CN115879446A - 文本处理方法、深度学习模型训练方法、装置以及设备 - Google Patents
文本处理方法、深度学习模型训练方法、装置以及设备 Download PDFInfo
- Publication number
- CN115879446A CN115879446A CN202211742275.3A CN202211742275A CN115879446A CN 115879446 A CN115879446 A CN 115879446A CN 202211742275 A CN202211742275 A CN 202211742275A CN 115879446 A CN115879446 A CN 115879446A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- class
- detection
- target
- 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.)
- Granted
Links
- 238000013136 deep learning model Methods 0.000 title claims abstract description 403
- 238000012549 training Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 413
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000012795 verification Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 26
- 238000013526 transfer learning Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization 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
-
- 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
- Image Analysis (AREA)
Abstract
本公开提供了一种文本处理方法、深度学习模型训练方法、文本处理装置、深度学习模型训练装置、电子设备、存储介质以及程序产品，数据处理技术领域，尤其涉及人工智能、自然语言处理、深度学习技术领域。具体实现方案为：获取输入文本；获取文本处理深度学习模型，其中，文本处理深度学习模型包括多类别检测目标深度学习模型；通过文本处理深度学习模型处理输入文本，得到文本检测结果，其中，文本检测结果包括输入文本的语法错误类别。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及人工智能、自然语言处理、深度学习技术领域，具体涉及一种文本处理方法、深度学习模型训练方法、文本处理装置、深度学习模型训练装置、电子设备、存储介质以及程序产品。
背景技术
随着人工智能技术的快速发展，自然语言处理作为人工智能的一个重要分支，可以用于文本处理等场景，如何提高文本处理效率成为一个亟需解决的技术问题。
发明内容
本公开提供了一种文本处理方法、深度学习模型训练方法、文本处理装置、深度学习模型训练装置、设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种文本处理方法，包括：获取输入文本；获取文本处理深度学习模型，其中，文本处理深度学习模型包括多类别检测目标深度学习模型；通过文本处理深度学习模型处理输入文本，得到文本检测结果，其中，文本检测结果包括输入文本的语法错误类别，多类别检测目标深度学习模型是根据以下操作得到的：利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件。
根据本公开的另一方面，提供了一种深度学习模型训练方法，包括：利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件。
根据本公开的另一方面，提供了一种文本处理装置，包括：输入文本获取模块，用于获取输入文本；文本处理深度学习模型获取模块，用于获取文本处理深度学习模型，其中，文本处理深度学习模型包括多类别检测目标深度学习模型；文本检测结果确定模块，用于通过文本处理深度学习模型处理输入文本，得到文本检测结果，其中，文本检测结果包括输入文本的语法错误类别，多类别检测目标深度学习模型是根据以下模块得到的：第一训练模块，用于利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；第二训练模块，用于利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件。
根据本公开的另一方面，提供了一种深度学习模型训练装置，包括：第一训练模块，用于利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；第二训练模块，用于利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的方法。
根据本公开的另一方面，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，计算机指令用于使计算机执行本公开实施例的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序在被处理器执行时实现本公开实施例的方法。
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示意性示出了根据本公开实施例的文本处理方法、深度学习模型训练方法和装置的系统架构图；
图2示意性示出了根据本公开实施例的深度学习模型训练方法的流程图；
图3示意性示出了根据本公开实施例的深度学习模型训练方法的流程图；
图4示意性示出了根据本公开实施例的文本处理方法的流程图；
图5示意性示出了根据本公开实施例的文本处理装置的框图；
图6示意性示出了根据本公开实施例的深度学习模型训练装置的框图；以及
图7示意性示出了可以实现本公开实施例的文本处理方法、深度学习模型训练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。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
随着人工智能技术的快速发展，自然语言处理作为人工智能的一个重要分支，可以用于语法错误检测等文本处理等场景。
语法错误检测旨在基于自然语言处理技术，自动化地识别文本中的语法错误。语法错误类别主要包括：字词误用、字词冗余、字词缺失、字词乱序，通常因用户输入疏忽、书面表达口语化、或对语法知识理解不足等造成。在自媒体时代的写作场景下，大量文本未经过人工校对，使得语法错误成为普遍存在的问题。语法错误检测系统利用自然语言处理技术，通过挖掘文本特征与分析文本语义，对文本中包含的语法错误给出提示，有助于提升作者的写作质量与读者的阅读体验。
一些实施方式，将不同类别的语法错误强耦合为一个多分类任务，不同错误类别的效果难以达到共同最优。
一些实施方式，基于预训练语言模型热启的方式依赖较大的模型架构，由于高成本、高延迟的问题，难以在线上进行部署提供高效服务。
图1示意性示出了根据本公开一实施例的文本处理方法、深度学习模型训练方法和装置的系统架构。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，本公开实施例中系统架构100可以包括：用于获取初始训练样本集的终端101、用于深度学习模型训练的终端102和用于文本处理的终端103。
本公开实施例中，终端101可以用于获得用于训练初始深度学习模型的样本集，样本集可以包括第一样本集、第二样本集、第三样本集以及第四样本集。终端102可以根据终端101获得的样本集执行对应的深度学习模型训练方法以实现初始深度学习模型的模型训练，得到多类别检测目标深度学习模型、目标学生模型。终端103可以基于终端102获得的多类别检测目标深度学习模型或者目标学生模型对输入文本进行处理，得到文本检测结果。
需要说明的是，文本处理和深度学习模型的训练可以在同一终端上实现，也可在不同终端实现。
终端101、终端102和终端103可以是服务器，还可以是服务器集群。
应该理解，图1中终端101、终端102和终端103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101、终端102和终端103。
应注意，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。
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。
本公开实施例提供了一种深度学习模型训练方法，下面结合图1的系统架构，参考图2～图3来描述根据本公开示例性实施方式的深度学习模型训练方法。本公开实施例的深度学习模型训练方法例如可以由图1所示的服务器102来执行。
图2示意性示出了根据本公开一实施例的深度学习模型训练方法的流程图。
如图2所示，本公开实施例的深度学习模型训练方法200例如可以包括操作S210～操作S220。
在操作S210，利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型。
初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器。
目标检测类别可以根据需求确定。例如，在检测语法错误类别的场景下，目标检测类别可以包括具体的语法错误类别。
示例性地，多类别检测目标深度学习模型可以用于检测语法错误类别，目标检测类别可以包括误用语法错误类别、冗余语法错误类别、缺失语法错误类别以及乱序语法错误类别中的至少两个。
多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件。
每一个单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件。
需要说明的是，单类别检测深度学习模型、多类别检测深度学习模型的模型结构均与初始深度学习模型的模型结构相同。单类别检测深度学习模型、多类别检测深度学习模型也都可以实现多种目标检测类别的检测，例如，以上述的语法错误类别检测的场景为例，单类别检测深度学习模型也可以实现多个语法错误类别检测的功能，只是单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件，例如，单类别检测深度学习模型针对某一个目标检测类别的检测精度最高、检测性能最优等。
在操作S220，利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型。
多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件。
根据本公开实施例的深度学习模型训练方法，通过利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，由于多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，因此，多类别检测深度学习模型在检测多个目标检测类别的性能方面可以达到预定精度，由于单类别检测深度学习型模型满足对应的一个目标检测类别的第一单类别检测精度条件，因此，单类别检测深度学习模型在检测对应的一个目标检测类别的性能方面可以达到预定精度。通过利用第二样本集对多类别检测深度学习模型进行训练，得到的多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件，由此，多类别检测目标深度学习模型可以在检测多个目标检测类别的性能方面以及检测每一个单独的目标检测类别的性能方面均可以达到预定精度，即多类别检测目标深度学习模型可以在任意一个单独的目标检测类别的性能方面共同趋近于最优。
图3示意性示出了根据本公开另一实施例的深度学习模型训练方法300的示意图。
如图3所示，根据本公开另一实施例的深度学习模型训练方法300还可以包括操作S330。
在操作S330，利用教师模型对学生模型M4进行迁移学习，得到目标学生模型M5。
多类别检测目标深度学习模型M3为教师模型。学生模型包括第二预训练深度学习模型和与每一种目标检测类别关联的二分类器。
第二预训练深度学习模型的模型参数小于第一预训练深度学习模型的模型参数。
第一预训练深度学习模型、第二预训练深度学习模型可以包括多个网络层，模型参数例如可以包括每一个网络层的权重和偏置量。
示例性地，例如可以将第一预训练深度学习模型作为初始的教师模型，基于训练后的第一预训练深度学习模型得到的多类别检测目标深度学习模型为教师模型。
迁移学习可以理解为将已训练好的深度学习模型参数迁移到新的深度学习模型以帮助模型训练的技术。
教师模型对应的第一预训练深度学习模型例如可以是ERNIE Base，学生模型对应的第二预训练深度学习模型例如可以是ERNIE Tiny。
教师模型的网络结构更加复杂，规模更大，建模能力更强，具有更好的性能和泛化能力，根据本公开实施例的深度学习模型训练方法，通过教师模型-学生模型的迁移学习得到的目标学生模型也可以具有与教师模型相似的更优的性能、更强的建模能力，同时目标学生模型的结构更简单、模型规模更小，例如可以直接用于线上部署。
在图3的示例中，还示意性示出了操作S310的利用第一样本集301对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型的具体示例。
图3示出了初始深度学习模型包括x个二分类器的具体示例，每一个二分类器针对其中一个目标检测类别。图3还示出了由第一样本集301对初始深度学习型模型进行训练，得到的(x-1)个单类别检测深度学习模型和多类别检测深度学习模型M2。图3还示意性示出了其中一个针对目标检测类别c1的单类别检测深度学习模型M1-c1。
在图3的示例中，还示意性示出了操作S320的利用第二样本集302对多类别检测深度学习模型M2进行训练，得到多类别检测目标深度学习模型M3的具体示例。
示例性地，根据本公开又一实施例的深度学习模型训练方法，例如可以利用以下实施例实现利用教师模型对学生模型进行迁移学习，得到目标学生模型的具体示例：针对第三样本集的任意一个训练样本，将训练样本分别输入N个教师模型，得到N个类别检测结果。针对第三样本集的任意一个训练样本，将训练样本分别输入N个教师模型，得到N个类别检测结果。根据N个类别检测结果中每一种目标检测类别的数量以及类别检测结果筛选阈值K，确定目标检测结果。利用目标检测结果对学生模型进行迁移学习，得到目标学生模型。
教师模型包括N个，N为大于1的整数。K为大于0且小于等于N的整数。
N例如可以在2-6的范围内取值。
根据本公开实施例的深度学习模型训练方法，考虑到单个教师模型能力仍有限，因此可以训练N个教师模型。每个教师模型可以对第三样本集的任意一个训练样本进行处理，得到类别检测结果。然后可以对每个教师模型的类别检测结果进行筛选，得到的目标检测结果更加准确，由此，本公开实施例的深度学习模型训练方法得到的多类别检测目标深度学习的性能更优。
示例性地，以语法错误类别检测为例，在N个类别检测结果表征存在语法错误E(E例如为误用、冗余、缺失、乱序)的教师模型个数等于或者超过类别检测结果筛选阈值K的情况下，可以认为目标检测结果表征存在语法错误E。
需要说明的是，根据本公开实施例的深度学习模型训练方法，在用于语法错误类别检测的情况下，类别检测结果例如可以是针对文本形式的训练样本的每一个字/词对应位置的语法错误类别检测结果。
如图3所示，根据本公开实施例的深度学习模型训练方法300还可以包括操作S340。
在操作S340，利用第四样本集304对多类别检测目标深度学习模型M3进行微调，得到微调后的多类别检测目标深度学习模型。
第四样本集的样本标签是人工标注得到的。
对多类别检测目标深度学习模型进行微调例如可以是对多类别检测目标深度学习模型的模型参数进行调整。
示例性地，考虑到人工标注样本标签的成本高昂，为了提高样本标注效率以及降低样本标注成本，例如第一样本集、第二样本集、第三样本集中的至少一个的样本标签例如可以是对无标注样本进行自动标注得到的。以语法错误类别检测为例，例如可以对无标注样本基于语法错误生成策略自动标注样本标签。
例如，针对任意一个无标注样本，可以根据语法错误生成策略，对其执行例如词汇重复、词汇丢弃等操作，可以自动对执行词汇丢弃的无标注样本标注“缺失语法错误类别”的样本标签。
人工标注的第四样本集的质量更高，因此，在上述确定的多类别目标检测深度学习模型的基础上，通过利用第四样本集对多类别检测目标深度学习模型进行微调，得到微调后的多类别检测目标深度学习模型的准确性更高、性能更优、建模能力和泛化性也更强。
示例性地，在图3的示例中，教师模型可以是微调后的多类别检测目标深度学习模型。
示例性地，根据本公开又一实施例的深度学习模型训练方法，例如可以利用以下实施例实现利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型的具体示例：将第一训练子集输入初始深度学习模型，得到第一输出数据。根据第一输出数据和目标损失函数，确定第一反馈数值。根据第一反馈数值对初始深度学习模型的模型参数进行调整，得到中间深度学习模型。将第一验证子集输入中间深度学习模型，得到中间深度学习模型的验证结果。根据中间深度学习模型的验证结果和样本标签，确定第一验证结果差异数据。将第一验证结果差异数据满足多类别检测精度条件的中间深度学习模型确定为多类别检测深度学习模型，将第一验证结果差异数据满足第一单类别检测精度条件的中间深度学习模型确定为单类别检测深度学习模型。
第一样本集包括第一训练子集和第一验证子集。
目标损失函数与多类别检测精度条件、第一单类别检测精度条件相关。
目标损失函数用于评估深度学习模型的预测值与真实值的差异程度，即评估深度学习模型的性能。
示例性地，目标损失函数例如可以包括交叉熵损失函数。例如可以将针对多个目标检测类别的目标损失函数的数值最小作为多类别检测精度条件。针对任意一个目标检测类别，例如可以将针对单个目标检测类别的目标损失函数的数值最小作为第一单类别检测精度条件。
根据本公开实施例的深度学习模型训练方法，通过上述操作，可以基于第一验证子集评估中间深度学习模型的性能，并准确确定针对多个目标检测类别的检测精度最优的多类别检测深度学习模型和针对每一个目标检测类别的检测精度最优的至少一个单类别检测深度学习模型。
示例性地，例如可以利用多个训练批次的训练样本对初始深度学习模型进行训练，并保存每一个单独的目标检测类别的性能最优的checkpoint和多个目标检测类别的性能最优的checkpoint。Checkpoint用于在每一个训练批次迭代训练后保存初始深度学习模型的当前模型参数。
示例性地，根据本公开又一实施例的深度学习模型训练方法，例如可以利用以下实施例实现利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型的具体示例：将第二样本集输入多类别检测深度学习模型，得到第二输出数据。根据第二输出数据和目标损失函数，确定第二反馈数值。根据第二反馈数值对多类别检测深度学习模型的模型参数进行调整，得到多类别检测中间深度学习模型。将满足第二单类别检测精度条件的多类别检测中间深度学习模型确定为多类别检测目标深度学习模型。
第二单类别检测精度条件与目标损失函数、多类别检测中间深度学习模型与单类别检测深度学习模型两者之间的模型参数差异相关。
第二单类别检测精度条件例如可以包括第一子条件和第二子条件。
例如可以将针对每一个单个目标检测类别的目标损失函数的数值最小作为第一子条件。在满足第一子条件的基础上，可以例如可以多类别检测中间深度学习模型与每一个单类别检测深度学习模型两者之间的模型参数差异最小作为第二子条件。
根据本公开实施例的深度学习模型训练方法，通过上述操作，可以在多类别检测深度学习模型的基础上，进一步提高针对单个目标检测类别的检测性能，使得多类别检测目标深度学习模型在每种目标检测类别的检测能力共同趋近于最优。
还需要说明的是，根据本公开实施例的深度学习模型训练方法，多类别检测深度学习模型和至少一个单类别检测深度学习模型作为多类别检测目标深度学习模型的热启。多类别检测目标深度学习模型也作为目标学生模型的热启，以提高深度学习模型训练效率。
本公开实施例提供了一种文本处理方法，下面结合图1的系统架构，参考图4来描述根据本公开示例性实施方式的文本处理方法。本公开实施例的文本处理方法例如可以由图1所示的服务器103来执行。
图4示意性示出了根据本公开一实施例的文本处理方法的流程图。
如图4所示，本公开实施例的文本处理方法200例如可以包括操作S410～操作S430。
在操作S410，获取输入文本。
在操作S420，获取文本处理深度学习模型；
在操作S430，通过文本处理深度学习模型处理输入文本，得到文本检测结果。
文本处理深度学习模型包括多类别检测目标深度学习模型，文本检测结果包括输入文本的语法错误类别。
多类别检测目标深度学习模型是根据以下操作得到的：利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件。
根据本公开实施例的文本处理方法，由于采用了多类别检测目标深度学习模型对输入文本进行处理，由于应用于语法错误类别检测的多类别检测目标深度学习模型在多种语法错误类别的情况下具有更高的检测准确性，因此具有更优的性能。具体的原理和技术效果与上述深度学习模型训练方法类似，在此不再赘述。
示例性地，根据本公开另一实施例的文本处理方法，文本处理深度学习模型还包括目标学生模型，多类别检测目标深度学习模型为教师模型；目标学生模型是根据以下操作得到的：利用教师模型对学生模型进行迁移学习，得到目标学生模型，其中，学生模型包括第二预训练深度学习模型和与每一种目标检测类别关联的二分类器，第二预训练深度学习模型的模型参数小于第一预训练深度学习模型的模型参数。
示例性地，根据本公开另一实施例的文本处理方法，文本处理深度学习模型还包括微调后的多类别检测目标深度学习模型。微调后的多类别检测目标深度学习模型是根据以下操作得到的：利用第四样本集对多类别检测目标深度学习模型进行微调，得到微调后的多类别检测目标深度学习模型。第四样本集的样本标签是人工标注得到的。
需要说明的是，目标学生模型和微调后的多类别检测目标深度学习模型在文本处理方法中的技术原理和技术效果与在深度学习模型训练方法中类似，在此不再赘述。
图5示意性示出了根据本公开一实施例的文本处理装置的框图。
如图5所示，本公开实施例的文本处理装置500例如包括输入文本获取模块510、文本处理深度学习模型获取模块520以及文本检测结果确定模块530。
输入文本获取模块510，用于获取输入文本。
文本处理深度学习模型获取模块520，用于获取文本处理深度学习模型。文本处理深度学习模型包括多类别检测目标深度学习模型。
文本检测结果确定模块530，用于通过文本处理深度学习模型处理输入文本，得到文本检测结果，其中，文本检测结果包括输入文本的语法错误类别。
多类别检测目标深度学习模型是根据以下模块得到的：第一训练模块，用于利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；第二训练模块，用于利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件。
根据本公开实施例，文本处理深度学习模型还包括目标学生模型，多类别检测目标深度学习模型为教师模型；目标学生模型是根据以下模块得到的：
迁移学习模块，用于利用教师模型对学生模型进行迁移学习，得到目标学生模型，其中，学生模型包括第二预训练深度学习模型和与每一种目标检测类别关联的二分类器，第二预训练深度学习模型的模型参数小于第一预训练深度学习模型的模型参数。
图6示意性示出了根据本公开一实施例的深度学习模型训练装置的框图。
如图6所示，本公开实施例的深度学习模型训练装置600例如包括第一训练模块610、第二训练模块620。
第一训练模块610，用于利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型.
初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件。
第二训练模块620，用于利用第二样本集对多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型。
多类别检测目标深度学习模型满足对应每一个目标检测类别的第二单类别检测精度条件。
根据本公开实施例，多类别检测目标深度学习模型为教师模型；装置还包括：迁移学习模块，用于利用教师模型对学生模型进行迁移学习，得到目标学生模型。
学生模型包括第二预训练深度学习模型和与每一种目标检测类别关联的二分类器，第二预训练深度学习模型的模型参数小于第一预训练深度学习模型的模型参数。
根据本公开实施例，教师模型包括N个，N为大于1的整数；迁移学习模块包括：类别检测结果确定子模块，用于针对第三样本集的任意一个训练样本，将训练样本分别输入N个教师模型，得到N个类别检测结果；目标检测结果确定子模块，用于根据N个类别检测结果中每一种目标检测类别的数量以及类别检测结果筛选阈值K，确定目标检测结果，其中，K为大于0且小于等于N的整数；迁移学习子模块，用于利用目标检测结果对学生模型进行迁移学习，得到目标学生模型。
根据本公开实施例，第一样本集包括第一训练子集和第一验证子集；第一训练模块包括：第一输出数据确定子模块，用于将第一训练子集输入初始深度学习模型，得到第一输出数据；第一反馈数值确定子模块，用于根据第一输出数据和目标损失函数，确定第一反馈数值；中间深度学习模型确定子模块，用于根据第一反馈数值对初始深度学习模型的模型参数进行调整，得到中间深度学习模型；验证结果确定子模块，用于将第一验证子集输入中间深度学习模型，得到中间深度学习模型的验证结果；第一验证结果差异数据确定子模块，用于根据中间深度学习模型的验证结果和第一验证子集的样本标签，确定第一验证结果差异数据；模型第一确定子模块，用于将第一验证结果差异数据满足多类别检测精度条件的中间深度学习模型确定为多类别检测深度学习模型，将第一验证结果差异数据满足第一单类别检测精度条件的中间深度学习模型确定为单类别检测深度学习模型，其中，目标损失函数与多类别检测精度条件、第一单类别检测精度条件相关。
根据本公开实施例，第二训练模块包括：第二输出数据确定子模块，用于将第二样本集输入多类别检测深度学习模型，得到第二输出数据；第二反馈数值确定子模块，用于根据第二输出数据和目标损失函数，确定第二反馈数值；多类别检测中间深度学习模型确定子模块，用于根据第二反馈数值对多类别检测深度学习模型的模型参数进行调整，得到多类别检测中间深度学习模型；模型第二确定子模块，用于将满足第二单类别检测精度条件的多类别检测中间深度学习模型确定为多类别检测目标深度学习模型，其中，第二单类别检测精度条件与目标损失函数、多类别检测中间深度学习模型与单类别检测深度学习模型两者之间的模型参数差异相关。
根据本公开实施例，还包括：模型微调模块，用于利用第四样本集对多类别检测目标深度学习模型进行微调，得到微调后的多类别检测目标深度学习模型，其中，第四样本集的样本标签是人工标注得到的。
根据本公开实施例，多类别检测目标深度学习模型用于检测语法错误类别，目标检测类别包括误用语法错误类别、冗余语法错误类别、缺失语法错误类别以及乱序语法错误类别中的至少两个。
应该理解，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，所解决的技术问题和所达到的技术效果也对应相同或类似，本公开在此不再赘述。
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，例如各种类别的显示器、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，例如文本处理方法、深度学习模型训练方法。例如，在一些实施例中，文本处理方法、深度学习模型训练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文本处理方法、深度学习模型训练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)而被配置为执行文本处理方法、深度学习模型训练方法。
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。
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 (21)
1.一种文本处理方法，包括：
获取输入文本；
获取文本处理深度学习模型，其中，所述文本处理深度学习模型包括多类别检测目标深度学习模型；
通过所述文本处理深度学习模型处理所述输入文本，得到文本检测结果，其中，所述文本检测结果包括所述输入文本的语法错误类别，
所述多类别检测目标深度学习模型是根据以下操作得到的：
利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，所述初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，所述多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个所述单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；以及
利用第二样本集对所述多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，所述多类别检测目标深度学习模型满足对应每一个所述目标检测类别的第二单类别检测精度条件。
2.根据权利要求1所述的方法，其中，所述文本处理深度学习模型还包括目标学生模型，所述多类别检测目标深度学习模型为教师模型；所述目标学生模型是根据以下操作得到的：
利用所述教师模型对学生模型进行迁移学习，得到目标学生模型，其中，所述学生模型包括第二预训练深度学习模型和与每一种目标检测类别关联的二分类器，所述第二预训练深度学习模型的模型参数小于所述第一预训练深度学习模型的模型参数。
3.一种深度学习模型训练方法，包括：
利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，所述初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，所述多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个所述单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；
利用第二样本集对所述多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，所述多类别检测目标深度学习模型满足对应每一个所述目标检测类别的第二单类别检测精度条件。
4.根据权利要求3所述的方法，其中，所述多类别检测目标深度学习模型为教师模型；所述方法还包括：
利用所述教师模型对学生模型进行迁移学习，得到目标学生模型，其中，所述学生模型包括第二预训练深度学习模型和与每一种目标检测类别关联的二分类器，所述第二预训练深度学习模型的模型参数小于所述第一预训练深度学习模型的模型参数。
5.根据权利要求4所述的方法，其中，所述教师模型包括N个，N为大于1的整数；所述利用所述教师模型对学生模型进行迁移学习，得到目标学生模型包括：
针对第三样本集的任意一个训练样本，将所述训练样本分别输入N个所述教师模型，得到N个类别检测结果；
根据N个类别检测结果中每一种所述目标检测类别的数量以及类别检测结果筛选阈值K，确定目标检测结果，其中，K为大于0且小于等于N的整数；
利用所述目标检测结果对所述学生模型进行迁移学习，得到所述目标学生模型。
6.根据权利要求3所述的方法，其中，所述第一样本集包括第一训练子集和第一验证子集；所述利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型包括：
将所述第一训练子集输入所述初始深度学习模型，得到第一输出数据；
根据所述第一输出数据和目标损失函数，确定第一反馈数值；
根据所述第一反馈数值对所述初始深度学习模型的模型参数进行调整，得到中间深度学习模型；
将所述第一验证子集输入所述中间深度学习模型，得到所述中间深度学习模型的验证结果；
根据所述中间深度学习模型的验证结果和所述第一验证子集的样本标签，确定第一验证结果差异数据；
将所述第一验证结果差异数据满足所述多类别检测精度条件的所述中间深度学习模型确定为所述多类别检测深度学习模型，将所述第一验证结果差异数据满足所述第一单类别检测精度条件的所述中间深度学习模型确定为所述单类别检测深度学习模型，其中，所述目标损失函数与所述多类别检测精度条件、所述第一单类别检测精度条件相关。
7.根据权利要求3所述的方法，其中，所述利用第二样本集对所述多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型包括：
将所述第二样本集输入所述多类别检测深度学习模型，得到第二输出数据；
根据所述第二输出数据和目标损失函数，确定第二反馈数值；
根据所述第二反馈数值对所述多类别检测深度学习模型的模型参数进行调整，得到多类别检测中间深度学习模型；
将满足所述第二单类别检测精度条件的所述多类别检测中间深度学习模型确定为所述多类别检测目标深度学习模型，其中，所述第二单类别检测精度条件与所述目标损失函数、所述多类别检测中间深度学习模型与所述单类别检测深度学习模型两者之间的模型参数差异相关。
8.根据权利要求3所述的方法，还包括：
利用第四样本集对所述多类别检测目标深度学习模型进行微调，得到微调后的多类别检测目标深度学习模型，其中，所述第四样本集的样本标签是人工标注得到的。
9.根据权利要求3-8中任一项所述的方法，其中，所述多类别检测目标深度学习模型用于检测语法错误类别，所述目标检测类别包括误用语法错误类别、冗余语法错误类别、缺失语法错误类别以及乱序语法错误类别中的至少两个。
10.一种文本处理装置，包括：
输入文本获取模块，用于获取输入文本；
文本处理深度学习模型获取模块，用于获取文本处理深度学习模型，其中，所述文本处理深度学习模型包括多类别检测目标深度学习模型；
文本检测结果确定模块，用于通过所述文本处理深度学习模型处理所述输入文本，得到文本检测结果，其中，所述文本检测结果包括所述输入文本的语法错误类别，
所述多类别检测目标深度学习模型是根据以下模块得到的：
第一训练模块，用于利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，所述初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，所述多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个所述单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；以及
第二训练模块，用于利用第二样本集对所述多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，所述多类别检测目标深度学习模型满足对应每一个所述目标检测类别的第二单类别检测精度条件。
11.根据权利要求10所述的装置，其中，所述文本处理深度学习模型还包括目标学生模型，所述多类别检测目标深度学习模型为教师模型；所述目标学生模型是根据以下模块得到的：
迁移学习模块，用于利用所述教师模型对学生模型进行迁移学习，得到目标学生模型，其中，所述学生模型包括第二预训练深度学习模型和与每一种目标检测类别关联的二分类器，所述第二预训练深度学习模型的模型参数小于所述第一预训练深度学习模型的模型参数。
12.一种深度学习模型训练装置，包括：
第一训练模块，用于利用第一样本集对初始深度学习模型进行训练，得到多类别检测深度学习模型和至少一个单类别检测深度学习模型，其中，所述初始深度学习模型包括第一预训练深度学习模型和与每一种目标检测类别关联的二分类器，所述多类别检测深度学习模型满足针对多个目标检测类别的多类别检测精度条件，每一个所述单类别检测深度学习模型满足对应的一个目标检测类别的第一单类别检测精度条件；
第二训练模块，用于利用第二样本集对所述多类别检测深度学习模型进行训练，得到多类别检测目标深度学习模型，其中，所述多类别检测目标深度学习模型满足对应每一个所述目标检测类别的第二单类别检测精度条件。
13.根据权利要求12所述的装置，其中，所述多类别检测目标深度学习模型为教师模型；所述装置还包括：
迁移学习模块，用于利用所述教师模型对学生模型进行迁移学习，得到目标学生模型，其中，所述学生模型包括第二预训练深度学习模型和与每一种目标检测类别关联的二分类器，所述第二预训练深度学习模型的模型参数小于所述第一预训练深度学习模型的模型参数。
14.根据权利要求13所述的装置，其中，所述教师模型包括N个，N为大于1的整数；所述迁移学习模块包括：
类别检测结果确定子模块，用于针对第三样本集的任意一个训练样本，将所述训练样本分别输入N个所述教师模型，得到N个类别检测结果；
目标检测结果确定子模块，用于根据N个类别检测结果中每一种所述目标检测类别的数量以及类别检测结果筛选阈值K，确定目标检测结果，其中，K为大于0且小于等于N的整数；
迁移学习子模块，用于利用所述目标检测结果对所述学生模型进行迁移学习，得到所述目标学生模型。
15.根据权利要求12所述的装置，其中，所述第一样本集包括第一训练子集和第一验证子集；所述第一训练模块包括：
第一输出数据确定子模块，用于将所述第一训练子集输入所述初始深度学习模型，得到第一输出数据；
第一反馈数值确定子模块，用于根据所述第一输出数据和目标损失函数，确定第一反馈数值；
中间深度学习模型确定子模块，用于根据所述第一反馈数值对所述初始深度学习模型的模型参数进行调整，得到中间深度学习模型；
验证结果确定子模块，用于将所述第一验证子集输入所述中间深度学习模型，得到所述中间深度学习模型的验证结果；
第一验证结果差异数据确定子模块，用于根据所述中间深度学习模型的验证结果和所述第一验证子集的样本标签，确定第一验证结果差异数据；
模型第一确定子模块，用于将所述第一验证结果差异数据满足所述多类别检测精度条件的所述中间深度学习模型确定为所述多类别检测深度学习模型，将所述第一验证结果差异数据满足所述第一单类别检测精度条件的所述中间深度学习模型确定为所述单类别检测深度学习模型，其中，所述目标损失函数与所述多类别检测精度条件、所述第一单类别检测精度条件相关。
16.根据权利要求13所述的装置，其中，所述第二训练模块包括：
第二输出数据确定子模块，用于将所述第二样本集输入所述多类别检测深度学习模型，得到第二输出数据；
第二反馈数值确定子模块，用于根据所述第二输出数据和目标损失函数，确定第二反馈数值；
多类别检测中间深度学习模型确定子模块，用于根据所述第二反馈数值对所述多类别检测深度学习模型的模型参数进行调整，得到多类别检测中间深度学习模型；
模型第二确定子模块，用于将满足所述第二单类别检测精度条件的所述多类别检测中间深度学习模型确定为所述多类别检测目标深度学习模型，其中，所述第二单类别检测精度条件与所述目标损失函数、所述多类别检测中间深度学习模型与所述单类别检测深度学习模型两者之间的模型参数差异相关。
17.根据权利要求12所述的装置，还包括：
模型微调模块，用于利用第四样本集对所述多类别检测目标深度学习模型进行微调，得到微调后的多类别检测目标深度学习模型，其中，所述第四样本集的样本标签是人工标注得到的。
18.根据权利要求12-17中任一项所述的装置，其中，所述多类别检测目标深度学习模型用于检测语法错误类别，所述目标检测类别包括误用语法错误类别、冗余语法错误类别、缺失语法错误类别以及乱序语法错误类别中的至少两个。
19.一种电子设备，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或者3-9中任一项所述的方法。
20.一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1-2或者3-9中任一项所述的方法。
21.一种计算机程序产品，包括计算机程序，所述计算机程序存储于可读存储介质和电子设备其中至少之一上，所述计算机程序在被处理器执行时实现根据权利要求1-2或者3-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211742275.3A CN115879446B (zh) | 2022-12-30 | 2022-12-30 | 文本处理方法、深度学习模型训练方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211742275.3A CN115879446B (zh) | 2022-12-30 | 2022-12-30 | 文本处理方法、深度学习模型训练方法、装置以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879446A true CN115879446A (zh) | 2023-03-31 |
| CN115879446B CN115879446B (zh) | 2024-01-12 |
Family
ID=85757857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211742275.3A Active CN115879446B (zh) | 2022-12-30 | 2022-12-30 | 文本处理方法、深度学习模型训练方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879446B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826344A (zh) * | 2019-10-24 | 2020-02-21 | 北京小米智能科技有限公司 | 神经网络模型压缩方法、语料翻译方法及其装置 |
| CN111291569A (zh) * | 2020-04-15 | 2020-06-16 | 智者四海（北京）技术有限公司 | 多类别实体识别模型的训练方法及装置 |
| CN112487182A (zh) * | 2019-09-12 | 2021-03-12 | 华为技术有限公司 | 文本处理模型的训练方法、文本处理方法及装置 |
| CN113222942A (zh) * | 2021-05-17 | 2021-08-06 | 北京百度网讯科技有限公司 | 多标签分类模型的训练方法和预测标签的方法 |
| CN114330510A (zh) * | 2021-12-06 | 2022-04-12 | 北京大学 | 模型训练方法、装置、电子设备和存储介质 |
| CN114462620A (zh) * | 2021-12-31 | 2022-05-10 | 粤港澳大湾区数字经济研究院(福田) | 一种机器学习的均衡方法及相关装置 |
| CN114494776A (zh) * | 2022-01-24 | 2022-05-13 | 北京百度网讯科技有限公司 | 一种模型训练方法、装置、设备以及存储介质 |
| US20220188520A1 (en) * | 2019-03-26 | 2022-06-16 | Benevolentai Technology Limited | Name entity recognition with deep learning |
| CN114818902A (zh) * | 2022-04-21 | 2022-07-29 | 浪潮云信息技术股份公司 | 基于知识蒸馏的文本分类方法及系统 |
| CN115034209A (zh) * | 2022-07-13 | 2022-09-09 | 北京百度网讯科技有限公司 | 文本分析方法、装置、电子设备以及存储介质 |
-
2022
- 2022-12-30 CN CN202211742275.3A patent/CN115879446B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220188520A1 (en) * | 2019-03-26 | 2022-06-16 | Benevolentai Technology Limited | Name entity recognition with deep learning |
| CN112487182A (zh) * | 2019-09-12 | 2021-03-12 | 华为技术有限公司 | 文本处理模型的训练方法、文本处理方法及装置 |
| CN110826344A (zh) * | 2019-10-24 | 2020-02-21 | 北京小米智能科技有限公司 | 神经网络模型压缩方法、语料翻译方法及其装置 |
| EP3812969A1 (en) * | 2019-10-24 | 2021-04-28 | Beijing Xiaomi Intelligent Technology Co., Ltd. | Neural network model compression method, corpus translation method and device |
| CN111291569A (zh) * | 2020-04-15 | 2020-06-16 | 智者四海（北京）技术有限公司 | 多类别实体识别模型的训练方法及装置 |
| CN113222942A (zh) * | 2021-05-17 | 2021-08-06 | 北京百度网讯科技有限公司 | 多标签分类模型的训练方法和预测标签的方法 |
| CN114330510A (zh) * | 2021-12-06 | 2022-04-12 | 北京大学 | 模型训练方法、装置、电子设备和存储介质 |
| CN114462620A (zh) * | 2021-12-31 | 2022-05-10 | 粤港澳大湾区数字经济研究院(福田) | 一种机器学习的均衡方法及相关装置 |
| CN114494776A (zh) * | 2022-01-24 | 2022-05-13 | 北京百度网讯科技有限公司 | 一种模型训练方法、装置、设备以及存储介质 |
| CN114818902A (zh) * | 2022-04-21 | 2022-07-29 | 浪潮云信息技术股份公司 | 基于知识蒸馏的文本分类方法及系统 |
| CN115034209A (zh) * | 2022-07-13 | 2022-09-09 | 北京百度网讯科技有限公司 | 文本分析方法、装置、电子设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879446B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019095782A1 (zh) | 一种数据样本标签处理方法及装置 | |
| CN112070138B (zh) | 多标签混合分类模型的构建方法、新闻分类方法及系统 | |
| CN116629275B (zh) | 一种基于大数据的智能决策支持系统及方法 | |
| CN108959474B (zh) | 实体关系提取方法 | |
| CN109947924B (zh) | 对话系统训练数据构建方法、装置、电子设备及存储介质 | |
| CN112686022A (zh) | 违规语料的检测方法、装置、计算机设备及存储介质 | |
| CN113420822B (zh) | 模型训练方法和装置、文本预测方法和装置 | |
| CN113486178B (zh) | 文本识别模型训练方法、文本识别方法、装置以及介质 | |
| CN113934848B (zh) | 一种数据分类方法、装置和电子设备 | |
| KR102608867B1 (ko) | 업계 텍스트를 증분하는 방법, 관련 장치 및 매체에 저장된 컴퓨터 프로그램 | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| CN114547301A (zh) | 文档处理、识别模型训练方法、装置、设备及存储介质 | |
| CN114385694A (zh) | 一种数据加工处理方法、装置、计算机设备及存储介质 | |
| CN114020904A (zh) | 试题文件筛选方法、模型训练方法、装置、设备及介质 | |
| CN116975400B (zh) | 一种数据分类分级方法、装置、电子设备及存储介质 | |
| CN113591998A (zh) | 分类模型的训练和使用方法、装置、设备以及存储介质 | |
| CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
| CN113743101A (zh) | 文本纠错方法、装置、电子设备和计算机存储介质 | |
| CN116881971A (zh) | 一种敏感信息泄露检测方法、设备及存储介质 | |
| CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
| CN110826616A (zh) | 信息处理方法及装置、电子设备、存储介质 | |
| CN115879446B (zh) | 文本处理方法、深度学习模型训练方法、装置以及设备 | |
| CN115168575A (zh) | 应用于审计领域的主语补全方法及相关设备 | |
| CN114254028A (zh) | 事件属性抽取方法、装置、电子设备和存储介质 | |
| CN114580399A (zh) | 文本纠错方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |