CN114970540A - 训练文本审核模型的方法和装置 - Google Patents
训练文本审核模型的方法和装置 Download PDFInfo
- Publication number
- CN114970540A CN114970540A CN202210512137.XA CN202210512137A CN114970540A CN 114970540 A CN114970540 A CN 114970540A CN 202210512137 A CN202210512137 A CN 202210512137A CN 114970540 A CN114970540 A CN 114970540A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- text
- training
- pseudo
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 97
- 238000012550 audit Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000002372 labelling Methods 0.000 claims abstract description 22
- 238000004821 distillation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 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
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
-
- 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)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了训练文本审核模型的方法和装置,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:获取领域语言模型、学生模型、无标注数据和标注数据,其中,所述标注数据包括文本信息和审核标签;将所述标注数据中的文本信息和审核标签分别作为输入和期望输出,对所述领域语言模型进行微调训练,得到教师模型;将所述无标注数据输入所述教师模型,输出伪审核标签,得到伪标注数据;通过所述伪标注数据对所述学生模型进行训练,得到文本审核模型。该实施方式能够在小规模人工标注数据和大规模无标注数据上进行训练,得到效果好、速度快的文本审核模型。
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。
背景技术
文本审核系统是基于自然语言处理技术,用于判断一段文本内容是否遵循互联网、媒体等平台内容规范的一个自动化和智能化系统。常见的文本审核应用场景包括用户签名/昵称、评论/留言、IM即时通讯文本内容、用户帖子、媒体资讯、商品信息、视频直播弹幕、图文信息等。文本审核处理的违禁类型包括:政治、色情、暴力恐怖、广告推广、低俗辱骂、灌水等。互联网上每天产生海量的用户数据,人力无法负担如此繁重的审核任务。文本审核系统利用计算机和自然语言处理技术,实现了自动化的内容违规检测和识别,主导或者辅助人工审核的功能,大大减少了相关人员的工作成本。
发明内容
本公开提供了一种训练文本审核模型的方法、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,提供了一种训练文本审核模型的方法,包括:获取领域语言模型、学生模型、无标注数据和标注数据,其中,所述标注数据包括文本信息和审核标签;将所述标注数据中的文本信息和审核标签分别作为输入和期望输出,对所述领域语言模型进行微调训练,得到教师模型;将所述无标注数据输入所述教师模型,输出伪审核标签,得到伪标注数据;通过所述伪标注数据对所述学生模型进行训练,得到文本审核模型。
根据本公开的第二方面,提供了一种文本审核方法,包括:获取待审核的文本信息;将所述文本信息输入根据第一方面所述的方法训练出的文本审核模型,输出审核结果。
根据本公开的第三方面,提供了一种训练文本审核模型的装置,包括:获取单元,被配置成获取领域语言模型、学生模型、无标注数据和标注数据,其中,所述标注数据包括文本信息和审核标签;微调单元,被配置成将所述标注数据中的文本信息和审核标签分别作为输入和期望输出,对所述领域语言模型进行微调训练,得到教师模型;预测单元,被配置成将所述无标注数据输入所述教师模型,输出伪审核标签,得到伪标注数据;训练单元,被配置成通过所述伪标注数据对所述学生模型进行训练,得到文本审核模型。
根据本公开的第四方面,提供了一种文本审核装置,包括:获取单元,被配置成获取待审核的文本信息;审核单元,被配置成将所述文本信息输入根据第二方面所述的装置训练出的文本审核模型,输出审核结果。
根据本公开的第五方面,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第一方面或第二方面所述的方法。
根据本公开的第六方面,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第一方面或第二方面所述的方法。
根据本公开的第七方面,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第一方面或第二方面所述的方法。
本公开的实施例提供的训练文本审核模型的方法和装置,提出了一个基于预训练语言模型ERNIE的文本审核多阶段训练框架,该框架融合预训练语言模型的知识,在小规模人工标注数据和大规模无标注数据上进行领域训练、微调训练、蒸馏,得到效果好、速度快的文本审核模型。
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是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的训练文本审核模型的方法的一个实施例的流程图;
图3是根据本公开的训练文本审核模型的方法的一个应用场景的示意图;
图4是根据本公开的文本审核模型方法的一个实施例的流程图;
图5是根据本公开的训练文本审核模型的装置的一个实施例的结构示意图;
图6是根据本公开的文本审核装置的一个实施例的结构示意图;
图7是适于用来实现本公开的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实施例的训练文本审核模型的方法、训练文本审核模型的装置、文本审核方法或文本审核装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、文本审核类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102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(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中,样本可以包括无标注数据和标注数据。这样,用户110也可以通过终端101、102,从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本,对初始模型进行训练,并可以将训练结果(如生成的文本审核模型)发送给终端101、102。这样,用户可以应用生成的文本审核模型进行文本审核。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,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。当它们为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。数据库服务器104和服务器105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。数据库服务器104和服务器105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。
需要说明的是,本公开实施例所提供的训练文本审核模型的方法或文本审核方法一般由服务器105执行。相应地,训练文本审核模型的装置或文本审核装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,系统架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。
继续参见图2,其示出了根据本公开的训练文本审核模型的方法的一个实施例的流程200。该训练文本审核模型的方法可以包括以下步骤:
步骤201,获取领域语言模型、学生模型、无标注数据和标注数据。
在本实施例中,训练文本审核模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取领域语言模型、学生模型、无标注数据和标注数据。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的领域语言模型、学生模型、无标注数据和标注数据。再例如,用户可以通过终端(例如图1所示的终端101、102)来收集样本集,包括:无标注数据和标注数据。这样,执行主体可以接收终端所收集的样本,并将这些样本存储在本地,从而生成样本集。标注数据指的是标注了审核标签(例如,违禁或不违禁)的文本信息,标注数据包括文本信息和审核标签。而无标注数据仅包括文本信息但没有标注审核标签。文本审核模型可以是个二分类器,则审核标签包括不违禁和违禁两种。审核标签也可看作是类别标签。文本审核模型还可以是多分类器,则类别可包括不违禁,以及各种违禁类型(例如政治、色情、暴力恐怖、广告推广、低俗辱骂、灌水等)。
领域语言模型可以是根据文本审核领域数据训练出的语义理解模型,可进行有监督的训练或无监督的训练,无监督训练出的语义理解模型可以是各种神经网络例如,ERNIE、Topic Model等。
学生模型可以是预先根据违禁文本数据训练出来的二分类器,例如,FastText、TextCNN等。将待审核的文本信息输入学生模型即可确定出该文本信息是否违禁。
步骤202,将标注数据中的文本信息和审核标签分别作为输入和期望输出,对领域语言模型进行微调训练,得到教师模型。
在本实施例中,将标注数据中的文本信息和审核标签分别作为输入和期望输出,对领域语言模型进行有监督的训练。可使用少量的标注数据(例如,几万条)对领域语言模型进行微调训练,得到教师模型。该领域语言模型是超大规模的深层模型,利用小规模标注数据微调就能达到不错的效果,但是由于模型规模大,它的预测速度很慢。因此可利用数据蒸馏方法将领域语言模型的能力蒸馏到小的文本审核模型(例如TextCNN),在这里将大模型ERNIE称为Teacher模型,将小模型TextCNN称为Student模型。
步骤203,将无标注数据输入教师模型,输出伪审核标签,得到伪标注数据。
在本实施例中,在步骤202的Teacher模型微调中,模型仅仅在小规模的人工标注上进行了微调训练。然而,我们有大量的无标注数据,因此可利用大量无标注数据进行Teacher模型的预测,预测得到每条样本对应的伪审核标签,这样就得到了大规模的伪标注数据。
步骤204,通过伪标注数据对学生模型进行训练,得到文本审核模型。
在本实施例中,由于Teacher模型(ERNIE)的效果优于Student模型(TextCNN),可利用数据蒸馏将Teacher模型的能力蒸馏到Student模型。用上述步骤203得到的大规模的伪标注数据对训练好的Student模型进行进一步的训练,这次训练数据的信息就来自Teacher模型(预测得到);最终得到蒸馏后的Student模型(TextCNN文本审核模型)。
本实施例中训练文本审核模型的方法,在大规模无标注数据上进行预训练,能够让模型学习到预料中蕴含的语义信息和潜在的知识。有效的利用了大规模的无标注数据,进一步提升语义理解模型的效果。通过数据蒸馏,有效的将大模型(语义理解模型)的能力蒸馏到小模型(文本审核模型),最终训练得到的小模型的文本审核分类的效果能和大模型持平,并且预测速度远高于大模型。
在本实施例的一些可选地实现方式中,该方法还包括:获取预训练语言模型和文本审核领域数据;基于所述文本审核领域数据对所述预训练语言模型进行无监督的领域预训练,得到领域语言模型。
可通过预训练语言模型ERNIE基于大量无监督文本审核领域数据作为训练语料,训练出来的包含大量语义知识的模型,并且ERNIE可以学习训练语料的语言特色。引入ERNIE模型之后,将大量无标注文本审核领域数据(例如微博内容、微信聊天内容等)输入到ERNIE语言模型中,以完形填空(Masked Language Model)和下一句预测(Next SentencePrediction)作为训练任务,对模型进行增量训练,得到对于文本审核领域数据敏感的文本审核领域特定的语言子模型。
完形填空任务指的是将一句话里面的任意字或词进行遮盖或替换,然后让模型预测被遮盖或替换的部分。例如,句子1“我今天加班”中的词“今天”被遮盖(mask),然后输入到模型中,让模型去预测和还原被遮盖的部分。在计算损失时,可以只计算被遮盖部分的损失。下一句预测是将两个句子(如句子1和句子2)输入到模型,该两个句子输入时可以表示[句子1]step[句子2],让模型预测句子1的下一句是否为句子2,模型可以输出是或者不是,根据句子1和句子2真实的上下文关系计算模型损失。当完形填空和下一句预测结合起来进行模型训练时,可以将[我mask加班]step[今天晚点mask]输入到模型,计算损失时考虑两个任务的损失之和,例如,以模型输出“今天”、“回家”和“是”为目标确定损失函数,调整模型参数并继续进行训练,使得经训练的语言子模型可以输出句子的语义表达和语义关系。
在本实施例的一些可选地实现方式中,在所述通过所述伪标注数据对所述学生模型进行训练之前,该方法还包括:通过所述伪标注数据对所述教师模型进行训练,得到更新后的教师模型;通过更新后的教师模型对所述无标注数据重新进行预测,得到更新后的伪标注数据。在步骤202的Teacher模型微调中,模型仅仅在小规模的人工标注上进行了微调训练。然而,我们有大量的无标注数据,因此可利用大量无标注数据进行Teacher模型的自蒸馏。首先,用步骤202训练好的Teacher模型对大量的无标注数据进行预测,预测得到每条样本对应的标签,这样就得到了大规模的伪标注数据;然后用上述大规模的伪标注数据对步骤202训练好的Teacher模型再进行训练,这就是自蒸馏训练。可重复执行上述过程,得到更准确的伪标注数据,以使得执行步骤204时使用了更准确的伪标注数据,从而训练得到更准确的文本审核模型。
在本实施例的一些可选地实现方式中,该方法还包括:根据所述标注数据进行文本分类训练,得到学生模型。Student模型可选择目前比较常用、效果较好的TextCNN模型。在这个阶段,冷启动一个TextCNN模型,在小规模的人工标注数据上进行TextCNN模型的训练,得到TextCNN文本审核模型。这个Student模型的特点是,文本审核的分类效果不如Teacher模型(ERNIE),但是预测速度远大于Teacher模型。
在本实施例的一些可选地实现方式中,教师模型采用语义理解框架ERNIE,所述学生模型采用文本分类模型TextCNN。ERNIE能够充分学习文本的语义,而TextCNN能够准确对文本分类。这二者结合起来,既能充分学习文本的语义又能够准确对文本分类,且模型规模小,运行速度快,能够快速审核文本,减少审核时延,提升用户体验。
进一步参见图3,图3是根据本实施例的训练文本审核模型的方法的一个应用场景的示意图。在图3的应用场景中,预训练语言模型ERNIE(知识增强语义表示模型,EnhancedRepresentation from Knowledge Integration)通过建模超大规模数据中的词、实体以及实体之间的关系,学习到真实世界中的语义知识。预训练语言模型ERNIE蕴含丰富的语义知识,因而能够将其应用于需要文本语义理解的场景,只需将预训练ERNIE在少量的人工标注数据上进行Finetune(微调),就可以得到一个效果优异的任务定制化ERNIE模型。具体过程如下所示:
(1)领域预训练
基于预训练语言模型ERNIE,在超大规模文本审核领域数据上进行无监督的领域预训练,得到审核领域的预训练语言模型ERNIE(即领域语言模型)。这样做的目的是,让模型在文本审核的领域数据上学习该领域的语言和语义特征、信息。
(2)Teacher模型微调
热启审核领域的预训练语言模型ERNIE,在小规模的文本审核人工标注数据上进行审核分类任务的微调训练,得到ERNIE审核模型(即Teach模型)。该模型是超大规模的深层模型,利用小规模标注数据微调就能达到不错的效果,但是由于模型规模大,它的预测速度很慢。因此我们利用数据蒸馏方法将ERNIE的能力蒸馏到小模型TextCNN,在这里我们讲大模型ERNIE称为Teacher模型,将小模型TextCNN称为Student模型。
(3)Teacher模型自蒸馏
在第二阶段的Teacher模型微调中,模型仅仅在小规模的人工标注上进行了微调训练。然而,我们有大量的无标注数据,因此在第三阶段我们利用大量无标注数据进行Teacher模型的自蒸馏。首先,我们用第二阶段训练好的Teacher模型对大量的无标注数据进行预测,预测得到每条样本对应的标签,这样我们就得到了大规模的伪标注数据;然后我们用上述大规模的伪标注数据对第二阶段训练好的Teacher模型再进行训练,这就是自蒸馏训练。
(4)Student模型训练
Student模型我们选择目前比较常用、效果较好的TextCNN模型。在这个阶段,我们冷启动一个TextCNN模型,在小规模的人工标注数据上进行TextCNN模型的训练,得到TextCNN文本审核模型(即Student模型)。这个Student模型的特点是,文本审核的分类效果不如Teacher模型(ERNIE),但是预测速度远大于Teacher模型。
(5)Student模型数据蒸馏
由于Teacher模型(ERNIE)的效果优于Student模型(TextCNN),我们利用数据蒸馏将Teacher模型的能力蒸馏到Student模型。首先,我们用第三阶段训练好的Teacher模型(ERNIE)对大量的无标注数据进行预测,预测得到每条样本对应的标签,这样我们就得到了大规模的伪标注数据;然后我们用上述大规模的伪标注数据对第四阶段训练好的Student模型进行进一步的训练,这次训练数据的信息就来自Teacher模型(预测得到);最终得到蒸馏后的Student模型(TextCNN文本审核模型)。
请参见图4,其示出了本公开提供的文本审核方法的一个实施例的流程400。该文本审核方法可以包括以下步骤:
步骤401,获取待审核的文本信息。
在本实施例中,文本审核方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待审核的文本信息。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的待审核的文本信息。再例如,执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的待审核的文本信息。常见的文本审核应用场景包括用户签名/昵称、评论/留言、IM即时通讯文本内容、用户帖子、媒体资讯、商品信息、视频直播弹幕、图文信息等。文本审核处理的违禁类型包括:政治、色情、暴力恐怖、广告推广、低俗辱骂等。
如果待审核的是图像,则可进行OCR识别,识别出待审核的文本。
可选地,可将待审核的文本信息进行预处理。例如,按标点符号分段等。还可以先进行关键词筛选,直接过滤出包括违禁词的文本信息。
步骤402,将文本信息输文本审核模型,输出审核结果。
在本实施例中,执行主体可以将步骤401中获取的文本信息输入文本审核模型中,从而生成审核结果。审核结果可以是违禁或不违禁,也可是违禁的类型。
在本实施例中,文本审核模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述,在此不再赘述。
需要说明的是,本实施例文本审核方法可以用于测试上述各实施例所生成的文本审核模型。进而根据测试结果可以不断地优化文本审核模型。该方法也可以是上述各实施例所生成的文本审核模型的实际应用方法。采用上述各实施例所生成的文本审核模型,来进行文本审核,有助于提高文本审核模型的性能,提高审核效率和准确性等,减少人力成本。同时可缩短审核时间,不会让用户察觉到审核,影响用户体验。
继续参见图5,作为对上述各图所示方法的实现,本公开提供了一种训练文本审核模型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,本实施例的训练文本审核模型的装置500可以包括:获取单元501、微调单元502、预测单元503和训练单元504。其中,获取单元501,被配置成获取领域语言模型、学生模型、无标注数据和标注数据,其中,所述标注数据包括文本信息和审核标签;微调单元502,被配置成将所述标注数据中的文本信息和审核标签分别作为输入和期望输出,对所述领域语言模型进行微调训练,得到教师模型;预测单元503,被配置成将所述无标注数据输入所述教师模型,输出伪审核标签,得到伪标注数据;训练单元504,被配置成通过所述伪标注数据对所述学生模型进行训练,得到文本审核模型。
在本实施例的一些可选的实现方式中,装置500还包括领域预训练单元(附图中未示出),被配置成:获取预训练语言模型和文本审核领域数据;基于所述文本审核领域数据对所述预训练语言模型进行无监督的领域预训练,得到领域语言模型。
在本实施例的一些可选的实现方式中,装置500还包括自蒸馏单元(附图中未示出),被配置成:在所述通过所述伪标注数据对所述学生模型进行训练之前,通过所述伪标注数据对所述教师模型进行训练,得到更新后的教师模型;通过更新后的教师模型对所述无标注数据重新进行预测,得到更新后的伪标注数据。
在本实施例的一些可选的实现方式中,装置500还包括分类预训练单元(附图中未示出),被配置成:根据所述标注数据进行文本分类训练,得到学生模型。
在本实施例的一些可选的实现方式中,教师模型采用语义理解框架ERNIE,所述学生模型采用文本分类模型TextCNN。
继续参见图6,作为对上述各图所示方法的实现,本公开提供了一种文本审核装置的一个实施例。该装置实施例与图4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6所示,本实施例的文本审核装置600可以包括:获取单元601,被配置成获取待审核的文本信息;审核单元602,被配置成将所述文本信息输入装置500训练出的文本审核模型,输出审核结果。
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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如训练文本审核模型的方法。例如,在一些实施例中,训练文本审核模型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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的训练文本审核模型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701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行训练文本审核模型的方法。
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 (15)
1.一种训练文本审核模型的方法,包括:
获取领域语言模型、学生模型、无标注数据和标注数据,其中,所述标注数据包括文本信息和审核标签;
将所述标注数据中的文本信息和审核标签分别作为输入和期望输出,对所述领域语言模型进行微调训练,得到教师模型;
将所述无标注数据输入所述教师模型,输出伪审核标签,得到伪标注数据;
通过所述伪标注数据对所述学生模型进行训练,得到文本审核模型。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获取预训练语言模型和文本审核领域数据;
基于所述文本审核领域数据对所述预训练语言模型进行无监督的领域预训练,得到领域语言模型。
3.根据权利要求1或2所述的方法,其中,在所述通过所述伪标注数据对所述学生模型进行训练之前,所述方法还包括:
通过所述伪标注数据对所述教师模型进行训练,得到更新后的教师模型;
通过更新后的教师模型对所述无标注数据重新进行预测,得到更新后的伪标注数据。
4.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述标注数据进行文本分类训练,得到学生模型。
5.根据权利要求1所述的方法,其中,所述教师模型采用语义理解框架ERNIE,所述学生模型采用文本分类模型TextCNN。
6.一种文本审核方法,包括:
获取待审核的文本信息;
将所述文本信息输入根据权利要求1-5中任一项所述的方法训练出的文本审核模型,输出审核结果。
7.一种训练文本审核模型的装置,包括:
获取单元,被配置成获取领域语言模型、学生模型、无标注数据和标注数据,其中,所述标注数据包括文本信息和审核标签;
微调单元,被配置成将所述标注数据中的文本信息和审核标签分别作为输入和期望输出,对所述领域语言模型进行微调训练,得到教师模型;
预测单元,被配置成将所述无标注数据输入所述教师模型,输出伪审核标签,得到伪标注数据;
训练单元,被配置成通过所述伪标注数据对所述学生模型进行训练,得到文本审核模型。
8.根据权利要求7所述的装置,其中,所述装置还包括领域预训练单元,被配置成:
获取预训练语言模型和文本审核领域数据;
基于所述文本审核领域数据对所述预训练语言模型进行无监督的领域预训练,得到领域语言模型。
9.根据权利要求7或8所述的装置,其中,所述装置还包括自蒸馏单元,被配置成:
在所述通过所述伪标注数据对所述学生模型进行训练之前,通过所述伪标注数据对所述教师模型进行训练,得到更新后的教师模型;
通过更新后的教师模型对所述无标注数据重新进行预测,得到更新后的伪标注数据。
10.根据权利要求7所述的装置,其中,所述装置还包括分类预训练单元,被配置成:
根据所述标注数据进行文本分类训练,得到学生模型。
11.根据权利要求7所述的装置,其中,所述教师模型采用语义理解框架ERNIE,所述学生模型采用文本分类模型TextCNN。
12.一种文本审核装置,包括:
获取单元,被配置成获取待审核的文本信息;
审核单元,被配置成将所述文本信息输入根据权利要求7-11中任一项所述的装置训练出的文本审核模型,输出审核结果。
13.一种电子设备,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中任一项所述的方法。
14.一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中任一项所述的方法。
15.一种计算机程序产品,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中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210512137.XA CN114970540A (zh) | 2022-05-11 | 2022-05-11 | 训练文本审核模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210512137.XA CN114970540A (zh) | 2022-05-11 | 2022-05-11 | 训练文本审核模型的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114970540A true CN114970540A (zh) | 2022-08-30 |
Family
ID=82980686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210512137.XA Pending CN114970540A (zh) | 2022-05-11 | 2022-05-11 | 训练文本审核模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970540A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275030A (zh) * | 2023-09-27 | 2023-12-22 | 自然资源部地图技术审查中心 | 审核地图的方法和装置 |
CN117436457A (zh) * | 2023-11-01 | 2024-01-23 | 人民网股份有限公司 | 反讽识别方法、装置、计算设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104482A (zh) * | 2019-12-18 | 2020-05-05 | 北京百度网讯科技有限公司 | 数据处理方法和装置 |
US20210224660A1 (en) * | 2020-01-22 | 2021-07-22 | Google Llc | Extreme Language Model Compression with Optimal Sub-Words and Shared Projections |
CN113283244A (zh) * | 2021-07-20 | 2021-08-20 | 湖南达德曼宁信息技术有限公司 | 一种基于预训练模型的招投标数据命名实体识别方法 |
-
2022
- 2022-05-11 CN CN202210512137.XA patent/CN114970540A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104482A (zh) * | 2019-12-18 | 2020-05-05 | 北京百度网讯科技有限公司 | 数据处理方法和装置 |
US20210224660A1 (en) * | 2020-01-22 | 2021-07-22 | Google Llc | Extreme Language Model Compression with Optimal Sub-Words and Shared Projections |
CN113283244A (zh) * | 2021-07-20 | 2021-08-20 | 湖南达德曼宁信息技术有限公司 | 一种基于预训练模型的招投标数据命名实体识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275030A (zh) * | 2023-09-27 | 2023-12-22 | 自然资源部地图技术审查中心 | 审核地图的方法和装置 |
CN117275030B (zh) * | 2023-09-27 | 2024-05-14 | 自然资源部地图技术审查中心 | 审核地图的方法和装置 |
CN117436457A (zh) * | 2023-11-01 | 2024-01-23 | 人民网股份有限公司 | 反讽识别方法、装置、计算设备及存储介质 |
CN117436457B (zh) * | 2023-11-01 | 2024-05-03 | 人民网股份有限公司 | 反讽识别方法、装置、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN107679039B (zh) | 用于确定语句意图的方法和装置 | |
CN114970540A (zh) | 训练文本审核模型的方法和装置 | |
CN112926308B (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN113836925B (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN114969332A (zh) | 训练文本审核模型的方法和装置 | |
CN111414471B (zh) | 用于输出信息的方法和装置 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN115099239A (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN113051911B (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
CN113987180A (zh) | 用于输出信息和处理信息的方法和装置 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN115248890A (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN112906368A (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
CN114970553B (zh) | 基于大规模无标注语料的情报分析方法、装置及电子设备 | |
CN113806538B (zh) | 标签提取模型训练方法、装置、设备与存储介质 | |
CN116383382A (zh) | 敏感信息的识别方法、装置、电子设备及存储介质 | |
CN116048463A (zh) | 基于标签管理的需求项内容智能推荐方法及装置 | |
CN115759100A (zh) | 数据处理方法、装置、设备及介质 | |
KR20230059364A (ko) | 언어 모델을 이용한 여론조사 시스템 및 운영 방법 | |
CN114491030A (zh) | 技能标签的抽取、候选短语分类模型的训练方法及装置 | |
CN114417974A (zh) | 模型训练方法、信息处理方法、装置、电子设备和介质 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN114416974A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |