CN115860121B - 文本推理方法、装置、设备以及存储介质 - Google Patents
文本推理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115860121B CN115860121B CN202211546293.4A CN202211546293A CN115860121B CN 115860121 B CN115860121 B CN 115860121B CN 202211546293 A CN202211546293 A CN 202211546293A CN 115860121 B CN115860121 B CN 115860121B
- Authority
- CN
- China
- Prior art keywords
- text data
- text
- reasoning
- data
- length
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种文本推理方法、装置、设备以及存储介质,涉及人工智能技术领域,尤其涉及文本推理技术领域。具体实现方案为:将多个原始文本数据转换为文本长度相同的多个中间文本数据;将多个中间文本数据合并,得到合并文本数据;对合并文本数据进行文本推理计算,得到合并推理结果;以及根据合并推理结果,确定与多个原始文本数据中每个原始文本数据对应的子推理结果。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及文本推理技术领域。
背景技术
文本推理表示构造文本的某种表示,以便在这种表示之上,能够通过相应的计算获取句子的隐式涵义以及句间的隐式联系。在网络信息爆炸的今天,文本推理显得越来越重要,它已经成为文本理解、集聚分析、文摘生成、信息提取以及其他诸多自然语言处理应用的核心问题。
发明内容
本公开提供了一种文本推理方法、装置、设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种文本推理方法,包括:将多个原始文本数据转换为文本长度相同的多个中间文本数据;将所述多个中间文本数据合并,得到合并文本数据;对所述合并文本数据进行文本推理计算,得到合并推理结果;以及根据所述合并推理结果,确定与所述多个原始文本数据中每个原始文本数据对应的子推理结果。
根据本公开的另一方面,提供了一种文本推理装置,包括:转换模块,用于将多个原始文本数据转换为文本长度相同的多个中间文本数据;合并模块,用于将所述多个中间文本数据合并,得到合并文本数据;推理模块,用于对所述合并文本数据进行文本推理计算,得到合并推理结果;以及确定模块,用于根据所述合并推理结果,确定与所述多个原始文本数据中每个原始文本数据对应的子推理结果。
本公开的另一个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实施例所示的方法。
根据本公开实施例的另一方面,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本公开实施例所示的方法。
根据本公开实施例的另一方面,提供了一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现本公开实施例所示方法的步骤。
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示意性示出了根据本公开实施例的可以应用文本推理方法和装置的示例性系统架构;
图2示意性示出了根据本公开的实施例的文本推理方法的流程图;
图3示意性示出了根据本公开的实施例的文本推理模型的示意图;
图4示意性示出了根据本公开的实施例的对合并文本数据进行文本推理计算的方法的流程图;
图5示意性示出了根据本公开实施例的文本推理装置的框图;
图6示意性示出了可以用来实施本公开的实施例的示例电子设备的框图。
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。
以下将结合图1对本公开提供的文本推理方法和装置的系统架构进行描述。
图1示意性示出了根据本公开实施例的可以应用文本推理方法和装置的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构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上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备1 01、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
用户可以利用终端设备101、102、103向服务器105发送用户请求。服务器105可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。例如,用户可以利用终端设备向服务器105发送搜索请求,服务器105可以利用语言模型,对搜索请求中搜索词进行文本推理计算,从而得到与该搜索词向对应的搜索结果,并将搜索结果反馈给终端设备。
服务器105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。
需要说明的是,本公开实施例所提供的文本推理方法一般可以由服务器105执行。相应地,本公开实施例所提供的文本推理装置一般可以设置于服务器105中。本公开实施例所提供的文本推理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的文本推理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
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。
在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、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
以下将结合图2对本公开提供的文本推理方法进行描述。
图2示意性示出了根据本公开的实施例的文本推理方法的流程图。
如图2所示,该方法200包括在操作S210,将多个原始文本数据转换为文本长度相同的多个中间文本数据。
根据本公开的实施例,例如可以将多个原始文本数据转换为文本长度为基准长度的文本数据,转换后的原始文本数据可以即为中间文本数据。其中,基准长度大于或等于每个原始文本数据的文本长度。例如,可以对多个原始文本数据中小于基准长度的原始文本数据进行数据填充,从而使原始文本数据的文本长度增加至基准长度。
根据本公开的实施例,原始文本数据可以根据原始文本来确定。例如,可以根据原始文本进行嵌入(Embedding)计算,得到原始文本数据。
根据本公开的另一实施例,还可以获取流式数据,然后将流式数据分为多个文本段。可以对每个文本段进行嵌入计算,得到原始文本数据。
然后,在操作S220,将多个中间文本数据合并,得到合并文本数据。
根据本公开的实施例,例如可以将多个中间文本数据首尾拼接,从而将多个中间文本数据合并为合并文本数据。需要说明的是,除了上述方式外,还可以根据其他方式将多个中间文本数据合并,本公开对此不作具体限定。
在操作S230,对合并文本数据进行文本推理计算,得到合并推理结果。
在操作S240,根据合并推理结果,确定与多个原始文本数据中每个原始文本数据对应的子推理结果。
相关技术分别对每个原始文本数据进行推理计算,以得到每个原始文本数据所对应的推理结果,计算效率较低,实时率较低。
根据本公开的实施例,通过将多个原始文本数据转换为文本长度相同的多个中间文本数据,并合并为合并文本数据。然后对合并文本数据进行文本推理计算,可以使多个原始文本数据在同一批次内处理,提高计算效率和实时率。
根据本公开的另一实施例,例如可以确定多个原始文本数据的文本长度中最长的文本长度,作为基准长度。然后将每个原始文本数据转换为具有基准长度的中间文本数据。
基于此,例如可以针对每个原始文本数据,在原始文本数据的文本长度为基准长度的情况下,确定原始文本数据作为中间文本数据。在原始文本数据的文本长度小于基准长度的情况下,根据基准长度,在原始文本数据的尾部进行数据填充,得到中间文本数据。其中,填充的数据可以是任意字符,本方案对此不作具体限定。
根据本公开的实施例,通过在多个原始文本数据的文本长度中确定最长的文本长度作为基准长度,可以减少所需填充的数据量,提高计算速度。
例如,原始文本数据可以包括[1 2 3]和[4 5 6 7],基于此,可以确定[1 2 3]的文本长度为3,[4 5 6 7]的文本长度为4。可以确定文本长度为4作为基准长度。然后可以在[1 2 3]的尾部填充X,得到[1 2 3 X],其中,X可以为任意数值,即得到中间文本数据包括[1 2 3 X]和[4 5 6 7]。然后可以将[1 2 3 X]和[4 5 6 7]合并,得到合并文本数据为[12 3 X 4 5 6 7]。
根据本公开的实施例,例如可以利用文本推理模型来对并文本数据进进行文本推理计算。其中,文本推理模型例如可以包括LSTM(Long short-term memor,长短期记忆)模型、RNN(Recurrent Neural Network,循环神经网络)模型、attention(注意力)模型,transformer(变换器)模型,conformer(卷积增强的transformer模型)等。
以下将参考图3。结合具体实施例对上文所示的文本推理模型做进一步说明。本领域技术人员可以理解,以下示例实施例仅用于理解本公开,本公开并不局限于此。
图3示意性示出了根据本公开的实施例的文本推理模型的示意图。
示例性地,本实施例中,文本推理模型可以包括LSTM模型。如图3所示,LSTM模型的输入可以包括xj、hj-1和cj-1,输出可以包括yj、hj和cj。其中,xj可以为当前计算轮次下输入的原始文本数据,hj-1和cj-1可以为目标状态信息,示例性地,本实施例中,可以接收来自上一计算轮次的状态信息作为目标目标状态信息。yj可以为当前计算轮次下的输出,hj和cj可以为当前计算轮次下的状态信息。示例性地,本实施例中,hj和cj可以传递到下一计算轮次中。其中,j可以为正整数。
以下将结合图4对本公开提供的对合并文本数据进行文本推理计算的方法进行描述。
图4示意性示出了根据本公开的实施例的对合并文本数据进行文本推理计算的方法的流程图。
如图4所示,该方法430包括在操作S431,分别对合并文本数据中第i个中间文本数据的第j个子数据进行文本推理计算,得到多个计算结果,其中,i和j均为正整数。
示例性地,本实施例中,文本数据例如可以包括多个数值,每个数值即为可以一个子数据。
然后,在操作S432,根据多个计算结果,确定合并推理结果。
根据本公开的实施例,对合并文本数据中第i个中间文本数据的第j个子数据进行文本推理计算例如可以包括以下操作:获取目标状态信息。然后根据目标状态信息,对第j个子数据进行文本推理计算,得到计算结果和本轮状态信息。根据本公开的实施例,如果j小于等于第i个中间文本数据的文本长度,则表示该第j个子数据不是填充数据。如果j大于第i个中间文本数据的文本长度时,则表示该第j个子数据是填充数据。基于此,可以在j小于等于第i个中间文本数据的文本长度的情况下,根据本轮状态信息,更新目标状态信息。例如,可以将本轮状态信息作为新的目标状态信息。在j大于第i个中间文本数据的文本长度的情况下,保持原目标状态信息不变。特别地,当j为1的情况下,目标状态信息可以为初始值。其中,初始值可以根据实际需要设置。
根据本公开的实施例,例如可以针对每个原始文本数据,根据原始文本数据的文本长度,对合并推理结果进行截取,得到与原始文本数据对应的子推理结果。
例如,原始文本数据a和b的文本长度分别为3和4。对应的合并推理结果包括8维的数据。基于此,可以截取第1至3维的数据,得到a的子推理结果,可以截取第5至8维的数据,得到b的子推理结果。
下面结合具体实施例对上文所示的文本推理方法做进一步说明。本领域技术人员可以理解,以下示例实施例仅用于理解本公开,本公开并不局限于此。
示例性地,本实施例中,可以定义请求为Q,第i个请求为q_i(i为正整数),第i个请求的状态信息为STATE_i。每个请求对应一个原始文本数据。
以文本推理模型包括单层LSTM模型为例,单层LSTM模型中,一个请求的状态信息为h和c,均为1*dim的矩阵。其中,dim是文本推理模型的维度。
根据本公开的实施例,第k次推理计算时(k为正整数),第i个请求送入的原始文本数据的文本长度可以记为len1_k_i,此时第i个请求已经被计算的总文本长度可以记为len2_k_i。合并请求后的状态信息命名为H和C,其中,可以以H_i和C_i来表示q_i的状态信息h和状态信息c。
根据本公开的实施例,可以统计所有原始文本数据的文本长度,并获取其中最长的文本长度,记为max_len_k。
然后,可以将所有原始文本数据的长度补齐为max_len_k,空余的部位填充任意数值均可。同时创建mask数组以记录每个请求文本数据的文本长度。
例如,q_1的原始文本数据为[2 8 5],q_2的原始文本数据为[7 1 6 3],则合并后的合并文本数据可以为[2 8 5 X 7 1 6 3],其中,X就是补齐长度所填充的数值。另外,[28 5]的文本长度为3,[7 1 6 3]的文本长度为4,则可以得到mask数组数值为[3,4]。
接下来,可以利用LSTM模型对[2 8 5 X 7 1 6 3]进行文本推理计算。每次推理计算按照最大的文本长度max_len_k进行计算。示例性地,本实施例中,推理计算可以由GPU(图形处理器)执行,GPU为了提高计算效率会使用同一个函数并行计算所有的文本数据。
根据本公开的实施例,可以除了文本数据之外,还可以向LSTM模型输入mask和index参数,其中,index为推理计算的次数。GPU同一时刻对合并文本数据中每组数据进行推理计算时,在计算得到状态信息H_i和C_i后,判断下index是否大于q_i在mask中的数值(即q_i原始文本的文本长度),如果大于,则不更新对应的目标状态信息H和C。否则,根据当前计算得到H_i和C_i更新目标状态信息H和C。
示例性地,本实施例中,LSTM模型的输出output(即合并推理结果)可以为[8,lstm_out_dim],即包含8个lstm_out_dim数据。其中,lstm_out_dim的维度等于LSTM模型的输出维度。对每个请求,比如q_i,可以根据其在mask中记录的文本长度从output中截取对应输出,得到q_i所对应的子推理结果。另外可以从H和C中取出H_i和C_i作为自身状态进行保存,以供下一次推理计算时使用。示例性地,本实施例中,q_1多对应所对应的子推理结果为output[0:3](即合并推理结果中的第1个到第3个数据),q_2所对应的子推理结果为output[4:8](即合并推理结果中的第5个到第8个数据)。
以下将结合图5对本公开提供的文本推理装置进行描述。
图5示意性示出了根据本公开实施例的文本推理装置的框图。
如图5所示,文本推理装置500包括转换模块510、合并模块520、推理模块530和确定模块540。
转换模块510,用于将多个原始文本数据转换为文本长度相同的多个中间文本数据。
合并模块520,用于将多个中间文本数据合并,得到合并文本数据。
推理模块530,用于对合并文本数据进行文本推理计算,得到合并推理结果。
确定模块540,用于根据合并推理结果,确定与多个原始文本数据中每个原始文本数据对应的子推理结果。
根据本公开的实施例,所述转换模块可以包括:基准确定子模块,用于确定所述多个原始文本数据的文本长度中最长的文本长度,作为基准长度;以及中间转换子模块,用于将所述每个原始文本数据转换为具有所述基准长度的中间文本数据。
根据本公开的实施例,所述中间转换子模块可以包括:第一确定单元,用于针对所述每个原始文本数据,在所述原始文本数据的文本长度为所述基准长度的情况下,确定所述原始文本数据作为所述中间文本数据;以及第二确定单元,用于针对所述每个原始文本数据,在所述原始文本数据的文本长度小于所述基准长度的情况下,根据所述基准长度,在所述原始文本数据的尾部进行数据填充,得到所述中间文本数据。
根据本公开的实施例,所述推理模块可以包括:计算子模块,用于分别对所述合并文本数据中第i个中间文本数据的第j个子数据进行文本推理计算,得到多个计算结果,其中,i和j均为正整数;以及结果确定子模块,用于根据所述多个计算结果,确定所述合并推理结果。
根据本公开的实施例,所述计算子模块可以包括:获取单元,用于获取目标状态信息;计算单元,用于根据所述目标状态信息,对所述第j个子数据进行文本推理计算,得到计算结果和本轮状态信息;以及更新单元,用于在所述j小于等于所述第i个中间文本数据的文本长度的情况下,根据所述本轮状态信息,更新所述目标状态信息。
根据本公开的实施例,所述确定模块可以包括:截取子模块,用于针对所述每个原始文本数据,根据所述原始文本数据的文本长度,对所述合并推理结果进行截取,得到与所述原始文本数据对应的子推理结果。
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示意性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,例如文本推理方法。例如,在一些实施例中,文本推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文本推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)而被配置为执行文本推理方法。
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、现场可编程门阵列(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。
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 (8)
1.一种文本推理方法,包括:
将多个原始文本数据转换为文本长度相同的多个中间文本数据;
将所述多个中间文本数据合并,得到合并文本数据;
对所述合并文本数据进行文本推理计算,得到合并推理结果;以及
根据所述合并推理结果,确定与所述多个原始文本数据中每个原始文本数据对应的子推理结果;
其中,所述将多个原始文本数据转换为文本长度相同的多个中间文本数据,包括:
确定所述多个原始文本数据的文本长度中最长的文本长度,作为基准长度;以及
将所述每个原始文本数据转换为具有所述基准长度的中间文本数据;
其中,对所述合并文本数据进行文本推理计算,得到合并推理结果包括:
利用多个图形处理单元,使用同一函数并行处理所述合并文本数据中的多个中间文本数据,其中,分别对所述合并文本数据中第i个中间文本数据的第j个子数据进行文本推理计算,得到多个计算结果,其中,i和j均为正整数;以及根据所述多个计算结果,确定所述合并推理结果;
其中,所述对所述合并文本数据中第i个中间文本数据的第j个子数据进行文本推理计算,包括:
获取目标状态信息;
根据所述目标状态信息,对所述第j个子数据进行文本推理计算,得到计算结果和本轮状态信息;以及
在所述j小于等于所述第i个中间文本数据的文本长度的情况下,利用所述本轮状态信息更新所述目标状态信息;在所述j大于所述第i个中间文本数据的文本长度的情况下,保持目标状态信息不变。
2.根据权利要求1所述的方法,其中,所述将所述每个原始文本数据转换为具有所述基准长度的中间文本数据,包括:
针对所述每个原始文本数据,
在所述原始文本数据的文本长度为所述基准长度的情况下,确定所述原始文本数据作为所述中间文本数据;以及
在所述原始文本数据的文本长度小于所述基准长度的情况下,根据所述基准长度,在所述原始文本数据的尾部进行数据填充,得到所述中间文本数据。
3.根据权利要求1所述的方法,其中,所述根据所述合并推理结果,确定与所述多个原始文本数据中每个原始文本数据对应的子推理结果,包括:
针对所述每个原始文本数据,
根据所述原始文本数据的文本长度,对所述合并推理结果进行截取,得到与所述原始文本数据对应的子推理结果。
4.一种文本推理装置,包括:
转换模块,用于将多个原始文本数据转换为文本长度相同的多个中间文本数据;
合并模块,用于将所述多个中间文本数据合并,得到合并文本数据;
推理模块,用于对所述合并文本数据进行文本推理计算,得到合并推理结果;以及
确定模块,用于根据所述合并推理结果,确定与所述多个原始文本数据中每个原始文本数据对应的子推理结果;
其中,所述转换模块包括:
基准确定子模块,用于确定所述多个原始文本数据的文本长度中最长的文本长度,作为基准长度;以及
中间转换子模块,用于将所述每个原始文本数据转换为具有所述基准长度的中间文本数据;
其中,所述推理模块还用于:
利用多个图形处理单元,使用同一函数并行处理所述合并文本数据中的多个中间文本数据;
其中,所述推理模块,包括:
计算子模块,用于分别对所述合并文本数据中第i个中间文本数据的第j个子数据进行文本推理计算,得到多个计算结果,其中,i和j均为正整数;以及
结果确定子模块,用于根据所述多个计算结果,确定所述合并推理结果;
其中,所述计算子模块,包括:
获取单元,用于获取目标状态信息;
计算单元,用于根据所述目标状态信息,对所述第j个子数据进行文本推理计算,得到计算结果和本轮状态信息;以及
更新单元,用于在所述j小于等于所述第i个中间文本数据的文本长度的情况下,利用所述本轮状态信息更新所述目标状态信息;在所述j大于所述第i个中间文本数据的文本长度的情况下,保持目标状态信息不变。
5.根据权利要求4所述的装置,其中,所述中间转换子模块,包括:
第一确定单元,用于针对所述每个原始文本数据,在所述原始文本数据的文本长度为所述基准长度的情况下,确定所述原始文本数据作为所述中间文本数据;以及
第二确定单元,用于针对所述每个原始文本数据,在所述原始文本数据的文本长度小于所述基准长度的情况下,根据所述基准长度,在所述原始文本数据的尾部进行数据填充,得到所述中间文本数据。
6.根据权利要求4所述的装置,其中,所述确定模块,包括:
截取子模块,用于针对所述每个原始文本数据,根据所述原始文本数据的文本长度,对所述合并推理结果进行截取,得到与所述原始文本数据对应的子推理结果。
7.一种电子设备,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1-3中任一项所述的方法。
8.一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1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546293.4A CN115860121B (zh) | 2022-12-02 | 2022-12-02 | 文本推理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546293.4A CN115860121B (zh) | 2022-12-02 | 2022-12-02 | 文本推理方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860121A CN115860121A (zh) | 2023-03-28 |
CN115860121B true CN115860121B (zh) | 2024-04-26 |
Family
ID=85669766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211546293.4A Active CN115860121B (zh) | 2022-12-02 | 2022-12-02 | 文本推理方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860121B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6614325B1 (ja) * | 2018-12-28 | 2019-12-04 | 富士通クライアントコンピューティング株式会社 | 推論処理装置及び情報処理システム |
CN113836876A (zh) * | 2021-09-22 | 2021-12-24 | 北京百度网讯科技有限公司 | 文档处理方法、装置、电子设备和介质 |
CN114943339A (zh) * | 2022-03-28 | 2022-08-26 | 深圳市百川数安科技有限公司 | 基于互联网社区的文本推理方法、装置及存储介质 |
CN115017914A (zh) * | 2022-05-27 | 2022-09-06 | 深圳市欢太科技有限公司 | 语言处理方法、装置、电子设备以及存储介质 |
CN115204396A (zh) * | 2022-06-24 | 2022-10-18 | 重庆觉晓科技有限公司 | 一种基于交互式阅读理解的文本语义推理方法及系统 |
CN115328642A (zh) * | 2022-03-28 | 2022-11-11 | 深圳市百川数安科技有限公司 | 基于互联网社区的文本动态推理方法、装置及存储介质 |
-
2022
- 2022-12-02 CN CN202211546293.4A patent/CN115860121B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6614325B1 (ja) * | 2018-12-28 | 2019-12-04 | 富士通クライアントコンピューティング株式会社 | 推論処理装置及び情報処理システム |
CN113836876A (zh) * | 2021-09-22 | 2021-12-24 | 北京百度网讯科技有限公司 | 文档处理方法、装置、电子设备和介质 |
CN114943339A (zh) * | 2022-03-28 | 2022-08-26 | 深圳市百川数安科技有限公司 | 基于互联网社区的文本推理方法、装置及存储介质 |
CN115328642A (zh) * | 2022-03-28 | 2022-11-11 | 深圳市百川数安科技有限公司 | 基于互联网社区的文本动态推理方法、装置及存储介质 |
CN115017914A (zh) * | 2022-05-27 | 2022-09-06 | 深圳市欢太科技有限公司 | 语言处理方法、装置、电子设备以及存储介质 |
CN115204396A (zh) * | 2022-06-24 | 2022-10-18 | 重庆觉晓科技有限公司 | 一种基于交互式阅读理解的文本语义推理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115860121A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561078B (zh) | 分布式的模型训练方法及相关装置 | |
EP3933719A2 (en) | Method, apparatus, device, storage medium and computer program product for labeling data | |
CN115454706A (zh) | 一种系统异常确定方法、装置、电子设备及存储介质 | |
CN112764755B (zh) | 代码转换方法、装置、设备以及存储介质 | |
CN115860121B (zh) | 文本推理方法、装置、设备以及存储介质 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN114742035A (zh) | 基于注意力机制优化的文本处理方法、网络模型训练方法 | |
CN114238611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN115688917A (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN113408304B (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN115904240A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115081607A (zh) | 基于嵌入算子的反向计算方法、装置、设备以及存储介质 | |
CN114662688A (zh) | 模型的训练方法、数据处理方法、装置、电子设备及介质 | |
CN113656689A (zh) | 模型生成方法和网络信息的推送方法 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
CN115482422B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
US20220374603A1 (en) | Method of determining location information, electronic device, and storage medium | |
CN117271840B (zh) | 图数据库的数据查询方法、装置及电子设备 | |
CN112989797B (zh) | 模型训练、文本扩展方法,装置,设备以及存储介质 | |
CN111709787B (zh) | 用于生成用户留存时间的方法、装置、电子设备和介质 | |
CN117892137A (zh) | 信息处理及其大模型的训练方法、装置、设备及存储介质 | |
CN111709583B (zh) | 用户留存时间生成方法、装置、电子设备和介质 | |
CN115034198A (zh) | 语言模型中嵌入模块计算优化的方法 | |
CN115982466A (zh) | 检索数据的方法、装置、设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |