练方法训练得到。

根据本公开的另一方面，还公开了一种搜索系统，其中，搜索系统包括上述的文本匹配模型。

根据本公开的另一方面，还公开了一种电子设备，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上述任意一种方法。

根据本公开的另一方面，还公开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，计算机指令用于使计算机执行上述任意一种方法。

根据本公开的另一方面，还公开了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述任意一种方法。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603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。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元601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601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601执行上文所描述的各个方法和处理，例如模型训练方法或文本匹配方法。例如，在一些实施例中，模型训练方法或文本匹配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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的模型训练方法或文本匹配方法的一个或多个步骤。备选地，在其他实施例中，计算单元601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训练方法或文本匹配方法。

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)、复杂可编程逻辑设备(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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (23)

1.一种模型训练方法，包括：

将多个备选文本中的每一个备选文本输入第一模型，以得到该备选文本的第一预测结果，其中，所述第一预测结果包括多个第一分类和所述多个第一分类中的每一个第一分类的置信度；

针对所述多个备选文本中的每一个备选文本，响应于该备选文本的多个第一分类中存在置信度大于第三预设阈值的目标第一分类，将该备选文本确定为样本文本，并且将所述目标第一分类确定为第一标签；

利用多个样本文本和所述多个样本文本中的每一个样本文本的第一标签来训练第二模型，其中，每一个样本文本的第一标签通过用于第一场景的第一模型对该样本文本的第一预测结果而确定，并且其中，所述第二模型用于不同于所述第一场景的第二场景；以及

基于所述多个样本文本中的每一个样本文本，执行对所述第二模型的更新操作，其中，所述多个样本文本中的每一个样本文本包括第一子文本和第二子文本，并且其中，所述第一模型和所述第二模型分别为不同场景下用于预测该第一子文本和第二子文本是否匹配的模型，并且其中，所述更新操作包括：

确定样本文本，该样本文件包括第一子文本和第二子文本，以及表示该第一子文本和第二子文本是否匹配的第一标签；

将样本文本输入第二模型；

确定第二模型对样本文本执行预测所得到的第二预测结果，该第二预测结果包括预测第一子文本和第二子文本相匹配的第一置信度，以及预测第一子文本和第二子文本不匹配的第二置信度；

基于第二预测结果，确定所述多个样本文本中的困难样本，其中，所述困难样本包括所述第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配的样本；

响应于确定所述多个样本文本中的一样本文本为困难样本，获得该样本文本的经人工标注的第二标签，其中，所述第二标签为该样本文本在所述第二场景中所对应的标签，所述第二标签用于表示该第一子文本和第二子文本在第二场景下是否匹配；

得到具有第二标签的经更新的样本文本；以及

基于所述经更新的样本文本和所述经更新的样本文本的第二标签，对所述第二模型中的参数进行微调，以得到适配于所述第二场景的经微调的第二模型。

2.根据权利要求1所述的方法，其中，所述第二模型对该样本文本的第二预测结果包括多个第二分类和所述多个第二分类中的每一个第二分类的置信度，

并且其中，所述第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配包括：

所述第二预测结果中的多个第二分类中具有最高置信度的第二分类与该样本文本的第一标签不一致。

3.根据权利要求2所述的方法，其中，所述更新操作还包括：

响应于所述多个第二分类中的每一个第二分类的置信度满足预设条件，确定该样本文本的第二标签；以及

基于该样本文本和该样本文本的第二标签，对所述第二模型中的参数进行微调。

4.根据权利要求3所述的方法，其中，所述多个第二分类中的每一个第二分类的置信度满足预设条件包括：

所述多个第二分类中的每一个第二分类的置信度的熵值大于第一预设阈值。

5.根据权利要求3所述的方法，其中，所述多个第二分类中的每一个第二分类的置信度满足预设条件包括：

所述多个第二分类中的每一个第二分类的置信度中的最大值与最小值之差小于第二预设阈值。

6.根据权利要求1所述的方法，其中，所述多个备选文本中的每一个备选文本包括第一子文本和第二子文本，所述多个第一分类包括用于表示所述第一子文本和所述第二子文本相匹配的第一分类和用于表示所述第一子文本和所述第二子文本不匹配的另一个第一分类。

7.根据权利要求6所述的方法，还包括：

确定多个第一子文本；

针对所述多个第一子文本中的每一个第一子文本，基于预设匹配规则确定该第一子文本所对应的一个或多个召回文本；以及

针对所述多个第一子文本中的每一个第一子文本，基于以下至少一种方式构建该第一子文本所对应的备选文本：

将该第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，以构建该第一子文本所对应的备选文本；和

将所述多个第一子文本中除该第一子文本以外的任意一个第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，以构建该第一子文本所对应的备选文本。

8.根据权利要求1至7中任意一项所述的方法，其中，所述第一场景和所述第二场景分别基于不同的地区而确定。

9.根据权利要求1至7中的任意一项所述的方法，其中，所述第二模型为GBDT模型。

10.一种文本匹配方法，包括：

将待匹配文本和候选文本输入匹配模型，以得到所述待匹配文本和所述候选文本的匹配结果，其中，所述匹配模型根据权利要求1至9中任意一项所述方法训练得到。

11.一种模型训练装置，包括：

用于执行以下操作的单元：

将多个备选文本中的每一个备选文本输入第一模型，以得到该备选文本的第一预测结果，其中，所述第一预测结果包括多个第一分类和所述多个第一分类中的每一个第一分类的置信度；

针对所述多个备选文本中的每一个备选文本，响应于该备选文本的多个第一分类中存在置信度大于第三预设阈值的目标第一分类，将该备选文本确定为样本文本，并且将所述目标第一分类确定为第一标签；

训练单元，被配置用于利用多个样本文本和所述多个样本文本中的每一个样本文本的第一标签来训练第二模型，其中，每一个样本文本的第一标签通过用于第一场景的第一模型对该样本文本的第一预测结果而确定，并且其中，所述第二模型用于不同于所述第一场景的第二场景；以及

更新单元，被配置用于基于所述多个样本文本中的每一个样本文本，执行对所述第二模型的更新操作，其中，所述多个样本文本中的每一个样本文本包括第一子文本和第二子文本，并且其中，所述第一模型和所述第二模型分别为不同场景下用于预测该第一子文本和第二子文本是否匹配的模型，并且其中，所述更新单元包括用于执行以下操作的单元：

确定样本文本，该样本文件包括第一子文本和第二子文本，以及表示该第一子文本和第二子文本是否匹配的第一标签；

将样本文本输入第二模型；

确定第二模型对样本文本执行预测所得到的第二预测结果，该第二预测结果包括预测第一子文本和第二子文本相匹配的第一置信度，以及预测第一子文本和第二子文本不匹配的第二置信度；

基于第二预测结果，确定所述多个样本文本中的困难样本，其中，所述困难样本包括所述第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配的样本；

响应于确定所述多个样本文本中的一样本文本为困难样本，获得该样本文本的经人工标注的第二标签，其中，所述第二标签为该样本文本在第二场景中所对应的标签，所述第二标签用于表示该第一子文本和第二子文本在第二场景下是否匹配；

得到具有第二标签的经更新的样本文本；以及

基于所述经更新的样本文本和所述经更新的样本文本的第二标签，对所述第二模型中的参数进行微调，以得到适配于所述第二场景的经微调的第二模型。

12.根据权利要求11所述的装置，其中，所述第二模型对该样本文本的第二预测结果包括多个第二分类和所述多个第二分类中的每一个第二分类的置信度，

并且其中，所述第二模型对该样本文本的第二预测结果与该样本文本的第一标签不匹配包括：

所述第二预测结果中的多个第二分类中具有最高置信度的第二分类与该样本文本的第一标签不一致。

13.根据权利要求12所述的装置，其中，所述更新单元还包括：

用于响应于所述多个第二分类中的每一个第二分类的置信度满足预设条件，确定该样本文本的第二标签的子单元；以及

用于基于该样本文本和该样本文本的第二标签，对所述第二模型中的参数进行微调的子单元。

14.根据权利要求13所述的装置，其中，所述多个第二分类中的每一个第二分类的置信度满足预设条件包括：

所述多个第二分类中的每一个第二分类的置信度的熵值大于第一预设阈值。

15.根据权利要求13所述的装置，其中，所述多个第二分类中的每一个第二分类的置信度满足预设条件包括：

所述多个第二分类中的每一个第二分类的置信度中的最大值与最小值之差小于第二预设阈值。

16.根据权利要求11所述的装置，其中，所述多个备选文本中的每一个备选文本包括第一子文本和第二子文本，所述多个第一分类包括用于表示所述第一子文本和所述第二子文本相匹配的第一分类和用于表示所述第一子文本和所述第二子文本不匹配的另一个第一分类。

17.根据权利要求16所述的装置，还包括：

第二确定单元，被配置用于确定多个第一子文本；

第三确定单元，被配置用于针对所述多个第一子文本中的每一个第一子文本，基于预设匹配规则确定该第一子文本所对应的一个或多个召回文本；以及

构建单元，被配置用于针对所述多个第一子文本中的每一个第一子文本，基于以下至少一种方式构建该第一子文本所对应的备选文本：

将该第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，以构建该第一子文本所对应的备选文本；和

将所述多个第一子文本中除该第一子文本以外的任意一个第一子文本所对应的一个或多个召回文本中的任意一者确定为第二子文本，以构建该第一子文本所对应的备选文本。

18.根据权利要求11至17中任意一项所述的装置，其中，所述第一场景和所述第二场景分别基于不同的地区而确定。

19.根据权利要求11至17中的任意一项所述的装置，其中，所述第二模型为GBDT模型。

20.一种文本匹配模型，其中，所述匹配模型根据权利要求1至9中任意一项所述的方法训练得到。

21.一种搜索系统，其中，所述搜索系统包括如权利要求20所述的文本匹配模型。

22.一种电子设备，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1-10中任一项所述的方法。

23.一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1-10中任一项所述的方法。