CN114492400A - 标题实体识别模型训练方法、标题实体识别方法和装置 - Google Patents

标题实体识别模型训练方法、标题实体识别方法和装置 Download PDF

Info

Publication number
CN114492400A
CN114492400A CN202210074347.5A CN202210074347A CN114492400A CN 114492400 A CN114492400 A CN 114492400A CN 202210074347 A CN202210074347 A CN 202210074347A CN 114492400 A CN114492400 A CN 114492400A
Authority
CN
China
Prior art keywords
title
mask
recognition model
item
article
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
Application number
CN202210074347.5A
Other languages
English (en)
Inventor
任显聪
刘庚
赫阳
郭昆
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 Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information 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 Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN202210074347.5A priority Critical patent/CN114492400A/zh
Publication of CN114492400A publication Critical patent/CN114492400A/zh
Pending legal-status Critical Current

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
    • G06F40/258—Heading extraction; Automatic titling; Numbering
    • 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
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • 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
    • G06N3/08—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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施例公开了标题实体识别模型训练方法、标题实体识别方法和装置。该方法的一具体实施方式包括：基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，初始掩码文本识别模型包括预先训练的初始文本编码模型，训练后的掩码文本识别模型包括训练后的文本编码模型；将训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型；基于标题样本组，对初始标题实体识别模型进行训练，得到训练后的标题实体识别模型。该实施方式减少了标注时间，提高了标题实体识别模型识别的准确率和鲁棒性。

Description

标题实体识别模型训练方法、标题实体识别方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及标题实体识别模型训练方法、标题实体识别方法和装置。
背景技术
命名实体识别模型可快速识别出信息中的实体信息，被广泛应用在智能化搜索领域。目前，命名实体识别模型的训练，通常采用的方式为：需要构造大量带有实体标签的命名实体数据来训练以提高准确率和鲁棒性。
然而，采用上述方式通常存在以下技术问题：随着越来越多的无标签命名实体样本的获取，实体标签的标注难度越来越大，标注时间较长；此外，通过大量带有实体标签的命名实体数据进行训练，无法准确识别无实体标签语料中各个词之间的语义关系，导致对命名实体识别的准确率较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了标题实体识别模型训练方法、标题实体识别方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种标题实体识别模型训练方法，该方法包括：基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，上述初始掩码文本识别模型包括预先训练的初始文本编码模型，上述训练后的掩码文本识别模型包括训练后的文本编码模型，上述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签；将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型；基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型，其中，上述标题样本组中的标题样本包括样本标注标题、对应上述样本标注标题的实体标签。
可选地，上述基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，包括：基于上述物品信息样本组和预设的标题掩码损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。
可选地，上述基于上述物品信息样本组和预设的标题掩码损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，包括：基于上述物品信息样本组、上述标题掩码损失函数和至少一个预设的损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，上述至少一个预设的损失函数包括以下至少一项：属性值掩码损失函数、类目损失函数。
可选地，上述样本掩码物品属性信息包括样本物品属性名和对应上述样本物品属性名的掩码物品属性值，上述属性标签为对应上述掩码物品属性值的标签，上述标题标签包括对应上述样本掩码物品标题的掩码标题标签和类目标签；以及上述对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，包括：从上述物品信息样本组中选择物品信息样本；将上述物品信息样本输入至上述初始掩码文本识别模型中，得到物品信息识别结果，其中，上述物品信息识别结果包括物品识别标题、物品识别属性值和物品识别类目；基于上述标题掩码损失函数，确定上述物品识别标题与上述物品信息样本包括的掩码标题标签之间的标题差异值；基于上述属性值掩码损失函数，确定上述物品识别属性值与上述物品信息样本包括的属性标签之间的属性值差异值；基于上述类目损失函数，确定上述物品识别类目与上述物品信息样本包括的类目标签之间的类目差异值；基于上述标题差异值、上述属性值差异值和上述类目差异值，调整上述初始掩码文本识别模型的网络参数。
可选地，上述方法还包括：响应于上述标题差异值、上述属性值差异值和上述类目差异值满足预设条件，将上述初始掩码文本识别模型确定为训练后的掩码文本识别模型。
可选地，上述物品信息样本组中的物品信息样本是通过以下步骤生成的：获取目标领域的物品信息组，其中，上述物品信息组中的物品信息包括物品标题和物品属性信息，上述物品属性信息包括物品属性名和对应上述物品属性名的物品属性值；对上述物品信息组包括的每个物品标题进行动态掩码，以生成掩码物品标题，得到掩码物品标题组；对上述物品信息组包括的每个物品属性信息中的物品属性值进行动态掩码，以生成掩码物品属性信息；对于上述掩码物品标题组中的每个掩码物品标题，基于上述掩码物品标题、上述掩码物品标题对应的掩码标题标签、类目标签和掩码物品属性信息和上述掩码物品属性信息包括的掩码物品属性值对应的属性标签，生成物品信息样本。
第二方面，本公开的一些实施例提供了一种标题实体识别方法，方法包括：获取标题信息；将上述标题信息输入至预先训练的标题实体识别模型，得到标题实体识别结果，其中，上述标题实体识别模型是通过如上述第一方面中任一实现方式描述的方法生成的。
第三方面，本公开的一些实施例提供了一种标题实体识别模型训练装置，装置包括：第一训练单元，被配置成基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，上述初始掩码文本识别模型包括预先训练的初始文本编码模型，上述训练后的掩码文本识别模型包括训练后的文本编码模型，上述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签；确定单元，被配置成将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型；第二训练单元，被配置成基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型，其中，上述标题样本组中的标题样本包括样本标注标题、对应上述样本标注标题的实体标签。
可选地，第一训练单元被进一步配置成：基于上述物品信息样本组和预设的标题掩码损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。
可选地，第一训练单元被进一步配置成：基于上述物品信息样本组、上述标题掩码损失函数和至少一个预设的损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，上述至少一个预设的损失函数包括以下至少一项：属性值掩码损失函数、类目损失函数。
可选地，上述样本掩码物品属性信息包括样本物品属性名和对应上述样本物品属性名的掩码物品属性值。上述属性标签为对应上述掩码物品属性值的标签。上述标题标签包括对应上述样本掩码物品标题的掩码标题标签和类目标签。
可选地，第一训练单元被进一步配置成：从上述物品信息样本组中选择物品信息样本；将上述物品信息样本输入至上述初始掩码文本识别模型中，得到物品信息识别结果，其中，上述物品信息识别结果包括物品识别标题、物品识别属性值和物品识别类目；基于上述标题掩码损失函数，确定上述物品识别标题与上述物品信息样本包括的掩码标题标签之间的标题差异值；基于上述属性值掩码损失函数，确定上述物品识别属性值与上述物品信息样本包括的属性标签之间的属性值差异值；基于上述类目损失函数，确定上述物品识别类目与上述物品信息样本包括的类目标签之间的类目差异值；基于上述标题差异值、上述属性值差异值和上述类目差异值，调整上述初始掩码文本识别模型的网络参数。
可选地，第一训练单元被进一步配置成：响应于上述标题差异值、上述属性值差异值和上述类目差异值满足预设条件，将上述初始掩码文本识别模型确定为训练后的掩码文本识别模型。
可选地，上述物品信息样本组中的物品信息样本是通过以下步骤生成的：获取目标领域的物品信息组，其中，上述物品信息组中的物品信息包括物品标题和物品属性信息，上述物品属性信息包括物品属性名和对应上述物品属性名的物品属性值；对上述物品信息组包括的每个物品标题进行动态掩码，以生成掩码物品标题，得到掩码物品标题组；对上述物品信息组包括的每个物品属性信息中的物品属性值进行动态掩码，以生成掩码物品属性信息；对于上述掩码物品标题组中的每个掩码物品标题，基于上述掩码物品标题、上述掩码物品标题对应的掩码标题标签、类目标签和掩码物品属性信息和上述掩码物品属性信息包括的掩码物品属性值对应的属性标签，生成物品信息样本。
第四方面，本公开的一些实施例提供了一种标题实体识别装置，装置包括：获取单元，被配置成获取标题信息；输入单元，被配置成将上述标题信息输入至预先训练的标题实体识别模型，得到标题实体识别结果，其中，上述标题实体识别模型是通过如第一方面中任一实现方式描述的方法生成的。
第五方面，本公开的一些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上述第一方面或第二方面任一实现方式所描述的方法。
第六方面，本公开的一些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上述第一方面或第二方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的标题实体识别模型训练方法，减少了标注时间，提高了标题实体识别模型识别的准确率和鲁棒性。具体来说，造成标注时间较长以及对无实体标签的语料的识别的准确率较低的原因在于：随着越来越多的无标签命名实体样本的获取，实体标签的标注难度越来越大，标注时间较长；此外，通过大量带有实体标签的命名实体数据进行训练，无法准确识别无实体标签语料中各个词之间的语义关系，导致对命名实体识别的准确率较低。基于此，本公开的一些实施例的标题实体识别模型训练方法，首先，基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。其中，上述初始掩码文本识别模型包括预先训练的初始文本编码模型，上述训练后的掩码文本识别模型包括训练后的文本编码模型，上述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签。这里，因为采用了未带有实体标签的物品信息样本组对初始掩码文本识别模型进行训练，避免了对样本的实体标注，减少了对样本的标注时间。此外，也因为利用了较多的无实体标签且掩码的物品信息样本对初始掩码文本识别模型进行训练，可以确定掩码后的词与其它未掩码的词之间的语义关系。因此，提高了训练后的掩码文本识别模型识别物品信息中各个词之间的语义关系的准确率。然后，将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型。最后，基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型。其中，上述标题样本组中的标题样本包括样本标注标题、对应上述样本标注标题的实体标签。由此，可以利用标题样本对应的实体标签对初始标题实体识别模型进行训练，以提高训练后的标题实体识别模型识别标题中命名实体的准确率。从而，提高了标题实体识别模型识别的准确率和鲁棒性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的标题实体识别模型训练方法的一个应用场景的示意图；
图2是本公开的一些实施例的标题实体识别方法的一个应用场景的示意图；
图3是根据本公开的标题实体识别模型训练方法的一些实施例的流程图；
图4是根据本公开的标题实体识别模型训练方法的另一些实施例的流程图；
图5是根据本公开的标题实体识别方法的一些实施例的流程图；
图6是根据本公开的标题实体识别模型训练装置的一些实施例的结构示意图；
图7是根据本公开的标题实体识别装置的一些实施例的结构示意图；
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的标题实体识别模型训练方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以基于物品信息样本组102，对初始掩码文本识别模型103进行训练，得到训练后的掩码文本识别模型104。其中，上述初始掩码文本识别模型103包括预先训练的初始文本编码模型。上述训练后的掩码文本识别模型104包括训练后的文本编码模型1041。上述物品信息样本组102中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签。然后，计算设备101可以将上述训练后的文本编码模型1041与预设的解码网络105确定为初始标题实体识别模型106。最后，计算设备101可以基于标题样本组107，对上述初始标题实体识别模型106进行训练，得到训练后的标题实体识别模型108。其中，上述标题样本组107中的标题样本包括样本标注标题、对应上述样本标注标题的实体标签。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。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。
应该理解，图1中的计算设备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计算设备。
图2是根据本公开一些实施例的标题实体识别方法的一个应用场景的示意图。
在图2的应用场景中，首先，计算设备201可以获取标题信息202。然后，计算设备201可以将上述标题信息202输入至预先训练的标题实体识别模型203，得到标题实体识别结果204。其中，上述标题实体识别模型203是通过如第一方面中任一实现方式描述的方法生成的。
需要说明的是，上述计算设备201可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。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。
应该理解，图2中的计算设备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计算设备。
继续参考图3，示出了根据本公开的标题实体识别模型训练方法的一些实施例的流程300。该标题实体识别模型训练方法，包括以下步骤：
步骤301，基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。
在一些实施例中，标题实体识别模型训练方法的执行主体(例如图1所示的计算设备101)可以基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。其中，上述初始掩码文本识别模型包括预先训练的初始文本编码模型。上述训练后的掩码文本识别模型包括训练后的文本编码模型。上述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签。这里，预先训练的初始文本编码模型可以是以各个领域中的语料为样本，训练的初始文本编码模型。这里，各个领域可以包括但不限于以下至少一项：物流领域，自动驾驶领域。这里，初始掩码文本识别模型还可以包括线性层。这里，预先训练的初始文本编码模型可以是指用于文本编码的模型。例如，预先训练的初始文本编码模型可以是Transformer-encoder编码器或Bert编码器。例如，线性层可以是Softmax(归一化指数)层或者CRF(Conditional Random Field，条件随机场)层。这里，样本掩码物品标题可以是指掩码后的物品标题。这里，对应上述样本掩码物品标题的标题标签可以是指掩码后的物品标题中被掩码的字符。这里，样本掩码物品属性信息可以是指掩码后的物品属性信息。这里，属性标签可以是指掩码后的物品属性信息中被掩码的字符。这里，物品标题与物品属性信息对应的应用领域可以为目标领域。这里，目标领域可以是物流领域/电商领域。这里，对初始掩码文本识别模型进行训练的过程中所采用的损失函数可以是负对数似然函数。
实践中，基于物品信息样本组，上述执行主体可以通过以下步骤对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型：
第一步，确定上述初始掩码文本识别模型的网络结构以及初始化上述初始掩码文本识别模型的网络参数。
第二步，将上述物品信息样本组中包括的样本掩码物品标题与样本掩码物品属性信息作为上述初始掩码文本识别模型的输入，将上述物品信息样本组包括的对应样本掩码物品标题的标题标签和对应样本掩码物品属性信息的属性标签作为上述初始掩码文本识别模型的期望输出，利用深度学习方法训练上述初始掩码文本识别模型。
第三步，将训练得到的上述初始掩码文本识别模型确定为上述训练后的掩码文本识别模型。
步骤302，将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型。
在一些实施例中，上述执行主体可以将上述训练后的文本编码模型与预设的解码网络组合/确定为初始标题实体识别模型。例如，预设的解码网络可以是预先设置的CRF(Condition Random Field，条件随机场)层或Softmax(归一化指数)层。
步骤303，基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型。
在一些实施例中，上述执行主体可以基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型。其中，上述标题样本组中的标题样本包括样本标注标题、对应上述样本标注标题的实体标签。这里，样本标注标题可以是指标注了标题中的命名实体之后的标题。这里，标题可以是指目标领域(例如，物流领域/电商领域)的标题。这里，目标领域的标题中的命名实体的类型可以包括但不限于以下至少一项：品牌名称(品牌词)、物品名称(产品词)、物品昵称、客观描述(物品的属性)等。这里，对应上述样本标注标题的实体标签可以是指标题中标注的命名实体所对应的实体类型的标签。例如，实体类型可以是产品词、客观描述等。这里，可以使用BIO和BIOE两种形式对标题进行标注。B(Begin)代表标注实体的开始部分。I(intermediate)可同时代表标注实体的中间部分和结尾部分。O(Other)代表非实体标记(无效的文本字符，如标题符号等)。BIOE形式即将I扩展为I、E(End)的形式。E表示实体结尾部分。例如，标题可以是“某米防摔手机壳。”。其中，“某米”标注为BI。“防摔”标注为BE。“手机壳”标注为BIE。“。”标注为O。这里，还可以将标注的标签添加颜色标注，以区分不同的实体类型。例如，“BI紫色”可以表示实体类型为品牌词。“BE黄色”可以表示实体类型为客观描述。这里，对初始标题实体识别模型进行训练的过程中所采用的损失函数可以是负对数似然函数。
实践中，基于标题样本组，上述执行主体可以通过以下训练步骤对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型：
第一步，确定上述初始标题实体识别模型的网络结构以及初始化上述初始标题实体识别模型的网络参数。
第二步，将上述标题样本组包括的样本标注标题作为上述初始标题实体识别模型的输入，将上述标题样本组包括的对应样本标注标题的实体标签作为上述初始标题实体识别模型的期望输出，利用深度学习方法训练上述初始标题实体识别模型。
第三步，将训练得到的上述初始标题实体识别模型确定为上述训练后的标题实体识别模型。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的标题实体识别模型训练方法，减少了标注时间，提高了标题实体识别模型识别的准确率和鲁棒性。具体来说，造成标注时间较长以及对无实体标签的语料的识别的准确率较低的原因在于：随着越来越多的无标签命名实体样本的获取，实体标签的标注难度越来越大，标注时间较长；此外，通过大量带有实体标签的命名实体数据进行训练，无法准确识别无实体标签语料中各个词之间的语义关系，导致对命名实体识别的准确率较低。基于此，本公开的一些实施例的标题实体识别模型训练方法，首先，基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。其中，上述初始掩码文本识别模型包括预先训练的初始文本编码模型，上述训练后的掩码文本识别模型包括训练后的文本编码模型，上述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签。这里，因为采用了未带有实体标签的物品信息样本组对初始掩码文本识别模型进行训练，避免了对样本的实体标注，减少了对样本的标注时间。此外，也因为利用了较多的无实体标签且掩码的物品信息样本对初始掩码文本识别模型进行训练，可以确定掩码后的词与其它未掩码的词之间的语义关系。因此，提高了训练后的掩码文本识别模型识别物品信息中各个词之间的语义关系的准确率。然后，将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型。最后，基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型。其中，上述标题样本组中的标题样本包括样本标注标题、对应上述样本标注标题的实体标签。由此，可以利用标题样本对应的实体标签对初始标题实体识别模型进行训练，以提高训练后的标题实体识别模型识别标题中命名实体的准确率。从而，提高了标题实体识别模型识别的准确率和鲁棒性。
进一步参考图4，示出了根据本公开的标题实体识别模型训练方法的另一些实施例。该标题实体识别模型训练方法，包括以下步骤：
步骤401，基于物品信息样本组和预设的标题掩码损失函数，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。
在一些实施例中，标题实体识别模型训练方法的执行主体(例如图1所示的计算设备101)可以基于上述物品信息样本组和预设的标题掩码损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。其中，上述初始掩码文本识别模型包括预先训练的初始文本编码模型。上述训练后的掩码文本识别模型包括训练后的文本编码模型。上述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签。这里，预设的标题掩码损失函数可以是确定初始掩码文本识别模型输出的对应样本掩码物品标题的物品识别标题、与对应的标题标签中的标题之间的差异的损失函数。
在一些实施例中的一些可选的实现方式中，上述执行主体可以基于上述物品信息样本组、上述标题掩码损失函数和至少一个预设的损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。其中，上述至少一个预设的损失函数包括以下至少一项：属性值掩码损失函数、类目损失函数。其中，上述样本掩码物品属性信息包括样本物品属性名和对应上述样本物品属性名的掩码物品属性值。上述属性标签为对应上述掩码物品属性值的标签。上述标题标签包括对应上述样本掩码物品标题的掩码标题标签和类目标签。这里，类目标签可以是指样本掩码物品标题对应的物品的类别。这里，属性值掩码损失函数可以是确定初始掩码文本识别模型输出的对应掩码物品属性值的物品识别属性值与对应的属性标签中的属性值之间的差异的损失函数。这里，类目损失函数可以是确定初始掩码文本识别模型输出的对应样本掩码物品标题的物品识别类目与对应的类目标签中的类目之间的差异的损失函数。
实践中，上述执行主体可以基于上述物品信息样本组、上述标题掩码损失函数和至少一个预设的损失函数，可以通过以下步骤对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型：
第一步，从上述物品信息样本组中选择物品信息样本。这里，可以随机从上述物品信息样本组中选择物品信息样本。
第二步，将上述物品信息样本输入至上述初始掩码文本识别模型中，得到物品信息识别结果。其中，上述物品信息识别结果包括物品识别标题、物品识别属性值和物品识别类目。
第三步，基于上述标题掩码损失函数，确定上述物品识别标题与上述物品信息样本包括的掩码标题标签之间的标题差异值。这里，标题掩码损失函数可以是：
Figure BDA0003483385930000141
其中，Lmlm(θ，θ1)表示上述标题差异值。θ表示上述初始掩码文本识别模型的优化参数。θ1表示上述初始掩码文本识别模型中掩码物品标题预测的优化参数。M表示上述物品信息样本组包括的各个样本掩码物品标题中被掩码的词组成的掩码词集合。i表示掩码词集合中的掩码词的序号。P(m＝mi|θ，θ1)表示初始掩码文本识别模型在预测掩码词集合中的第i个掩码词的概率值。m表示掩码词集合中的掩码词。mi表示掩码词集合中的第i个掩码词。|V|表示上述物品信息样本组包括的各个掩码物品属性值与掩码词集合组成的词典。
Figure BDA0003483385930000142
表示对掩码词集合中的各个掩码词的概率值取负对数后加权平均，目的是为了最小化标题差异值。因为概率越大，-log越小，取平均之后的标题差异值也越小，代表模型判断能力越强。
第四步，基于上述属性值掩码损失函数，确定上述物品识别属性值与上述物品信息样本包括的属性标签之间的属性值差异值。这里，属性值掩码损失函数可以是：
Figure BDA0003483385930000143
其中，Lkv(θ，θ2)表示上述属性值差异值。θ表示上述初始掩码文本识别模型的优化参数。θ2表示上述初始掩码文本识别模型中掩码物品属性值预测的优化参数。N表示上述物品信息样本组包括的各个掩码物品属性值组成的掩码属性值词集合。t表示掩码属性值词集合中的掩码属性值词的序号。P(n＝nt|θ，θ2)表示初始掩码文本识别模型在预测掩码属性值词集合中的第t个掩码属性值词的概率值。n表示掩码属性值词集合中的掩码属性值词。nt表示掩码属性值词集合中的第t个掩码属性值词。|V|表示上述物品信息样本组包括的各个掩码物品属性值与掩码词集合组成的词典。
Figure BDA0003483385930000151
表示对掩码属性值词集合中的各个掩码属性值词的概率值取负对数后加权平均。
第五步，基于上述类目损失函数，确定上述物品识别类目与上述物品信息样本包括的类目标签之间的类目差异值。这里，类目损失函数可以是：
Figure BDA0003483385930000152
其中，Llabel(θ，θ3)表示上述类目差异值。θ表示上述初始掩码文本识别模型的优化参数。θ3表示上述初始掩码文本识别模型中类目标签预测的优化参数。B表示上述物品信息样本组包括的各个物品信息样本的数量。s表示类目标签集合中的类目标签的序号。P(y＝ys|θ，θ3)表示初始掩码文本识别模型在预测类目标签集合中的第s个类目标签的概率值。y表示类目标签集合中的类目标签。ys表示类目标签集合中的第s个类目标签。|C|表示上述物品信息样本组包括的各个类目标签组成的类目标签集合。
Figure BDA0003483385930000153
表示对类目标签集合中的各个类目标签的概率值取负对数后加权平均。
第五步，基于上述标题差异值、上述属性值差异值和上述类目差异值，调整上述初始掩码文本识别模型的网络参数。实践中，上述执行主体可以响应于上述标题差异值、上述属性值差异值和上述类目差异值不满足预设条件，调整上述初始掩码文本识别模型的网络参数。其中，预设条件可以是：上述标题差异值小于等于预设标题差异值、上述属性值差异值小于等于预设属性值差异值、上述类目差异值小于等于预设类目差异值。例如，可以对标题差异值和预设标题差异值求差值，得到损失标题差值。可以对属性值差异值和预设属性值差异值求差值，得到损失属性值差值。可以对类目差异值和预设类目差异值求差值，得到损失类目差值。在此基础上，利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结(dropout)的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。
可选地，响应于上述标题差异值、上述属性值差异值和上述类目差异值满足预设条件，将上述初始掩码文本识别模型确定为训练后的掩码文本识别模型。这里，预设条件可以是：上述标题差异值小于等于预设标题差异值、上述属性值差异值小于等于预设属性值差异值、上述类目差异值小于等于预设类目差异值。
可选地，物品信息样本组中的物品信息样本是通过以下步骤生成的：
第一步，获取目标领域的物品信息组。其中，上述物品信息组中的物品信息包括物品标题和物品属性信息。上述物品属性信息包括物品属性名和对应上述物品属性名的物品属性值。实践中，上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取目标领域的物品信息，得到物品信息组。这里，物品标题可以是由物品的类目词、名称词、属性词等组合的文字描述。这里，目标领域可以是物流领域/电商领域。
第二步，对上述物品信息组包括的每个物品标题进行动态掩码，以生成掩码物品标题，得到掩码物品标题组。这里，可以通过MLM(Masked Language Model，掩码语言模型)对上述物品信息组包括的每个物品标题进行动态掩码，以生成掩码物品标题，得到掩码物品标题组。
第三步，对上述物品信息组包括的每个物品属性信息中的物品属性值进行动态掩码，以生成掩码物品属性信息。这里，可以通过MLM(Masked Language Model，掩码语言模型)对上述物品信息组包括的每个物品属性信息中的物品属性值进行动态掩码，以生成掩码物品属性信息。
第四步，对于上述掩码物品标题组中的每个掩码物品标题，基于上述掩码物品标题、上述掩码物品标题对应的掩码标题标签、类目标签和掩码物品属性信息和上述掩码物品属性信息包括的掩码物品属性值对应的属性标签，生成物品信息样本。实践中，对于上述掩码物品标题组中的每个掩码物品标题，上述执行主体可以将上述掩码物品标题、上述掩码物品标题对应的掩码标题标签、类目标签和掩码物品属性信息和上述掩码物品属性信息包括的掩码物品属性值对应的属性标签组合为物品信息样本。
由此，采用了未带有实体标签的物品信息样本组对初始掩码文本识别模型进行训练，避免了对样本的实体标注，减少了对样本的标注时间。此外，也因为利用了较多的物品信息样本对初始掩码文本识别模型进行训练，提高了训练后的掩码文本识别模型对物品信息识别的准确率。
步骤402，将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型。
步骤403，基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型。
在一些实施例中，步骤402-403的具体实现及所带来的技术效果可以参考图3对应的那些实施例中的步骤302-303，在此不再赘述。
从图4可以看出，与图3对应的一些实施例的描述相比，图4对应的一些实施例中的流程400利用了属性值掩码损失函数和类目损失函数对初始掩码文本识别模型进行训练，增强了训练后的文本识别模型识别物品的类目和属性名对应的属性值的准确率。从而，使得后续训练的标题实体识别模型识别标题中的命名实体的准确率有所提高。
进一步参考图5，示出了根据本公开的标题实体识别方法的一些实施例。该标题实体识别方法，包括以下步骤：
步骤501，获取标题信息。
在一些实施例中，标题实体识别方法的执行主体(例如图2所示的计算设备201)可以通过有线连接或无线连接的方式从终端设备中获取物品的标题信息。这里，标题信息可以是包含了物品对应的命名实体的信息。例如，标题信息可以包括物品的品牌词、产品词、型号等命名实体。
步骤502，将上述标题信息输入至预先训练的标题实体识别模型，得到标题实体识别结果。
在一些实施例中，上述执行主体可以将上述标题信息输入至预先训练的标题实体识别模型，得到标题实体识别结果。这里，标题实体识别结果可以是指所识别的标题信息中的命名实体。这里，预先训练的标题实体识别模型是通过本公开一些实施例的标题实体识别模型训练方法生成的。
从图5可以看出，通过本公开的一些实施例的标题实体识别方法，可以准确识别出标题信息中的命名实体，便于根据所识别出的命名实体进行关键词搜索。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种标题实体识别模型训练装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的标题实体识别模型训练装置600包括：第一训练单元601、确定单元602和第二训练单元603。其中，第一训练单元601，被配置成基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，上述初始掩码文本识别模型包括预先训练的初始文本编码模型，上述训练后的掩码文本识别模型包括训练后的文本编码模型，上述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签；确定单元602，被配置成将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型；第二训练单元603，被配置成基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型，其中，上述标题样本组中的标题样本包括样本标注标题、对应上述样本标注标题的实体标签。
可选地，第一训练单元601被进一步配置成：基于上述物品信息样本组和预设的标题掩码损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。
可选地，第一训练单元601被进一步配置成：基于上述物品信息样本组、上述标题掩码损失函数和至少一个预设的损失函数，对上述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，上述至少一个预设的损失函数包括以下至少一项：属性值掩码损失函数、类目损失函数。
可选地，上述样本掩码物品属性信息包括样本物品属性名和对应上述样本物品属性名的掩码物品属性值。上述属性标签为对应上述掩码物品属性值的标签。上述标题标签包括对应上述样本掩码物品标题的掩码标题标签和类目标签。
可选地，第一训练单元601被进一步配置成：从上述物品信息样本组中选择物品信息样本；将上述物品信息样本输入至上述初始掩码文本识别模型中，得到物品信息识别结果，其中，上述物品信息识别结果包括物品识别标题、物品识别属性值和物品识别类目；基于上述标题掩码损失函数，确定上述物品识别标题与上述物品信息样本包括的掩码标题标签之间的标题差异值；基于上述属性值掩码损失函数，确定上述物品识别属性值与上述物品信息样本包括的属性标签之间的属性值差异值；基于上述类目损失函数，确定上述物品识别类目与上述物品信息样本包括的类目标签之间的类目差异值；基于上述标题差异值、上述属性值差异值和上述类目差异值，调整上述初始掩码文本识别模型的网络参数。
可选地，第一训练单元601被进一步配置成：响应于上述标题差异值、上述属性值差异值和上述类目差异值满足预设条件，将上述初始掩码文本识别模型确定为训练后的掩码文本识别模型。
可选地，上述物品信息样本组中的物品信息样本是通过以下步骤生成的：获取目标领域的物品信息组，其中，上述物品信息组中的物品信息包括物品标题和物品属性信息，上述物品属性信息包括物品属性名和对应上述物品属性名的物品属性值；对上述物品信息组包括的每个物品标题进行动态掩码，以生成掩码物品标题，得到掩码物品标题组；对上述物品信息组包括的每个物品属性信息中的物品属性值进行动态掩码，以生成掩码物品属性信息；对于上述掩码物品标题组中的每个掩码物品标题，基于上述掩码物品标题、上述掩码物品标题对应的掩码标题标签、类目标签和掩码物品属性信息和上述掩码物品属性信息包括的掩码物品属性值对应的属性标签，生成物品信息样本。
可以理解的是，该装置600中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种标题实体识别装置的一些实施例，这些装置实施例与图5所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，一些实施例的标题实体识别装置700包括：获取单元701和输入单元702。其中，获取单元701，被配置成获取标题信息；输入单元702，被配置成将上述标题信息输入至预先训练的标题实体识别模型，得到标题实体识别结果，其中，上述标题实体识别模型是通过本公开一些实施例的标题实体识别模型训练方法生成的。
可以理解的是，该装置700中记载的诸单元与参考图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元，在此不再赘述。
下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)800的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，上述初始掩码文本识别模型包括预先训练的初始文本编码模型，上述训练后的掩码文本识别模型包括训练后的文本编码模型，上述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应上述样本掩码物品标题的标题标签和对应上述样本掩码物品属性信息的属性标签；将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型；基于标题样本组，对上述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型，其中，上述标题样本组中的标题样本包括样本标注标题、对应上述样本标注标题的实体标签。
或使得该电子设备：获取标题信息；将上述标题信息输入至预先训练的标题实体识别模型，得到标题实体识别结果，其中，上述标题实体识别模型是通过本公开一些实施例的标题实体识别模型训练方法生成的。
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公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用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)——连接到用户计算机，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，图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中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：一种处理器包括第一训练单元、确定单元和第二训练单元。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，确定单元还可以被描述为“将上述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (11)

1.一种标题实体识别模型训练方法，包括：
基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，所述初始掩码文本识别模型包括预先训练的初始文本编码模型，所述训练后的掩码文本识别模型包括训练后的文本编码模型，所述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应所述样本掩码物品标题的标题标签和对应所述样本掩码物品属性信息的属性标签；
将所述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型；
基于标题样本组，对所述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型，其中，所述标题样本组中的标题样本包括样本标注标题、对应所述样本标注标题的实体标签。
2.根据权利要求1所述的方法，其中，所述基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，包括：
基于所述物品信息样本组和预设的标题掩码损失函数，对所述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型。
3.根据权利要求2所述的方法，其中，所述基于所述物品信息样本组和预设的标题掩码损失函数，对所述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，包括：
基于所述物品信息样本组、所述标题掩码损失函数和至少一个预设的损失函数，对所述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，所述至少一个预设的损失函数包括以下至少一项：属性值掩码损失函数、类目损失函数。
4.根据权利要求3所述的方法，其中，所述样本掩码物品属性信息包括样本物品属性名和对应所述样本物品属性名的掩码物品属性值，所述属性标签为对应所述掩码物品属性值的标签，所述标题标签包括对应所述样本掩码物品标题的掩码标题标签和类目标签；以及
所述对所述初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，包括：
从所述物品信息样本组中选择物品信息样本；
将所述物品信息样本输入至所述初始掩码文本识别模型中，得到物品信息识别结果，其中，所述物品信息识别结果包括物品识别标题、物品识别属性值和物品识别类目；
基于所述标题掩码损失函数，确定所述物品识别标题与所述物品信息样本包括的掩码标题标签之间的标题差异值；
基于所述属性值掩码损失函数，确定所述物品识别属性值与所述物品信息样本包括的属性标签之间的属性值差异值；
基于所述类目损失函数，确定所述物品识别类目与所述物品信息样本包括的类目标签之间的类目差异值；
基于所述标题差异值、所述属性值差异值和所述类目差异值，调整所述初始掩码文本识别模型的网络参数。
5.根据权利要求4所述的方法，其中，所述方法还包括：
响应于所述标题差异值、所述属性值差异值和所述类目差异值满足预设条件，将所述初始掩码文本识别模型确定为训练后的掩码文本识别模型。
6.根据权利要求3所述的方法，其中，所述物品信息样本组中的物品信息样本是通过以下步骤生成的：
获取目标领域的物品信息组，其中，所述物品信息组中的物品信息包括物品标题和物品属性信息，所述物品属性信息包括物品属性名和对应所述物品属性名的物品属性值；
对所述物品信息组包括的每个物品标题进行动态掩码，以生成掩码物品标题，得到掩码物品标题组；
对所述物品信息组包括的每个物品属性信息中的物品属性值进行动态掩码，以生成掩码物品属性信息；
对于所述掩码物品标题组中的每个掩码物品标题，基于所述掩码物品标题、所述掩码物品标题对应的掩码标题标签、类目标签和掩码物品属性信息和所述掩码物品属性信息包括的掩码物品属性值对应的属性标签，生成物品信息样本。
7.一种标题实体识别方法，包括：
获取标题信息；
将所述标题信息输入至预先训练的标题实体识别模型，得到标题实体识别结果，其中，所述标题实体识别模型是通过如权利要求1-6中任一所述的方法生成的。
8.一种标题实体识别模型训练装置，包括：
第一训练单元，被配置成基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，所述初始掩码文本识别模型包括预先训练的初始文本编码模型，所述训练后的掩码文本识别模型包括训练后的文本编码模型，所述物品信息样本组中的物品信息样本包括：样本掩码物品标题、样本掩码物品属性信息、对应所述样本掩码物品标题的标题标签和对应所述样本掩码物品属性信息的属性标签；
确定单元，被配置成将所述训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型；
第二训练单元，被配置成基于标题样本组，对所述初始标题实体识别模型进行训练，得到训练后的标题实体识别模型，其中，所述标题样本组中的标题样本包括样本标注标题、对应所述样本标注标题的实体标签。
9.一种标题实体识别装置，包括：
获取单元，被配置成获取标题信息；
输入单元，被配置成将所述标题信息输入至预先训练的标题实体识别模型，得到标题实体识别结果，其中，所述标题实体识别模型是通过如权利要求1-6中任一所述的方法生成的。
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。
11.一种计算机可读介质，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。
CN202210074347.5A 2022-01-21 2022-01-21 标题实体识别模型训练方法、标题实体识别方法和装置 Pending CN114492400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210074347.5A CN114492400A (zh) 2022-01-21 2022-01-21 标题实体识别模型训练方法、标题实体识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210074347.5A CN114492400A (zh) 2022-01-21 2022-01-21 标题实体识别模型训练方法、标题实体识别方法和装置

Publications (1)

Publication Number Publication Date
CN114492400A true CN114492400A (zh) 2022-05-13

Family

ID=81472359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210074347.5A Pending CN114492400A (zh) 2022-01-21 2022-01-21 标题实体识别模型训练方法、标题实体识别方法和装置

Country Status (1)

Country Link
CN (1) CN114492400A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723073A (zh) * 2022-06-07 2022-07-08 阿里健康科技(杭州)有限公司 语言模型预训练、产品搜索方法、装置以及计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723073A (zh) * 2022-06-07 2022-07-08 阿里健康科技(杭州)有限公司 语言模型预训练、产品搜索方法、装置以及计算机设备
CN114723073B (zh) * 2022-06-07 2023-09-05 阿里健康科技(杭州)有限公司 语言模型预训练、产品搜索方法、装置以及计算机设备

Similar Documents

Publication Publication Date Title
CN113470619B (zh) 语音识别方法、装置、介质及设备
CN111274815A (zh) 用于挖掘文本中的实体关注点的方法和装置
WO2020182123A1 (zh) 用于推送语句的方法和装置
WO2022166613A1 (zh) 文本中角色的识别方法、装置、可读介质和电子设备
CN114385780B (zh) 程序接口信息推荐方法、装置、电子设备和可读介质
CN112650841A (zh) 信息处理方法、装置和电子设备
CN112883968A (zh) 图像字符识别方法、装置、介质及电子设备
CN112906381B (zh) 对话归属的识别方法、装置、可读介质和电子设备
CN111625645A (zh) 文本生成模型的训练方法、装置和电子设备
CN112712801A (zh) 一种语音唤醒方法、装置、电子设备及存储介质
CN111090993A (zh) 属性对齐模型训练方法及装置
CN112668333A (zh) 命名实体的识别方法和设备、以及计算机可读存储介质
CN113947086A (zh) 样本数据生成方法、训练方法、语料生成方法和装置
CN115270717A (zh) 一种立场检测方法、装置、设备及介质
CN114492400A (zh) 标题实体识别模型训练方法、标题实体识别方法和装置
CN113591490A (zh) 信息处理方法、装置和电子设备
CN115129877B (zh) 标点符号预测模型的生成方法、装置和电子设备
CN115129845A (zh) 文本信息处理方法、装置和电子设备
CN115204150A (zh) 信息校验方法、装置、电子设备和计算机可读介质
CN111914535B (zh) 一种单词识别方法、装置、计算机设备和存储介质
CN114792086A (zh) 一种支持文本交叉覆盖的信息抽取方法、装置、设备和介质
CN114677668A (zh) 文字识别方法、装置、计算机可读介质及电子设备
CN114021010A (zh) 一种信息推荐模型的训练方法、装置及设备
CN110852043A (zh) 一种文本转写方法、装置、设备及存储介质
CN116911714B (zh) 物品运输方法、装置、电子设备和计算机可读介质

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