CN114925816A - 文本处理神经网络模型的生成方法和文本处理方法 - Google Patents

文本处理神经网络模型的生成方法和文本处理方法 Download PDF

Info

Publication number
CN114925816A
CN114925816A CN202210654336.4A CN202210654336A CN114925816A CN 114925816 A CN114925816 A CN 114925816A CN 202210654336 A CN202210654336 A CN 202210654336A CN 114925816 A CN114925816 A CN 114925816A
Authority
CN
China
Prior art keywords
neural network
network model
loss
task
text
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210654336.4A
Other languages
English (en)
Inventor
刘伟乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210654336.4A priority Critical patent/CN114925816A/zh
Publication of CN114925816A publication Critical patent/CN114925816A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Machine Translation (AREA)

Abstract

本公开提供了文本处理神经网络模型的生成方法和文本处理方法，涉及人工智能技术领域，尤其涉及深度学习、数据处理等领域。具体实现方案为：将同一样本文本分两次输入至待训练的神经网络模型中生成第一和第二预测处理结果、第一和第二丢弃层结果，根据生成的结果和样本文本对应的实际处理结果计算多个任务损失并根据多个任务损失计算综合损失，根据综合损失对模型进行训练以生成神经网络模型。本公开通过将同一样本文本分两次输入至待训练的神经网络模型中生成多个结果，根据多个结果计算多个任务损失并根据计算损失计算综合损失，最终根据综合损失对待训练的模型进行训练以生成神经网络模型，提高了神经网络模型的泛化性。

Description

文本处理神经网络模型的生成方法和文本处理方法
技术领域
本公开涉及人工智能技术领域中的深度学习、数据处理等领域，尤其涉及一种文本处理神经网络模型的生成方法和文本处理方法。
背景技术
目前，在解决神经网络模型的过拟合问题的场景中，通过基于dropout(丢弃)的正则化方法在神经网络中加入随机丢弃层以随机丢掉一部分神经元，从而引入随机性。
但是基于dropout的正则化方法无法进一步提高神经网络模型的泛化性。
发明内容
本公开提供了一种文本处理神经网络模型的生成方法和文本处理方法、装置、电子设备及存储介质。
根据第一方面，提供了一种文本处理神经网络模型的生成方法，包括：获取样本文本和所述样本文本对应的实际处理结果；将同一所述样本文本分两次输入至待训练的神经网络模型中，所述待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果；根据所述第一预测处理结果、所述第二预测处理结果、所述第一丢弃层结果、所述第二丢弃层结果和所述实际处理结果，计算所述待训练的神经网络模型的多个任务损失；根据所述多个任务损失计算所述待训练的神经网络模型的综合损失；以及根据所述综合损失对所述待训练的神经网络模型进行训练，以生成神经网络模型。
根据第二方面，提供了一种文本处理方法，包括：获取待处理文本；获取神经网络模型，所述神经网络模型为根据本公开第一方面所述的文本处理神经网络模型的生成方法训练得到的；将所述待处理文本输入至所述神经网络模型中，以生成所述待处理文本的预测处理结果。
根据第三方面，提供了一种文本处理神经网络模型的生成装置，包括：第一获取模块，用于获取样本文本和所述样本文本对应的实际处理结果；第一生成模块，用于将同一所述样本文本分两次输入至待训练的神经网络模型中，所述待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果；第一计算模块，用于根据所述第一预测处理结果、所述第二预测处理结果、所述第一丢弃层结果、所述第二丢弃层结果和所述实际处理结果，计算所述待训练的神经网络模型的多个任务损失；第二计算模块，用于根据所述多个任务损失计算所述待训练的神经网络模型的综合损失；以及训练模块，用于根据所述综合损失对所述待训练的神经网络模型进行训练，以生成神经网络模型。
根据第四方面，提供了一种文本处理装置，包括：第二获取模块，用于获取待处理文本；第三获取模块，用于获取神经网络模型，所述神经网络模型为根据权利要求8-13中任一项所述的生成装置训练得到的；第二生成模块，用于将所述待处理文本输入至所述神经网络模型中，以生成所述待处理文本的预测处理结果。
根据第五方面，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本公开第一方面所述的文本处理神经网络模型的生成方法或者本公开第二方面所述的文本处理方法。
根据第六方面，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根据本公开第一方面所述的文本处理神经网络模型的生成方法或者本公开第二方面所述的文本处理方法。
根据第七方面，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根据本公开第一方面所述的文本处理神经网络模型的生成方法的步骤或者本公开第二方面所述的文本处理方法的步骤。
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文本处理神经网络模型的生成方法的流程示意图；
图2是神经网络模型应用在文本分类任务中的流程示意图；
图3是神经网络模型应用在文本回归任务中的流程示意图；
图4是根据本公开第二实施例的文本处理神经网络模型的生成方法的流程示意图；
图5是根据本公开第一实施例的文本处理方法的流程示意图；
图6是根据本公开第一实施例的文本处理神经网络模型的生成装置的框图；
图7是根据本公开第二实施例的文本处理神经网络模型的生成装置的框图；
图8是用来实现本公开第一实施例的文本处理装置的框图；
图9是用来实现本公开实施例的文本处理神经网络模型的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。
人工智能(Artificial Intelligence，简称AI)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。
深度学习(Deep Learning，简称DL)，是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让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。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
数据处理(Data Processing，简称DP)是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度，极大地影响了人类社会发展的进程。
下面结合附图描述本公开实施例的文本处理神经网络模型的生成方法、装置、系统、终端、电子设备和介质。
图1是根据本公开第一实施例的文本处理神经网络模型的生成方法的流程示意图。
如图1所示，本公开实施例的文本处理神经网络模型的生成方法具体可包括以下步骤：
S101，获取样本文本和样本文本对应的实际处理结果。
可选的，本公开实施例的文本处理神经网络模型的生成方法的执行主体可为本公开实施例提供的文本处理神经网络模型的生成装置，该文本处理神经网络模型的生成装置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。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。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。
具体的，样本文本即用来生成文本处理神经网络模型的作为样本的文本，实际处理结果即样本文本在文本分类任务中的标签或文本回归任务中的真实值，对样本文本和样本文本对应的实际处理结果进行获取，以进行后续处理。例如，图2是神经网络模型应用在文本分类任务中的流程示意图，图3是神经网络模型应用在文本回归任务中的流程示意图，如图2和图3所示，在图2的文本分类任务中，样本_a即样本文本，标签_a即样本文本的实际处理结果，在图3的文本回归任务中，样本_a即样本文本，真实值_a即样本文本的实际处理结果。
可选地，在文本分类任务中获取样本标签时，可以通过使用神经网络模型及权重参数，计算样本打分，例如，样本打分可为[label_0_score,label_1_score,…,label_n_score]，获取打分最大值的下标作为样本标签，比如label_0_score是最大值，则样本标签为0,进而实现了样本标签的获取。
S102，将同一样本文本分两次输入至待训练的神经网络模型中，待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果。
具体的，待训练的神经网络模型包括多个丢弃层和处理层，处理层具体可包括但不限于分类层和回归层等，待训练的神经网络模型可应用于文本分类任务和文本回归任务中，在文本分类任务中，处理层为分类层，第一预测处理结果和第二预测处理结果为同一样本文本经过两次分类层计算出的作为预测的处理结果，第一丢弃层结果和第二丢弃层结果为同一样本文本经过两次丢弃层计算出的丢弃结果，在文本回归任务中，处理层为回归层，第一预测处理结果和第二预测处理结果为同一样本文本经过两次回归层计算出的作为预测的处理结果，第一丢弃层结果和第二丢弃层结果为同一样本文本经过两次丢弃层输出的丢弃结果，将步骤S101获取的同一样本文本分两次输入至待训练的神经网络模型中，可生成对应的第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果。例如，如上图2和图3所示，待训练的神经网络模型可包括N个带有丢弃层的网络单元，其中N为大于1的正整数，这里，我们将N设置为2进行描述，下文中的N同为2，在图2中，第一预测处理结果和第二预测处理结果分别为预测_1a和预测_1b，第一丢弃层结果和第二丢弃层结果分别为上下两个带有丢弃层的网络单元1输出的计算结果，在图3中，第一预测处理结果和第二预测处理结果分别为预测_1a和预测_1b，第一丢弃层结果和第二丢弃层结果分别为上下两个带有丢弃层的网络单元1输出的计算结果。
本领域人员可以理解的是，当同一个样本两次输入神经网络模型中时，由于神经网络模型中的丢弃层的存在，则每层计算出的结果会略有差异，因此根据对比学习的原则，同一个样本输入神经网络模型得到的两次计算结果可以成为一对正例。
S103，根据第一预测处理结果、第二预测处理结果、第一丢弃层结果、第二丢弃层结果和实际处理结果，计算待训练的神经网络模型的多个任务损失。
具体的，任务损失即待训练的神经网络模型的多个任务的损失，根据步骤S102中生成的第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果以及步骤S101中获取的样本文本对应的实际处理结果对待训练的神经网络模型的多个任务损失进行计算。
S104，根据多个任务损失计算待训练的神经网络模型的综合损失。
具体的，根据步骤S103计算的待训练的神经网络模型的多个任务损失对待训练的神经网络模型的综合损失进行计算，以进行后续处理。
S105，根据综合损失对待训练的神经网络模型进行训练，以生成神经网络模型。
具体的，根据步骤S104计算的待训练的神经网络模型的综合损失对待训练的神经网络模型进行训练，生成神经网络模型。
综上，本公开实施例的文本处理神经网络模型的生成方法，获取样本文本和样本文本对应的实际处理结果，将同一样本文本分两次输入至待训练的神经网络模型中，待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果，根据第一预测处理结果、第二预测处理结果、第一丢弃层结果、第二丢弃层结果和实际处理结果，计算待训练的神经网络模型的多个任务损失，根据多个任务损失计算待训练的神经网络模型的综合损失，根据综合损失对待训练的神经网络模型进行训练，以生成神经网络模型。本公开的文本处理神经网络模型的生成方法，将同一样本文本分两次输入至待训练的神经网络模型中生成多个结果，根据多个结果计算多个任务损失并根据计算损失计算综合损失，最终根据综合损失对待训练的神经网络模型进行训练以生成神经网络模型，提高了神经网络模型的泛化性。
图4是根据本公开第二实施例的文本处理神经网络模型的生成方法的流程示意图。
如图4所示，在图1所示实施例的基础上，本公开实施例的文本处理神经网络模型的生成方法具体可包括以下步骤：
S401，获取样本文本和样本文本对应的实际处理结果。
S402，将同一样本文本分两次输入至待训练的神经网络模型中，待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果。
需要说明的是，本实施例中的步骤S401-S402与上述实施例中的步骤S101-S102相同，此处不再赘述。
上述实施例中的步骤S103“根据第一预测处理结果、第二预测处理结果、第一丢弃层结果、第二丢弃层结果和实际处理结果，计算待训练的神经网络模型的多个任务损失”具体可包括以下步骤S403-S405：
S403，根据第一预测处理结果和第二预测处理结果，计算待训练的神经网络模型的第一任务损失。
具体的，根据第一预测处理结果和第二预测处理结果对待训练的神经网络模型的第一任务损失进行计算。其中，待训练的神经网络模型应用于文本分类任务中时，则第一任务损失为散度损失，待训练的神经网络模型应用于文本回归任务中，则第一任务损失为均方误差损失。例如，如上图2和图3所示，在图2中，第一任务损失为同一样本文本经过两次分类层输出的两个类别概率即预测_1a和预测_1b计算出的KL散度的损失，即Loss(KL)，在图3中，第一任务损失为同一样本文本经过两次回归层输出的两个类别概率即即预测_1a和预测_1b计算出的均方误差预测值的损失，即Loss(MSE_predict)。
S404，根据第一丢弃层结果和第二丢弃层结果，计算待训练的神经网络模型的第二任务损失。
具体的，根据第一丢弃层结果和第二丢弃层结果对待训练的神经网络模型的第二任务损失进行计算。其中，待训练的神经网络模型应用于文本分类任务和文本回归任务中时，则第二任务损失均为均方误差损失。本领域人员可以理解的是，由于丢弃层的输出结果往往是接近的，所以第一丢弃层结果和第二丢弃层结果也是接近的。需要说明的是，本公开对第二任务损失的计算方式不作具体限定，可根据实际情况进行设置。
作为一种可能的实施方式，根据多个丢弃层输出的多个第一丢弃层结果和多个丢弃层中输出的多个第二丢弃层结果，计算第二任务损失。例如，如上图2和图3所示，在图2中，同一样本文本经过上下两个带有丢弃层的网络单元1可计算得到对应的均方误差即第一丢弃层结果Net1(MSE)，同一样本文本经过上下两个带有丢弃层的网络单元N可计算得到对应的均方误差即第二丢弃层结果NetN(MSE)，将第一丢弃层结果和第二丢弃层结果相加起来即可得到对应的第二任务损失，即Loss(MSE)＝Net1(MSE)+…+NetN(MSE)，在图3中，同一样本文本经过上下两个带有丢弃层的网络单元1可计算得到对应的均方误差即第一丢弃层结果Net1(MSE_dropout_lay)，同一样本文本经过上下两个带有丢弃层的网络单元N可计算得到对应的均方误差即第二丢弃层结果Net1(MSE_dropout_lay)，将第一丢弃层结果和第二丢弃层结果相加起来得到的和值即为对应的第二任务损失，即Loss(MSE dropout_lay)＝Net1(MSE dropout_lay)+…+NetN(MSE dropout_lay)。
可选地，可以通过随机选择或者等差选择方法对第二任务损失进行求解，在随机选择方法时，可以设置随机选择数量为m个，然后随机选择带有丢弃层的网络单元1-N的m层，则第二任务损失为m个网络单元的均方误差之和，而在等差选择方法中，可以从1-N个网络单元中按照步长为m进行选择，以初始数字为k等差选择网络单元，具体为k、k+m、k+2m…,k+i*m(k+i*m<＝N and k+i*m+k>N)等，则第二任务损失为i个网络单元计算结果的均方误差之和。此处需要说明的是，随机选择或者等差选择方法中具体的选择策略可根据任务效果进行决定。
S405，根据第一预测处理结果、第二预测处理结果和实际处理结果，计算待训练的神经网络模型的第三任务损失。
具体的，第一预测处理结果、第二预测处理结果和实际处理结果对待训练的神经网络模型的第三任务损失进行训练。其中。待训练的神经网络模型应用于文本分类任务中时，则第三任务损失为交叉熵损失，待训练的神经网络模型应用于文本回归任务中，则第三任务损失为均方误差损失。例如，如上图2和图3所示，在图2中，第一预测处理结果即预测_1a、第二预测处理结果即预测_1b分别和实际处理结果即标签_a的交叉熵损失即为第三任务损失即Loss(CE)，在图3中，第一预测处理结果即预测_1a、第二预测处理结果即预测_1b分别和实际处理结果即真实值_a的交叉熵损失即为第三任务损失即Loss(MSE_label)。
上述实施例中的步骤S104“根据多个任务损失计算待训练的神经网络模型的综合损失”具体可包括以下步骤S406-S407：
S406，获取任务损失对应的权重。
具体的，任务损失和权重一一对应，每个任务损失有一个对应的权重，对步骤S403-S405计算的多个任务损失对应的多个权重进行获取，以进行后续处理。例如，如上述示例所说，在文本分类任务中，第一任务损失为散度损失Loss(KL)，第二任务损失为均方误差损失Loss(MSE)，第三任务损失为交叉熵损失Loss(CE)，此时，Loss(KL)的权重可为a，Loss(MSE)的权重可为b，Loss(CE)的权重可为1，其中，a和b小于1，a和b为经验参数，经过在文本分类任务中测试后得知a、b取0.1时的任务效果较好，具体可以通过设置超参数遍历来获取；在文本回归任务中，第一任务损失为均方误差损失Loss(MSE_predict)，第二任务损失为均方误差损失、均方误差损失Loss(MSE_dropout_lay)，第三任务损失为交叉熵损失均方误差损失Loss(MSE_label)，此时，Loss(MSE_predict)的权重可为a，Loss(MSE_dropout_lay)的权重可为b，Loss(MSE_label)的权重可为1，a和b的取值范围和获取方式同在文本分类任务中的描述。
S407，根据多个任务损失和对应的多个权重计算综合损失。
具体的，根据步骤S403-S405计算的多个任务损失和步骤S406获取的多个任务损失对应的多个权重对待训练的神经网络模型的综合损失进行计算。例如，如上述示例所说，在文本分类任务中，散度损失Loss(KL)、均方误差损失Loss(MSE)和交叉熵损失Loss(CE)以及分别对应的权重可计算得到综合损失，即为Loss＝Loss(CE)+a*Loss(KL)+b*Loss(MSE)；在文本回归任务中，均方误差损失Loss(MSE_predict)、均方误差损失Loss(MSE_dropout_lay)和均方误差损失Loss(MSE_label)以及分别对应的权重可计算得到综合损失，即Loss＝Loss(MSE_label)+a*Loss(MSE_predict)+b*Loss(MSE_dropout_lay)。
S408，根据综合损失对待训练的神经网络模型进行训练，以生成神经网络模型。
可选地，可以对待训练的神经网络模型进行分batch(批)训练，其中，一个batch神经网络计算两次。在文本分类任务中，计算Loss(CE)、Loss(MSE)、Loss(KL)，根据Loss＝Loss(CE)+a*Loss(KL)+b*Loss(MSE)得到整体Loss并进行反向传播，计算Loss针对参数wi的梯度dt(w)，使用随机梯度下降算法更新参数，则wi更新逻辑为w＝w-lr*dt(w),其中lr为学习率，由此依次更新神经网络参数，直到loss收敛，从而实现对神经网络模型的训练，在文本回归任务中的训练过程与文本分类任务类似，这里不再赘述。
需要说明的是，本实施例中的步骤S408与上述实施例中的步骤S105相同，此处不再赘述。
综上，本公开实施例的文本处理神经网络模型的生成方法，获取样本文本和样本文本对应的实际处理结果，将同一样本文本分两次输入至待训练的神经网络模型中，待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果，根据第一预测处理结果和第二预测处理结果，计算待训练的神经网络模型的第一任务损失，根据第一丢弃层结果和第二丢弃层结果，计算待训练的神经网络模型的第二任务损失，根据第一预测处理结果、第二预测处理结果和实际处理结果，计算待训练的神经网络模型的第三任务损失，获取任务损失对应的权重，根据多个任务损失和对应的多个权重计算综合损失，根据综合损失对待训练的神经网络模型进行训练，以生成神经网络模型。本公开的文本处理神经网络模型的生成方法，将同一样本文本分两次输入至待训练的神经网络模型中生成多个结果，根据多个结果计算多个任务损失并根据计算损失计算综合损失，最终根据综合损失对待训练的神经网络模型进行训练以生成神经网络模型，提高了神经网络模型的泛化性。同时，通过获取任务损失对应的权重计算综合损失，使得同一样本文本在不同的丢弃层下的输出基本一致，提升了神经网络模型的性能和稳定性。
图5根据本公开第一实施例的文本处理方法的流程示意图。如图5所示，本公开实施例的文本处理方法具体可包括以下步骤：
S501，获取待处理文本。
具体的，待处理文本即等待进行文本处理的目标文本，对待处理文本进行获取，以进行后续处理。
S502，获取神经网络模型。
具体的，神经网络模型为根据上述实施例的文本处理神经网络模型的生成装方法对待训练的神经网络模型训练得到的，对神经网络模型进行获取，以进行后续处理。
S503，将待处理文本输入至神经网络模型中，以生成待处理文本的预测处理结果。
具体的，将步骤S501中获取的待处理文本输入至步骤S502中获取的神经网络模型中，生成待处理文本的预测处理结果。
需要说明的是，上述对文本处理神经网络模型的生成方法实施例的解释说明，也适用于本公开实施例的文本处理方法，具体过程此处不再赘述。
综上，本公开实施例的文本处理方法，获取待处理文本和神经网络模型，将待处理文本输入至神经网络模型中，以生成待处理文本的预测处理结果。本公开的文本处理方法，通过将待处理文本输入至神经网络模型中生成所述待处理文本的预测处理结果，提高了文本处理的准确度。
图6是根据本公开第一实施例的文本处理神经网络模型的生成装置的框图。
如图6所示，本公开实施例的文本处理神经网络模型的生成装置600，包括：第一获取模块601、第一生成模块602、第一计算模块603、第二计算模块604和训练模块605。
第一获取模块601，用于获取样本文本和样本文本对应的实际处理结果。
第一生成模块602，用于将同一样本文本分两次输入至待训练的神经网络模型中，待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果。
第一计算模块603，用于根据第一预测处理结果、第二预测处理结果、第一丢弃层结果、第二丢弃层结果和实际处理结果，计算待训练的神经网络模型的多个任务损失。
第二计算模块604，用于根据多个任务损失计算待训练的神经网络模型的综合损失。
训练模块605，用于根据综合损失对待训练的神经网络模型进行训练，以生成神经网络模型。
需要说明的是，上述对文本处理神经网络模型的生成方法实施例的解释说明，也适用于本公开实施例的文本处理神经网络模型的生成装置，具体过程此处不再赘述。
综上，本公开实施例的文本处理神经网络模型的生成装置，获取样本文本和样本文本对应的实际处理结果，将同一样本文本分两次输入至待训练的神经网络模型中，待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果，根据第一预测处理结果、第二预测处理结果、第一丢弃层结果、第二丢弃层结果和实际处理结果，计算待训练的神经网络模型的多个任务损失，根据多个任务损失计算待训练的神经网络模型的综合损失，根据综合损失对待训练的神经网络模型进行训练，以生成神经网络模型。本公开的文本处理神经网络模型的生成装置，将同一样本文本分两次输入至待训练的神经网络模型中生成多个结果，根据多个结果计算多个任务损失并根据计算损失计算综合损失，最终根据综合损失对待训练的神经网络模型进行训练以生成神经网络模型，提高了神经网络模型的泛化性。
图7是根据本公开第二实施例的文本处理神经网络模型的生成装置的框图。
如图7所示，本公开实施例的文本处理神经网络模型的生成装置700，包括：第一获取模块701、第一生成模块702、第一计算模块703、第二计算模块704和训练模块705。
其中，第一获取模块701与上一实施例中的第一获取模块601具有相同的结构和功能，第一生成模块702与上一实施例中的第一生成模块602具有相同的结构和功能，第一计算模块703与上一实施例中的第一计算模块603具有相同的结构和功能，第二计算模块704与上一实施例中的第二计算模块604具有相同的结构和功能，训练模块705与上一实施例中的训练模块605具有相同的结构和功能。
进一步的，第一计算模块703具体可包括：第一计算单元7031，用于根据第一预测处理结果和第二预测处理结果，计算待训练的神经网络模型的第一任务损失；第二计算单元7032，用于根据第一丢弃层结果和第二丢弃层结果，计算待训练的神经网络模型的第二任务损失；以及第三计算单元7033，用于根据第一预测处理结果、第二预测处理结果和实际处理结果，计算待训练的神经网络模型的第三任务损失。
进一步的，待训练的神经网络模型应用于文本分类任务中，则第一任务损失为散度损失，第二任务损失为均方误差损失，第三任务损失为交叉熵损失。
进一步的，待训练的神经网络模型应用于文本回归任务中，则第一任务损失、第二任务损失和第三任务损失均为均方误差损失。
进一步的，第二计算单元7032，包括：计算子单元，用于根据多个丢弃层输出的多个第一丢弃层结果和多个丢弃层中输出的多个第二丢弃层结果，计算第二任务损失。
进一步的，第二计算模块704，包括：获取单元，用于获取任务损失对应的权重；以及第四计算单元，用于根据多个任务损失和对应的多个权重计算综合损失。
需要说明的是，上述对文本处理神经网络模型的生成方法实施例的解释说明，也适用于本公开实施例的文本处理神经网络模型的生成装置，具体过程此处不再赘述。
综上，本公开实施例的文本处理神经网络模型的生成装置，获取样本文本和样本文本对应的实际处理结果，将同一样本文本分两次输入至待训练的神经网络模型中，待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果，根据第一预测处理结果和第二预测处理结果，计算待训练的神经网络模型的第一任务损失，根据第一丢弃层结果和第二丢弃层结果，计算待训练的神经网络模型的第二任务损失，根据第一预测处理结果、第二预测处理结果和实际处理结果，计算待训练的神经网络模型的第三任务损失，获取任务损失对应的权重，根据多个任务损失和对应的多个权重计算综合损失，根据综合损失对待训练的神经网络模型进行训练，以生成神经网络模型。本公开的文本处理神经网络模型的生成装置，将同一样本文本分两次输入至待训练的神经网络模型中生成多个结果，根据多个结果计算多个任务损失并根据计算损失计算综合损失，最终根据综合损失对待训练的神经网络模型进行训练以生成神经网络模型，提高了神经网络模型的泛化性。同时，通过获取任务损失对应的权重计算综合损失，使得同一样本文本在不同的丢弃层下的输出基本一致，提升了神经网络模型的性能和稳定性。
图8是根据本公开第一实施例的文本处理装置的框图。
如图8所示，本公开实施例的文本处理装置800，包括：第二获取模块801、第三获取模块802和第二生成模块803。
第二获取模块801，用于获取待处理文本。
第三获取模块802，用于获取神经网络模型，神经网络模型为根据权利要求8-13中任一项的生成方法装置训练得到的。
第二生成模块803，用于将待处理文本输入至神经网络模型中，以生成待处理文本的预测处理结果。
需要说明的是，上述对文本处理方法实施例的解释说明，也适用于本公开实施例的文本处理装置，具体过程此处不再赘述。
综上，本公开实施例的文本处理装置，获取待处理文本和神经网络模型，将待处理文本输入至神经网络模型中，以生成待处理文本的预测处理结果。本公开的文本处理方法，通过将待处理文本输入至神经网络模型中生成所述待处理文本的预测处理结果，提高了文本处理的准确度。
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。
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，电子设备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，还可存储电子设备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。
电子设备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允许电子设备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，例如图1至图4所示的文本处理神经网络模型的生成方法或者如图5所示的文本处理方法。例如，在一些实施例中，文本处理神经网络模型的生成方法或者文本处理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/或安装到电子设备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处理神经网络模型的生成方法或者文本处理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)而用于执行文本处理神经网络模型的生成方法或者文本处理方法。
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文本处理神经网络模型的生成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)、互联网以及区块链网络。
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，计算机程序在被处理器执行时实现根据本公开上述实施例所示的文本处理神经网络模型的生成方法或者实现根据本公开上述实施例所示的文本处理方法的步骤。
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)

1.一种文本处理神经网络模型的生成方法，包括：
获取样本文本和所述样本文本对应的实际处理结果；
将同一所述样本文本分两次输入至待训练的神经网络模型中，所述待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果；
根据所述第一预测处理结果、所述第二预测处理结果、所述第一丢弃层结果、所述第二丢弃层结果和所述实际处理结果，计算所述待训练的神经网络模型的多个任务损失；
根据所述多个任务损失计算所述待训练的神经网络模型的综合损失；以及
根据所述综合损失对所述待训练的神经网络模型进行训练，以生成神经网络模型。
2.根据权利要求1所述的生成方法，其中，所述根据所述第一预测处理结果、所述第二预测处理结果、所述第一丢弃层结果、所述第二丢弃层结果和所述实际处理结果，计算所述待训练的神经网络模型的的多个任务损失，包括：
根据所述第一预测处理结果和第二预测处理结果，计算所述待训练的神经网络模型的第一任务损失；
根据所述第一丢弃层结果和所述第二丢弃层结果，计算所述待训练的神经网络模型的第二任务损失；以及
根据所述所述第一预测处理结果、所述第二预测处理结果和所述实际处理结果，计算所述待训练的神经网络模型的第三任务损失。
3.根据权利要求2所述的生成方法，其中，所述待训练的神经网络模型应用于文本分类任务中，则所述第一任务损失为散度损失，所述第二任务损失为均方误差损失，所述第三任务损失为交叉熵损失。
4.根据权利要求2所述的生成方法，其中，所述待训练的神经网络模型应用于文本回归任务中，则所述第一任务损失、所述第二任务损失和所述第三任务损失均为均方误差损失。
5.根据权利要求2所述的生成方法，其中，所述根据所述第一丢弃层结果和所述第二丢弃层结果，计算所述待训练的神经网络模型的第二任务损失，包括：
根据所述多个丢弃层输出的多个所述第一丢弃层结果和所述多个丢弃层中输出的多个所述第二丢弃层结果，计算所述第二任务损失。
6.根据权利要求1所述的生成方法，其中，所述根据所述多个任务损失计算所述待训练的神经网络模型的综合损失，包括：
获取所述任务损失对应的权重；以及
根据所述多个任务损失和对应的多个所述权重计算所述综合损失。
7.一种文本处理方法，包括：
获取待处理文本；
获取神经网络模型，所述神经网络模型为根据权利要求1-6中任一项所述的生成方法训练得到的；
将所述待处理文本输入至所述神经网络模型中，以生成所述待处理文本的预测处理结果。
8.一种文本处理神经网络模型的生成装置，包括：
第一获取模块，用于获取样本文本和所述样本文本对应的实际处理结果；
第一生成模块，用于将同一所述样本文本分两次输入至待训练的神经网络模型中，所述待训练的神经网络模型中包括多个丢弃层和处理层，以生成第一预测处理结果、第二预测处理结果、第一丢弃层结果和第二丢弃层结果；
第一计算模块，用于根据所述第一预测处理结果、所述第二预测处理结果、所述第一丢弃层结果、所述第二丢弃层结果和所述实际处理结果，计算所述待训练的神经网络模型的多个任务损失；
第二计算模块，用于根据所述多个任务损失计算所述待训练的神经网络模型的综合损失；以及
训练模块，用于根据所述综合损失对所述待训练的神经网络模型进行训练，以生成神经网络模型。
9.根据权利要求8所述的生成装置，其中，所述第一计算模块，包括：
第一计算单元，用于根据所述第一预测处理结果和第二预测处理结果，计算所述待训练的神经网络模型的第一任务损失；
第二计算单元，用于根据所述第一丢弃层结果和所述第二丢弃层结果，计算所述待训练的神经网络模型的第二任务损失；以及
第三计算单元，用于根据所述所述第一预测处理结果、所述第二预测处理结果和所述实际处理结果，计算所述待训练的神经网络模型的第三任务损失。
10.根据权利要求9所述的生成装置，其中，所述待训练的神经网络模型应用于文本分类任务中，则所述第一任务损失为散度损失，所述第二任务损失为均方误差损失，所述第三任务损失为交叉熵损失。
11.根据权利要求9所述的生成装置，其中，所述待训练的神经网络模型应用于文本回归任务中，则所述第一任务损失、所述第二任务损失和所述第三任务损失均为均方误差损失。
12.根据权利要求9所述的生成装置，其中，所述第二计算单元，包括：
计算子单元，用于根据所述多个丢弃层输出的多个所述第一丢弃层结果和所述多个丢弃层中输出的多个所述第二丢弃层结果，计算所述第二任务损失。
13.根据权利要求8所述的生成装置，其中，所述第二计算模块，包括：
获取单元，用于获取所述任务损失对应的权重；以及
第四计算单元，用于根据所述多个任务损失和对应的多个所述权重计算所述综合损失。
14.一种文本处理装置，包括：
第二获取模块，用于获取待处理文本；
第三获取模块，用于获取神经网络模型，所述神经网络模型为根据权利要求8-13中任一项所述的生成装置训练得到的；
第二生成模块，用于将所述待处理文本输入至所述神经网络模型中，以生成所述待处理文本的预测处理结果。
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1-6任一项所述的方法，或者执行权利要求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1-6任一项所述的方法，或者执行根据权利要求7中任一项所述的方法。
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1-6中任一项所述方法的步骤，或者实现根据权利要求7中任一项所述方法的步骤。
CN202210654336.4A 2022-06-10 2022-06-10 文本处理神经网络模型的生成方法和文本处理方法 Pending CN114925816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210654336.4A CN114925816A (zh) 2022-06-10 2022-06-10 文本处理神经网络模型的生成方法和文本处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210654336.4A CN114925816A (zh) 2022-06-10 2022-06-10 文本处理神经网络模型的生成方法和文本处理方法

Publications (1)

Publication Number Publication Date
CN114925816A true CN114925816A (zh) 2022-08-19

Family

ID=82814672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210654336.4A Pending CN114925816A (zh) 2022-06-10 2022-06-10 文本处理神经网络模型的生成方法和文本处理方法

Country Status (1)

Country Link
CN (1) CN114925816A (zh)

Similar Documents

Publication Publication Date Title
US20220114343A1 (en) Method of training model, device, and storage medium
CN112560496A (zh) 语义分析模型的训练方法、装置、电子设备及存储介质
KR20220005416A (ko) 다항 관계 생성 모델의 트레이닝 방법, 장치, 전자 기기 및 매체
CN112560985B (zh) 神经网络的搜索方法、装置及电子设备
CN113963110B (zh) 纹理图生成方法、装置、电子设备及存储介质
CN114202076B (zh) 深度学习模型的训练方法、自然语言处理方法和装置
US20220374678A1 (en) Method for determining pre-training model, electronic device and storage medium
CN114492831A (zh) 联邦学习模型的生成方法及其装置
CN113033801A (zh) 神经网络模型的预训练方法、装置、电子设备和介质
JP7357114B2 (ja) 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体
CN112580732A (zh) 模型训练方法、装置、设备、存储介质和程序产品
CN112949433B (zh) 视频分类模型的生成方法、装置、设备和存储介质
CN113409898B (zh) 分子结构获取方法、装置、电子设备及存储介质
CN113657468A (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN117113087A (zh) 模型训练方法、装置、电子设备以及存储介质
CN112784967B (zh) 信息处理方法、装置以及电子设备
CN114490965B (zh) 问题处理方法、装置、电子设备和存储介质
CN113222414B (zh) 模型稳定性的评估方法、装置、电子设备和存储介质
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN114925816A (zh) 文本处理神经网络模型的生成方法和文本处理方法
CN113886543A (zh) 生成意图识别模型的方法、装置、介质及程序产品
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN114723045A (zh) 模型训练方法、装置、系统、设备、介质及程序产品
CN114219694A (zh) 目标全连接子图的采样方法、装置及电子设备
CN114066278B (zh) 物品召回的评估方法、装置、介质及程序产品

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