CN115600644A - 多任务处理方法、装置、电子设备及存储介质 - Google Patents
多任务处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115600644A CN115600644A CN202211271177.6A CN202211271177A CN115600644A CN 115600644 A CN115600644 A CN 115600644A CN 202211271177 A CN202211271177 A CN 202211271177A CN 115600644 A CN115600644 A CN 115600644A
- Authority
- CN
- China
- Prior art keywords
- task
- target
- decoder
- text
- training 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- 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
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能领域的自然语言处理技术,揭露一种多任务处理方法,包括:获取不同任务类别对应的训练文本集;获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果。本发明还涉及一种区块链技术,所述解码器可以存储在区块链节点中。本发明还提出一种多任务处理装置、设备以及介质。本发明可以多任务处理的灵活性。
Description
技术领域
本发明涉及人工智能领域的自然语言处理技术,尤其涉及一种多任务处理方法、装置、电子设备及存储介质。
背景技术
近年来,随着人工智能的发展,为了提高任务处理的效率,多任务处理研究越来越受到人们的关注。
多任务处理通常是训练整个多任务模型实现多任务处理,任何类型的任务处理对需要调用整个多任务模型,导致多任务处理的灵活性较差。
发明内容
本发明提供一种多任务处理方法、装置、电子设备及存储介质,其主要目的在于提高了多任务处理的灵活性。
获取不同任务类别对应的训练文本集;
获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;
利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;
当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果。
可选地,所述利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器,包括:
确定所有所述任务类别中的目标任务类别;
将所述目标任务类别对应的训练文本集确定为目标训练文本集,并将所述目标任务类别对应的解码器确定为目标解码器;
利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取,得到文本特征向量;
利用所述目标解码器中的注意力机制网络对所述文本特征向量进行加权计算,得到加权特征向量;
利用所述目标解码器中的全连接网络对所述加权特征向量进行特征压缩,得到标签分析值;
获取所述加权特征向量对应的训练文本的任务标签确认该训练文本对应的标签真实值;
利用预设损失函数计算所述标签分析值及所述标签真实值之间的任务损失值;
当所述任务损失值大于或等于所述损失阈值,更新所述解码器的参数,返回所述利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取步骤;
当所述任务损失值小于所述损失阈值,输出解码器,得到所述更新解码器。
可选地,所述利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取,得到文本特征向量,包括:
选取所述目标训练文本集中任意一条训练文本,得到目标训练文本,并将所述目标训练文本集中的目标训练文本删除,以得到更新后的目标训练文本集;
利用所述编码器将所述目标训练文本转化为向量,得到目标训练文本向量;
对所述目标训练文本向量进行卷积运算,得到所述文本特征向量。
可选地,所述利用所述编码器将所述目标训练文本转化为向量,得到目标训练文本向量,包括:
利用所述编码器将所述目标训练文本中的每个字符转化为向量,得到对应的字符向量;
将所有所述字符向量按照每个所述字符向量对应的字符在所述目标训练文本中的先后顺序进行组合,得到所述目标训练文本向量。
可选地,所述利用所述目标解码器中的注意力机制网络对所述文本特征向量进行加权计算,得到加权特征向量,包括:
利用所述注意力机制网络中的全连接层对所述文本特征向量进行全局池化,得到池化特征向量;
获取所述全连接层的权重和偏置,基于预设的激活函数及获取的权重和偏置对所述池化特征向量进行计算,得到所述注意力权重。
可选地,所述利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果,包括:
将与所述任务处理类别相同的任务类别确定为目标类别;
将所述目标类别对应的更新解码器确定为目标更新解码器;
将所述编码器及所述目标更新解码器进行串联,得到目标任务处理模型;
将所述待处理任务文本输入所述目标任务处理模型,得到所述任务处理结果。
为了解决上述问题,本发明还提供一种多任务处理装置,所述装置包括:
数据获取模块,用于获取不同任务类别对应的训练文本集;获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;
模型训练模块,用于利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;
任务处理模块,用于当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果。
可选地,所述利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果,包括:
将与所述任务处理类别相同的任务类别确定为目标类别;
将所述目标类别对应的更新解码器确定为目标更新解码器;
将所述编码器及所述目标更新解码器进行串联,得到目标任务处理模型;
将所述待处理任务文本输入所述目标任务处理模型,得到所述任务处理结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的多任务处理方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的多任务处理方法。
本发明实施例利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果,对不同任务类别的解码器分开训练,处理对应任务时只需要筛选对应的更新解码器与编码器组合成模型进行任务处理,不需要加载无关的更新解码器,与当前处理任何任务都直接加载整个多任务学习模型进行任务处理相比,节省了计算资源,模型的调用更有针对性,提高了多任务处理的灵活性,因此本发明实施例提出的多任务处理方法、装置、电子设备及可读存储介质提高了多任务处理的灵活性。
附图说明
图1为本发明一实施例提供的多任务处理方法的流程示意图;
图2为本发明一实施例提供的多任务处理装置的模块示意图;
图3为本发明一实施例提供的实现多任务处理方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种多任务处理方法。所述多任务处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述多任务处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的多任务处理方法的流程示意图,在本发明实施例中,所述多任务处理方法包括:
S1、获取不同任务类别对应的训练文本集;
本发明实施例中所述训练文本集为训练自然语言处理模型用以处理对应任务类别任务的训练数据,所述任务类别为训练自然语言处理模型可以实现的任务种类,如实现预设类别语言的阅读理解、命名实体识别、意图识别3个任务,所述训练文本集与所述任务类别是一一对应的。
进一步地,本发明实施例中所述训练文本集中每个训练文本都有对应的任务标签,所述任务标签为了标记了所述任务类别对应的训练文本集中训练文本经过该任务类别对应的任务处理后,得到结果标记;如:意图识别的任务类别对应的训练文本集中每个训练文本的任务标签为该训练文本对应的意图。
S2、获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;
本发明实施例中所述多任务学习模型由一个编码器并联多个任务类别对应的解码器构成,其中,所述编码器包含所有任务共享的网络参数;进一步地,每个任务对应一个解码器,所述解码器包含任务特定的网络参数。
可选地,本发明实施例中所述编码器可以用来进行文本特征提取的深度学习模型或深度学习模型的部分网络结构,如:所述编码器可以为bert模型或所述编码器包含卷积层及Embedding层,所述解码器为全连接网络和注意力机制网络构成。
S3、利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;
本发明实施例中所述S3,包括:
确定所有所述任务类别中的目标任务类别;
本发明实施例将需要训练的解码器对应的任务类别确定为目标任务类型。
将所述目标任务类别对应的训练文本集确定为目标训练文本集,并将所述目标任务类别对应的解码器确定为目标解码器;
利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取,得到文本特征向量;
利用所述目标解码器中的注意力机制网络对所述文本特征向量进行加权计算,得到加权特征向量;
利用所述目标解码器中的全连接网络对所述加权特征向量进行特征压缩,得到标签分析值;
获取所述加权特征向量对应的训练文本的任务标签确认该训练文本对应的标签真实值;
利用预设损失函数计算所述标签分析值及所述标签真实值之间的任务损失值;
当所述任务损失值大于或等于所述损失阈值,更新所述解码器的参数,返回所述利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取步骤;
当所述任务损失值小于所述损失阈值,输出解码器,得到所述更新解码器。
本发明实施例中更好的衡量模型预测的标签分析值与实际对应的任务标签的一致性,根据所述加权特征向量对应的训练文本数据的任务类别对应的任务标签确认该任务类别对应的标签真实值。
例如:任务类别对应的对应的任务标签为阅读理解标签,如标记对应的训练文本是否为描述人物的文本,当任务标签为“描述人物”时,该任务标签对应的标签真实值为1;任务标签为“未描述人物”时,该任务标签对应的标签真实值为0。
具体地,本发明实施例中可根据梯度下降算法更新所述解码器的参数。
详细地,本发明实施例中所述损失函数可以为指数损失函数、平方损失函数等,本发明实施例对所述损失函数的类型不做限制。
进一步地,本发明实施例中所述利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取,得到文本特征向量,包括:
选取所述目标训练文本集中任意一条训练文本,得到目标训练文本,并将所述目标训练文本集中的目标训练文本删除,以得到更新后的目标训练文本集;
利用所述编码器将所述目标训练文本转化为向量,得到目标训练文本向量;
对所述目标训练文本向量进行卷积运算,得到所述文本特征向量;
本发明实施例中可利用所述编码器中的卷积层对所述目标训练文本向量进行卷积运算或利用预设的卷积核对对所述目标训练文本向量进行卷积运算,本发明实施例对卷积运算的具体方法不做限制。
进一步地,本发明实施例中利用所述编码器将所述目标训练文本转化为向量,得到目标训练文本向量,包括:
利用所述编码器将所述目标训练文本中的每个字符转化为向量,得到对应的字符向量;
具体地,本发明实施例中可以利用所述编码器中的Embedding层将所述目标训练文本中的每个字符转化为向量。
将所有所述字符向量按照每个所述字符向量对应的字符在所述目标训练文本中的先后顺序进行组合,得到所述目标训练文本向量。
具体地,本发明实施例中利用所述目标解码器中的注意力机制网络对所述文本特征向量进行加权计算,得到加权特征向量,包括:
利用所述注意力机制网络中的全连接层对所述文本特征向量进行全局池化,得到池化特征向量;
获取所述全连接层的权重和偏置,基于预设的激活函数及获取的权重和偏置对所述池化特征向量进行计算,得到所述注意力权重;
具体地,本发明实施例计算所述权重与所述池化特征向量的乘积,并将计算的乘积与所述偏置求和,得到注意力参数;将所述注意力参数作为所述激活函数的函数变量参数以对所述激活函数进行计算,得到所述注意力权重。
利用所述注意力权重及所述文本特征向量进行加权计算,得到所述加权特征向量。
S4、当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果;
详细地,本发明实施例中所述利用所述编码器及所述更新解码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果,包括:
将与所述任务处理类别相同的任务类别确定为目标类别;
将所述目标类别对应的更新解码器确定为目标更新解码器;
将所述编码器及所述目标更新解码器进行串联,得到目标任务处理模型;
将所述待处理任务文本输入所述目标任务处理模型,得到所述任务处理结果。
例如:所述待处理文本的任务处理类别为A,那将类别同样为A的任务类别确定为目标类别,将目标类别对应的更新解码器确定为目标更新解码器,按照编码器至目标更新解码器的顺序进行串联,得到目标处理模型。
本发明实施例中所述任务处理类别为任意一种或多种任务类别,所述待处理文本与训练文本内容不同类型相同的文本。
进一步地,本发明实施例中将所述任务处理结果发送至预设的终端设备,所述终端设备包括:手机、电脑、平板等智能终端。
本发明实施例中利用训练解码器的方式构建模型处理不同的任务,与传统的训练多任务模型处理多任务模型相比,不需要训练整个模型,可以根据任务处理的不同选择调用不同的更新解码器,以实现对应的任务处理,提高了多任务处理的灵活性。
如图2所示,是本发明多任务处理装置的功能模块图。
本发明所述多任务处理装置100可以安装于电子设备中。根据实现的功能,所述多任务处理装置可以包括数据获取模块101、模型训练模块102、任务处理模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据获取模块101用于获取不同任务类别对应的训练文本集;获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;
所述模型训练模块102用于利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;
所述任务处理模块103用于当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果。
详细地,本发明实施例中所述多任务处理装置100中所述的各模块在使用时采用与上述图1中所述的多任务处理方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现多任务处理方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如多任务处理程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如多任务处理程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如多任务处理程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的多任务处理程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取不同任务类别对应的训练文本集;
获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;
利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;
当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取不同任务类别对应的训练文本集;
获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;
利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;
当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种多任务处理方法,其特征在于,所述方法包括:
获取不同任务类别对应的训练文本集;
获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;
利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;
当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果。
2.如权利要求1所述的多任务处理方法,其特征在于,所述利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器,包括:
确定所有所述任务类别中的目标任务类别;
将所述目标任务类别对应的训练文本集确定为目标训练文本集,并将所述目标任务类别对应的解码器确定为目标解码器;
利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取,得到文本特征向量;
利用所述目标解码器中的注意力机制网络对所述文本特征向量进行加权计算,得到加权特征向量;
利用所述目标解码器中的全连接网络对所述加权特征向量进行特征压缩,得到标签分析值;
获取所述加权特征向量对应的训练文本的任务标签确认该训练文本对应的标签真实值;
利用预设损失函数计算所述标签分析值及所述标签真实值之间的任务损失值;
当所述任务损失值大于或等于所述损失阈值,更新所述解码器的参数,返回所述利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取步骤;
当所述任务损失值小于所述损失阈值,输出解码器,得到所述更新解码器。
3.如权利要求2所述的多任务处理方法,其特征在于,所述利用所述编码器选取所述目标训练文本集中的训练文本进行特征提取,得到文本特征向量,包括:
选取所述目标训练文本集中任意一条训练文本,得到目标训练文本,并将所述目标训练文本集中的目标训练文本删除,以得到更新后的目标训练文本集;
利用所述编码器将所述目标训练文本转化为向量,得到目标训练文本向量;
对所述目标训练文本向量进行卷积运算,得到所述文本特征向量。
4.如权利要求3所述的多任务处理方法,其特征在于,所述利用所述编码器将所述目标训练文本转化为向量,得到目标训练文本向量,包括:
利用所述编码器将所述目标训练文本中的每个字符转化为向量,得到对应的字符向量;
将所有所述字符向量按照每个所述字符向量对应的字符在所述目标训练文本中的先后顺序进行组合,得到所述目标训练文本向量。
5.如权利要求2所述的多任务处理方法,其特征在于,所述利用所述目标解码器中的注意力机制网络对所述文本特征向量进行加权计算,得到加权特征向量,包括:
利用所述注意力机制网络中的全连接层对所述文本特征向量进行全局池化,得到池化特征向量;
获取所述全连接层的权重和偏置,基于预设的激活函数及获取的权重和偏置对所述池化特征向量进行计算,得到所述注意力权重。
6.如权利要求1至5中任意一项所述的多任务处理方法,其特征在于,所述利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果,包括:
将与所述任务处理类别相同的任务类别确定为目标类别;
将所述目标类别对应的更新解码器确定为目标更新解码器;
将所述编码器及所述目标更新解码器进行串联,得到目标任务处理模型;
将所述待处理任务文本输入所述目标任务处理模型,得到所述任务处理结果。
7.一种多任务处理装置,其特征在于,包括:
数据获取模块,用于获取不同任务类别对应的训练文本集;获取预构建的编码器及多个解码器,其中,所述解码器与所述任务类别一一对应;
模型训练模块,用于利用所述任务类别对应的训练文本集对该任务类别对应的解码器进行迭代训练,得到该任务类别对应的更新解码器;
任务处理模块,用于当获取待处理任务文本及对应任务处理类别时,利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果。
8.如权利要求7所述的多任务处理装置,其特征在于,所述利用所述任务处理类别筛选所述更新解码器与所述编码器进行组合,以构建模型对所述待处理任务文本进行处理,得到任务处理结果,包括:
将与所述任务处理类别相同的任务类别确定为目标类别;
将所述目标类别对应的更新解码器确定为目标更新解码器;
将所述编码器及所述目标更新解码器进行串联,得到目标任务处理模型;
将所述待处理任务文本输入所述目标任务处理模型,得到所述任务处理结果。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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权利要求1至6中任一项所述的多任务处理方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的多任务处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271177.6A CN115600644A (zh) | 2022-10-17 | 2022-10-17 | 多任务处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271177.6A CN115600644A (zh) | 2022-10-17 | 2022-10-17 | 多任务处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115600644A true CN115600644A (zh) | 2023-01-13 |
Family
ID=84846555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211271177.6A Pending CN115600644A (zh) | 2022-10-17 | 2022-10-17 | 多任务处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600644A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227629A (zh) * | 2023-05-10 | 2023-06-06 | 荣耀终端有限公司 | 一种信息解析方法、模型训练方法、装置及电子设备 |
CN116739047A (zh) * | 2023-08-16 | 2023-09-12 | 中汽信息科技(天津)有限公司 | 汽车螺栓拧紧曲线重建模型构建和拧紧质量识别方法 |
-
2022
- 2022-10-17 CN CN202211271177.6A patent/CN115600644A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227629A (zh) * | 2023-05-10 | 2023-06-06 | 荣耀终端有限公司 | 一种信息解析方法、模型训练方法、装置及电子设备 |
CN116227629B (zh) * | 2023-05-10 | 2023-10-20 | 荣耀终端有限公司 | 一种信息解析方法、模型训练方法、装置及电子设备 |
CN116739047A (zh) * | 2023-08-16 | 2023-09-12 | 中汽信息科技(天津)有限公司 | 汽车螺栓拧紧曲线重建模型构建和拧紧质量识别方法 |
CN116739047B (zh) * | 2023-08-16 | 2023-10-27 | 中汽信息科技(天津)有限公司 | 汽车螺栓拧紧曲线重建模型构建和拧紧质量识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814962A (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
CN112052370A (zh) | 报文生成方法、装置、电子设备及计算机可读存储介质 | |
CN115600644A (zh) | 多任务处理方法、装置、电子设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN114881616A (zh) | 业务流程执行方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN112733551A (zh) | 文本分析方法、装置、电子设备及可读存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114913371A (zh) | 多任务学习模型训练方法、装置、电子设备及存储介质 | |
CN113806434A (zh) | 大数据处理方法、装置、设备及介质 | |
CN113890712A (zh) | 数据传输方法、装置、电子设备及可读存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN114186132A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN115129753A (zh) | 数据血缘关系分析方法、装置、电子设备及存储介质 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN112541688A (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
CN115496166A (zh) | 多任务处理方法、装置、电子设备及存储介质 | |
CN115982454A (zh) | 基于用户画像的问卷推送方法、装置、设备及存储介质 | |
CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
CN114461531A (zh) | 测试用例的平台适应性测试方法、装置、设备及存储介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN114185522A (zh) | 页面主题定制方法、装置、电子设备及存储介质 |
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 |