CN114896986B - 增强语义识别模型的训练数据的方法和装置 - Google Patents
增强语义识别模型的训练数据的方法和装置 Download PDFInfo
- Publication number
- CN114896986B CN114896986B CN202210636796.4A CN202210636796A CN114896986B CN 114896986 B CN114896986 B CN 114896986B CN 202210636796 A CN202210636796 A CN 202210636796A CN 114896986 B CN114896986 B CN 114896986B
- Authority
- CN
- China
- Prior art keywords
- training
- model
- sample
- data
- initial
- 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
- 238000012549 training Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000002372 labelling Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000873 masking effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036651 mood Effects 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
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了增强语义识别模型的训练数据的方法和装置，涉及人工智能领域，尤其涉及自然语言处理领域。具体实现方案为：获取初始训练数据和用于语义识别的预训练模型，其中，所述初始训练数据包括文本信息和用于标注语义的标注信息；将所述初始训练数据中的文本信息随机屏蔽掉至少一个词，得到待填空数据；将所述待填空数据输入所述预训练模型，进行语义识别得到预测向量；将随机扰动向量与所述预测向量叠加，得到填空向量，并将所述填空向量转换成填空文本信息后与所述标注信息组合成增强的训练数据。通过该实施方式能够快速、准确地利用少量标注数据生成多样化的标注数据。
Description
技术领域
本公开涉及人工智能领域，尤其涉及自然语言处理领域，具体为一种增强语义识别模型的训练数据的方法和装置。
背景技术
在工业界中使用深度学习模型解决问题时，最难解决的是模型的训练数据问题。缺乏高质量的训练数据，是深度模型在应用时的一大痛点，无论是学术界还是工业界都提供了不少的解决办法，比如学术界提出了很多数据增强的方法，又或者提出小样本或者零样本的模型，而工业界最常用的就是人工标注。
在智能客服系统中也是如此，FAQ识别、意图识别、实体识别用到了很多的深度学习模型，而且这些模型常常和领域强相关，这就意味着，智能客服系统每次落地到一个新的领域或者场景，就需要花费较多的人力和时间进行数据采集和标注，而标注的结果也不一定是高质量的，这就为业务的拓展增加了很多难度。
发明内容
本公开提供了一种增强语义识别模型的训练数据的方法、装置、设备、存储介质以及计算机程序产品。
根据本公开的第一方面，提供了一种增强语义识别模型的训练数据的方法，包括：获取初始训练数据和用于语义识别的预训练模型，其中，所述初始训练数据包括文本信息和用于标注语义的标注信息；将所述初始训练数据中的文本信息随机屏蔽掉至少一个词，得到待填空数据；将所述待填空数据输入所述预训练模型，进行语义识别得到预测向量；将随机扰动向量与所述预测向量叠加，得到填空向量，并将所述填空向量转换成填空文本信息后与所述标注信息组合成增强的训练数据。
根据本公开的第二方面，提供了一种增强语义识别模型的训练数据的装置，包括：获取单元，被配置成获取初始训练数据和用于语义识别的预训练模型，其中，所述初始训练数据包括文本信息和用于标注语义的标注信息；屏蔽单元，被配置成将所述初始训练数据中的文本信息随机屏蔽掉至少一个词，得到待填空数据；预测单元，被配置成将所述待填空数据输入所述预训练模型，进行语义识别得到预测向量；加扰单元，被配置成将随机扰动向量与所述预测向量叠加，得到填空向量，并将所述填空向量转换成填空文本信息后与所述标注信息组合成增强的训练数据。
根据本公开的第三方面，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第一方面中任一项所述的方法。
根据本公开的第四方面，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第一方面中任一项所述的方法。
根据本公开的第五方面，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第一方面中任一项所述的方法。
本公开实施例提供的增强语义识别模型的训练数据的方法和装置，利用采样的随机扰动，为生成的数据增加了多样性，确保数据在语义不飘逸的情况下，具备更多样的表达。
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是本公开可以应用于其中的示例性系统架构图；
图2是根据本公开的增强语义识别模型的训练数据的方法的一个实施例的流程图；
图3是根据本公开的增强语义识别模型的训练数据的方法的又一个实施例的流程图；
图4是根据本公开的增强语义识别模型的训练数据的方法的一个应用场景的示意图；
图5是根据本公开的增强语义识别模型的训练数据的装置的一个实施例的示意图；
图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
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。
图1示出了可以应用本公开的增强语义识别模型的训练数据的方法的实施例的示例性系统架构100。
如图1所示，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、无线通信链路或者光纤电缆等等。
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上可以安装视频播放类应用、通信类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于手机和笔记本电脑。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供增强语义识别模型的训练数据的服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如，获取初始训练数据和预训练模型，利用预训练模型将初始训练数据进行扩展，得到更多的训练数据。服务器除可以增强训练数据之外，还可用于训练预训练模型。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供增强语义识别模型的训练数据的服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要指出的是，本公开的实施例所提供的增强语义识别模型的训练数据的方法可以由服务器105执行。相应地，增强语义识别模型的训练数据的装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器105中。
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。
图2示出了增强语义识别模型的训练数据的方法的实施例的流程示意图200。该增强语义识别模型的训练数据的方法包括以下步骤：
步骤201，获取初始训练数据和用于语义识别的预训练模型。
在本实施例中，执行主体(例如，图1中的服务器105)可以采用有线或无线的方式从终端设备或第三方服务器获取初始训练数据和预训练模型。初始训练数据是标注数据，包括文本信息和标注信息。预训练模型可以是以ERNIE、BERT等自然语言处理模型为基础的分类模型或者阅读理解模型。如果预训练模型是分类模型，则标注信息为文本信息的类别，例如，诈骗广告、灌水、教育、医疗等。如果预训练模型是阅读理解模型，则标注信息为预设问题对应的答案，例如，问题“姓名”对应的答案“张三”。
步骤202，将初始训练数据中的文本信息随机屏蔽掉至少一个词，得到待填空数据。
在本实施例中，可通过常见的分词方法将初始训练数据中的文本信息分词，得到词序列。可选地，可过滤掉一些禁用词，例如“的、地、得、着、了、过”及各种语气词。然后随机屏蔽掉(mask)至少一个词，例如，文本信息为“呐喊的作者是鲁迅”。标注信息为“文学”，可随机屏蔽掉“呐喊”，待填空数据为：【】的作者是鲁迅。或者屏蔽掉“鲁迅”，待填空数据为：呐喊的作者是【】。也可屏蔽掉多个词，例如，屏蔽掉“作者”、“鲁迅”，待填空数据为：呐喊的【】是【】。
步骤203，将待填空数据输入预训练模型，进行语义识别得到预测向量。
在本实施例中，预训练模型通过流程300所述的方法训练得到。预训练模型可以将被屏蔽掉的字词恢复。这里的预测向量是预训练模型的中间层的输出结果，最终结果还需要通过线性层映射为一个词表大小的向量，词表的每个维度上的值是对应词表那个词被映射的概率，取最大的就是映射的词(token)。这些映射的词才组成恢复后的初始训练数据。
步骤204，将随机扰动向量与预测向量叠加，得到填空向量，并将填空向量转换成填空文本信息后与所述标注信息组合成增强的训练数据。
在本实施例中，为了增加训练数据，也就是在初始训练数据的基础上扩展，而不是为了恢复出屏蔽前的训练数据，因此需要对步骤203输出的预测向量加扰，加扰后的向量再通过线性层映射填空文本信息。可随机生成扰动向量(例如随机均匀采样)，只要向量维度与预测向量相同即可。可以仅对被屏蔽掉的词对应的预测向量加扰，例如，呐喊的作者是【】，只对【】加扰，则最终转换的数据可能就是：呐喊的作者是周树人。标注信息仍为“文学”，则可增加了新的训练数据“呐喊的作者是周树人”。
可选地，可对整个预测向量加扰，不仅对被屏蔽掉的词加扰，还可以在其它词对应的向量上加扰。例如，呐喊的作者是【】，对【】和“作者”加扰，最终的转换数据可以是“呐喊是鲁迅的作品”。
可选地，可在步骤202屏蔽了相同词的基础上多次生成随机扰动向量，这样每次仍可得到不同的增强训练数据。
还可使用相同的随机扰动向量，叠加到不同屏蔽词对应的预测向量上。通过屏蔽词与随机扰动向量的各种排列组合，可扩展出多种增强训练数据。
得到的增强训练数据可用于训练各种模型，不限于相同结构的预训练模型。例如，虽然预训练模型是具有prompt参数的ERNIE模型，但生成的增强训练数据可用于训练不具有prompt参数的BERT模型。
本公开的实施例提供的增强语义识别模型的训练数据的方法，利用采样的随机扰动，为生成的数据增加了多样性，确保数据在语义不飘移的情况下，具备更多样的表达。能够快速、准确的扩展训练数据，从而提高模型的准确性。
在一些可选的方式中，随机扰动向量是从高斯分布中采样生成的。高斯采样或者指数采样基本都是在均匀采样的基础上做一些变换和技巧处理。任意高斯分布都可以由标准正态分布通过拉伸和平移得到，所以我们可以以标准正态分布采样为例来理解问题。常见的采样方法有逆变换法、拒绝采样、重要性采样、马尔可夫蒙特卡洛采样法等。高斯分布的扰动能够使得语义不发生偏移，还能得到不同的表达。
进一步参考图3，其示出了增强语义识别模型的训练数据的方法的又一个实施例的流程300。在本实施例中，增强语义识别模型的训练数据的方法的流程300，可包括以下步骤：
步骤301，获取样本集和用于语义识别的初始预训练模型。
在本实施例中，执行主体(例如，图1中的服务器105，也可以是与步骤201-204的执行主体不同的服务器)可以采用有线或无线的方式从终端设备或第三方服务器获取样本集和初始预训练模型。样本集包括多条标注数据，每条标注数据包括样本文本和标签信息。初始预训练模型可以是以ERNIE、BERT等自然语言处理模型为基础的分类模型或者阅读理解模型。如果初始预训练模型是分类模型，则标注信息为文本信息的类别，例如，诈骗广告、灌水、教育、医疗等。如果初始预训练模型是阅读理解模型，则标注信息为预设问题对应的答案，例如，问题“姓名”对应的答案“张三”。
步骤302，从样本集中选取样本。
在本实施例中，可根据常见的分词方法对每个样本中的样本文本进行分词，得到的分词结果为词序列。可从样本集中随机选取样本，也可优先选择分词最多的样本，这样可以方便进行词屏蔽，屏蔽后也容易预测出正确结果，能加快模型的收敛速度。例如，样本1的分词结果是20个词，样本2的分词结果是5个词，则优先选择样本1。下一次迭代时再选择分词较少的样本。
步骤303，将选取的样本中的样本文本随机屏蔽掉至少一个屏蔽词，得到待填空样本。
在本实施例中，可将选取的样本中的文本信息分词，然后随机屏蔽掉(mask)至少一个词，例如，文本信息为“呐喊的作者是鲁迅”。标注信息为“文学”，可随机屏蔽掉“呐喊”，待填空样本为：【】的作者是鲁迅。或者屏蔽掉“鲁迅”，待填空样本为：呐喊的作者是【】。也可屏蔽掉多个词，例如，屏蔽掉“作者”、“鲁迅”，待填空样本为：呐喊的【】是【】。
步骤304，将待填空样本输入初始预训练模型，进行语义识别得到预测样本。
在本实施例中，初始预训练模型可以将被屏蔽掉的字词恢复。初始预训练模型可以预测出被屏蔽掉的词语，即得到预测样本。
步骤305，根据预测样本与至少一个屏蔽词计算损失值。
在本实施例中，可计算预测样本中补充的词语与至少一个屏蔽词的距离(例如，余弦相似度、欧氏距离等)。通过预设的损失函数计算损失值，例如均方误差损失函数等。
步骤306，若损失值小于预定损失阈值，则输出训练完成的预训练模型。
在本实施例中，如果损失值小于预定损失阈值，则说明预测样本与原始输入的样本非常接近，模型训练完成。可输出训练完成的预训练模型到用于增强语义识别模型的训练数据的服务器上
步骤307，若损失值大于等于预定损失阈值，则调整初始预训练模型中的相关参数，以及从样本集中重新选取样本，继续执行训练步骤303-307。
在本实施例中，若损失值大于等于预定损失阈值，则说明模型没有训练完成。需要继续调整初始预训练模型的相关参数。重新选择样本，继续执行训练步骤303-307。也可继续使用该样本，重新选择词进行屏蔽后，继续执行步骤303-307。
该实现方式通过屏蔽词语的方式微调预训练模型，既可以加快模型的收敛速度，又能提高模型生成训练数据的准确性。该预训练模型可用于实现步骤201-204所述的增加训练数据的方法。得到增强的训练数据后还能够用于进一步训练预训练模型。
在一些可选的方式中，初始预训练模型包括提示信息参数；以及所述调整所述初始预训练模型中的相关参数，包括：调整所述初始预训练模型中的提示信息参数，其它参数保持不变。提示(prompt)信息就是插入原始数据的一段提示信息，通过插入的这段提示信息，可以将当前的一些任务变成更加适配预训练模型当初训练时的形式，从而可以“唤醒”预训练模型之前学习到的能力，从而发挥出更好的模型效果。Prompt思想是利用一种提示的方法，不同于直接使用预训练模型适配下游任务，而是将下游任务适配预训练模型，这样的思想可以让预训练模型更加出色的发挥预训练阶段学习到的语义知识。
相较于基础的预训练模型，prompt参数很少，仅为预训练模型的0.1％。训练过程预训练模型原有的参数不参与训练，只有prompt的参数会更新。基于prompt的模型进行训练效率很高，因为只训练prompt层参数，相较于原始的训练大大节省成本和时间。利用prompt思想，一条数据即可进行增强得到多条语义变化不大，但是表达不同且流畅的数据
在一些可选的方式中，样本集与初始训练数据的内容相同。即在训练过程中不需要区分训练集、测试集、验证集。因为加扰后不会出现过拟合的现象，所以所有的训练数据可在不同的阶段复用。从而可以减少对样本的需求量，降低人工标注成本。
继续参见图4，图4是根据本实施例的增强语义识别模型的训练数据的方法的应用场景的一个示意图。在该应该场景中，使用ERNIE模型作为预训练模型。在训练阶段准备好一条标注好的原始语句，然后随机mask掉一个或者多个词，然后输入到具有prompt参数的预训练模型，让模型的输出预测被mask掉的词组。训练过程中，预训练模型的参数不改变，只更新prompt参数。在推理生成阶段，向量最终预测词汇前，会从高斯分布中采样一个随机扰动，让这个扰动为预测mask词语增加一定的随机性，prompt保证了生成的流畅性，而随机扰动保证了生成的多样性。左图是训练阶段，右图是生成阶段。输入的query(即样本或称为训练数据)被随机mask一部分词组用于生成，模型深色部分为prompt参数，相较于预训练模型，prompt参数很少，仅为预训练模型的0.1％。训练过程预训练模型不参与训练，只有prompt的参数会更新。右图为生成阶段，最后会使用高斯分布采样，增加生成的随机性，让增强的数据具备更多样化的表达。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种增强语义识别模型的训练数据的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的增强语义识别模型的训练数据的装置500包括：获取单元501、屏蔽单元502、预测单元503和加扰单元504。其中，获取单元501，被配置成获取初始训练数据和用于语义识别的预训练模型，其中，所述初始训练数据包括文本信息和用于标注语义的标注信息；屏蔽单元502，被配置成将所述初始训练数据中的文本信息随机屏蔽掉至少一个词，得到待填空数据；预测单元503，被配置成将所述待填空数据输入所述预训练模型，进行语义识别得到预测向量；加扰单元504，被配置成将随机扰动向量与所述预测向量叠加，得到填空向量，并将所述填空向量转换成填空文本信息后与所述标注信息组合成增强的训练数据。
在本实施例中，增强语义识别模型的训练数据的装置500的获取单元501、屏蔽单元502、预测单元503和加扰单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的方式中，随机扰动向量是从高斯分布中采样生成的。
在本实施例的一些可选的方式中，装置500还包括训练单元(附图中未示出)，被配置成：获取样本集和用于语义识别的初始预训练模型，其中，所述样本集包括样本文本和标签信息；从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本中的样本文本随机屏蔽掉至少一个屏蔽词，得到待填空样本；将所述待填空样本输入所述初始预训练模型，进行语义识别得到预测样本；根据所述预测样本与所述至少一个屏蔽词计算损失值；若所述损失值小于预定损失阈值，则输出训练完成的预训练模型；若所述损失值大于等于预定损失阈值，则调整所述初始预训练模型中的相关参数，以及从所述样本集中重新选取样本，继续执行所述训练步骤。
在本实施例的一些可选的方式中，初始预训练模型包括提示信息参数；以及所述训练单元进一步被配置成：调整所述初始预训练模型中的提示信息参数，其它参数保持不变。
在本实施例的一些可选的方式中，所述样本集与所述初始训练数据的内容相同。
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电子设备、一种可读存储介质和一种计算机程序产品。
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流程200或400所述的方法。
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流程200或400所述的方法。
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流程200或400所述的方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如增强语义识别模型的训练数据的方法。例如，在一些实施例中，增强语义识别模型的训练数据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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的增强语义识别模型的训练数据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601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行增强语义识别模型的训练数据的方法。
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，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 (13)
1.一种增强语义识别模型的训练数据的方法，包括：
获取初始训练数据和用于语义识别的预训练模型，其中，所述初始训练数据包括文本信息和用于标注语义的标注信息，预训练模型是分类模型或者阅读理解模型；
将所述初始训练数据中的文本信息随机屏蔽掉至少一个词，得到待填空数据；
将所述待填空数据输入所述预训练模型，进行语义识别得到预测向量，其中，预测向量是预训练模型的中间层的输出结果；
将随机扰动向量与所述预测向量叠加，得到填空向量，并将所述填空向量转换成填空文本信息后与所述标注信息组合成增强的训练数据。
2.根据权利要求1所述的方法，其中，所述随机扰动向量是从高斯分布中采样生成的。
3.根据权利要求1所述的方法，其中，所述预训练模型通过如下步骤训练：
获取样本集和用于语义识别的初始预训练模型，其中，所述样本集包括样本文本和标签信息；
从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本中的样本文本随机屏蔽掉至少一个屏蔽词，得到待填空样本；将所述待填空样本输入所述初始预训练模型，进行语义识别得到预测样本；根据所述预测样本与所述至少一个屏蔽词计算损失值；若所述损失值小于预定损失阈值，则输出训练完成的预训练模型；
若所述损失值大于等于预定损失阈值，则调整所述初始预训练模型中的相关参数，以及从所述样本集中重新选取样本，继续执行所述训练步骤。
4.根据权利要求3所述的方法，其中，所述初始预训练模型包括提示信息参数；以及
所述调整所述初始预训练模型中的相关参数，包括：
调整所述初始预训练模型中的提示信息参数，其它参数保持不变。
5.根据权利要求3所述的方法，其中，所述样本集与所述初始训练数据的内容相同。
6.一种增强语义识别模型的训练数据的装置，包括：
获取单元，被配置成获取初始训练数据和用于语义识别的预训练模型，其中，所述初始训练数据包括文本信息和用于标注语义的标注信息，预训练模型是分类模型或者阅读理解模型；
屏蔽单元，被配置成将所述初始训练数据中的文本信息随机屏蔽掉至少一个词，得到待填空数据；
预测单元，被配置成将所述待填空数据输入所述预训练模型，进行语义识别得到预测向量，其中，预测向量是预训练模型的中间层的输出结果；
加扰单元，被配置成将随机扰动向量与所述预测向量叠加，得到填空向量，并将所述填空向量转换成填空文本信息后与所述标注信息组合成增强的训练数据。
7.根据权利要求6所述的装置，其中，所述随机扰动向量是从高斯分布中采样生成的。
8.根据权利要求6所述的装置，其中，所述装置还包括训练单元，被配置成：
获取样本集和用于语义识别的初始预训练模型，其中，所述样本集包括样本文本和标签信息；
从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本中的样本文本随机屏蔽掉至少一个屏蔽词，得到待填空样本；将所述待填空样本输入所述初始预训练模型，进行语义识别得到预测样本；根据所述预测样本与所述至少一个屏蔽词计算损失值；若所述损失值小于预定损失阈值，则输出训练完成的预训练模型；
若所述损失值大于等于预定损失阈值，则调整所述初始预训练模型中的相关参数，以及从所述样本集中重新选取样本，继续执行所述训练步骤。
9.根据权利要求8所述的装置，其中，所述初始预训练模型包括提示信息参数；以及
所述训练单元进一步被配置成：
调整所述初始预训练模型中的提示信息参数，其它参数保持不变。
10.根据权利要求8所述的装置，其中，所述样本集与所述初始训练数据的内容相同。
11. 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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
13.一种计算机程序产品，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1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210636796.4A CN114896986B (zh) | 2022-06-07 | 2022-06-07 | 增强语义识别模型的训练数据的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210636796.4A CN114896986B (zh) | 2022-06-07 | 2022-06-07 | 增强语义识别模型的训练数据的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114896986A CN114896986A (zh) | 2022-08-12 |
| CN114896986B true CN114896986B (zh) | 2024-04-05 |
Family
ID=82728700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210636796.4A Active CN114896986B (zh) | 2022-06-07 | 2022-06-07 | 增强语义识别模型的训练数据的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114896986B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502976A (zh) * | 2019-07-10 | 2019-11-26 | 深圳追一科技有限公司 | 文本识别模型的训练方法及相关产品 |
| CN112199479A (zh) * | 2020-09-15 | 2021-01-08 | 北京捷通华声科技股份有限公司 | 优化语言语义理解模型方法、装置、设备及存储介质 |
| CN112395841A (zh) * | 2020-11-18 | 2021-02-23 | 福州大学 | 一种基于bert的自动填补空缺文本方法 |
| WO2021159816A1 (zh) * | 2020-09-04 | 2021-08-19 | 平安科技（深圳）有限公司 | 成语填空题的答案选择方法、装置和计算机设备 |
| CN114092949A (zh) * | 2021-11-23 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 类别预测模型的训练、界面元素类别的识别方法及装置 |
| CN114358579A (zh) * | 2021-12-31 | 2022-04-15 | 科大讯飞股份有限公司 | 评阅方法、评阅装置、电子设备以及计算机可读存储介质 |
-
2022
- 2022-06-07 CN CN202210636796.4A patent/CN114896986B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502976A (zh) * | 2019-07-10 | 2019-11-26 | 深圳追一科技有限公司 | 文本识别模型的训练方法及相关产品 |
| WO2021159816A1 (zh) * | 2020-09-04 | 2021-08-19 | 平安科技（深圳）有限公司 | 成语填空题的答案选择方法、装置和计算机设备 |
| CN112199479A (zh) * | 2020-09-15 | 2021-01-08 | 北京捷通华声科技股份有限公司 | 优化语言语义理解模型方法、装置、设备及存储介质 |
| CN112395841A (zh) * | 2020-11-18 | 2021-02-23 | 福州大学 | 一种基于bert的自动填补空缺文本方法 |
| CN114092949A (zh) * | 2021-11-23 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 类别预测模型的训练、界面元素类别的识别方法及装置 |
| CN114358579A (zh) * | 2021-12-31 | 2022-04-15 | 科大讯飞股份有限公司 | 评阅方法、评阅装置、电子设备以及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114896986A (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107680579B (zh) | 文本正则化模型训练方法和装置、文本正则化方法和装置 | |
| CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
| CN113705187B (zh) | 预训练语言模型的生成方法、装置、电子设备和存储介质 | |
| CN110046254B (zh) | 用于生成模型的方法和装置 | |
| CN110659657A (zh) | 训练模型的方法和装置 | |
| CN115631261B (zh) | 图像生成模型的训练方法、图像生成方法和装置 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN112559885A (zh) | 地图兴趣点的训练模型确定方法、装置及电子设备 | |
| JP2023025126A (ja) | 深層学習モデルのトレーニング方法及び装置、テキストデータ処理方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| CN114970540A (zh) | 训练文本审核模型的方法和装置 | |
| CN114969332A (zh) | 训练文本审核模型的方法和装置 | |
| CN114020950B (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
| CN114896986B (zh) | 增强语义识别模型的训练数据的方法和装置 | |
| CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
| CN113268575B (zh) | 一种实体关系识别方法、装置及可读介质 | |
| CN110895655A (zh) | 提取文本核心短语的方法和装置 | |
| CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
| CN114445682A (zh) | 训练模型的方法、装置、电子设备、存储介质及产品 | |
| CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
| CN114464195A (zh) | 一种自监督学习的声纹识别模型训练方法、装置及可读介质 | |
| CN113378025A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
| CN112989797B (zh) | 模型训练、文本扩展方法，装置，设备以及存储介质 | |
| CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
| US20230342553A1 (en) | Attribute and rating co-extraction |
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 |