CN114492456A - 文本生成方法、模型的训练方法、装置、电子设备及介质 - Google Patents
文本生成方法、模型的训练方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114492456A CN114492456A CN202210097054.9A CN202210097054A CN114492456A CN 114492456 A CN114492456 A CN 114492456A CN 202210097054 A CN202210097054 A CN 202210097054A CN 114492456 A CN114492456 A CN 114492456A
- Authority
- CN
- China
- Prior art keywords
- sentence
- representation
- text
- implicit
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 67
- 230000014509 gene expression Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 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
- 235000015220 hamburgers Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence 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
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 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
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种文本生成方法、文本生成模型的训练方法、装置、电子设备、存储介质以及程序产品,涉及计算机技术领域,尤其涉及深度学习、自然语言处理技术领域。具体实现方案为:确定目标语义信息的基准特征表示;基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于至少一个句子隐式表示,生成目标文本内容。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习、自然语言处理技术领域,具体涉及文本生成方法、文本生成模型的训练方法、装置、电子设备、存储介质以及程序产品。
背景技术
随着计算机技术的不断革新,文本内容的生成方式不再局限于人工编辑。利用计算机的自然语言处理技术可以自动生成例如新闻、学术论文、散文等文本。
发明内容
本公开提供了一种文本生成方法、文本生成模型的训练方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种文本生成方法,包括:确定目标语义信息的基准特征表示;基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于所述至少一个句子隐式表示,生成目标文本内容。
根据本公开的另一方面,提供了一种文本生成模型的训练方法,包括:利用训练样本训练文本生成模型,得到经训练的文本生成模型,其中,所述训练样本包括目标样本语义信息和样本文本内容;其中,所述文本生成模型用于:确定目标语义信息的基准特征表示;基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于所述至少一个句子隐式表示,生成目标文本内容。
根据本公开的另一方面,提供了一种文本生成装置,包括:第一确定模块,用于确定目标语义信息的基准特征表示;第二确定模块,用于基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及内容生成模块,用于基于所述至少一个句子隐式表示,生成目标文本内容。
根据本公开的另一方面,提供了一种文本生成模型的训练装置,包括:训练模块,用于利用训练样本训练文本生成模型,得到经训练的文本生成模型,其中,所述训练样本包括目标样本语义信息和样本文本内容;其中,所述文本生成模型用于:确定目标语义信息的基准特征表示;基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于所述至少一个句子隐式表示,生成目标文本内容。
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如本公开的方法。
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,所述计算机指令用于使所述计算机执行如本公开的方法。
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,所述计算机程序在被处理器执行时实现如本公开的方法。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的可以应用文本生成方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的文本生成方法的流程图;
图3示意性示出了根据本公开另一实施例的文本生成方法的流程图;
图4示意性示出了根据本公开另一实施例的文本生成方法的流程图;
图5示意性示出了根据本公开实施例的文本生成模型的训练方法的流程图;
图6示意性示出了根据本公开另一实施例的文本生成模型的训练方法的流程图;
图7示意性示出了根据本公开实施例的文本生成装置的框图;
图8示意性示出了根据本公开实施例的文本生成模型的训练装置的框图;以及
图9示意性示出了根据本公开实施例的适于实现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。
本公开提供了一种文本生成方法、文本生成模型的训练方法、装置、电子设备、存储介质以及程序产品。
根据本公开的实施例,文本生成方法,可以包括:确定目标语义信息的基准特征表示;基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于至少一个句子隐式表示,生成目标文本内容。
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1示意性示出了根据本公开实施例的可以应用文本生成方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用文本生成方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的文本生成方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。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,例如有线和/或无线通信链路等等。
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上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的文本生成方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的文本生成装置也可以设置于终端设备101、102、或103中。
或者,本公开实施例所提供的文本生成方法一般也可以由服务器105执行。相应地,本公开实施例所提供的文本生成装置一般可以设置于服务器105中。本公开实施例所提供的文本生成方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的文本生成装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
例如,用户输入目标语义信息例如题目和关键词,终端设备101、102、103可以获取目标语义信息,然后将目标语义信息发送给服务器105,由服务器105对目标语义信息进行分析,确定目标语义信息的基准特征表示;根据基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于至少一个句子隐式表示,生成目标文本内容。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对目标语义信息进行分析,并生成目标文本内容。
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。
应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的文本生成方法的流程图。
如图2所示,该方法包括操作S210~S230。
在操作S210,确定目标语义信息的基准特征表示。
在操作S220,基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示。
在操作S230,基于至少一个句子隐式表示,生成目标文本内容。
根据本公开的实施例,目标语义信息可以包括以下至少一项:标题、至少一个关键词、提纲、文章类型等,但是并不局限于此,目标语义信息还可以包括其他与目标文本内容的内容主旨相关的信息。
根据本公开的实施例,目标语义信息可以作为目标文本内容生成的指导信息,用于表征目标文本内容的内容主旨、中心思想等。可以对目标语义信息进行编码处理,得到目标语义信息的基准特征表示。基准特征表示还可以称为基准特征序列或者基准特征向量。
根据本公开的实施例,预定逻辑字符可以是预先设置的字符,用于作为生成句子隐式表示的触发字符。预定逻辑字符的类型不做限定。只要是能够基于预定逻辑字符,触发生成与预定逻辑字符相对应的句子隐式表示即可。
根据本公开的实施例,可以在生成目标文本内容中的每个目标文本语句之前,基于基准特征表示和预定逻辑字符来生成句子隐式表示。基于句子隐式表示,来生成目标文本内容。
根据本公开的实施例,目标文本内容可以包括学术论文,但是并不局限于此,还可以是其他类型的文章,只要是生成的目标文本内容与目标语义信息相匹配即可。例如,目标文本内容为证明文,目标文本内容的题目与用户指定的目标语义信息中的题目相一致,目标文本内容的观点与用户指定的目标语义信息中的提纲相匹配。
根据本公开的其他实施例,也可以基于基准特征表示来生成目标文本内容。例如,利用神经网络生成模型中的序列到序列(sequence-to-sequence)的网络结构,例如编码解码器模型,将基准特征表示作为输入内容,将目标文本内容作为输出结果。
根据本公开的实施例,相比于基于基准特征表示来生成目标文本内容,基于句子隐式表示和基准特征表示来生成目标文本内容,可以通过引入句子隐式表示来基于基准特征表示对目标文本内容中的每个目标文本语句的内容进行提前的规划,使得目标文本内容中多个目标文本语句之间的逻辑性和通顺性提高。
根据本公开的实施例,针对操作S210,确定目标语义信息的基准特征表示可以包括如下操作。
例如,接收用户输入的目标语义信息。基于目标语义信息,生成基准特征表示。
根据本公开的实施例,可以利用编码解码器(Transformer)中的编码器(Encoder)来处理目标语义信息,得到目标语义信息的基准特征表示。但是并不局限于此。还可以利用其它神经网络模型来处理目标语义信息,只要是能够基于目标语义信息来生成基准特征表示的网络模型即可。
图3示意性示出了根据本公开另一实施例的文本生成方法的流程图。
如图3所示,第一文本生成模型可以包括编码器310、解码器(Decoder)320和输出层330。
目标语义信息可以包括标题341和关键词集合342。关键词集合可以包括多个关键词。可以将目标语义信息输入至文本生成模型的编码器310中,得到基准特征表示350。基准特征表示350包括标题特征表示351和关键词集合特征表示352。
根据本公开的实施例,可以在标题341和关键词集合342之间插入分隔符SEP,以便区分目标语义信息中的不同类型的信息。
根据本公开的实施例,可以基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示。
如图3所示,将3个预定逻辑字符[SN1]、[SN2]、[SN3]和基准特征表示350输入至解码器320中,得到与3个预定逻辑字符一一对应的3个句子隐式表示SN1、SN2以及SN3。利用句子隐式表示来决定与句子隐式表示相对应的待生成文本语句的全局语义。
如图3所示,针对至少一个句子隐式表示中的每个句子隐式表示,例如SN1,可以利用解码器320,基于句子隐式表示SN1和与句子隐式表示SN1相对应的待生成文本语句中的已生成的i个文字特征表示1,确定待生成文本语句中的第i+1个文字特征表示。i为大于或者等于0的整数。可以利用输出层330基于第i+1个文字特征表示,确定第i+1个文字内容。最终得到与待生成文本语句相对应的目标文本语句1。
例如,针对待生成文本语句“我想吃汉堡”中的第一个待生成文字内容,可以利用解码器处理句子隐式表示SN1,确定待生成文本语句中的第一个待生成文字的文字特征表示,利用输出层处理第一个待生成文字内容的文字特征表示,确定目标文本内容中的目标文本语句的第一个文字内容为“我”。针对待生成文本语句中的第二个待生成文字内容,可以利用解码器处理句子隐式表示SN1和第一个文字内容的文字特征表示,确定待生成文本语句中的第二个待生成文字内容的文字特征表示,利用输出层处理第二个待生成文字内容的文字特征表示,确定目标文本内容中的目标文本语句的第二个文字内容为“想”。以此类推,确定针对句子隐式表示SN1相对应的目标文本语句为“我想吃汉堡”。
根据本公开的实施例,可以在当前目标文本语句生成完毕后,基于预定逻辑字符[SN2]和基准特征表示,得到与预定逻辑字符[SN2]相对应的句子隐式表示SN2。以便利用句子隐式表示SN2来确定目标文本内容的第二个目标文本语句2。以此类推,确定目标文本内容。
利用本公开实施例提供的文本生成方法,通过引入句子级别的句子隐式表示,能够对每个待生成文本语句的生成内容进行全局规划,进而提升目标文本内容的逻辑性和通顺性。
图4示意性示出了根据本公开另一实施例的文本生成方法的流程图。
如图4所示的第二文本生成模型的网络结构与如图3所示的第一文本生成模型的网络结构相同,其不同之处在于,第二文本生成模型还可以包括内容选择层460。内容选择层460设置于解码器320与输出层330之间。
根据本公开的实施例,内容选择层可以包括神经网络层,例如,内容选择层可以包括全连接层。
如图4所示,利用第二文本生成模型来根据预定逻辑字符来生成句子隐式表示,可以包括如下操作。
例如,针对至少一个预定逻辑字符中的每个预定逻辑字符,利用解码器320,基于基准特征表示350和预定逻辑字符例如3个预定逻辑字符[SN1]、[SN2]以及[SN3],生成与预定逻辑字符相对应的初始句子隐式表示。利用内容选择层460,基于初始句子隐式表示,确定句子隐式表示,例如与3个预定逻辑字符[SN1]、[SN2]以及[SN3]一一对应的3个句子隐式表示SN1、SN2以及SN3。但是并不局限于此。还可以基于初始句子隐式表示和辅助选择特征表示来确定句子隐式表示。
根据本公开的实施例,辅助选择特征表示可以是基于基准特征表示350得到的。例如,辅助选择特征表示可以包括关键词集合特征表示352,但是并不局限于此,辅助选择特征表示还可以包括标题特征表示351。
如图4所示,利用第二文本生成模型来执行文本生成方法与利用如图3所示的第一文本生成模型来执行文本生成方法相同,其不同之处在于,针对至少一个句子隐式表示中的每个句子隐式表示,可以利用解码器320,基于句子隐式表示和与句子隐式表示相对应的待生成文本语句中的已生成的i个目标文字特征表示,确定待生成文本语句中的第i+1个文字特征表示。利用内容选择层460,基于第i+1个文字特征表示和辅助选择特征表示,确定第i+1个目标文字特征表示。利用输出层330,基于第i+1个目标文字特征表示,确定第i+1个文字内容。最终得到与待生成文本语句相对应的目标文本语句,例如目标文本语句1、目标文本语句2以及目标文本语句3。
根据本公开的实施例,可以利用内容选择层,对经解码器输出的待生成文本语句中的第i+1个文字特征表示和辅助选择特征表示进行处理,确定第i+1个目标文字特征表示,以便输出层基于第i+1个目标文字特征表示来确定第i+1个文字内容。使得利用句子隐式表示来确定当前待生成文本语句的全局语义的同时,可以利用内容选择层和辅助选择表示来确定当前待生成文本语句中所要包含的关键词。进而使得目标文本内容符合用户指定的语义,且包含了用户指定的关键词。
图5示意性示出了根据本公开实施例的文本生成模型的训练方法的流程图。
如图5所示,该方法包括操作S510~S520。
在操作S510,获取训练样本,其中,训练样本包括目标样本语义信息和样本文本内容。
在操作S520,利用训练样本训练文本生成模型,得到经训练的文本生成模型。
根据本公开的实施例,文本生成模型可以用于:确定目标语义信息的基准特征表示。基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示。基于至少一个句子隐式表示,生成目标文本内容。
根据本公开的实施例,文本生成模型的训练方法可以包括操作S510和操作S520,但是并不局限于此,文本生成模型的训练方法还可以包括操作S520。
根据本公开的实施例,文本生成模型可以用于基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示,基于至少一个句子隐式表示来确定目标文本内容。利用经训练的文本生成模型基于目标语义信息来生成目标文本内容,可以提高目标文本内容的逻辑性和通顺性。
根据本公开的实施例,文本生成模型的训练方法可以包括如下操作。
例如,确定目标样本语义信息的样本基准特征表示。目标样本语义信息可以包括样本标题和至少一个样本关键词。利用文本生成模型处理样本基准特征表示和至少一个预定逻辑字符,得到与至少一个预定逻辑字符一一对应的至少一个样本句子隐式表示。针对至少一个样本句子隐式表示中的每个样本句子隐式表示,根据词袋预测方法,基于样本句子隐式表示,得到预测关键词信息。利用预测关键词信息和标签训练文本生成模型,得到经训练的文本生成模型。标签是基于样本文本内容生成的,标签用于表征样本文本内容中与样本句子隐式表示相对应的样本文本语句中的关键词信息。
根据本公开的实施例,文本生成模型可以包括编码器、解码器和输出层。可以利用编码器处理目标样本语义信息,得到样本基准特征表示。可以将至少一个预定逻辑字符和样本基准特征表示输入至解码器,得到与至少一个预定逻辑字符一一对应的至少一个样本句子隐式表示。但是并不局限于此。文本生成模型还可以包括编码器、解码器、内容选择层和输出层。可以利用编码器处理目标样本语义信息,得到样本基准特征表示。可以将至少一个预定逻辑字符和样本基准特征表示输入至解码器,得到与至少一个预定逻辑字符一一对应的至少一个初始样本句子隐式,利用内容选择层处理至少一个初始样本句子隐式表示,确定与至少一个初始样本句子隐式表示一一对应的至少一个样本句子隐式表示。
图6示意性示出了根据本公开另一实施例的文本生成模型的训练方法的流程图。
如图6所示,目标样本语义信息可以包括样本标题641和样本关键词集合642。样本关键词集合可以包括多个样本关键词。可以将目标样本语义信息输入至文本生成模型的编码器610中,得到样本基准特征表示650。样本基准特征表示650包括样本标题特征表示651和样本关键词集合特征表示652。
利用文本生成模型的解码器620处理样本基准特征表示和预定逻辑字符,例如3个预定逻辑字符[SN1]、[SN2]、[SN3],得到至少一个样本句子隐式表示,例如与3个预定逻辑字符一一对应的3个句子隐式表示SN1、SN2以及SN3。
针对至少一个样本句子隐式表示中的每个样本句子隐式表示,可以利用规划层630,根据词袋预测方法,基于样本句子隐式表示,得到预测关键词信息。最终得到例如预测关键词信息1、预测关键词信息2以及预测关键词信息3。利用预测关键词信息和标签训练文本生成模型,得到经训练的文本生成模型。标签是基于样本文本内容生成的,标签用于表征样本文本内容中与样本句子隐式表示相对应的样本文本语句中的关键词信息,例如样本关键词集合中的多个样本关键词。
根据本公开的实施例,可以将预测关键词信息和标签输入至损失函数,例如但不限于交叉熵损失函数中,得到损失值。调整文本生成模型中的参数,直至损失值收敛。将损失值收敛时的文本生成模型作为经训练的文本生成模型。
根据本公开的实施例,规划层可以包括神经网络层,例如全连接层。
根据本公开的实施例,词袋预测方法(bag-of-words,BOW)可以将用于表征待生成文本语句的全局语义信息的样本句子隐式表示进行处理,确定样本句子隐式表示中的预测关键词信息。
利用本公开实施例提供的文本生成模型的训练方法,可以通过对文本生成模型的参数的调整,使得经训练的文本生成模型生成的句子隐式表示能够精准的把控与目标语义信息相匹配的全局语义信息,有效地提升目标文本内容的生成质量。
图7示意性示出了根据本公开实施例的文本生成装置的框图。
如图7所示,文本生成装置700可以包括第一确定模块710、第二确定模块720以及内容生成模块730。
第一确定模块710,用于确定目标语义信息的基准特征表示。
第二确定模块720,用于基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示。
内容生成模块730,用于基于至少一个句子隐式表示,生成目标文本内容。
根据本公开的实施例,生成模块可以包括第一特征表示确定单元以及第一文字内容确定单元。
第一特征表示确定单元,用于针对至少一个句子隐式表示中的每个句子隐式表示,利用句子隐式表示和待生成文本语句中的已生成的i个文字特征表示,确定待生成文本语句中的第i+1个文字特征表示,其中,待生成文本语句为与句子隐式表示相对应的文本语句,i为大于或者等于0的整数。
第一文字内容确定单元,用于基于第i+1个文字特征表示,确定第i+1个文字内容。
根据本公开的实施例,生成模块可以包括第二特征表示确定单元、第三特征表示确定单元以及第二文字内容确定单元。
第二特征表示确定单元,用于针对至少一个句子隐式表示中的每个句子隐式表示,利用句子隐式表示和待生成文本语句中的已生成的i个目标文字特征表示,确定待生成文本语句中的第i+1个文字特征表示,其中,待生成文本语句为与句子隐式表示相对应的文本语句,i为大于或者等于0的整数。
第三特征表示确定单元,用于基于第i+1个文字特征表示和辅助选择特征表示,确定第i+1个目标文字特征表示,其中,辅助选择特征表示是基于基准特征表示得到的。
第二文字内容确定单元,用于基于第i+1个目标文字特征表示,确定第i+1个文字内容。
根据本公开的实施例,第三特征表示确定单元可以包括第一隐式表示确定子单元以及第二隐式表示确定子单元。
第一隐式表示确定子单元,用于针对至少一个预定逻辑字符中的每个预定逻辑字符,利用基准特征表示和预定逻辑字符,生成与预定逻辑字符相对应的初始句子隐式表示。
第二隐式表示确定子单元,用于基于初始句子隐式表示,确定句子隐式表示。
根据本公开的实施例,文本生成装置还可以包括特征表示生成模块。
特征表示生成模块,用于基于目标语义信息,生成基准特征表示,其中,目标语义信息包括标题和至少一个关键词。
图8示意性示出了根据本公开实施例的文本生成模型的训练装置的框图。
如图8所示,文本生成模型的训练装置800可以包括获取模块810和训练模块820。
获取模块810,用于获取训练样本,其中,训练样本包括目标样本语义信息和样本文本内容。
训练模块820,用于利用训练样本训练文本生成模型,得到经训练的文本生成模型。
根据本公开的实施例,文本生成模型可以用于:确定目标语义信息的基准特征表示;基于基准特征表示和至少一个预定逻辑字符,确定与至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于至少一个句子隐式表示,生成目标文本内容。
根据本公开的实施例,文本生成模型的训练装置可以包括获取模块和训练模块,但是并不局限于此,文本生成模型的训练装置还可以包括训练模块。
根据本公开的实施例,训练模块可以包括样本特征表示确定单元、样本隐式表示确定单元、预测信息确定单元以及训练单元。
样本特征表示确定单元,用于确定目标样本语义信息的样本基准特征表示,其中,目标样本语义信息包括样本标题和至少一个样本关键词。
样本隐式表示确定单元,用于利用文本生成模型处理样本基准特征表示和至少一个预定逻辑字符,得到与至少一个预定逻辑字符一一对应的至少一个样本句子隐式表示。
预测信息确定单元,用于针对至少一个样本句子隐式表示中的每个样本句子隐式表示,根据词袋预测方法,基于样本句子隐式表示,得到预测关键词信息。
训练单元,用于利用预测关键词信息和标签训练文本生成模型,得到经训练的文本生成模型,其中,标签是基于样本文本内容生成的,标签用于表征样本文本内容中与样本句子隐式表示相对应的样本文本语句中的关键词信息。
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。
根据本公开的实施例,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本公开实施例的方法。
根据本公开的实施例,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如本公开实施例的方法。
根据本公开的实施例,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本公开实施例的方法。
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,例如文本生成方法或者文本生成模型的训练方法。例如,在一些实施例中,文本生成方法或者文本生成模型的训练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文本生成方法或者文本生成模型的训练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)而被配置为执行文本生成方法或者文本生成模型的训练方法。
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,本发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公开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)
1.一种文本生成方法,包括:
确定目标语义信息的基准特征表示;
基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及
基于所述至少一个句子隐式表示,生成目标文本内容。
2.根据权利要求1所述的方法,其中,所述基于所述至少一个句子隐式表示,生成目标文本内容包括:
针对至少一个句子隐式表示中的每个句子隐式表示,利用所述句子隐式表示和待生成文本语句中的已生成的i个文字特征表示,确定所述待生成文本语句中的第i+1个文字特征表示,其中,所述待生成文本语句为与所述句子隐式表示相对应的文本语句,i为大于或者等于0的整数;以及
基于所述第i+1个文字特征表示,确定所述第i+1个文字内容。
3.根据权利要求1所述的方法,其中,所述基于所述至少一个句子隐式表示,生成目标文本内容包括:
针对至少一个句子隐式表示中的每个句子隐式表示,利用所述句子隐式表示和待生成文本语句中的已生成的i个目标文字特征表示,确定所述待生成文本语句中的第i+1个文字特征表示,其中,所述待生成文本语句为与所述句子隐式表示相对应的文本语句,i为大于或者等于0的整数;
基于所述第i+1个文字特征表示和辅助选择特征表示,确定所述第i+1个目标文字特征表示,其中,所述辅助选择特征表示是基于所述基准特征表示得到的;以及
基于所述第i+1个目标文字特征表示,确定所述第i+1个文字内容。
4.根据权利要求1至3中任一项所述的方法,其中,所述基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示包括:
针对所述至少一个预定逻辑字符中的每个预定逻辑字符,利用所述基准特征表示和所述预定逻辑字符,生成与所述预定逻辑字符相对应的初始句子隐式表示;以及
基于所述初始句子隐式表示,确定所述句子隐式表示。
5.根据权利要求1至4中任一项所述的方法,还包括:
基于所述目标语义信息,生成所述基准特征表示,其中,所述目标语义信息包括标题和至少一个关键词。
6.一种文本生成模型的训练方法,包括:
利用训练样本训练文本生成模型,得到经训练的文本生成模型,其中,所述训练样本包括目标样本语义信息和样本文本内容;
其中,所述文本生成模型用于:
确定目标语义信息的基准特征表示;基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于所述至少一个句子隐式表示,生成目标文本内容。
7.根据权利要求6所述的方法,其中,所述利用训练样本训练文本生成模型,得到经训练的文本生成模型包括:
确定所述目标样本语义信息的样本基准特征表示,其中,所述目标样本语义信息包括样本标题和所述至少一个样本关键词;
利用文本生成模型处理所述样本基准特征表示和至少一个预定逻辑字符,得到与所述至少一个预定逻辑字符一一对应的至少一个样本句子隐式表示;
针对所述至少一个样本句子隐式表示中的每个样本句子隐式表示,根据词袋预测方法,基于所述样本句子隐式表示,得到预测关键词信息;以及
利用所述预测关键词信息和标签训练所述文本生成模型,得到经训练的文本生成模型,其中,所述标签是基于所述样本文本内容生成的,所述标签用于表征所述样本文本内容中与所述样本句子隐式表示相对应的样本文本语句中的关键词信息。
8.一种文本生成装置,包括:
第一确定模块,用于确定目标语义信息的基准特征表示;
第二确定模块,用于基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及
内容生成模块,用于基于所述至少一个句子隐式表示,生成目标文本内容。
9.根据权利要求8所述的装置,其中,所述生成模块包括:
第一特征表示确定单元,用于针对至少一个句子隐式表示中的每个句子隐式表示,利用所述句子隐式表示和待生成文本语句中的已生成的i个文字特征表示,确定所述待生成文本语句中的第i+1个文字特征表示,其中,所述待生成文本语句为与所述句子隐式表示相对应的文本语句,i为大于或者等于0的整数;以及
第一文字内容确定单元,用于基于所述第i+1个文字特征表示,确定所述第i+1个文字内容。
10.根据权利要求8所述的装置,其中,所述生成模块包括:
第二特征表示确定单元,用于针对至少一个句子隐式表示中的每个句子隐式表示,利用所述句子隐式表示和待生成文本语句中的已生成的i个目标文字特征表示,确定所述待生成文本语句中的第i+1个文字特征表示,其中,所述待生成文本语句为与所述句子隐式表示相对应的文本语句,i为大于或者等于0的整数;
第三特征表示确定单元,用于基于所述第i+1个文字特征表示和辅助选择特征表示,确定所述第i+1个目标文字特征表示,其中,所述辅助选择特征表示是基于所述基准特征表示得到的;以及
第二文字内容确定单元,用于基于所述第i+1个目标文字特征表示,确定所述第i+1个文字内容。
11.根据权利要求8至10中任一项所述的装置,其中,所述第三特征表示确定单元包括:
第一隐式表示确定子单元,用于针对所述至少一个预定逻辑字符中的每个预定逻辑字符,利用所述基准特征表示和所述预定逻辑字符,生成与所述预定逻辑字符相对应的初始句子隐式表示;以及
第二隐式表示确定子单元,用于基于所述初始句子隐式表示,确定所述句子隐式表示。
12.根据权利要求8至11中任一项所述的装置,还包括:
特征表示生成模块,用于基于所述目标语义信息,生成所述基准特征表示,其中,所述目标语义信息包括标题和至少一个关键词。
13.一种文本生成模型的训练装置,包括:
训练模块,用于利用训练样本训练文本生成模型,得到经训练的文本生成模型,其中,所述训练样本包括目标样本语义信息和样本文本内容;
其中,所述文本生成模型用于:
确定目标语义信息的基准特征表示;基于所述基准特征表示和至少一个预定逻辑字符,确定与所述至少一个预定逻辑字符一一对应的至少一个句子隐式表示;以及基于所述至少一个句子隐式表示,生成目标文本内容。
14.根据权利要求13所述的装置,其中,所述训练模块包括:
样本特征表示确定单元,用于确定所述目标样本语义信息的样本基准特征表示,其中,所述目标样本语义信息包括样本标题和所述至少一个样本关键词;
样本隐式表示确定单元,用于利用文本生成模型处理所述样本基准特征表示和至少一个预定逻辑字符,得到与所述至少一个预定逻辑字符一一对应的至少一个样本句子隐式表示;
预测信息确定单元,用于针对所述至少一个样本句子隐式表示中的每个样本句子隐式表示,根据词袋预测方法,基于所述样本句子隐式表示,得到预测关键词信息;以及
训练单元,用于利用所述预测关键词信息和标签训练所述文本生成模型,得到经训练的文本生成模型,其中,所述标签是基于所述样本文本内容生成的,所述标签用于表征所述样本文本内容中与所述样本句子隐式表示相对应的样本文本语句中的关键词信息。
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至5中任一项所述的文本生成方法或者权利要求6或7所述的文本生成模型的训练方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至5中任一项所述的文本生成方法或者权利要求6或7所述的文本生成模型的训练方法。
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至5中任一项所述的文本生成方法或者权利要求6或7所述的文本生成模型的训练方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210097054.9A CN114492456B (zh) | 2022-01-26 | 2022-01-26 | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
US17/992,436 US20230084438A1 (en) | 2022-01-26 | 2022-11-22 | Method of generating text, method of training model, electronic device, and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210097054.9A CN114492456B (zh) | 2022-01-26 | 2022-01-26 | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492456A true CN114492456A (zh) | 2022-05-13 |
CN114492456B CN114492456B (zh) | 2023-03-24 |
Family
ID=81476343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210097054.9A Active CN114492456B (zh) | 2022-01-26 | 2022-01-26 | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230084438A1 (zh) |
CN (1) | CN114492456B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682192A (zh) * | 2016-12-29 | 2017-05-17 | 北京奇虎科技有限公司 | 一种基于搜索关键词训练回答意图分类模型的方法和装置 |
CN110287489A (zh) * | 2019-06-24 | 2019-09-27 | 北京大米科技有限公司 | 文本生成方法、装置、存储介质和电子设备 |
CN111339781A (zh) * | 2020-02-10 | 2020-06-26 | 科大讯飞华南人工智能研究院(广州)有限公司 | 意图识别方法、装置、电子设备和存储介质 |
CN111414736A (zh) * | 2020-03-23 | 2020-07-14 | 腾讯科技(深圳)有限公司 | 故事生成模型训练方法、装置、设备及存储介质 |
CN112069309A (zh) * | 2020-09-14 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 信息获取方法、装置、计算机设备及存储介质 |
CN113239705A (zh) * | 2021-07-12 | 2021-08-10 | 北京百度网讯科技有限公司 | 语义表示模型的预训练方法、装置、电子设备和存储介质 |
CN113378547A (zh) * | 2021-06-16 | 2021-09-10 | 武汉大学 | 一种基于gcn的汉语复句隐式关系分析方法及装置 |
CN113850291A (zh) * | 2021-08-18 | 2021-12-28 | 北京百度网讯科技有限公司 | 文本处理及模型训练方法、装置、设备和存储介质 |
CN113971201A (zh) * | 2020-07-22 | 2022-01-25 | 中移(苏州)软件技术有限公司 | 一种文本分析方法、装置及存储介质 |
-
2022
- 2022-01-26 CN CN202210097054.9A patent/CN114492456B/zh active Active
- 2022-11-22 US US17/992,436 patent/US20230084438A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682192A (zh) * | 2016-12-29 | 2017-05-17 | 北京奇虎科技有限公司 | 一种基于搜索关键词训练回答意图分类模型的方法和装置 |
CN110287489A (zh) * | 2019-06-24 | 2019-09-27 | 北京大米科技有限公司 | 文本生成方法、装置、存储介质和电子设备 |
CN111339781A (zh) * | 2020-02-10 | 2020-06-26 | 科大讯飞华南人工智能研究院(广州)有限公司 | 意图识别方法、装置、电子设备和存储介质 |
CN111414736A (zh) * | 2020-03-23 | 2020-07-14 | 腾讯科技(深圳)有限公司 | 故事生成模型训练方法、装置、设备及存储介质 |
CN113971201A (zh) * | 2020-07-22 | 2022-01-25 | 中移(苏州)软件技术有限公司 | 一种文本分析方法、装置及存储介质 |
CN112069309A (zh) * | 2020-09-14 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 信息获取方法、装置、计算机设备及存储介质 |
CN113378547A (zh) * | 2021-06-16 | 2021-09-10 | 武汉大学 | 一种基于gcn的汉语复句隐式关系分析方法及装置 |
CN113239705A (zh) * | 2021-07-12 | 2021-08-10 | 北京百度网讯科技有限公司 | 语义表示模型的预训练方法、装置、电子设备和存储介质 |
CN113850291A (zh) * | 2021-08-18 | 2021-12-28 | 北京百度网讯科技有限公司 | 文本处理及模型训练方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230084438A1 (en) | 2023-03-16 |
CN114492456B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657113B (zh) | 文本处理方法、装置和电子设备 | |
CN112507706B (zh) | 知识预训练模型的训练方法、装置和电子设备 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
EP4113357A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
CN116012481B (zh) | 图像生成处理方法、装置、电子设备及存储介质 | |
CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
CN114021548A (zh) | 敏感信息检测方法、训练方法、装置、设备以及存储介质 | |
CN117539975A (zh) | 大语言模型的提示词信息的生成方法、装置、设备及介质 | |
CN113850080A (zh) | 一种押韵词推荐方法、装置、设备及存储介质 | |
CN115631261A (zh) | 图像生成模型的训练方法、图像生成方法和装置 | |
CN113807106B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN113869042A (zh) | 文本标题生成方法、装置、电子设备以及存储介质 | |
CN117992569A (zh) | 基于生成式大模型生成文档的方法、装置、设备及介质 | |
CN111538817A (zh) | 人机交互方法和装置 | |
CN113157877A (zh) | 多语义识别方法、装置、设备和介质 | |
CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
CN114490969B (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN114492456B (zh) | 文本生成方法、模型的训练方法、装置、电子设备及介质 | |
CN113204616B (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
CN113705206B (zh) | 情感预测模型的训练方法、装置、设备及存储介质 | |
CN115965018B (zh) | 信息生成模型的训练方法、信息生成方法和装置 | |
CN113255332B (zh) | 文本纠错模型的训练与文本纠错方法、装置 |
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 |