CN114841274A - 语言模型的训练方法、装置、电子设备和存储介质 - Google Patents
语言模型的训练方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114841274A CN114841274A CN202210516125.4A CN202210516125A CN114841274A CN 114841274 A CN114841274 A CN 114841274A CN 202210516125 A CN202210516125 A CN 202210516125A CN 114841274 A CN114841274 A CN 114841274A
- Authority
- CN
- China
- Prior art keywords
- text
- training
- sample
- candidate
- training 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
Images
Classifications
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种语言模型的训练方法、装置、电子设备和存储介质,涉及人工智能技术领域,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:获取第一模板文本,第一模板文本为自然语言构成的文本;获取第一训练样本组,并基于第一训练样本组生成第二模板文本,第二模板文本为非自然语言构成的文本;基于第一模板文本、第二模板文本和第一训练样本组,生成第二训练样本组;基于第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型。由此,可综合考虑第一模板文本、第二模板文本和第一训练样本组生成预训练语言模型的第二训练样本组,适用于第一训练样本组不足的应用场景,有助于提升预训练语言模型的训练性能。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种语言模型的训练方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
目前,随着人工智能技术的不断发展,语言模型在文本分类等领域得到了广泛应用,具有自动化程度高、人工成本低等优点。比如,可将文本输入语言模型中,由语言模型输出文本的类别。然而,语言模型的训练存在训练性能差的问题。
发明内容
本公开提供了一种语言模型的训练方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面,提供了一种语言模型的训练方法,包括:获取第一模板文本,其中,所述第一模板文本为自然语言构成的文本;获取第一训练样本组,并基于所述第一训练样本组生成第二模板文本,其中,所述第二模板文本为非自然语言构成的文本;基于所述第一模板文本、所述第二模板文本和所述第一训练样本组,生成第二训练样本组;基于所述第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型。
根据本公开的另一方面,提供了一种语言模型的训练装置,包括:获取模块,用于获取第一模板文本,其中,所述第一模板文本为自然语言构成的文本;第一生成模块,用于获取第一训练样本组,并基于所述第一训练样本组生成第二模板文本,其中,所述第二模板文本为非自然语言构成的文本;第二生成模块,用于基于所述第一模板文本、所述第二模板文本和所述第一训练样本组,生成第二训练样本组;训练模块,用于基于所述第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型。
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语言模型的训练方法。
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,所述计算机指令用于使所述计算机执行语言模型的训练方法。
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,所述计算机程序被处理器执行时实现语言模型的训练方法的步骤。
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是根据本公开第一实施例的语言模型的训练方法的流程示意图;
图2是根据本公开第二实施例的语言模型的训练方法的流程示意图;
图3是根据本公开第三实施例的语言模型的训练方法的流程示意图;
图4是根据本公开第四实施例的语言模型的训练方法的流程示意图;
图5是根据本公开第五实施例的语言模型的训练方法的示意图;
图6是根据本公开第六实施例的语言模型的训练方法的流程示意图;
图7是根据本公开第七实施例的语言模型的训练方法的示意图;
图8是根据本公开第八实施例的语言模型的训练方法的示意图;
图9是根据本公开第一实施例的语言模型的训练装置的框图;
图10是用来实现本公开实施例的语言模型的训练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。
AI(Artificial Intelligence,人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前,AI技术具有自动化程度高、精确度高、成本低的优点,得到了广泛的应用。
DL(Deep Learning,深度学习)是ML(Machine Learning,机器学习)领域中一个新的研究方向,是学习样本数据的内在规律和表示层次,使得机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据的一门科学,广泛应用于语音和图像识别。
NLP(Natural Language Processing,自然语言处理)是研究能有效地实现自然语言通信的计算机系统,特别是其中的软件系统的一门科学,是计算机科学领域与人工智能领域中的一个重要方向。
图1是根据本公开第一实施例的语言模型的训练方法的流程示意图。
如图1所示,本公开第一实施例的语言模型的训练方法,包括:
S101,获取第一模板文本,其中,第一模板文本为自然语言构成的文本。
需要说明的是,本公开实施例的语言模型的训练方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地,执行主体可包括工作站、服务器,计算机、用户终端及其他智能设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
需要说明的是,第一模板文本为自然语言构成的文本。对自然语言的语言类别等均不做过多限定,比如,自然语言包括但不限于中文、英文、日文等。对第一模板文本不做过多限定,比如,以自然语言为中文为例,第一模板文本包括但不限于“[mask]满意”、“综合来讲很[mask]”、“下面是[mask]新闻”。以自然语言为英文为例,第一模板文本包括但不限于“It was[mask]”、“The capital of[mask]is[mask]”。应说明的是,[mask]为掩码标签。
S102,获取第一训练样本组,并基于第一训练样本组生成第二模板文本,其中,第二模板文本为非自然语言构成的文本。
需要说明的是,第一训练样本组包括多个第一训练样本。对第一训练样本、预训练语言模型的类别均不做过多限定。可以理解的是,不同的预训练语言模型,可对应不同的第一训练样本组。
比如,在预训练语言模型为文本分类模型时,第一训练样本包括第一样本文本和第一样本文本的参考分类结果。其中,参考分类结果包括但不限于情感分类、主题分类等。
比如,在预训练语言模型为信息抽取模型时,第一训练样本包括第一样本文本和第一样本文本的参考抽取结果。其中,参考抽取结果包括但不限于姓名、年龄、地址等。
需要说明的是,第二模板文本为非自然语言构成的文本。对非自然语言的类别等均不做过多限定,比如,非自然语言可包括向量。比如,第二模板文本包括但不限于“h1h2h3”、“h1h2h3h4h5[mask]”、“h1h2h3[mask]h4h5h6”。其中,h1、h2、h3、h4、h5、h6均为向量。
在一种实施方式中,基于第一训练样本组生成第二模板文本,可包括将第一训练样本组输入模板生成器中,由模板生成器输出第二模板文本。应说明的是,对模板生成器不做过多限定,比如,模板生成器可包括LSTM(Long Short-Term Memory,长短期记忆)模型。
S103,基于第一模板文本、第二模板文本和第一训练样本组,生成第二训练样本组。
需要说明的是,第二训练样本组包括多个第二训练样本。
在一种实施方式中,基于第一模板文本、第二模板文本和第一训练样本组,生成第二训练样本组,可包括将第一模板文本、第二模板文本和第一训练样本进行拼接,生成第二训练样本。
比如,第一模板文本为“综合来讲很[mask]”,第二模板文本为“h1h2h3”,第一训练样本为x,则第二训练样本可为“h1h2h3综合来讲很[mask]x”。
比如,第一模板文本为“It was[mask]”,第二模板文本为“h1h2h3”,第一训练样本为x,则第二训练样本可为“h1h2h3Itwas[mask]x”。
S104,基于第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型。
在一种实施方式中,基于第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型,可包括基于第二训练样本对预训练语言模型进行训练,响应于未满足模型训练结束条件,返回采用下一个第二训练样本继续对调整模型参数的预训练语言模型进行训练,直至满足模型训练结束条件,得到训练后的目标语言模型。应说明的是,对模型训练结束条件不做过多限定,比如,模型训练结束条件包括但不限于模型迭代次数达到设定次数,模型精度达到设定精度等。
综上,根据本公开实施例的语言模型的训练方法,可基于第一训练样本组生成第二模板文本,并基于第一模板文本、第二模板文本和第一训练样本组生成第二训练样本组,基于第二训练样本组对预训练语言模型进行训练,得到目标语言模型。由此,可综合考虑第一模板文本、第二模板文本和第一训练样本组生成预训练语言模型的第二训练样本组,适用于第一训练样本组不足的应用场景,有助于提升预训练语言模型的训练性能。
在上述任一实施例的基础上,第一模板文本和/或第二模板文本包括掩码标签。应说明的是,对掩码标签不做过多限定,比如,掩码标签可用“[mask]”来表示。对第一模板文本、第二模板文本中的掩码标签的数量不做过多限定,第一模板文本、第二模板文本可包括一个或多个掩码标签。
在一种实施方式中,第一训练样本组中的第一训练样本包括第一样本文本和第一样本文本的标注信息。应说明的是,对标注信息的类别不做过多限定。比如,标注信息包括但不限于情感分类信息、主题分类信息、抽取信息等。
图2是根据本公开第二实施例的语言模型的训练方法的流程示意图。
如图2所示,本公开第二实施例的语言模型的训练方法,包括:
S201,获取第一模板文本,其中,第一模板文本为自然语言构成的文本。
S202,获取第一训练样本组,并基于第一训练样本组生成第二模板文本,其中,第二模板文本为非自然语言构成的文本。
步骤S201-S202的相关内容可参见上述实施例,这里不再赘述。
S203,将第一模板文本、第二模板文本和第一样本文本进行拼接,生成第二样本文本。
在一种实施方式中,将第一模板文本、第二模板文本和第一样本文本进行拼接,生成第二样本文本,可包括获取第一样本文本上第一模板文本的第一拼接位置和第二模板文本的第二拼接位置,将第一模板文本按照第一拼接位置与第一样本文本进行拼接,以及将第二模板文本按照第二拼接位置与第一样本文本进行拼接,生成第二样本文本。应说明的是,对第一拼接位置、第二拼接位置均不做过多限定,比如,第一拼接位置、第二拼接位置包括但不限于第一样本文本的前端位置、中间位置、后端位置。
比如,第一模板文本为“综合来讲很[mask]”,第二模板文本为“h1h2h3”,第一样本为x,第一拼接位置、第二拼接位置均为第一样本文本的前端位置,则第二样本文本可为“h1h2h3综合来讲很[mask]x”。
在一种实施方式中,将第一模板文本、第二模板文本和第一样本文本进行拼接,生成第二样本文本,可包括按照设定拼接顺序将第一模板文本、第二模板文本和第一样本文本进行拼接,生成第二样本文本。应说明的是,对设定拼接顺序不做过多限定,比如,设定拼接顺序可为第二模板文本、第一模板文本、第一样本文本。
比如,第一模板文本为“综合来讲很[mask]”,第二模板文本为“h1h2h3”,第一样本为x,设定拼接顺序可为第二模板文本、第一模板文本、第一样本文本,则第二样本文本可为“h1h2h3综合来讲很[mask]x”。
S204,基于标注信息生成掩码标签的第一参考文本。
在一种实施方式中,基于标注信息生成掩码标签的第一参考文本,可包括对标注信息进行NLP(Natural Language Processing,自然语言处理),生成掩码标签的第一参考文本。
比如,以生成第一模板文本中的掩码标签的第一参考文本为例,标注信息可包括情感分类信息。
若第一模板文本为“[mask]满意”,标注信息为“积极”,则上述掩码标签的第一参考文本为“是”;标注信息为“消极”,则上述掩码标签的第一参考文本为“不”。
若第一模板文本为“综合来讲很[mask]”,标注信息为“积极”,则上述掩码标签的第一参考文本为“好”;标注信息为“消极”,则上述掩码标签的第一参考文本为“不好”。
若第一模板文本为“It was[mask]”,标注信息为“positive”,则上述掩码标签的第一参考文本为“great”;标注信息为“negative”,则上述掩码标签的第一参考文本为“terrible”。
在一种实施方式中,基于标注信息生成掩码标签的第一参考文本,可包括对标注信息进行提取,生成掩码标签的第一参考文本。
比如,以生成第一模板文本中的掩码标签的第一参考文本为例,标注信息可包括抽取信息。
若第一模板文本为“下面是[mask]新闻”,标注信息为“体育”,则上述掩码标签的第一参考文本为“体育”;标注信息为“时尚”,则上述掩码标签的第一参考文本为“时尚”。
S205,针对任一第二样本文本,将任一第二样本文本中的每个掩码标签与各自对应的第一参考文本进行关联,生成第二训练样本组中的任一第二训练样本。
比如,第二样本文本包括掩码标签A、B、C,掩码标签A、B、C分别对应第一参考文本D、E、F,则可将掩码标签A与第一参考文本D进行关联,将掩码标签B与第一参考文本E进行关联,将掩码标签C与第一参考文本F进行关联,生成第二训练样本。
比如,第一模板文本为“综合来讲很[mask2]”,第二模板文本为“h1h2h3[mask1]h4h5h6”,第二样本文本为“h1h2h3[mask1]h4h5h6综合来讲很[mask2]x”,[mask1]的第一参考文本为“体育”,[mask2]的第一参考文本为“好”,可将[mask1]与“体育”进行关联,将[mask2]与“好”进行关联,生成第二训练样本。
在一种实施方式中,将任一第二样本文本中的每个掩码标签与各自对应的第一参考文本进行关联,可包括构建任一掩码标签与任一第一参考文本之间的对应关系、映射关系、映射表中的至少一种。
S206,将第二训练样本组中的每个第二样本文本输入预训练语言模型中,由预训练语言模型输出每个第二样本文本中的每个掩码标签的第一预测文本。
比如,第二样本文本为“h1h2h3[mask1]h4h5h6综合来讲很[mask2]x”,预训练语言模型可输出[mask1]的第一预测文本为“时尚”、[mask2]的第一预测文本为“好”。
S207,基于每个掩码标签的第一参考文本和第一预测文本,对预训练语言模型进行训练,得到目标语言模型。
在一种实施方式中,基于每个掩码标签的第一参考文本和第一预测文本,对预训练语言模型进行训练,得到目标语言模型,可包括基于每个掩码标签的第一参考文本和第一预测文本,获取预训练语言模型的损失函数,基于损失函数对预训练语言模型的模型参数进行更新,得到目标语言模型。
综上,根据本公开实施例的语言模型的训练方法,可将第一模板文本、第二模板文本和第一样本文本进行拼接,生成第二样本文本,并基于标注信息生成掩码标签的第一参考文本,将掩码标签与第一参考文本进行关联,生成第二训练样本,并基于第一参考文本和预训练语言模型输出的掩码标签的第一预测文本,对预训练语言模型进行训练,得到目标语言模型。
图3是根据本公开第三实施例的语言模型的训练方法的流程示意图。
如图3所示,本公开第三实施例的语言模型的训练方法,包括:
S301,获取第一模板文本,其中,第一模板文本为自然语言构成的文本。
S302,获取第一训练样本组,并基于第一训练样本组生成第二模板文本,其中,第二模板文本为非自然语言构成的文本。
S303,基于第一模板文本、第二模板文本和第一训练样本组,生成第二训练样本组。
步骤S301-S303的相关内容可参见上述实施例,这里不再赘述。
S304,基于模板文本对第二训练样本组进行划分,得到多个子第二训练样本组,任意两个子第二训练样本组对应的模板文本不同,其中,模板文本包括第一模板文本和/或第二模板文本。
本公开的实施例中,第一模板文本和/或第二模板文本可为一个或多个。基于模板文本对第二训练样本组进行划分,得到多个子第二训练样本组,可包括如下几种可能的实施方式:
方式1、基于第一模板文本对第二训练样本组进行划分,得到多个子第二训练样本组。
比如,第一模板文本包括A、B,第二模板文本包括C,可基于第一模板文本对第二训练样本组进行划分,得到子第二训练样本组D、E,其中,子第二训练样本组基于第一模板文本A、第二模板文本C和第一训练样本组生成,子第二训练样本组E基于第一模板文本B、第二模板文本C和第一训练样本组生成。
方式2、基于第二模板文本对第二训练样本组进行划分,得到多个子第二训练样本组。
比如,第一模板文本包括A,第二模板文本包括B、C,可基于第二模板文本对第二训练样本组进行划分,得到子第二训练样本组D、E,其中,子第二训练样本组D基于第一模板文本A、第二模板文本B和第一训练样本组生成,子第二训练样本组E基于第一模板文本A、第二模板文本C和第一训练样本组生成。
方式3、基于第一模板文本和第二模板文本对第二训练样本组进行划分,得到多个子第二训练样本组。
比如,第一模板文本包括A、B,第二模板文本包括C、D,可基于第一模板文本和第二模板文本对第二训练样本组进行划分,得到子第二训练样本组E、F、G、H,其中,子第二训练样本组E基于第一模板文本A、第二模板文本C和第一训练样本组生成,子第二训练样本组F基于第一模板文本A、第二模板文本D和第一训练样本组生成,子第二训练样本组G基于第一模板文本B、第二模板文本C和第一训练样本组生成,子第二训练样本组H基于第一模板文本B、第二模板文本D和第一训练样本组生成。
S305,基于每个子第二训练样本组对预训练语言模型进行训练,得到多个第一候选语言模型。
在一种实施方式中,基于每个子第二训练样本组对预训练语言模型进行训练,得到多个第一候选语言模型,可包括基于任一子第二训练样本组对预训练语言模型进行训练,得到任一第一候选语言模型。即子第二训练样本组与第一候选语言模型一一对应。
比如,子第二训练样本组包括A、B、C、D,可基于子第二训练样本组A对预训练语言模型进行训练,得到第一候选语言模型M1,基于子第二训练样本组B对预训练语言模型进行训练,得到第一候选语言模型M2,基于子第二训练样本组C对预训练语言模型进行训练,得到第一候选语言模型M3,基于子第二训练样本组D对预训练语言模型进行训练,得到第一候选语言模型M4。
S306,从多个第一候选语言模型中筛选出目标语言模型。
在一种实施方式中,从多个第一候选语言模型中筛选出目标语言模型,可包括根据第一候选语言模型的模型精度、模型体积、模型预测时长中的至少一个,从多个第一候选语言模型中筛选出目标语言模型。由此,该方法中可综合考虑模型精度、模型体积、模型预测时长,来筛选出目标语言模型,提高了目标语言模型筛选的准确性。
在一种实施方式中,从多个第一候选语言模型中筛选出目标语言模型,可包括基于验证样本组获取每个第一候选语言模型对应的用于表征模型预测效果的预测参数,基于预测参数,从多个第一候选语言模型中筛选出目标语言模型。由此,该方法中可基于预测参数来筛选出目标语言模型,提高了目标语言模型筛选的准确性。
需要说明的是,验证样本组的相关内容可参见上述实施例,这里不再赘述。对预测参数的类别不做过多限定,比如,预测参数包括但不限于精准率、召回率、预测时长等。
在一种实施方式中,基于预测参数,从多个第一候选语言模型中筛选出目标语言模型,可包括基于任一第一候选语言模型对应的预测参数,获取任一第一候选语言模型的预测分数,将最大预测分数对应的第一候选语言模型作为目标语言模型。
综上,根据本公开实施例的语言模型的训练方法,可基于模板文本对第二训练样本组进行划分,得到多个子第二训练样本组,并基于每个子第二训练样本组对预训练语言模型进行训练,得到多个第一候选语言模型,并从多个第一候选语言模型中筛选出目标语言模型。由此,基于单个子第二训练样本组对预训练语言模型进行单独训练,可考虑到不同模板文本对预训练语言模型训练性能的影响,适用于第一训练样本组不足的应用场景,有助于提升预训练语言模型的训练性能。
图4是根据本公开第四实施例的语言模型的训练方法的流程示意图。
如图4所示,本公开第四实施例的语言模型的训练方法,包括:
S401,获取第一模板文本,其中,第一模板文本为自然语言构成的文本。
S402,获取第一训练样本组,并基于第一训练样本组生成第二模板文本,其中,第二模板文本为非自然语言构成的文本。
S403,基于第一模板文本、第二模板文本和第一训练样本组,生成第二训练样本组。
S404,基于模板文本对第二训练样本组进行划分,得到多个子第二训练样本组,任意两个子第二训练样本组对应的模板文本不同,其中,模板文本包括第一模板文本和/或第二模板文本。
S405,基于每个子第二训练样本组对预训练语言模型进行训练,得到多个第一候选语言模型。
S406,基于验证样本组获取每个第一候选语言模型对应的用于表征模型预测效果的预测参数。
S407,基于预测参数,从多个第一候选语言模型中筛选出第二候选语言模型。
步骤S401-S407的相关内容可参见上述实施例,这里不再赘述。
S408,获取未标注的第三样本文本组,将第三样本文本组中的每个第三样本文本输入第二候选语言模型中,以生成候选训练样本组。
在一种实施方式中,将第三样本文本组中的每个第三样本文本输入第二候选语言模型中,以生成候选训练样本组,可包括由第二候选语言模型从第三样本文本组中筛选出候选训练样本组中的任一候选训练样本。
在一种实施方式中,将第三样本文本组中的每个第三样本文本输入第二候选语言模型中,以生成候选训练样本组,可包括由第二候选语言模型输出每个第三样本文本的第二预测信息,将任一第三样本文本和任一第三样本文本的第二预测信息进行关联,生成候选训练样本组中的任一候选训练样本。应说明的是,第二预测信息、进行关联的相关内容均可参见上述实施例,这里不再赘述。由此,该方法中可基于第三样本文本和预训练语言模型输出的第二预测信息,生成候选训练样本组。
S409,基于候选训练样本组对第一训练样本组进行样本增强,并返回执行获取第一模板文本及其后续步骤,直至满足模型训练结束条件,将最后一次训练得到的第二候选语言模型作为目标语言模型。
在一种实施方式中,基于候选训练样本组对第一训练样本组进行样本增强,可包括从候选训练样本组中筛选出目标训练样本,将目标训练样本添加到第一训练样本组中进行样本增强,即将目标训练样本作为第一训练样本组中的第一训练样本。由此,该方法中可将目标训练样本添加到第一训练样本组中,可增大第一训练样本组中的样本数量,以实现样本增强。
在一种实施方式中,从候选训练样本组中筛选出目标训练样本,可包括如下几种可能的实施方式:
方式1、获取候选训练样本的预测信息的置信度,并将置信度大于第一设定阈值的候选训练样本作为目标训练样本。
需要说明的是,对第一设定阈值不做过多限定。
由此,该方法中可基于预测信息的置信度,从候选训练样本组中筛选出目标训练样本,有助于提高目标训练样本的准确性。
方式2、在本次训练非第一次训练的情况下,获取上一次训练筛选出的目标训练样本的历史预测信息,获取本次训练得到的候选训练样本的预测信息和历史预测信息之间的相似度,并将相似度大于第二设定阈值的候选训练样本作为本次训练得到的目标训练样本。
需要说明的是,对第二设定阈值不做过多限定。
比如,预测信息可包括情感分类信息,若上一次训练筛选出的目标训练样本的历史预测信息为“积极”,本次训练得到的候选训练样本A的预测信息为“好”,候选训练样本B的预测信息为“不好”,则可获取“好”和“积极”之间的相似度,以及“不好”和“积极”之间的相似度,若“好”和“积极”之间的相似度大于第二设定阈值,“不好”和“积极”之间的相似度小于或者等于第二设定阈值,则可将候选训练样本A作为本次训练得到的目标训练样本。
在一种实施方式中,如图5所示,在第t次训练的情况下,t为正整数,t≥2,可获取未标注的第三样本文本组,将第三样本文本组中的每个第三样本文本输入第t次训练得到的第二候选语言模型中,以生成第t次训练得到的候选训练样本组,获取第t次训练得到的候选训练样本的预测信息的置信度,并将置信度大于第一设定阈值的候选训练样本作为第t次训练得到的初始目标训练样本,获取第t-1次训练筛选出的目标训练样本的历史预测信息,获取第t次训练得到的初始目标训练样本的预测信息和历史预测信息之间的相似度,并将相似度大于第二设定阈值的初始目标训练样本作为第t次训练得到的目标训练样本。
由此,该方法中可考虑到上一次训练筛选出的目标训练样本对本次训练得到的目标训练样本的影响,并将相似度较大的候选训练样本作为本次训练得到的目标训练样本,有助于提高目标训练样本的预测信息的稳定性。
在一种实施方式中,候选训练样本组中的候选训练样本包括候选样本文本和候选样本文本的标注信息,第一训练样本组中的第一训练样本包括第一样本文本和第一样本文本的标注信息。基于候选训练样本组对第一训练样本组进行样本增强,可包括将候选样本文本和第一样本文本进行拼接,生成增强样本文本,将候选样本文本的标注信息和第一样本文本的标注信息进行组合,生成增强样本文本的标注信息,将任一增强样本文本和任一增强样本文本的标注信息进行关联,生成第一训练样本组中的任一增强训练文本。由此,该方法中可基于候选训练样本和第一训练样本生成增强训练样本,可增大第一训练样本组中的样本数量,以实现样本增强。
需要说明的是,对模型训练结束条件不做过多限定,比如,模型训练结束条件包括但不限于模型精度达到设定精度阈值、模型迭代次数达到设定次数阈值等。
综上,根据本公开实施例的语言模型的训练方法,可基于预测参数从多个第一候选语言模型中筛选出第二候选语言模型,基于未标注的第三样本文本组生成候选训练样本组,基于候选训练样本组对第一训练样本组进行样本增强,并返回执行获取第一模板文本及其后续步骤,即继续训练预训练语言模型。由此,可基于未标注的第三样本文本组对第一训练样本组进行样本增强,适用于第一训练样本组不足的应用场景,有助于提升预训练语言模型的训练性能。
图6是根据本公开第六实施例的语言模型的训练方法的流程示意图。
如图6所示,本公开第六实施例的语言模型的训练方法,包括:
S601,获取预训练语言模型的预测需求信息。
需要说明的是,不同的预训练语言模型可对应不同的预测需求信息。对预测需求信息不做过多限定,比如,预测需求信息包括但不限于情感分类、主题分类、信息抽取等。
在一种实施方式中,获取预训练语言模型的预测需求信息,可包括预先建立预训练语言模型和预测需求信息之间的映射关系或者映射表,在获取到预训练语言模型之后,查询映射关系或者映射表,可获取预训练语言模型映射的预测需求信息,作为预训练语言模型的预测需求信息。应说明的是,对上述映射关系或者映射表均不做过多限定。
S602,根据预测需求信息,从第一模板文本库中获取第一模板文本,其中,第一模板文本为自然语言构成的文本。
需要说明的是,第一模板文本库用于存储第一模板文本。对第一模板文本库中第一模板文本的数量不做过多限定。不同的预测需求信息可对应不同的第一模板文本。
比如,在预测需求信息为情感分类时,第一模板文本包括但不限于“[mask]满意”、“综合来讲很[mask]”、“It was[mask]”等。
比如,在预测需求信息为主题分类时,第一模板文本包括但不限于“下面是[mask]新闻”、“感谢观看[mask]频道”等。
比如,在预测需求信息为信息抽取时,第一模板文本包括但不限于“这篇文章的作者是[mask]”、“The capital of[mask]is[mask]”。
在一种实施方式中,根据预测需求信息,从第一模板文本库中获取第一模板文本,可包括预先建立预测需求信息和第一模板文本之间的映射关系或者映射表,在获取到预测需求信息之后,查询上述映射关系或者映射表,可获取预测需求信息映射的第一模板文本。应说明的是,对上述映射关系或者映射表均不做过多限定。
S603,获取第一训练样本组和候选第二模板文本,其中,第一训练样本组中的第一训练样本包括第一样本文本,候选第二模板文本包括掩码标签,以及获取掩码标签的第二参考文本。
需要说明的是,第一训练样本组、候选第二模板文本的相关内容可参见上述实施例,这里不再赘述。
在一种实施方式中,获取候选第二模板文本,可包括对候选第二模板文本进行初始化,获取初始化生成的候选第二模板文本。
在一种实施方式中,候选第二模板文本可预先设定。
S604,将候选第二模板文本和第一样本文本进行拼接,生成第四样本文本。
在一种实施方式中,在将候选第二模板文本和第一样本文本进行拼接时,同时拼接第一模板文本得到第四样本文本。由此,该方法中可基于第一模板文本生成第四样本文本,进而对候选第二模板文本进行更新,以生成第二模板文本,有助于提升第二模板文本的准确性。
S605,基于预训练语言模型获取第四样本文本中掩码标签的第二预测文本。
需要说明的是,第二预测文本的相关内容可参见上述实施例,这里不再赘述。
在一种实施方式中,基于预训练语言模型获取第四样本文本中掩码标签的第二预测文本,可包括将第四样本文本输入预训练语言模型中,由预训练语言模型输出第四样本文本中掩码标签的第二预测文本。
S606,基于掩码标签的第二参考文本和第二预测文本,对候选第二模板文本进行更新,重复上述过程直至满足设定结束条件,并将最后一次更新得到的候选第二模板文本作为第二模板文本,其中,第二模板文本为非自然语言构成的文本。
在一种实施方式中,基于掩码标签的第二参考文本和第二预测文本,对候选第二模板文本进行更新,可包括基于第二参考文本和第二预测文本之间的偏差,获取候选第二模板文本的更新参数,基于更新参数对候选第二模板文本进行更新。应说明的是,对更新参数不做过多限定,比如,更新参数包括但不限于更新方向、更新量等,更新方向可包括增大和减小。由此,该方法中可基于第二参考文本和第二预测文本之间的偏差,获取更新参数,基于更新参数更新候选第二模板文本。
在一种实施方式中,候选第二模板文本可作为预训练语言模型的附加模型参数,基于掩码标签的第二参考文本和第二预测文本,对候选第二模板文本进行更新,可包括固定预训练语言模型的原有模型参数不变,基于第二参考文本和第二预测文本,获取预训练语言模型的损失函数,基于损失函数对预训练语言模型的附加模型参数(即候选第二模板文本)进行更新。
需要说明的是,对设定结束条件不做过多限定,比如,设定结束条件包括但不限于第二参考文本和第二预测文本之间的偏差小于设定偏差阈值、候选第二模板文本的更新次数达到设定次数阈值等。
在一种实施方式中,如图7所示,模板生成器生成第一模板文本和候选第二模板文本,将第一模板文本、候选第二模板文本和第一样本文本进行拼接,生成第四样本文本,将第四样本文本输入预训练语言模型中,由预训练语言模型输出第四样本文本中掩码标签的第二预测文本,并将第二预测文本输入模板生成器中,模板生成器基于掩码标签的第二参考文本和第二预测文本,对候选第二模板文本进行更新,重复上述过程直至满足设定条件,将最后一次更新得到的候选第二模板文本作为第二模板文本。
S607,基于第一模板文本、第二模板文本和第一训练样本组,生成第二训练样本组。
S608,基于第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型。
步骤S607-S608的相关内容可参见上述实施例,这里不再赘述。
综上,根据本公开实施例的语言模型的训练方法,可根据预训练语言模型的预测需求信息,从第一模板文本库中获取第一模板文本,有助于提升第一模板文本的准确性,将候选第二模板文本和第一样本文本进行拼接,生成第四样本文本,并基于第二参考文本和预训练语言模型获取的第二预测文本,对候选第二模板文本进行多次更新,得到第二模板文本。
在上述任一实施例的基础上,如图8所示,可获取第一模板文本和第一训练样本组,基于第一训练样本组生成第二模板文本,基于第一模板文本、第二模板文本和第一训练样本组生成第二训练样本组,基于模板文本对第二训练样本组进行划分,得到子第二训练样本组1、2至n,基于每个子第二训练样本组对预训练语言模型进行训练,生成第一候选语言模型1、2至n,从第一候选语言模型1至n中筛选出第二候选语言模型,获取未标注的第三样本文本组,将第三样本文本组中的每个第三样本文本输入第二候选语言模型中,以生成候选训练样本组,基于候选训练样本组对第一训练样本组进行样本增强,并返回执行获取第一模板文本及其后续步骤,直至满足模型训练结束条件,将最后一次训练得到的第二候选语言模型作为目标语言模型。
需要说明的是,n为正整数。
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语言模型的训练装置,用于实现上述的语言模型的训练方法。
图9是根据本公开第一实施例的语言模型的训练装置的框图。
如图9所示,本公开实施例的语言模型的训练装置900,包括:获取模块901、第一生成模块902、第二生成模块903和训练模块904。
获取模块901用于获取第一模板文本,其中,所述第一模板文本为自然语言构成的文本;
第一生成模块902用于获取第一训练样本组,并基于所述第一训练样本组生成第二模板文本,其中,所述第二模板文本为非自然语言构成的文本;
第二生成模块903用于基于所述第一模板文本、所述第二模板文本和所述第一训练样本组,生成第二训练样本组;
训练模块904用于基于所述第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型。
在本公开的一个实施例中,所述第一模板文本和/或所述第二模板文本包括掩码标签,所述第一训练样本组中的第一训练样本包括第一样本文本和所述第一样本文本的标注信息;
所述第二生成模块903还用于:将所述第一模板文本、所述第二模板文本和所述第一样本文本进行拼接,生成第二样本文本;基于所述标注信息生成所述掩码标签的第一参考文本;针对任一第二样本文本,将所述任一第二样本文本中的每个掩码标签与各自对应的第一参考文本进行关联,生成所述第二训练样本组中的任一第二训练样本。
在本公开的一个实施例中,所述训练模块904还用于:将所述第二训练样本组中的每个第二样本文本输入所述预训练语言模型中,由所述预训练语言模型输出每个所述第二样本文本中的每个掩码标签的第一预测文本;基于每个所述掩码标签的第一参考文本和第一预测文本,对所述预训练语言模型进行训练,得到所述目标语言模型。
在本公开的一个实施例中,所述训练模块904包括:划分单元,用于基于模板文本对所述第二训练样本组进行划分,得到多个子第二训练样本组,任意两个所述子第二训练样本组对应的所述模板文本不同,其中,所述模板文本包括所述第一模板文本和/或所述第二模板文本;训练单元,用于基于每个子第二训练样本组对所述预训练语言模型进行训练,得到多个第一候选语言模型;筛选单元,用于从多个所述第一候选语言模型中筛选出所述目标语言模型。
在本公开的一个实施例中,所述筛选单元,还用于:基于验证样本组获取每个所述第一候选语言模型对应的用于表征模型预测效果的预测参数;基于所述预测参数,从多个所述第一候选语言模型中筛选出所述目标语言模型。
在本公开的一个实施例中,所述筛选单元,还用于:基于所述预测参数,从多个所述第一候选语言模型中筛选出第二候选语言模型;获取未标注的第三样本文本组,将所述第三样本文本组中的每个第三样本文本输入所述第二候选语言模型中,以生成候选训练样本组;基于所述候选训练样本组对所述第一训练样本组进行样本增强,并返回执行所述获取第一模板文本及其后续步骤,直至满足模型训练结束条件,将最后一次训练得到的第二候选语言模型作为所述目标语言模型。
在本公开的一个实施例中,所述筛选单元,还用于:由所述第二候选语言模型输出每个所述第三样本文本的第二预测信息;将任一第三样本文本和所述任一第三样本文本的第二预测信息进行关联,生成所述候选训练样本组中的任一候选训练样本。
在本公开的一个实施例中,所述筛选单元,还用于:从所述候选训练样本组中筛选出目标训练样本,将所述目标训练样本添加到所述第一训练样本组中进行样本增强。
在本公开的一个实施例中,所述筛选单元,还用于:获取所述候选训练样本的预测信息的置信度,并将所述置信度大于第一设定阈值的候选训练样本作为所述目标训练样本;和/或,在本次训练非第一次训练的情况下,获取上一次训练筛选出的目标训练样本的历史预测信息,获取本次训练得到的候选训练样本的预测信息和所述历史预测信息之间的相似度,并将所述相似度大于第二设定阈值的候选训练样本作为本次训练得到的目标训练样本。
在本公开的一个实施例中,所述获取模块901还用于:获取所述预训练语言模型的预测需求信息;根据所述预测需求信息,从第一模板文本库中获取所述第一模板文本。
在本公开的一个实施例中,所述第一训练样本组中的第一训练样本包括第一样本文本,所述第一生成模块902还用于:获取候选第二模板文本,其中,所述候选第二模板文本包括掩码标签,以及获取所述掩码标签的第二参考文本;将所述候选第二模板文本和所述第一样本文本进行拼接,生成第四样本文本;基于所述预训练语言模型获取所述第四样本文本中掩码标签的第二预测文本;基于所述掩码标签的第二参考文本和第二预测文本,对所述候选第二模板文本进行更新,重复上述过程直至满足设定结束条件,并将最后一次更新得到的候选第二模板文本作为所述第二模板文本。
在本公开的一个实施例中,所述第一生成模块902还用于:在将所述候选第二模板文本和所述第一样本文本进行拼接时,同时拼接所述第一模板文本得到所述第四样本文本。
在本公开的一个实施例中,所述第一生成模块902还用于:基于所述第二参考文本和所述第二预测文本之间的偏差,获取所述候选第二模板文本的更新参数;基于所述更新参数,对所述候选第二模板文本进行更新。
综上,本公开实施例的语言模型的训练装置,可基于第一训练样本组生成第二模板文本,并基于第一模板文本、第二模板文本和第一训练样本组生成第二训练样本组,基于第二训练样本组对预训练语言模型进行训练,得到目标语言模型。由此,可综合考虑第一模板文本、第二模板文本和第一训练样本组生成预训练语言模型的第二训练样本组,适用于第一训练样本组不足的应用场景,有助于提升预训练语言模型的训练性能。
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10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如图1至图8所述的语言模型的训练方法。例如,在一些实施例中,语言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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的语言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1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行语言模型的训练方法。
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)、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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。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。
根据本公开的实施例,本公开还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现本公开上述实施例所述的语言模型的训练方法的步骤。
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 (29)
1.一种语言模型的训练方法,包括:
获取第一模板文本,其中,所述第一模板文本为自然语言构成的文本;
获取第一训练样本组,并基于所述第一训练样本组生成第二模板文本,其中,所述第二模板文本为非自然语言构成的文本;
基于所述第一模板文本、所述第二模板文本和所述第一训练样本组,生成第二训练样本组;
基于所述第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型。
2.根据权利要求1所述的方法,其中,所述第一模板文本和/或所述第二模板文本包括掩码标签,所述第一训练样本组中的第一训练样本包括第一样本文本和所述第一样本文本的标注信息;
所述基于所述第一模板文本、所述第二模板文本和所述第一训练样本组,生成第二训练样本组,包括:
将所述第一模板文本、所述第二模板文本和所述第一样本文本进行拼接,生成第二样本文本;
基于所述标注信息生成所述掩码标签的第一参考文本;
针对任一第二样本文本,将所述任一第二样本文本中的每个掩码标签与各自对应的第一参考文本进行关联,生成所述第二训练样本组中的任一第二训练样本。
3.根据权利要求2所述的方法,其中,所述基于所述第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型,包括:
将所述第二训练样本组中的每个第二样本文本输入所述预训练语言模型中,由所述预训练语言模型输出每个所述第二样本文本中的每个掩码标签的第一预测文本;
基于每个所述掩码标签的第一参考文本和第一预测文本,对所述预训练语言模型进行训练,得到所述目标语言模型。
4.根据权利要求1或2所述的方法,其中,所述基于所述第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型,包括:
基于模板文本对所述第二训练样本组进行划分,得到多个子第二训练样本组,任意两个所述子第二训练样本组对应的所述模板文本不同,其中,所述模板文本包括所述第一模板文本和/或所述第二模板文本;
基于每个子第二训练样本组对所述预训练语言模型进行训练,得到多个第一候选语言模型;
从多个所述第一候选语言模型中筛选出所述目标语言模型。
5.根据权利要求4所述的方法,其中,所述从多个所述第一候选语言模型中筛选出所述目标语言模型,包括:
基于验证样本组获取每个所述第一候选语言模型对应的用于表征模型预测效果的预测参数;
基于所述预测参数,从多个所述第一候选语言模型中筛选出所述目标语言模型。
6.根据权利要求5所述的方法,其中,所述基于所述预测参数,从多个所述第一候选语言模型中筛选出所述目标语言模型,包括:
基于所述预测参数,从多个所述第一候选语言模型中筛选出第二候选语言模型;
获取未标注的第三样本文本组,将所述第三样本文本组中的每个第三样本文本输入所述第二候选语言模型中,以生成候选训练样本组;
基于所述候选训练样本组对所述第一训练样本组进行样本增强,并返回执行所述获取第一模板文本及其后续步骤,直至满足模型训练结束条件,将最后一次训练得到的第二候选语言模型作为所述目标语言模型。
7.根据权利要求6所述的方法,其中,所述将所述第三样本文本组中的每个第三样本文本输入所述第二候选语言模型中,以生成候选训练样本组,包括:
由所述第二候选语言模型输出每个所述第三样本文本的第二预测信息;
将任一第三样本文本和所述任一第三样本文本的第二预测信息进行关联,生成所述候选训练样本组中的任一候选训练样本。
8.根据权利要求6所述的方法,其中,所述基于所述候选训练样本组对所述第一训练样本组进行样本增强,包括:
从所述候选训练样本组中筛选出目标训练样本,将所述目标训练样本添加到所述第一训练样本组中进行样本增强。
9.根据权利要求8所述的方法,其中,所述从所述候选训练样本组中筛选出目标训练样本,包括:
获取所述候选训练样本的预测信息的置信度,并将所述置信度大于第一设定阈值的候选训练样本作为所述目标训练样本;和/或,
在本次训练非第一次训练的情况下,获取上一次训练筛选出的目标训练样本的历史预测信息,获取本次训练得到的候选训练样本的预测信息和所述历史预测信息之间的相似度,并将所述相似度大于第二设定阈值的候选训练样本作为本次训练得到的目标训练样本。
10.根据权利要求1-3中任一项所述的方法,其中,所述获取第一模板文本,包括:
获取所述预训练语言模型的预测需求信息;
根据所述预测需求信息,从第一模板文本库中获取所述第一模板文本。
11.根据权利要求1-3中任一项所述的方法,其中,所述第一训练样本组中的第一训练样本包括第一样本文本,所述基于所述第一训练样本组生成第二模板文本,包括:
获取候选第二模板文本,其中,所述候选第二模板文本包括掩码标签,以及获取所述掩码标签的第二参考文本;
将所述候选第二模板文本和所述第一样本文本进行拼接,生成第四样本文本;
基于所述预训练语言模型获取所述第四样本文本中掩码标签的第二预测文本;
基于所述掩码标签的第二参考文本和第二预测文本,对所述候选第二模板文本进行更新,重复上述过程直至满足设定结束条件,并将最后一次更新得到的候选第二模板文本作为所述第二模板文本。
12.根据权利要求11所述的方法,其中,所述方法还包括:
在将所述候选第二模板文本和所述第一样本文本进行拼接时,同时拼接所述第一模板文本得到所述第四样本文本。
13.根据权利要求11所述的方法,其中,所述基于所述掩码标签的第二参考文本和第二预测文本,对所述候选第二模板文本进行更新,包括:
基于所述第二参考文本和所述第二预测文本之间的偏差,获取所述候选第二模板文本的更新参数;
基于所述更新参数,对所述候选第二模板文本进行更新。
14.一种语言模型的训练装置,包括:
获取模块,用于获取第一模板文本,其中,所述第一模板文本为自然语言构成的文本;
第一生成模块,用于获取第一训练样本组,并基于所述第一训练样本组生成第二模板文本,其中,所述第二模板文本为非自然语言构成的文本;
第二生成模块,用于基于所述第一模板文本、所述第二模板文本和所述第一训练样本组,生成第二训练样本组;
训练模块,用于基于所述第二训练样本组对预训练语言模型进行训练,得到训练后的目标语言模型。
15.根据权利要求14所述的装置,其中,所述第一模板文本和/或所述第二模板文本包括掩码标签,所述第一训练样本组中的第一训练样本包括第一样本文本和所述第一样本文本的标注信息;
所述第二生成模块,还用于:
将所述第一模板文本、所述第二模板文本和所述第一样本文本进行拼接,生成第二样本文本;
基于所述标注信息生成所述掩码标签的第一参考文本;
针对任一第二样本文本,将所述任一第二样本文本中的每个掩码标签与各自对应的第一参考文本进行关联,生成所述第二训练样本组中的任一第二训练样本。
16.根据权利要求15所述的装置,其中,所述训练模块,还用于:
将所述第二训练样本组中的每个第二样本文本输入所述预训练语言模型中,由所述预训练语言模型输出每个所述第二样本文本中的每个掩码标签的第一预测文本;
基于每个所述掩码标签的第一参考文本和第一预测文本,对所述预训练语言模型进行训练,得到所述目标语言模型。
17.根据权利要求14或15所述的装置,其中,所述训练模块,包括:
划分单元,用于基于模板文本对所述第二训练样本组进行划分,得到多个子第二训练样本组,任意两个所述子第二训练样本组对应的所述模板文本不同,其中,所述模板文本包括所述第一模板文本和/或所述第二模板文本;
训练单元,用于基于每个子第二训练样本组对所述预训练语言模型进行训练,得到多个第一候选语言模型;
筛选单元,用于从多个所述第一候选语言模型中筛选出所述目标语言模型。
18.根据权利要求17所述的装置,其中,所述筛选单元,还用于:
基于验证样本组获取每个所述第一候选语言模型对应的用于表征模型预测效果的预测参数;
基于所述预测参数,从多个所述第一候选语言模型中筛选出所述目标语言模型。
19.根据权利要求18所述的装置,其中,所述筛选单元,还用于:
基于所述预测参数,从多个所述第一候选语言模型中筛选出第二候选语言模型;
获取未标注的第三样本文本组,将所述第三样本文本组中的每个第三样本文本输入所述第二候选语言模型中,以生成候选训练样本组;
基于所述候选训练样本组对所述第一训练样本组进行样本增强,并返回执行所述获取第一模板文本及其后续步骤,直至满足模型训练结束条件,将最后一次训练得到的第二候选语言模型作为所述目标语言模型。
20.根据权利要求19所述的装置,其中,所述筛选单元,还用于:
由所述第二候选语言模型输出每个所述第三样本文本的第二预测信息;
将任一第三样本文本和所述任一第三样本文本的第二预测信息进行关联,生成所述候选训练样本组中的任一候选训练样本。
21.根据权利要求19所述的装置,其中,所述筛选单元,还用于:
从所述候选训练样本组中筛选出目标训练样本,将所述目标训练样本添加到所述第一训练样本组中进行样本增强。
22.根据权利要求21所述的装置,其中,所述筛选单元,还用于:
获取所述候选训练样本的预测信息的置信度,并将所述置信度大于第一设定阈值的候选训练样本作为所述目标训练样本;和/或,
在本次训练非第一次训练的情况下,获取上一次训练筛选出的目标训练样本的历史预测信息,获取本次训练得到的候选训练样本的预测信息和所述历史预测信息之间的相似度,并将所述相似度大于第二设定阈值的候选训练样本作为本次训练得到的目标训练样本。
23.根据权利要求14-16中任一项所述的装置,其中,所述获取模块,还用于:
获取所述预训练语言模型的预测需求信息;
根据所述预测需求信息,从第一模板文本库中获取所述第一模板文本。
24.根据权利要求14-16中任一项所述的装置,其中,所述第一训练样本组中的第一训练样本包括第一样本文本,所述第一生成模块,还用于:
获取候选第二模板文本,其中,所述候选第二模板文本包括掩码标签,以及获取所述掩码标签的第二参考文本;
将所述候选第二模板文本和所述第一样本文本进行拼接,生成第四样本文本;
基于所述预训练语言模型获取所述第四样本文本中掩码标签的第二预测文本;
基于所述掩码标签的第二参考文本和第二预测文本,对所述候选第二模板文本进行更新,重复上述过程直至满足设定结束条件,并将最后一次更新得到的候选第二模板文本作为所述第二模板文本。
25.根据权利要求24所述的装置,其中,所述第一生成模块,还用于:
在将所述候选第二模板文本和所述第一样本文本进行拼接时,同时拼接所述第一模板文本得到所述第四样本文本。
26.根据权利要求24所述的装置,其中,所述第一生成模块,还用于:
基于所述第二参考文本和所述第二预测文本之间的偏差,获取所述候选第二模板文本的更新参数;
基于所述更新参数,对所述候选第二模板文本进行更新。
27.一种电子设备,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权利要求1-13中任一项所述的语言模型的训练方法。
28.一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权利要求1-13中任一项所述的语言模型的训练方法。
29.一种计算机程序产品,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权利要求1-13中任一项所述的语言模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210516125.4A CN114841274B (zh) | 2022-05-12 | 2022-05-12 | 语言模型的训练方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210516125.4A CN114841274B (zh) | 2022-05-12 | 2022-05-12 | 语言模型的训练方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114841274A true CN114841274A (zh) | 2022-08-02 |
CN114841274B CN114841274B (zh) | 2023-02-07 |
Family
ID=82569632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210516125.4A Active CN114841274B (zh) | 2022-05-12 | 2022-05-12 | 语言模型的训练方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841274B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127045A (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、基于模型的人机语音交互方法 |
CN116244416A (zh) * | 2023-03-03 | 2023-06-09 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法、基于模型的人机语音交互方法 |
CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885673A (zh) * | 2019-02-13 | 2019-06-14 | 北京航空航天大学 | 一种基于预训练语言模型的自动文本摘要方法 |
US20200349464A1 (en) * | 2019-05-02 | 2020-11-05 | Adobe Inc. | Multi-module and multi-task machine learning system based on an ensemble of datasets |
CN112487814A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
WO2021174864A1 (zh) * | 2020-03-03 | 2021-09-10 | 平安科技(深圳)有限公司 | 基于少量训练样本的信息抽取方法及装置 |
CN113807098A (zh) * | 2021-08-26 | 2021-12-17 | 北京百度网讯科技有限公司 | 模型训练方法和装置、电子设备以及存储介质 |
CN114036300A (zh) * | 2021-11-18 | 2022-02-11 | 阳光保险集团股份有限公司 | 一种语言模型的训练方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-12 CN CN202210516125.4A patent/CN114841274B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885673A (zh) * | 2019-02-13 | 2019-06-14 | 北京航空航天大学 | 一种基于预训练语言模型的自动文本摘要方法 |
US20200349464A1 (en) * | 2019-05-02 | 2020-11-05 | Adobe Inc. | Multi-module and multi-task machine learning system based on an ensemble of datasets |
WO2021174864A1 (zh) * | 2020-03-03 | 2021-09-10 | 平安科技(深圳)有限公司 | 基于少量训练样本的信息抽取方法及装置 |
CN112487814A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
CN113807098A (zh) * | 2021-08-26 | 2021-12-17 | 北京百度网讯科技有限公司 | 模型训练方法和装置、电子设备以及存储介质 |
CN114036300A (zh) * | 2021-11-18 | 2022-02-11 | 阳光保险集团股份有限公司 | 一种语言模型的训练方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
周明等: "神经自然语言处理最新进展――模型、训练和推理", 《ENGINEERING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127045A (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、基于模型的人机语音交互方法 |
CN116244416A (zh) * | 2023-03-03 | 2023-06-09 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法、基于模型的人机语音交互方法 |
CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN114841274B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114841274B (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN112926306B (zh) | 文本纠错方法、装置、设备以及存储介质 | |
CN112466288A (zh) | 语音识别方法、装置、电子设备及存储介质 | |
KR20210081309A (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
CN112287698B (zh) | 篇章翻译方法、装置、电子设备和存储介质 | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
CN111597808A (zh) | 仪表盘绘制处理方法、装置、电子设备和存储介质 | |
CN113450759A (zh) | 语音生成方法、装置、电子设备以及存储介质 | |
CN113407610B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN113850386A (zh) | 模型预训练方法、装置、设备、存储介质以及程序产品 | |
CN114492426B (zh) | 子词切分方法、模型训练方法、装置和电子设备 | |
JP2024515199A (ja) | 要素テキスト処理方法、装置、電子機器及び記憶媒体 | |
CN112506359B (zh) | 输入法中候选长句的提供方法、装置及电子设备 | |
CN117290515A (zh) | 文本标注模型的训练方法、文生图方法及装置 | |
CN113808572B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
CN114490969B (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN114490967B (zh) | 对话模型的训练方法、对话机器人的对话方法、装置和电子设备 | |
CN113204616B (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN113553833B (zh) | 文本纠错的方法、装置及电子设备 | |
CN114549695A (zh) | 图像生成方法、装置、电子设备及可读存储介质 | |
CN113807390A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN114020918A (zh) | 分类模型训练方法、翻译方法、装置及电子设备 | |
CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN113342981A (zh) | 一种基于机器学习的需求文档分类方法及装置 |
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 |