CN114881170B - 用于对话任务的神经网络的训练方法和对话任务处理方法 - Google Patents
用于对话任务的神经网络的训练方法和对话任务处理方法 Download PDFInfo
- Publication number
- CN114881170B CN114881170B CN202210600319.2A CN202210600319A CN114881170B CN 114881170 B CN114881170 B CN 114881170B CN 202210600319 A CN202210600319 A CN 202210600319A CN 114881170 B CN114881170 B CN 114881170B
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- sample
- neural network
- training
- 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.)
- Active
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种用于对话任务的神经网络的训练方法和对话任务处理方法,涉及人工智能领域,具体涉及机器学习技术、自然语言处理技术、对话系统技术和深度学习技术。训练方法包括:确定第一样本集和第二样本集,第一样本集基于与多个领域分别对应的对话数据,第二样本集基于与目标领域对应的对话数据;执行第一阶段的训练,包括:确定至少包括第一子网络的中间神经网络;利用第一样本集中的对应的第一样本问句和第一样本真实答句进行训练;冻结第一子网络的参数;以及执行第二阶段的训练,包括:确定包括第一子网络和第二子网络的目标神经网络;以及利用第二样本集中的对应的第二样本问句和第二样本真实答句进行训练,以得到训练后的神经网络。
Description
技术领域
本公开涉及人工智能领域,具体涉及机器学习技术、自然语言处理技术、对话系统技术和深度学习技术,特别涉及一种用于对话任务的神经网络的训练方法、利用神经网络处理对话任务的方法、用于对话任务的神经网络的训练装置、利用神经网络处理对话任务的装置、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。
目前对话任务越来越多的使用预训练模型,并且也取得了很好的效果。已经在当前数据集上通过微调取得了不错效果的对话模型,在新的数据上直接训练,是让对话模型可持续学习的最基本的方式。此外,随着智能客服的逐渐普及,智能客服增加了很多新的领域,每个领域都有不同的知识,因此往往需要构建一个可持续学习领域知识,同时兼容不同领域知识的模型。
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
本公开提供了一种用于对话任务的神经网络的训练方法、利用神经网络处理对话任务的方法、用于对话任务的神经网络的训练装置、利用神经网络处理对话任务的装置、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,提供了一种用于对话任务的神经网络的训练方法,包括:确定第一样本集和第二样本集,第一样本集基于与多个领域分别对应的对话数据,第二样本集基于与目标领域对应的对话数据;执行第一阶段的训练,包括:确定中间神经网络,中间神经网络至少包括第一子网络;将第一样本集中的第一样本问句输入中间神经网络,以得到与第一样本问句对应的第一样本预测答句;基于第一样本预测答句和第一样本集中与第一样本问句对应的第一样本真实答句,调整第一子网络的参数;以及在第一训练阶段之后,冻结第一子网络的参数;以及执行第二阶段的训练,包括:确定目标神经网络,目标神经网络包括第一子网络和第二子网络;以及将第二样本集中的第二样本问句输入目标神经网络,以得到与第二样本问句对应的第二样本预测答句;以及基于第二样本预测答句和第二样本集中与第二样本问句对应的第二样本真实答句,调整第二子网络的参数,以得到训练后的神经网络。
根据本公开的另一方面,提供了一种利用神经网络处理对话任务的方法,包括:将对话问句数据输入利用根据上述方法训练得到的用于目标领域的神经网络,以得到与对话问句对应的对话答句。
根据本公开的另一方面,提供了一种用于对话任务的神经网络的训练装置,包括:确定单元,被配置为确定第一样本集和第二样本集,第一样本集基于与多个领域分别对应的对话数据,第二样本集基于与目标领域对应的对话数据;第一训练单元,被配置为执行第一阶段的训练,包括:第一确定子单元,被配置为确定中间神经网络,中间神经网络至少包括第一子网络;第一输入子单元,被配置为将第一样本集中的第一样本问句输入中间神经网络,以得到与第一样本问句对应的第一样本预测答句;第一调参子单元,被配置为基于第一样本预测答句和第一样本集中与第一样本问句对应的第一样本真实答句,调整第一子网络的参数;以及冻结子单元,被配置为在第一训练阶段之后,冻结第一子网络的参数;以及第二训练单元,被配置为执行第二阶段的训练,包括:第二确定子单元,被配置为确定目标神经网络,目标神经网络包括第一子网络和第二子网络;第二输入子单元,被配置为在第二训练阶段,将第二样本集中的第二样本问句输入目标神经网络,以得到与第二样本问句对应的第二样本预测答句;以及第二调参子单元,被配置为基于第二样本预测答句和第二样本集中与第二样本问句对应的第二样本真实答句,调整第二子网络的参数,以得到训练后的神经网络。
根据本公开的另一方面,提供了一种利用神经网络处理对话任务的装置,包括:对话处理单元,被配置为将对话问句输入利用根据上述装置训练得到的用于目标领域的神经网络,以得到与对话问句对应的对话答句。
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,这些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方法。
根据本公开的一个或多个实施例,通过使用多个领域的第一样本问句和对应的第一样本真实答句训练第一子网络,并使用目标领域的第二样本问句和对应的第二样本真实答句训练第二子网络,使得对话模型能够更好地学到领域无关的一般对话能力,并且能够在保持已学到的的知识的情况下学到特定的领域的对话知识,避免了不同领域的对话知识之间产生干扰。此外,相比于仅利用各领域的数据训练该领域对应的模型,上述方式能够显著降低总训练时间,并且能够降低需要保存的参数的数量。
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2示出了根据本公开示例性实施例的用于对话任务的神经网络的训练方法的流程图;
图3示出了根据本公开示例性实施例的用于对话任务的神经网络的训练方法的流程图;
图4示出了根据本公开示例性实施例的自注意力子网络的结构框图;
图5示出了根据本公开示例性实施例的第一子网络和第二子网络的结构框图;
图6示出了根据本公开示例性实施例的处理对话任务的方法的流程图;
图7示出了根据本公开示例性实施例的用于对话任务的神经网络的训练装置的结构框图;
图8示出了根据本公开示例性实施例的处理对话任务的装置的结构框图;以及
图9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元件与另一元件区分开。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。
在本公开中对各种所述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。
相关技术中,现有技术在训练用于不同领域的对话任务模型时,或是直接使用不同领域的数据微调预训练模型,或是在已有领域上进行多任务学习,再在新领域的任务上进行微调。这两种方式中,前者会得到与每个领域对应的模型,并且不可持续学习,后者在使用新领域的数据进行微调时会造成多个领域的知识之间产生干扰,造成已有领域上对话模型的知识下降。
为解决上述问题,本公开通过使用多个领域的第一样本问句和对应的第一样本真实答句训练第一子网络,并使用目标领域的第二样本问句和对应的第二样本真实答句训练第二子网络,使得对话模型能够更好地学到领域无关的一般对话能力,并且能够在保持已学到的知识的情况下学到特定的领域的对话知识,避免了不同领域的对话知识之间产生干扰。此外,相比于仅利用各领域的数据训练该领域对应的模型,上述方式能够显著降低总训练时间,并且能够降低需要保存的参数的数量。
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用于对话任务的神经网络的训练方法和/或处理对话任务的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)网络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来进行对话系统前端的操作。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,例如,客户端设备可以接收来自用户的对话信息。客户端设备还可以经由该接口向用户输出信息,例如,客户端可以向用户输出服务器上运行的处理对话任务的方法根据用户的对话信息所生成的反馈信息。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。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器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。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。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。
根据本公开的一方面,提供了一种用于对话任务的神经网络的训练方法。如图2所示,训练方法包括:步骤S201、确定第一样本集和第二样本集,第一样本集基于与多个领域分别对应的对话数据,第二样本集基于与目标领域对应的对话数据;步骤S202、执行第一阶段的训练,包括:步骤S203、确定中间神经网络,中间神经网络至少包括第一子网络;步骤S204、将第一样本集中的第一样本问句输入中间神经网络进行训练,以得到与第一样本问句对应的第一样本预测答句;步骤S205、基于第一样本预测答句和第一样本集中与第一样本问句对应的第一样本真实答句,调整第一子网络的参数;以及步骤S206、在第一阶段的训练之后,冻结第一子网络的参数;以及步骤S207、执行第二阶段的训练,包括:步骤S208、确定目标神经网络,目标神经网络包括第一子网络和第二子网络;步骤S209、将第二样本集中的第二样本问句输入神经网络进行训练,以得到与第二样本问句对应的第二样本预测答句;以及步骤S210、基于第二样本预测答句和第二样本集中与第二样本问句对应的第二样本真实答句,调整第二子网络的参数,以得到训练后的神经网络。
可以理解的是,图2所示的训练方法中,部分步骤可以是其他步骤的子步骤,例如,步骤S203-步骤S205可以是步骤S202的子步骤,步骤S208-步骤S210例如可以是步骤S207的子步骤,在此不做限定。
由此,通过使用多个领域的数据训练第一子网络,并使用目标领域的数据训练第二子网络,使得对话模型能够更好地学到领域无关的一般对话能力,并且能够在保持已学到的知识的情况下学到特定的领域的对话知识,避免了不同领域的对话知识之间产生干扰。此外,相比于仅利用各领域的数据训练该领域对应的模型,上述方式能够显著降低总训练时间,并且能够降低需要保存的参数的数量。
本公开的方法可以用于各类与对话系统相关的场景,例如,在线客服、语音助手、智能机器人等等,在此不做限定。
本公开的训练方法可以用于各类用于训练自然语言处理相关或对话系统模型的任务,包括各类监督学习和无监督学习任务,在此不做限定。
根据一些实施例,可以通过多种方式限定第一阶段的训练和第二阶段的训练,例如,可以设置相应的训练阶段转换条件。在一些实施例中,例如可以将最大迭代次数、是否收敛等条件作为训练阶段的转换条件。可以理解的是,设置第一阶段的训练和第二阶段的训练的目的在于将意图调整第一子网络的参数的训练和将第一子网络的参数冻结后意图调整第二子网络的参数的训练进行划分,任何能够实现这样的划分的条件均可以作为执行第一阶段的训练和执行第二阶段的训练的条件,或者第一阶段的训练和第二阶段的训练之间的转换条件,在此不做限定。相应地,中间神经网络和目标神经网络仅意图指代不同的训练阶段时所训练的神经网络。
根据一些实施例,第一样本集和第二样本集例如可以是基于相应的对话数据而得到的。其中,第一样本集中所包括的互相对应的第一样本问句和第一样本真实答句可以是基于多个领域的对话数据而得到的,第二数据集所包括的第二样本问句和第二样本真实答句可以是基于预先确定的目标领域的对话数据而得到的。可以理解的是,多个领域可以包括目标领域,也可以不包括目标领域,在此不做限定。相应地,第一样本预测答句可以是由中间神经网络输出的用于回答第一样本问句的答句,第二样本预测答句可以是由目标神经网络输出的用于回答第二样本问句的答句。
根据一些实施例,中间神经网络和目标神经网络均还可以包括预训练的自注意力子网络。预训练的自注意力子网络可以是通常被称为预训练模型的用于自然语言处理的神经网络模型,例如ERNIE、BERT、GPT-3等等,也可以是这些神经网络模型中的自注意力模块,例如Transformer块。自注意力子网络可以是利用大量的无监督数据和相应的训练任务进行预训练而得到的,其具有一定的自然语言处理的能力。
根据一些实施例,如图3所示,训练方法还可以包括:步骤S302、在第一阶段的训练之前,冻结自注意力子网络的参数。可以理解的是,图3中的步骤S301、步骤S303-步骤S311的操作分别和图2中的步骤S201-步骤S210的操作类似,在此不做赘述。由此,通过使用预训练后的自注意力子网络,并在训练过程中冻结其参数,使得一方面可以在推理阶段利用通过预训练而得到的基本语言处理能力,另一方面可以避免使用目标领域的对话数据对预训练模型已学到的知识造成干扰。
根据一些实施例,第一子网络和第二子网络均可以嵌入在自注意力子网络中。由此,通过设置嵌入在预训练模型第一子网络和第二子网络为嵌入到自注意力子网络中的子网络,使得第一子网络和第二子网络与预训练模型之间具有更强的耦合关系,从而帮助下游目标领域的对话任务适应预训练模型。
根据一些实施例,如图4所示,自注意力子网络400可以包括多头注意力子网络410、与多头注意力子网络对应的残差和归一化层430、前馈子网络440、以及与前馈子网络对应的残差和归一化层460,第一子网络和第二子网络中的每一个可以嵌入在自注意力子网络中的第一位置420和第二位置450两者中的至少一个。也就是说,可以将第一子网络嵌入在第一位置、第二子网络嵌入在第二位置,或者将第一子网络嵌入在第二位置,第一子网络嵌入在第一位置,或者将第一子网络和第二子网络均嵌入在第一位置,或者将第一子网络和第二子网络均嵌入在第二位置,在此不做限定。可以理解的是,当第一子网络和第二子网络嵌入在同一位置时,两者之间可以以任意的先后顺序进行嵌入,在此不做限定。
在一些实施例中,如图4所示,第一位置420可以为注意力子网络410和对应的残差和归一化层430之间,第二位置450为前馈子网络440和对应的残差和归一化层460之间。由此,能够实现具有对话能力的第一子网络和第二子网络和预训练模型之间的深度耦合关系。
根据一些实施例,第一子网络和第二子网络中的每一个均可以被配置为将接收到的特征向量映射到对应的隐藏维度后,再映射回接收到的特征向量的原始维度。与第一子网络对应的隐藏维度可以为预设值,与第二子网络对应的隐藏维度可以为基于目标领域而确定的。这样设置的原因在于,一般对话能力更具备普适性,因此这个维度是固定的,通过实验来确定,确定好后保持不变,但是对于特定对话能力模块,这个维度是和领域或任务是相关的,不同任务可能这个维度不同。
根据一些实施例,第一子网络和第二子网络中的每一个均可以包括第一前馈子网络、非线性层、第二前馈子网络、以及残差层。在一些实施例中,还可以将第一子网络和第二子网络级联,以得到对话能力子网络。如图5所示,对话能力子网络500包括第一子网络510和第二子网络520,其中,第一子网络510进一步包括对应的第一前馈子网络512、非线性层514、第二前馈子网络516、以及残差层518,第二子网络520进一步包括对应的第一前馈子网络522、非线性层524、第二前馈子网络526、以及残差层528。可以理解的是,可以将对话能力子网络500嵌入自注意力子网络400中的第一位置420或者第二位置440,以得到用于处理对话任务的神经网络。可以理解的是,第一子网络和第二子网络均可以具有和上述结构不同的网络结构,并且第一子网络和第二子网络可以具有不同的网络结构,在此不做限定。
在一些实施例中,第一阶段的训练可以包括:将第一样本问句输入包括嵌入有第一子网络(或同时包括第一子网络和第二子网络的对话能力子网络)的预训练模型(即,中间神经网络),以得到中间神经网络输出的第一样本预测答句,并根据相应的训练任务所使用的损失函数计算第一样本预测答句和第一样本真实答句之间的损失值,并基于该损失值调整第一子网络的参数。其中,调整第一子网络的参数例如可以包括调整第一子网络510的第一前馈子网络512和第二前馈子网络516的参数。
根据一些实施例,中间神经网络可以包括第二子网络。步骤S306、基于第一样本预测答句和第一样本集中与第一样本问句对应的第一样本真实答句,调整第一子网络的参数可以包括:基于第一样本预测答句和第一样本集中与第一样本问句对应的第一样本真实答句,调整第一子网络和第二子网络的参数。也就是说,在第一阶段的训练时,可以同时对第一子网络和第二子网络进行训练。由此,通过在第一阶段的训练时即训练第一子网络和第二子网络的参数,使得第二子网络在第一阶段的训练结束后也具有了一定的一般对话能力。此时再使用目标领域的数据对第二子网络进行训练,可以使其更快收敛,并且能够避免或减轻第二子网络的过拟合。
根据一些实施例,在步骤S307、在第一阶段的训练之后,冻结第一子网络的参数。通过在第一阶段的训练结束后冻结第一子网络的参数,使得第一子网络仅进行第一阶段的训练而不进行第二阶段的训练,从而使得第一子网络能够学到领域无关的一般对话能力,并且学习到的一般对话能力不会在第二阶段的训练中被特定领域的知识干扰。
根据一些实施例,步骤S309、确定目标神经网络可以包括:将第二子网络添加到中间神经网络,以得到目标神经网络。也就是说,在一些实施例中,在第一阶段的训练时,中间神经网络中并没有第二子网络。由此,通过在第一阶段的训练后再将第二子网络加入到中间神经网络中以得到目标神经网络,并对目标神经网络进行训练,使得第二子网络是仅使用与目标领域对应对话数据进行训练得到的,避免了使用不同领域的数据进行训练而产生的干扰。
在一些实施例中,第二阶段的训练可以包括:将第二样本问句输入包括嵌入有同时包括第一子网络和第二子网络的对话能力子网络的预训练模型(即,目标神经网络),以得到目标神经网络输出的第二样本预测答句,并根据相应的训练任务所使用的损失函数计算第二样本预测答句和第二样本真实答句之间的损失值,并基于该损失值调整第二子网络的参数。其中,调整第二子网络的参数例如可以包括调整第二子网络520的第一前馈子网络522和第二前馈子网络526的参数。
综上,相比于本公开的方法,仅利用各领域的数据训练该领域对应的模型的方法需要很长的训练时间,尤其是利用各领域的数据训练预训练模型会非常耗时。此外,通过这样的方法训练出来的不同领域的模型之间没有共享的参数,因此需要保存大量的模型参数。而利用各领域的数据进行多任务学习,进而使用目标领域的数据进行微调的方法会使得不同领域的知识之间产生干扰。举例来说,使用A领域的数据可能会使整体语义往一个方向偏移,而使用与A领域差别较大的B领域的数据则可能会使整体语义往另一个方向偏移,这样就会造成在已有领域上的对话模型的知识下降。
因此,本公开的方法通过使用多个领域的数据训练第一子网络,并使用目标领域的数据训练第二子网络,使得对话模型能够更好地学到领域无关的一般对话能力,并且能够在保持已学到的知识的情况下学到特定的领域的对话知识,避免了不同领域的对话知识之间产生干扰。同时,本公开的方法能够降低训练时间,并且能够降低需要保存的参数的数量。
根据本公开的另一方面,提供了一种利用神经网络处理对话任务的方法。如图6所示,该方法包括:步骤S601、将对话问句输入利用根据上述训练方法训练得到的用于目标领域的神经网络,以得到与对话问句对应的对话答句。
根据本公开的另一方面,提供了一种用于对话任务的神经网络的训练装置。如图7所示,装置700包括:确定单元710,被配置为确定第一样本集和第二样本集,第一样本集基于与多个领域分别对应的对话数据,第二样本集基于与目标领域对应的对话数据;第一训练单元720,被配置为执行第一阶段的训练,包括:第一确定子单元722,被配置为确定中间神经网络,中间神经网络至少包括第一子网络;第一输入子单元724,被配置为将第一样本集中的第一样本问句输入中间神经网络,以得到与第一样本问句对应的第一样本预测答句;第一调参子单元726,被配置为基于第一样本预测答句和第一样本集中与第一样本问句对应的第一样本真实答句,调整第一子网络的参数;以及冻结单元728,被配置为在第一训练阶段之后,冻结第一子网络的参数;以及第二训练单元730,被配置为执行第二阶段的训练,包括:第二确定子单元732,被配置为确定目标神经网络,目标神经网络包括第一子网络和第二子网络;以及第二输入子单元734,被配置为在第二训练阶段,将第二样本集中的第二样本问句输入神经网络进行训练,以得到与第二样本问句对应的第二样本预测答句;以及第二调参子单元736,被配置为基于第二样本预测答句和第二样本集中与第二样本问句对应的第二样本真实答句,调整第二子网络的参数,以得到训练后的神经网络。可以理解的是,装置700中的单元710-单元730的操作分别和图2中的步骤S201、步骤S202、和步骤S207的操作类似,装置700中的子单元722-子单元726和子单元732-子单元736的操作分别和图2中的步骤S203-步骤S205和步骤S208-步骤S210的操作类似,在此不做赘述。
根据一些实施例,中间神经网络和目标神经网络均还可以包括预训练的自注意力子网络,冻结单元728可以被进一步配置为在第一阶段的训练之前,冻结自注意力子网络的参数。
根据一些实施例,第一子网络和第二子网络均可以嵌入在自注意力子网络中。
根据一些实施例,自注意力子网络可以包括多头注意力子网络、与多头注意力子网络对应的残差和归一化层、前馈子网络、以及与前馈子网络对应的残差和归一化层。第一子网络和第二子网络中的每一个可以嵌入在自注意力子网络中的第一位置和第二位置两者中的至少一个。第一位置可以为注意力子网络和对应的残差和归一化层之间,第二位置可以为前馈子网络和对应的残差和归一化层之间。
根据一些实施例,第一子网络和第二子网络中的每一个均可以被配置为将接收到的特征向量映射到对应的隐藏维度后,再映射回接收到的特征向量的原始维度。与第一子网络对应的隐藏维度可以为预设值,与第二子网络对应的隐藏维度可以为基于目标领域而确定的。
根据一些实施例,第一子网络和第二子网络中的每一个均包括第一前馈子网络、非线性层、第二前馈子网络、以及残差层。
根据一些实施例,第二确定子单元可以被配置为将第二子网络添加到中间神经网络,以得到目标神经网络。
根据一些实施例,中间神经网络可以包括第二子网络,第一调参子单元726可以被进一步配置为基于第一样本预测答句和第一样本集中与第一样本问句对应的第一样本真实答句,调整第一子网络和第二子网络的参数。
根据本公开的另一方面,提供了一种利用神经网络处理对话任务的装置。如图8所示,装置800包括:对话处理单元810,被配置为将对话问句输入利用根据上述训练装置训练得到的用于目标领域的神经网络,以得到与对话问句对应的对话答句。
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,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。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900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RAM903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、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备,输入单元906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907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908可以包括但不限于磁盘、光盘。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,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、各种运行机器学习网络算法的计算单元、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,例如用于对话任务的神经网络的训练方法和/或处理对话任务的方法。例如,在一些实施例中,用于对话任务的神经网络的训练方法和/或处理对话任务的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用于对话任务的神经网络的训练方法和/或处理对话任务的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)而被配置为执行用于对话任务的神经网络的训练方法和/或处理对话任务的方法。
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。
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,而是仅由授权后的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 (16)
1.一种用于对话任务的神经网络的训练方法,包括:
确定第一样本集和第二样本集,所述第一样本集基于与多个领域分别对应的对话数据,所述第二样本集基于与目标领域对应的对话数据;
执行第一阶段的训练,包括:
确定中间神经网络,所述中间神经网络至少包括第一子网络;
将所述第一样本集中的第一样本问句输入所述中间神经网络,以得到与所述第一样本问句对应的第一样本预测答句;以及
基于所述第一样本预测答句和所述第一样本集中与所述第一样本问句对应的第一样本真实答句,调整所述第一子网络的参数;
在所述第一阶段的训练之后,冻结所述第一子网络的参数;以及
执行第二阶段的训练,包括:
确定目标神经网络,所述目标神经网络包括所述第一子网络和第二子网络;
将所述第二样本集中的第二样本问句输入所述目标神经网络,以得到与所述第二样本问句对应的第二样本预测答句;以及
基于所述第二样本预测答句和所述第二样本集中与所述第二样本问句对应的第二样本真实答句,调整所述第二子网络的参数,以得到训练后的神经网络,
其中,所述中间神经网络和所述目标神经网络均还包括利用无监督数据进行预训练而得到的具有基本语言处理能力的的自注意力子网络,所述第一子网络和所述第二子网络均嵌入在所述自注意力子网络中,所述方法还包括:
在所述第一阶段的训练之前,冻结所述自注意力子网络的参数。
2.根据权利要求1所述的方法,其中,确定目标神经网络包括:
将所述第二子网络添加到所述中间神经网络,以得到所述目标神经网络。
3.根据权利要求1所述的方法,其中,所述中间神经网络包括所述第二子网络,基于所述第一样本预测答句和所述第一样本集中与所述第一样本问句对应的第一样本真实答句,调整所述第一子网络的参数包括:
基于所述第一样本预测答句和所述第一样本集中与所述第一样本问句对应的第一样本真实答句,调整所述第一子网络和所述第二子网络的参数。
4.根据权利要求1所述的方法,其中,所述自注意力子网络包括多头注意力子网络、与所述多头注意力子网络对应的残差和归一化层、前馈子网络、以及与所述前馈子网络对应的残差和归一化层,所述第一子网络和所述第二子网络中的至少一个嵌入在所述自注意力子网络中的第一位置和第二位置两者中的至少一个,其中,所述第一位置为所述注意力子网络和对应的残差和归一化层之间,所述第二位置为所述前馈子网络和对应的残差和归一化层之间。
5.根据权利要求1-3中任一项所述的方法,其中,所述第一子网络和所述第二子网络中的每一个均被配置为将接收到的特征向量映射到对应的隐藏维度后,再映射回所述接收到的特征向量的原始维度,其中,与第一子网络对应的隐藏维度为预设值,与第二子网络对应的隐藏维度为基于目标领域而确定的。
6.根据权利要求5所述的方法,其中,所述第一子网络和所述第二子网络中的至少一个包括第一前馈子网络、非线性层、第二前馈子网络、以及残差层。
7.一种利用神经网络处理对话任务的方法,包括:
将对话问句输入利用根据权利要求1-6中任一项所述的方法训练得到的用于所述目标领域的神经网络,以得到与所述对话问句对应的对话答句。
8.一种用于对话任务的神经网络的训练装置,包括:
确定单元,被配置为确定第一样本集和第二样本集,所述第一样本集基于与多个领域分别对应的对话数据,所述第二样本集基于与目标领域对应的对话数据;
第一训练单元,被配置为执行第一阶段的训练,包括:
第一确定子单元,被配置为确定中间神经网络,所述中间神经网络至少包括第一子网络;
第一输入子单元,被配置为将所述第一样本集中的第一样本问句输入所述中间神经网络,以得到与所述第一样本问句对应的第一样本预测答句;
第一调参子单元,被配置为基于所述第一样本预测答句和所述第一样本集中与所述第一样本问句对应的第一样本真实答句,调整所述第一子网络的参数;以及
冻结单元,被配置为在所述第一训练阶段之后,冻结所述第一子网络的参数;以及
第二训练单元,被配置为执行第二阶段的训练,包括:
第二确定子单元,被配置为确定目标神经网络,所述目标神经网络包括所述第一子网络和第二子网络;
第二输入子单元,被配置为将所述第二样本集中的第二样本问句输入所述目标神经网络,以得到与所述第二样本问句对应的第二样本预测答句;以及
第二调参子单元,被配置为基于所述第二样本预测答句和所述第二样本集中与所述第二样本问句对应的第二样本真实答句,调整所述第二子网络的参数,以得到训练后的神经网络,
其中,所述中间神经网络和所述目标神经网络均还包括利用无监督数据进行预训练而得到的具有基本语言处理能力的自注意力子网络,所述第一子网络和所述第二子网络均嵌入在所述自注意力子网络中,所述冻结单元被进一步配置为在所述第一阶段的训练之前,冻结所述自注意力子网络的参数。
9.根据权利要求8所述的装置,其中,所述第二确定子单元被配置为将所述第二子网络添加到所述中间神经网络,以得到所述目标神经网络。
10.根据权利要求8所述的装置,其中,所述中间神经网络包括所述第二子网络,所述第一调参子单元被进一步配置为基于所述第一样本预测答句和所述第一样本集中与所述第一样本问句对应的第一样本真实答句,调整所述第一子网络和所述第二子网络的参数。
11.根据权利要求8所述的装置,其中,所述自注意力子网络包括多头注意力子网络、与所述多头注意力子网络对应的残差和归一化层、前馈子网络、以及与所述前馈子网络对应的残差和归一化层,所述第一子网络和所述第二子网络中的至少一个嵌入在所述自注意力子网络中的第一位置和第二位置两者中的至少一个,其中,所述第一位置为所述注意力子网络和对应的残差和归一化层之间,所述第二位置为所述前馈子网络和对应的残差和归一化层之间。
12.根据权利要求8-10中任一项所述的装置,其中,所述第一子网络和所述第二子网络中的每一个均被配置为将接收到的特征向量映射到对应的隐藏维度后,再映射回所述接收到的特征向量的原始维度,其中,与第一子网络对应的隐藏维度为预设值,与第二子网络对应的隐藏维度为基于目标领域而确定的。
13.根据权利要求12所述的装置,其中,所述第一子网络和所述第二子网络中的至少一个均包括第一前馈子网络、非线性层、第二前馈子网络、以及残差层。
14.一种利用神经网络处理对话任务的装置,包括:
对话处理单元,被配置为将对话问句输入利用根据权利要求8-13中任一项所述的装置训练得到的用于所述目标领域的神经网络,以得到与所述对话问句对应的对话答句。
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1-7中任一项所述的方法。
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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210600319.2A CN114881170B (zh) | 2022-05-27 | 2022-05-27 | 用于对话任务的神经网络的训练方法和对话任务处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210600319.2A CN114881170B (zh) | 2022-05-27 | 2022-05-27 | 用于对话任务的神经网络的训练方法和对话任务处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881170A CN114881170A (zh) | 2022-08-09 |
CN114881170B true CN114881170B (zh) | 2023-07-14 |
Family
ID=82680512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210600319.2A Active CN114881170B (zh) | 2022-05-27 | 2022-05-27 | 用于对话任务的神经网络的训练方法和对话任务处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881170B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713071B (zh) * | 2022-11-11 | 2024-06-18 | 北京百度网讯科技有限公司 | 用于处理文本的神经网络的训练方法和处理文本的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753076A (zh) * | 2020-08-12 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 对话方法、装置、电子设备及可读存储介质 |
CN113742541A (zh) * | 2020-05-29 | 2021-12-03 | 北京三星通信技术研究有限公司 | 对话方法、装置、电子设备及计算机可读存储介质 |
CN113836278A (zh) * | 2021-08-13 | 2021-12-24 | 北京百度网讯科技有限公司 | 通用对话模型的训练与对话生成方法、装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598504B (zh) * | 2018-06-12 | 2023-07-21 | 北京市商汤科技开发有限公司 | 图像识别方法及装置、电子设备和存储介质 |
CN111858868A (zh) * | 2019-12-31 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种客服应答模型训练方法和系统 |
CN112183718B (zh) * | 2020-08-31 | 2023-10-10 | 华为技术有限公司 | 一种用于计算设备的深度学习训练方法和装置 |
CN111882005B (zh) * | 2020-09-28 | 2020-12-15 | 平安科技(深圳)有限公司 | 数据类别确定方法及装置、终端设备、存储介质 |
CN112417156B (zh) * | 2020-11-30 | 2024-05-14 | 百度国际科技(深圳)有限公司 | 多任务学习方法、装置、设备以及存储介质 |
-
2022
- 2022-05-27 CN CN202210600319.2A patent/CN114881170B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742541A (zh) * | 2020-05-29 | 2021-12-03 | 北京三星通信技术研究有限公司 | 对话方法、装置、电子设备及计算机可读存储介质 |
CN111753076A (zh) * | 2020-08-12 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 对话方法、装置、电子设备及可读存储介质 |
CN113836278A (zh) * | 2021-08-13 | 2021-12-24 | 北京百度网讯科技有限公司 | 通用对话模型的训练与对话生成方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114881170A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114861910B (zh) | 神经网络模型的压缩方法及装置、设备和介质 | |
CN112559721B (zh) | 人机对话系统的调整方法、装置、设备、介质和程序产品 | |
WO2023231350A1 (zh) | 利用整数规划求解器实现的任务处理方法、设备和介质 | |
CN112784985A (zh) | 神经网络模型的训练方法及装置、图像识别方法及装置 | |
CN116821684A (zh) | 大语言模型的训练方法、装置、设备和介质 | |
CN114881170B (zh) | 用于对话任务的神经网络的训练方法和对话任务处理方法 | |
CN114091672B (zh) | 分布式模型推理方法及装置、电子设备和介质 | |
CN117743542A (zh) | 基于人工智能的信息处理方法、装置、电子设备及智能体 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN113722594B (zh) | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 | |
CN114443896B (zh) | 数据处理方法和用于训练预测模型的方法 | |
CN114219046B (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
CN115964462A (zh) | 对话内容处理方法、对话理解模型的训练方法和装置 | |
CN113312511B (zh) | 用于推荐内容的方法、装置、设备和计算机可读存储介质 | |
CN115601555A (zh) | 图像处理方法及装置、设备和介质 | |
CN114676062A (zh) | 用于接口的差异数据测试方法及装置、电子设备和介质 | |
CN112784912A (zh) | 图像识别方法及装置、神经网络模型的训练方法及装置 | |
CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
CN115713071B (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 | |
CN113568797B (zh) | 智能交互系统的测试方法及装置、电子设备和介质 | |
CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
CN115334159B (zh) | 处理流式数据的方法、装置、设备和介质 | |
CN113722534B (zh) | 视频推荐方法和装置 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN116127035B (zh) | 对话方法、对话模型的训练方法及装置 |
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 |