CN115169549B - 人工智能模型更新方法、装置、电子设备及存储介质 - Google Patents

人工智能模型更新方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115169549B
CN115169549B CN202210728915.9A CN202210728915A CN115169549B CN 115169549 B CN115169549 B CN 115169549B CN 202210728915 A CN202210728915 A CN 202210728915A CN 115169549 B CN115169549 B CN 115169549B
Authority
CN
China
Prior art keywords
model
processed
updating
content
dialogue
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
Application number
CN202210728915.9A
Other languages
English (en)
Other versions
CN115169549A (zh
Inventor
王凡
鲍思琪
吴华
牛正雨
何径舟
王海峰
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 CN202210728915.9A priority Critical patent/CN115169549B/zh
Publication of CN115169549A publication Critical patent/CN115169549A/zh
Priority to JP2023002287A priority patent/JP2024002884A/ja
Application granted granted Critical
Publication of CN115169549B publication Critical patent/CN115169549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/08—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
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Neurology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了人工智能模型更新方法、装置、电子设备及存储介质，涉及深度学习以及自然语言处理等人工智能领域，其中的方法可包括：对话系统与用户进行自然交互，获取交互内容，所述交互内容包括：针对任一训练样本所进行的M轮对话内容，M为大于一的正整数；对话系统响应于确定与用户针对所述训练样本的对话结束，根据所述交互内容确定出待处理模型的更新规则，利用所述更新规则对待处理模型进行更新。应用本公开所述方案，可提升处理效率及提升模型性能等。

Description

人工智能模型更新方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，特别涉及深度学习以及自然语言处理等领域的人工智能模型更新方法、装置、电子设备及存储介质。
背景技术
随着技术的发展，训练得到的深度学习模型在各种场景下得到了广泛应用，如可利用图像分类模型来对图像进行分类，可利用情感识别模型来对文本语句进行情感识别等。为提升模型的性能，可对模型进行更新，如对已有模型进行优化等。
发明内容
本公开提供了人工智能模型更新方法、装置、电子设备及存储介质。
一种人工智能模型更新方法，包括：
对话系统与用户进行自然交互，获取交互内容，所述交互内容包括：针对任一训练样本所进行的M轮对话内容，M为大于一的正整数；
所述对话系统响应于确定与所述用户针对所述训练样本的对话结束，根据所述交互内容确定出待处理模型的更新规则，利用所述更新规则对所述待处理模型进行更新。
一种人工智能模型更新装置，所述装置应用于对话系统中，包括：交互模块以及第一更新模块；
所述交互模块，用于与用户进行自然交互，获取交互内容，所述交互内容包括：针对任一训练样本所进行的M轮对话内容，M为大于一的正整数；
所述第一更新模块，用于响应于确定与所述用户针对所述训练样本的对话结束，根据所述交互内容确定出待处理模型的更新规则，利用所述更新规则对所述待处理模型进行更新。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。
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为本公开所述人工智能模型更新方法实施例的流程图；
图2为本公开所述对话系统和待处理模型为两个独立模型时的实现方式示意图；
图3为本公开所述对话系统和待处理模型集成在同一模型中时的实现方式示意图；
图4为本公开所述人工智能模型更新装置第一实施例400的组成结构示意图；
图5为本公开所述人工智能模型更新装置第二实施例500的组成结构示意图；
图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。
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。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本公开所述人工智能模型更新方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，对话系统与用户进行自然交互，获取交互内容，所述交互内容包括：针对任一训练样本所进行的M轮对话内容，M为大于一的正整数。
在步骤102中，对话系统响应于确定与用户针对所述训练样本的对话结束，根据交互内容确定出待处理模型的更新规则，利用所述更新规则对待处理模型进行更新。
传统方式中，当需要对模型进行更新时，通常基于收集到的训练样本来对模型进行更新，而采用上述方法实施例所述方案，可与用户进行自然交互，基于交互内容确定出待处理模型的更新规则，进而可基于更新规则对待处理模型进行更新，即用户只需通过自然交互的方式即可达到对模型进行更新的目的，无需收集及标注训练样本等，节省了人力和时间成本，并提升了处理效率，而且，通过对模型进行更新，提升了模型的性能等。
上述方法实施例所述方案可应用于图像分类以及情感识别等各种场景下。比如，对于图像分类场景下的图像分类模型，可按照上述方法实施例所述方案对图像分类模型进行更新，进而可利用更新后的图像分类模型进行图像分类，从而提升了分类结果的准确性，对于情感识别场景下的情感识别模型，可按照上述方法实施例所述方案对情感识别模型进行更新，进而可利用更新后的情感识别模型进行情感识别，从而提升了识别结果的准确性。
在实际应用中，对话系统可与用户进行自然交互，并获取交互内容，所述用户可以是指专家等，根据交互内容，可确定出待处理模型的更新规则。
所述交互内容可包括：针对任一训练样本所进行的M轮对话内容，M为大于一的正整数，相应地，响应于确定与用户针对该训练样本的对话结束，可生成所述更新规则。
所述交互内容可举例说明如下：
1)图像分类场景
假设图像分类模型在一批新数据上效果不佳，那么用户可按照如下方式与对话系统进行自然交互：
用户：“你好，你的效果在这张图片上不行”，同时附上相应的图片，如图片a；
对话系统：“这个图片我的分类是绿萝，因为从叶片和茎的形状看和绿萝都很匹配”；
用户：“这个图片实际是黄金葛，它有金色的条纹”；
对话系统：“黄金葛这个类型我从来没有接触过，它属于绿萝的一种吗？”；
用户：“不是，它不属于绿萝”；
对话系统：“记录下来了，对于新的类型黄金葛，以及它的特征，以及它的金色的条纹，后面我不会再犯同样的错误”；
用户：“接下来是这张图片…”。
可以看出，针对图片a这一训练样本，用户与对话系统进行了多轮对话，当确定与用户针对图片a的对话结束时，可根据所述多轮对话内容生成更新规则。
其中，根据用户表达的“接下来是这张图片…”可确定出与用户针对图片a的对话结束。
2)情感识别场景
该场景下，用户可按照如下方式与对话系统进行自然交互：
用户：“这句话：“这家店，谁去谁知道，一看就吐出隔夜饭”，你分类情感怎么会是“中性”呢？”；
对话系统：““谁去谁知道”这个词我看有60％情况下都是正向，后面“吐出隔夜饭”看上去是负向，所以分类为中性了”；
用户：“不是啊，“吐出隔夜饭”这是很明显的负向，前面“谁去谁知道”虽然单独看不知道是正向还是负向，但结合后半句，它就是很明显的批判了”；
对话系统：“意思是，“谁去谁知道”的真正含义要依赖于语境？”；
用户：“是的啊”；
对话系统：“我记住了，已作出相应修正”。
可以看出，针对“这家店，谁去谁知道，一看就吐出隔夜饭”这一训练样本，用户与对话系统进行了多轮对话，当确定与用户针对该训练样本的对话结束时，可根据所述多轮对话内容生成更新规则。
结合多轮对话内容，可以更好地理解用户表达的意思，从而可提升所生成的更新规则的准确性。
进一步地，可利用获取到的更新规则对待处理模型进行更新。本公开的一个实施例中，对待处理模型进行更新可以是指对待处理模型的神经元状态和/或神经元连接进行更新。即可利用更新规则直接永久性地改变待处理模型的神经元的状态和/或连接，从而达到模型更新的效果，实现起来简单方便。
本公开的一个实施例中，任一轮对话内容中可分别包括：用户输入内容以及针对用户输入内容生成的回复，其中，所述回复可包括：基于获取到的待处理模型的神经元状态及神经元连接信息生成的回复。
比如，以下为一轮对话内容：
用户：“你好，你的效果在这张图片上不行”，同时附上相应的图片，如图片a；
对话系统：“这个图片我的分类是绿萝，因为从叶片和茎的形状看和绿萝都很匹配”。
其中，“用户”对应的内容即为用户输入内容，“对话系统”对应的内容即为针对用户输入内容生成的回复，如可结合获取到的待处理模型的神经元状态以及神经元连接信息，确定出图片的分类结果为绿萝，并相应的生成所述回复。
即可对待处理模型进行状态读取，获取其神经元状态以及神经元连接信息，进而可基于所述信息准确地生成对应于用户输入内容的回复，从而提升了对话质量等。
在实际应用中，对话系统中可包括编码器和解码器，针对获取到的交互内容，可利用编码器进行编码等处理，以得到所需的更新规则，另外，可利用解码器生成针对用户输入内容的回复等。
所述更新规则的具体形式不作限制。比如，可将上述举例中的“黄金葛”作为图片a的标签，同时生成对应的目标函数和学习率等，将这些信息作为更新规则，借助于更新规则，利用梯度回传方式更新待处理模型的神经元状态和/或神经元连接。再比如，可直接生成神经元状态和/或神经元连接的更新方式，存放在存储器(memory)中，用于待处理模型进行读取，并相应地更新神经元状态和/或神经元连接。
在实际应用中，根据更新规则，可以仅对待处理模型的神经元状态进行更新，也可以仅对待处理模型的神经元连接进行更新，还可以同时对待处理模型的神经元状态及神经元连接进行更新，视实际需要而定。
本公开的一个实施例中，对话系统还可获取待处理模型的预测结果，并可根据所述预测结果进行更新，其中，所述预测结果为利用更新规则进行更新后的待处理模型生成的所述训练样本的预测结果。
如前所述，所述交互内容可包括：针对任一训练样本所进行的M轮对话内容。那么，在利用更新规则对待处理模型进行更新后，还可利用更新后的待处理模型对该训练样本进行处理，如对前述的图片a进行图像分类，从而得到预测结果，即得到图像a的图像分类结果。相应地，对话系统可获取该预测结果，并可根据该预测结果，基于强化学习等方式进行对话系统的更新，如对编码器和解码器进行更新等。
仍以图片a为例，利用更新规则对待处理模型进行更新后，理论上模型的性能会得到提升，因此利用待处理模型对图片a进行重新预测，得到的预测结果很可能会与之前不同，如之前的预测结果为绿萝，重新预测结果可能为绿萝，也可能为黄金葛，若重新预测结果仍为绿萝，说明生成的更新规则可能不够准确，相应地，可更新对话系统，以提升其后续生成的更新规则的准确性。
也就是说，通过上述处理，可实现对对话系统的更新，即提升对话系统的性能，进而可提升基于对话系统生成的更新规则的准确性，并相应的提升了模型的更新效果等。
本公开的一个实施例中，对话系统与待处理模型可为两个独立的模型，或者，对话系统与待处理模型也可集成在同一模型中。具体采用哪种方式可根据实际需要而定，非常的灵活方便。
图2为本公开所述对话系统和待处理模型为两个独立模型时的实现方式示意图。如图2所示，对话系统中可包括编码器和解码器，对话系统可接收信息，即可获取用户输入内容，获取到的用户输入内容可包括自然语言(如用户输入的文字)、图片、语音等，并可输出信息，即可生成针对用户输入内容的回复，从而与用户进行对话，其中，可通过状态读取，根据获取到的待处理模型的神经元状态及神经元连接信息生成回复，另外，对话系统可根据与用户的多轮对话内容生成更新规则，并可利用更新规则对待处理模型的神经元状态和/或神经元连接进行更新，再有，还可将多轮对话内容对应的训练样本输入更新后的待处理模型，得到预测结果，并利用预测结果对对话系统进行更新。
上述待处理模型可为任意模型，如可为已经投入过使用的待优化的模型，也可为未投入过使用但预先经过一定训练的模型，还可为未经过训练的模型等。
图3为本公开所述对话系统和待处理模型集成在同一模型中时的实现方式示意图。相比于图2所示方式，实现原理相同，只是对话系统和待处理模型之间的信息交互为隐式的，另外，为简化附图，未表示出“训练样本”和“预测结果”。
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。
总之，采用本公开方法实施例所述方案，用户只需通过自然交互的方式即可达到对模型进行更新的目的，进而提升了模型的性能，而且，所述更新方式简单方便，从而使得模型能够快速适应实际的变化和需求等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图4为本公开所述人工智能模型更新装置第一实施例400的组成结构示意图。所述装置可应用于对话系统中。如图4所示，包括：交互模块401以及第一更新模块402。
交互模块401，用于与用户进行自然交互，获取交互内容，所述交互内容包括：针对任一训练样本所进行的M轮对话内容，M为大于一的正整数。
第一更新模块402，用于响应于确定与用户针对所述训练样本的对话结束，根据所述交互内容确定出待处理模型的更新规则，利用所述更新规则对待处理模型进行更新。
采用上述装置实施例所述方案，可与用户进行自然交互，基于交互内容确定出待处理模型的更新规则，进而可基于更新规则对待处理模型进行更新，即用户只需通过自然交互的方式即可达到对模型进行更新的目的，无需收集及标注训练样本等，节省了人力和时间成本，并提升了处理效率，而且，通过对模型进行更新，提升了模型的性能等。
第一更新模块402可利用获取到的更新规则对待处理模型进行更新。本公开的一个实施例中，对待处理模型进行更新可以是指对待处理模型的神经元状态和/或神经元连接进行更新。即可利用更新规则直接永久性地改变待处理模型的神经元的状态和/或连接，从而达到模型更新的效果。
也就是说，根据更新规则，可以仅对待处理模型的神经元状态进行更新，也可以仅对待处理模型的神经元连接进行更新，还可以同时对待处理模型的神经元状态及神经元连接进行更新，视实际需要而定。
本公开的一个实施例中，任一轮对话内容中可分别包括：用户输入内容以及针对用户输入内容生成的回复，其中，所述回复可包括：基于获取到的待处理模型的神经元状态及神经元连接信息生成的回复。
即可对待处理模型进行状态读取，获取其神经元状态以及神经元连接信息，进而可基于所述信息生成对应于用户输入内容的回复。
图5为本公开所述人工智能模型更新装置第二实施例500的组成结构示意图。所述装置可应用于对话系统中。如图5所示，包括：交互模块401、第一更新模块402以及第二更新模块403。
其中，交互模块401以及第一更新模块402与图4所示实施例中相同，不再赘述。
第二更新模块403，用于获取待处理模型的预测结果，根据预测结果对对话系统进行更新，其中，所述预测结果为利用更新规则进行更新后的待处理模型生成的所述训练样本的预测结果。
如前所述，所述交互内容可包括：针对任一训练样本所进行的M轮对话内容。那么，在利用更新规则对待处理模型进行更新后，还可利用更新后的待处理模型对该训练样本进行处理，如对前述的图片a进行图像分类，从而得到预测结果，即得到图像a的图像分类结果。相应地，第二更新模块403可获取该预测结果，并可根据该预测结果，基于强化学习等方式进行对话系统的更新。
图4和图5所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。
总之，采用本公开装置实施例所述方案，用户只需通过自然交互的方式即可达到对模型进行更新的目的，进而提升了模型的性能，而且，所述更新方式简单方便，从而使得模型能够快速适应实际的变化和需求等。
本公开所述方案可应用于人工智能领域，特别涉及深度学习以及自然语言处理等领域。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。
另外，本公开所述实施例中的交互内容并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息，另外，本公开所述方法的执行主体可以通过各种公开、合法合规的方式获取所述交互内容，如经过了用户的授权从用户处获取等。
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6示出了可以用来实施本公开的实施例的电子设备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、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，个人数字助理、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，例如本公开所述的方法。例如，在一些实施例中，本公开所述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，可以执行本公开所述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)而被配置为执行本公开所述的方法。
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)、复杂可编程逻辑设备(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 (5)

1.一种人工智能模型更新方法，包括：
对话系统与用户进行自然交互，获取交互内容，所述交互内容包括：针对任一训练样本所进行的M轮对话内容，M为大于一的正整数；其中，任一轮对话内容中分别包括：用户输入内容以及针对所述用户输入内容生成的回复，所述回复包括：基于通过对待处理模型进行状态读取后获取到的所述待处理模型的神经元状态及神经元连接信息，利用解码器生成的回复；
所述对话系统响应于确定与所述用户针对所述训练样本的对话结束，根据所述交互内容，通过编码器进行编码处理，确定出待处理模型的更新规则，利用所述更新规则对所述待处理模型进行更新；
其中，所述更新规则包括：所述待处理模型的所述神经元状态和/或所述神经元连接的更新方式信息；
所述利用所述更新规则对所述待处理模型进行更新包括：利用所述更新规则，对所述待处理模型的所述神经元状态和/或所述神经元连接进行更新；
还包括：所述对话系统获取所述待处理模型的预测结果，根据所述预测结果对所述编码器以及所述解码器进行更新，其中，所述预测结果为利用所述更新规则进行更新后的所述待处理模型生成的所述训练样本的预测结果。
2.根据权利要求1所述的方法，其中，
所述对话系统与所述待处理模型为两个独立的模型；
或者，所述对话系统与所述待处理模型集成在同一模型中。
3.一种人工智能模型更新装置，所述装置应用于对话系统中，包括：交互模块、第一更新模块以及第二更新模块；
所述交互模块，用于与用户进行自然交互，获取交互内容，所述交互内容包括：针对任一训练样本所进行的M轮对话内容，M为大于一的正整数；其中，任一轮对话内容中分别包括：用户输入内容以及针对所述用户输入内容生成的回复，所述回复包括：基于通过对待处理模型进行状态读取后获取到的所述待处理模型的神经元状态及神经元连接信息，利用解码器生成的回复；
所述第一更新模块，用于响应于确定与所述用户针对所述训练样本的对话结束，根据所述交互内容，通过编码器进行编码处理，确定出待处理模型的更新规则，利用所述更新规则对所述待处理模型进行更新；其中，所述更新规则包括：所述待处理模型的所述神经元状态和/或所述神经元连接的更新方式信息；所述利用所述更新规则对所述待处理模型进行更新包括：利用所述更新规则，对所述待处理模型的所述神经元状态和/或所述神经元连接进行更新；
所述第二更新模块，用于获取所述待处理模型的预测结果，根据所述预测结果对所述编码器以及所述解码器进行更新，其中，所述预测结果为利用所述更新规则进行更新后的所述待处理模型生成的所述训练样本的预测结果。
4.一种电子设备，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1-2中任一项所述的方法。
5.一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计算机执行权利要求1-2中任一项所述的方法。
CN202210728915.9A 2022-06-24 2022-06-24 人工智能模型更新方法、装置、电子设备及存储介质 Active CN115169549B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210728915.9A CN115169549B (zh) 2022-06-24 2022-06-24 人工智能模型更新方法、装置、电子设备及存储介质
JP2023002287A JP2024002884A (ja) 2022-06-24 2023-01-11 人工知能モデル更新方法、装置、電子デバイス及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210728915.9A CN115169549B (zh) 2022-06-24 2022-06-24 人工智能模型更新方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115169549A CN115169549A (zh) 2022-10-11
CN115169549B true CN115169549B (zh) 2023-08-22

Family

ID=83486674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210728915.9A Active CN115169549B (zh) 2022-06-24 2022-06-24 人工智能模型更新方法、装置、电子设备及存储介质

Country Status (2)

Country Link
JP (1) JP2024002884A (zh)
CN (1) CN115169549B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688244A (zh) * 2021-08-31 2021-11-23 中国平安人寿保险股份有限公司 基于神经网络的文本分类方法、系统、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10176800B2 (en) * 2017-02-10 2019-01-08 International Business Machines Corporation Procedure dialogs using reinforcement learning
WO2020019252A1 (zh) * 2018-07-26 2020-01-30 深圳前海达闼云端智能科技有限公司 训练人工智能模型的方法、装置、存储介质及机器人
CN112579758A (zh) * 2020-12-25 2021-03-30 北京百度网讯科技有限公司 模型训练方法、装置、设备、存储介质和程序产品
CN114625914A (zh) * 2022-03-18 2022-06-14 中国第一汽车股份有限公司 一种车载交互式音乐推荐的装置、设备和方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688244A (zh) * 2021-08-31 2021-11-23 中国平安人寿保险股份有限公司 基于神经网络的文本分类方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN115169549A (zh) 2022-10-11
JP2024002884A (ja) 2024-01-11

Similar Documents

Publication Publication Date Title
CN112487173B (zh) 人机对话方法、设备和存储介质
CN112926306B (zh) 文本纠错方法、装置、设备以及存储介质
CN115309877A (zh) 对话生成方法、对话模型训练方法及装置
CN113360711A (zh) 视频理解任务的模型训练和执行方法、装置、设备及介质
CN113627536A (zh) 模型训练、视频分类方法，装置，设备以及存储介质
CN113468857B (zh) 风格转换模型的训练方法、装置、电子设备以及存储介质
CN113641829B (zh) 图神经网络的训练与知识图谱的补全方法、装置
CN114547244A (zh) 用于确定信息的方法和装置
CN112910761B (zh) 即时通讯方法、装置、设备、存储介质以及程序产品
CN114186681A (zh) 用于生成模型簇的方法、装置及计算机程序产品
CN112270169B (zh) 对白角色预测方法、装置、电子设备及存储介质
CN112507104A (zh) 对话系统获取方法、装置、存储介质及计算机程序产品
CN114970666B (zh) 一种口语处理方法、装置、电子设备及存储介质
CN114141236B (zh) 语言模型更新方法、装置、电子设备及存储介质
CN115169549B (zh) 人工智能模型更新方法、装置、电子设备及存储介质
CN113591709B (zh) 动作识别方法、装置、设备、介质和产品
CN115292467A (zh) 信息处理与模型训练方法、装置、设备、介质及程序产品
CN112541557B (zh) 生成式对抗网络的训练方法、装置及电子设备
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN113886543A (zh) 生成意图识别模型的方法、装置、介质及程序产品
CN114549695A (zh) 图像生成方法、装置、电子设备及可读存储介质
CN113553413A (zh) 对话状态的生成方法、装置、电子设备和存储介质
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN113408632A (zh) 提高图像分类准确性的方法、装置、电子设备及存储介质
CN113554062A (zh) 多分类模型的训练方法、设备和存储介质

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