CN116028605A - 逻辑表达式生成方法、模型训练方法、装置及介质 - Google Patents
逻辑表达式生成方法、模型训练方法、装置及介质 Download PDFInfo
- Publication number
- CN116028605A CN116028605A CN202310003482.5A CN202310003482A CN116028605A CN 116028605 A CN116028605 A CN 116028605A CN 202310003482 A CN202310003482 A CN 202310003482A CN 116028605 A CN116028605 A CN 116028605A
- Authority
- CN
- China
- Prior art keywords
- function
- preset
- label
- input
- fusion
- 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
- 230000014509 gene expression Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 title claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 322
- 230000004927 fusion Effects 0.000 claims abstract description 155
- 239000013598 vector Substances 0.000 claims abstract description 126
- 239000003999 initiator Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100260702 Mus musculus Tinagl1 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 101150088826 arg1 gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Machine Translation (AREA)
Abstract
本公开提供了一种逻辑表达式生成方法、模型训练方法、装置及介质，涉及人工智能技术领域，尤其涉及文本数据处理、深度学习、自然语言处理和问答系统领域。实现方案为：基于问题文本、至少一个目标文档以及多个函数标签，确定第一文本序列；基于第一文本序列，获取第一编码向量；对第一编码向量和第一标签进行融合编码，获取第一融合向量；基于第一融合向量，预测第一函数标签；将第一标签更新为第一函数标签；基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入；以及基于第一预设函数以及第一预设函数的全部输入，确定用于解答问题文本的逻辑表达式，以基于逻辑表达式获得问题文本的答案。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及文本数据处理、深度学习、自然语言处理和问答系统领域，具体涉及一种基于文本数据生成逻辑表达式的方法、模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
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。
随着信息技术的飞速发展，海量的互联网信息不断涌现，无论是数据样式还是数据种类都变得繁多，给互联网用户带来更加丰富多样信息的同时加大了用户信息获取的难度。而问答系统能够基于用户的问题自动检索并输入问题的答案，能够一定程度上降低用户信息获取的难度。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种基于文本数据生成逻辑表达式的方法、模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种基于文本数据生成逻辑表达式的方法，包括：获取问题文本以及与问题文本相应的至少一个目标文档；基于问题文本、至少一个目标文档以及多个函数标签，确定第一文本序列，其中，多个函数标签分别与多个用于执行逻辑操作的预设函数相应，多个预设函数中的每个预设函数包括至少一个输入，至少一个输入中的每个输入具有相应的预设数据格式；对第一文本序列进行编码，以获取第一编码向量；对第一编码向量和第一标签进行融合编码，以获取第一融合向量，第一标签为表达式起始符，表达式起始符用于引导逻辑表达式中的首个函数标签的生成；基于第一融合向量，预测得到第一函数标签，第一函数标签对应第一预设函数；将第一标签更新为第一函数标签；基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入，生成操作包括：对第一融合向量和第一标签进行融合编码，以更新第一融合向量；基于更新后的第一融合向量，预测得到第一预设函数的具备相应预设数据格式的第一输入；以及将第一标签更新为第一输入；以及基于第一预设函数以及第一预设函数的全部输入，确定用于解答问题文本的逻辑表达式，以基于逻辑表达式获得问题文本的答案。
根据本公开的另一方面，提供了一种模型训练方法，包括：获取样本问题、与样本问题相应的至少一个样本文档以及与样本问题相应的逻辑表达式；基于样本问题、至少一个样本文档以及多个函数标签，确定第一文本序列，其中，多个函数标签分别与多个用于执行逻辑操作的预设函数相应，多个预设函数中的每个预设函数包括至少一个输入，至少一个输入中的每个输入具有相应的预设数据格式；将第一文本序列输入模型的第一编码网络，以获取第一编码网络输出的第一编码向量；将第一编码向量和第一标签输入模型的融合编码网络，以获取融合编码网络输出的第一融合向量，第一标签为表达式起始符，表达式起始符用于引导逻辑表达式中的首个函数标签的生成；将第一融合向量输入模型的解码网络，以获得解码网络输出的第一函数标签，第一函数标签对应第一预设函数；将第一标签更新为第一函数标签；基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入，生成操作包括：将第一融合向量和第一标签输入融合编码网络，以获取融合编码网络输出的更新后的第一融合向量；将更新后的第一融合向量输入解码网络，以获得解码网络输出的第一预设函数的具备相应预设数据格式的第一输入；以及将第一标签更新为第一输入；基于第一预设函数以及第一预设函数的全部输入，确定表达式预测结果；以及基于逻辑表达式和表达式预测结果，训练模型的第一编码网络、融合编码网络以及解码网络。
根据本公开的另一方面，提供了一种基于文本数据生成逻辑表达式的装置，包括：第一获取单元，被配置为获取问题文本以及与问题文本相应的至少一个目标文档；第一确定单元，被配置为基于问题文本、至少一个目标文档以及多个函数标签，确定第一文本序列，其中，多个函数标签分别与多个用于执行逻辑操作的预设函数相应，多个预设函数中的每个预设函数包括至少一个输入，至少一个输入中的每个输入具有相应的预设数据格式；第一编码单元，被配置为对第一文本序列进行编码，以获取第一编码向量；第二编码单元，被配置为对第一编码向量和第一标签进行融合编码，以获取第一融合向量，第一标签为表达式起始符，表达式起始符用于引导逻辑表达式中的首个函数标签的生成；第一预测单元，被配置为基于第一融合向量，预测得到第一函数标签，第一函数标签对应第一预设函数；第一更新单元，被配置为将第一标签更新为第一函数标签；第一执行单元，被配置为基于更新后的第一标签，重复执行下述子单元所执行的生成操作，直至预测得到第一预设函数的全部输入，执行单元包括：第一编码子单元，被配置为对第一融合向量和第一标签进行融合编码，以更新第一融合向量；第一预测子单元，被配置为基于更新后的第一融合向量，预测得到第一预设函数的具备相应预设数据格式的第一输入；以及第一更新子单元，被配置为将第一标签更新为第一输入；以及第二确定单元，被配置为基于第一预设函数以及第一预设函数的全部输入，确定用于解答问题文本的逻辑表达式，以基于逻辑表达式获得问题文本的答案。
根据本公开的另一方面，提供了一种模型训练装置，包括：第一获取单元，被配置为获取样本问题、与样本问题相应的至少一个样本文档以及与样本问题相应的逻辑表达式；第一确定单元，被配置为基于样本问题、至少一个样本文档以及多个函数标签，确定第一文本序列，其中，多个函数标签分别与多个用于执行逻辑操作的预设函数相应，多个预设函数中的每个预设函数包括至少一个输入，至少一个输入中的每个输入具有相应的预设数据格式；第一输入单元，被配置为将第一文本序列输入模型的第一编码网络，以获取第一编码网络输出的第一编码向量；第二输入单元，被配置为将第一编码向量和第一标签输入模型的融合编码网络，以获取融合编码网络输出的第一融合向量，第一标签为表达式起始符，表达式起始符用于引导逻辑表达式中的首个函数标签的生成；第三输入单元，被配置为将第一融合向量输入模型的解码网络，以获得解码网络输出的第一函数标签，第一函数标签对应第一预设函数；第一更新单元，被配置为将第一标签更新为第一函数标签；第一执行单元，被配置为基于更新后的第一标签，重复执行下述子单元所执行的生成操作，直至预测得到第一预设函数的全部输入，第一执行单元包括：第一输入子单元，被配置为将第一融合向量和第一标签输入融合编码网络，以获取融合编码网络输出的更新后的第一融合向量；第二输入子单元，被配置为将更新后的第一融合向量输入解码网络，以获得解码网络输出的第一预设函数的具备相应预设数据格式的第一输入；以及第一更新子单元，被配置为将第一标签更新为第一输入；第二确定单元，被配置为基于第一预设函数以及第一预设函数的全部输入，确定表达式预测结果；以及第一训练单元，被配置为基于逻辑表达式和表达式预测结果，训练模型的第一编码网络、融合编码网络以及解码网络。
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；以及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，这些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上述方法。
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，其中，计算机指令用于使计算机执行上述方法。
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，其中，计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例，通过定义多个预设函数及其相应的输入、输出的数据格式，并通过迭代解析基于问题、多个文档以及多个预设函数的编码向量，生成用于解答该问题的相应的逻辑表达式，进而基于逻辑表达式获取该问题的答案，从而能够使问答系统具备解析和回答逻辑推理问题的能力。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的基于文本数据生成逻辑表达式的方法的流程图；
图3示出了根据本公开的示例性实施例的逻辑表达式生成过程的示意图；
图4示出了根据本公开的实施例的模型训练方法的流程图；
图5示出了根据本公开的实施例的基于文本数据生成逻辑表达式的装置的结构框图；
图6示出了根据本公开的实施例的模型训练装置的结构框图；
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行上述基于文本数据生成逻辑表达式的方法或模型训练方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来输入问题文本。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120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。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual PrivateServer)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的实施例，如图2所示，提供了一种基于文本数据生成逻辑表达式的方法，包括：步骤S201、获取问题文本以及与问题文本相应的至少一个目标文档；步骤S202、基于问题文本、至少一个目标文档以及多个函数标签，确定第一文本序列，其中，多个函数标签分别与多个用于执行逻辑操作的预设函数相应，多个预设函数中的每个预设函数包括至少一个输入，至少一个输入中的每个输入具有相应的预设数据格式；步骤S203、对第一文本序列进行编码，以获取第一编码向量；步骤S204、对第一编码向量和第一标签进行融合编码，以获取第一融合向量，第一标签为表达式起始符，表达式起始符用于引导逻辑表达式中的首个函数标签的生成；步骤S205、基于第一融合向量，预测得到第一函数标签，第一函数标签对应第一预设函数；步骤S206、将第一标签更新为第一函数标签；步骤S207、基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入，生成操作包括：步骤S2071、对第一融合向量和第一标签进行融合编码，以更新第一融合向量；步骤S2072、基于更新后的第一融合向量，预测得到第一预设函数的具备相应预设数据格式的第一输入；以及步骤S2073、将第一标签更新为第一输入；以及步骤S208、基于第一预设函数以及第一预设函数的全部输入，确定用于解答问题文本的逻辑表达式，以基于逻辑表达式获得问题文本的答案。
由此，通过定义多个预设函数及其相应的输入、输出的数据格式，并通过迭代解析基于问题、多个文档以及多个预设函数的编码向量，生成用于解答该问题的相应的逻辑表达式，进而基于逻辑表达式获取该问题的答案，从而能够使问答系统具备解析和回答逻辑推理问题的能力。
在一些实施例中，获取问题文本以及与问题文本相应的至少一个目标文档包括：获取问题文本；以及基于问题文本，在多个预置文档中确定至少一个目标文档。由此，能够根据问题文本，基于相关性匹配而召回目标文档，从而进一步提升目标文档与问题文本的匹配程度，进而提升逻辑表达式的准确性。
在一些实施例中，可以首先基于用户输入的问题文本，应用检索器(Retriever)对问题文本与各个预置文档之间的相关性进行打分，并将得分最高的预设数量的预置文档确定为目标文档。其中，检索器可以是应用字符的统计特征(如TF-IDF和BM25特征)来给每篇文档进行打分，也可以是应用经过训练的神经网络对问题和文档之间的相关性进行打分。
相关技术中，一个检索器仅能用于检索同构数据，如仅能用于检索非结构化文档或结构化数据(如表格)，无法同时处理异构数据。
在一些实施例中，多个预置文档中包括由表格转化得到的至少一个第一文档，至少一个第一文档的获取包括：获取至少一个表格；以及将至少一个表格中每个表格的至少一行表格数据或至少一列表格数据按照预设格式整理为文档数据，以获取至少一个第一文档。
在一些实施例中，可以将一行或多行表格数据看作一个独立的文档，从而将表格知识转换成文档知识。以下表为例：
| name | Birthday | team |
| James | December 30 1984 | Lakers |
| ... | ... | ... |
在一些实施例中，可以基于预设的文档格式对表格数据进行转换。例如，表格数据对应的文档格式如下：
列名1：单元格值1；列名2：单元格值2；列名3：单元格值3；......
则对于上述表格而言，其第一行数据则可以被转换成如下的文档数据：
name：James；birthday：December 30 1984；team：Lakers.
并可以将其作为一个独立的文档，添加到预置文档中。
由此，通过按照预设格式将表格的一行或多行(一列或多列)转换成文档数据，从而能够实现对异构的文档数据和表格数据的融合检索。
在一些实施例中，为了能够准确且快速地回答逻辑类问题，可以预设一套逻辑语法，该逻辑语法中包括多个预设函数，每个预设函数均用于执行相应的逻辑操作
在一些实施例中，多个预设函数用于执行下述逻辑操作中的至少一者：信息抽取、数值计算、数值比较和数据排序。
由此，通过定义与逻辑操作相应的预设函数，从而使问答系统具备解析复杂逻辑推理问题的能力。
具体而言，信息抽取操作可以包括对一个或多个文本信息、一个或多个数值信息进行抽取，也可以包括抽取一组或多组具有对应关系的文本信息和数值信息的操作。
数值计算操作可以包括多元数值计算操作(例如四则运算)、计数操作、求取均值的操作等。
数值比较操作可以包括确定多元数值中的最大值、最小值的操作，判断多元数值是否满足预设数值关系的操作(例如判断两个数值是否相等、判断数值A是否大于数值B等)。
数据排序操作可以包括对多个数值按照大小顺序进行排序的操作，对多个文本数据按照预设规则(例如按照首字母顺序)进行排序的操作。
在一些实施例中，还可以包括集合操作，该操作用于对满足不同条件的结果进行与、或操作，或互斥操作。
下表中给出了示例性的多个预设函数的定义以及相应的示例：
在一些实施例中，还可以预设一些特殊语法符号，例如可以包括表达式起始符“SOS”、枚举结束符号“END”等，其中，表达式起始符“SOS”可以用于引导所述逻辑表达式中的首个函数标签的生成。
可理解的，相关技术人员也可以自行设置所需的函数及特殊符号，在此不做限制。
在一些实施例中，多个预设函数中的每个预设函数还包括至少一个输出，并且至少一个输出中的每个输出具有相应的预设数据格式，第一预设函数的输入包括第二预设函数的输出，上述方法还包括：基于第一融合向量和第一函数标签进行融合编码，以获取第二融合向量；基于第二融合向量，预测得到第二函数标签，第二函数标签对应第二预设函数，并且，第二预设函数的输出与第一预设函数的输入具有相同的数据格式；以及将第一标签更新为第二函数标签，以基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入和第二预设函数的全部输入。
由此，基于函数之间的语法约束(下级函数的输出和上级函数的输入的数据格式应相同)，从而能够生成具有复杂嵌套关系的逻辑表达式，进一步提升了问答系统具备解析和回答逻辑推理问题的能力。
图3示出了根据本公开的示例性实施例的逻辑表达式生成过程的示意图。
在一些示例性实施例中，参考图3，用于进行逻辑表达式生成的模型可以包括第一编码网络310、融合编码网络320以及解码网络330。首先，可以基于问题文本、至少一个目标文档以及所有函数标签，组成第一文本序列，并对第一文本序列嵌入后，输入第一编码网络310，从而获得第一编码网络310输出的第一编码向量；随后，将第一标签确定为表达式开始符“SOS”，并将其连同第一编码向量一并输入融合编码网络320中，以获得第一融合向量，随后将该第一融合向量输入解码网络330，即可预测生成一个函数标签。其中，通过对第一融合向量进行解码，可以获取到多个可能的函数标签以及每个函数标签的预测概率，并将其中预测概率最大的函数标签作为该阶段输出的函数标签。
在一些示例性实施例中，例如第一个输出的函数标签为Span，则下一步可以将该函数标签连同上一轮输出的第一融合向量一并重新输入到融合编码网络310中，从而获得融合编码网络310输出的更新后的第一融合向量，随后将该第一融合向量输入解码网络330，即可预测生成Span函数的第一个输入Arg0。其中，通过对该第一融合向量进行解码，可以获取到多个可能的函数标签或数值以及每个函数标签或数值的预测概率，此时，需要基于Span函数对其输入的语法约束(数据格式约束)，将上述多个可能的函数标签或数值中的满足语法约束的预测概率最大的数值(用于指示实体在文本序列中位置的数值)作为本轮的预测输出结果；随后即可基于本轮的预测输出结果重复执行上述步骤，从而获得Span函数的另一个输入Arg1。
此时即可判断该函数及其输入所组成的逻辑表达式是完整的，也即，其中没有其他需要获取的输入，则可以结束上述预测过程，并基于该函数及其输入组成逻辑表达式Span(Arg0,Arg1)，并基于该逻辑表达式获取相应的逻辑操作结果。
在一些示例性实施例中，例如第一个输出的函数标签为Sub，则下一步可以将该函数标签连同上一轮输出的第一融合向量一并重新输入到融合编码网络310中，从而获得融合编码网络310输出的更新后的第一融合向量，随后将该第一融合向量输入解码网络330，即可预测生成Subtract函数的第一个输入。
其中，通过对该第一融合向量进行解码，可以获取到多个可能的函数标签或数值以及每个函数标签或数值的预测概率，此时，需要基于Subtract函数对其输入的语法约束(数据格式约束)，将上述多个可能的函数标签或数值中的满足语法约束的预测概率最大的数值作为本轮的预测输出结果。
值得注意的，由于存在一些预设函数，其输出也为数值(也即数据格式与该Subtract函数的输入的数据格式相同)，因此，根据这种语法约束，对于如Subtract函数的这类函数，其在本轮输出的预测结果也可以为另一个符合上述语法约束的预设函数标签，例如可以为Add标签。
随后，即可基于本轮的预测输出结果重复执行上述步骤，从而进一步对Add函数的输入以及Subtract函数的另一个输入进行生成，直至所有生成的函数及其输入所组成的逻辑表达式是完整的，也即，其中没有其他需要生成的输入，则可以结束上述预测过程，并基于该函数及其输入组成逻辑表达式，并基于该逻辑表达式获取相应的逻辑操作结果。
以图3中的预测过程为例，其基于上述方法先后生成了“Sub-Add-Value-st1-ed1-Value-st2-ed2-Value-st3-ed3”，整理后即可获得其对应的逻辑表达式Subtract(Add(Value(st1,ed1)，Value(st2-,ed2))，Value(st3,ed3))，其中，sti、edi(i＝1,2,3)分别用于表示相应数值在文本序列中的起始位置和结束位置。从而即可基于该逻辑表达式进行相应的逻辑操作，从而获得该问题相应的答案。
在一些实施例中，上述第一编码网络可以基于Transformer结构的神经网络训练获得，融合编码网络和解码网络可以基于LSTM神经网络训练获得。可理解的，相关技术人员也可以基于实际需要自行确定所要应用的神经网络，在此不作限制。
在一些实施例中，如图4所示，提供了一种模型训练方法，包括：步骤S401、获取样本问题、与样本问题相应的至少一个样本文档以及与样本问题相应的逻辑表达式；步骤S402、基于样本问题、至少一个样本文档以及多个函数标签，确定第一文本序列，其中，多个函数标签分别与多个用于执行逻辑操作的预设函数相应，多个预设函数中的每个预设函数包括至少一个输入，至少一个输入中的每个输入具有相应的预设数据格式；步骤S403、将第一文本序列输入模型的第一编码网络，以获取第一编码网络输出的第一编码向量；步骤S404、将第一编码向量和第一标签输入模型的融合编码网络，以获取融合编码网络输出的第一融合向量，第一标签为表达式起始符，表达式起始符用于引导逻辑表达式中的首个函数标签的生成；步骤S405、将第一融合向量输入模型的解码网络，以获得解码网络输出的第一函数标签，第一函数标签对应第一预设函数；步骤S406、将第一标签更新为第一函数标签；步骤S407、基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入，生成操作包括：步骤S4071、将第一融合向量和第一标签输入融合编码网络，以获取融合编码网络输出的更新后的第一融合向量；步骤S4072、将更新后的第一融合向量输入解码网络，以获得解码网络输出的第一预设函数的具备相应预设数据格式的第一输入；以及步骤S4073、将第一标签更新为第一输入；步骤S408、基于第一预设函数以及第一预设函数的全部输入，确定表达式预测结果；以及步骤S409、基于逻辑表达式和表达式预测结果，训练模型的第一编码网络、融合编码网络以及解码网络。
在一些实施例中，多个预设函数中的每个预设函数还包括至少一个输出，并且至少一个输出中的每个输出具有相应的预设数据格式，第一预设函数的输入包括第二预设函数的输出，上述模型训练方法还包括：将第一融合向量和第一函数标签输入融合编码网络，以获取融合编码网络输出的第二融合向量；将第二融合向量输入解码网络，以获得解码网络输出的第二函数标签，第二函数标签对应第二预设函数，并且，第二预设函数的输出与第一预设函数的输入具有相同的数据格式；以及将第一标签更新为第二函数标签，以基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入和第二预设函数的全部输入。
在一些实施例中，多个预设函数用于执行下述逻辑操作中的至少一者：信息抽取、数值计算、数值比较和数据排序。
在一些实施例中，如图5所示，提供了一种基于文本数据生成逻辑表达式的装置500，包括：第一获取单元510，被配置为获取问题文本以及与问题文本相应的至少一个目标文档；第一确定单元520，被配置为基于问题文本、至少一个目标文档以及多个函数标签，确定第一文本序列，其中，多个函数标签分别与多个用于执行逻辑操作的预设函数相应，多个预设函数中的每个预设函数包括至少一个输入，至少一个输入中的每个输入具有相应的预设数据格式；第一编码单元530，被配置为对第一文本序列进行编码，以获取第一编码向量；第二编码单元540，被配置为对第一编码向量和第一标签进行融合编码，以获取第一融合向量，第一标签为表达式起始符，表达式起始符用于引导逻辑表达式中的首个函数标签的生成；第一预测单元550，被配置为基于第一融合向量，预测得到第一函数标签，第一函数标签对应第一预设函数；第一更新单元560，被配置为将第一标签更新为第一函数标签；第一执行单元570，被配置为基于更新后的第一标签，重复执行下述子单元所执行的生成操作，直至预测得到第一预设函数的全部输入，第一执行单元570包括：第一编码子单元571，被配置为对第一融合向量和第一标签进行融合编码，以更新第一融合向量；第一预测子单元572，被配置为基于更新后的第一融合向量，预测得到第一预设函数的具备相应预设数据格式的第一输入；以及第一更新子单元573，被配置为将第一标签更新为第一输入；以及第二确定单元580，被配置为基于第一预设函数以及第一预设函数的全部输入，确定用于解答问题文本的逻辑表达式，以基于逻辑表达式获得问题文本的答案。
其中，装置500中的单元510-单元580以及子单元571-子单元573执行的操作与上述基于文本数据生成逻辑表达式的方法中的步骤S201-步骤S208以及步骤S2071-步骤S2073的操作类似，在此不做赘述。
在一些实施例中，多个预设函数中的每个预设函数包括至少一个输出，并且多个预设函数中的每个预设函数的输入和输出分别具有相应的预设数据格式，第一预设函数的输入包括第二预设函数的输出，上述装置还包括：第三编码单元，被配置为基于第一融合向量和第一函数标签进行融合编码，以获取第二融合向量；第二预测单元，被配置为基于第二融合向量，预测得到第二函数标签，第二函数标签对应第二预设函数，并且，第二预设函数的输出与第一预设函数的输入具有相同的数据格式；以及第二更新单元，被配置为将第一标签更新为第二函数标签，以基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入和第二预设函数的全部输入。
在一些实施例中，多个预设函数用于执行下述逻辑操作中的至少一者：信息抽取、数值计算、数值比较和数据排序。
在一些实施例中，第一获取单元还被配置为：获取问题文本；以及基于问题文本，在多个预置文档中确定至少一个目标文档。
在一些实施例中，多个预置文档中包括由表格转化得到的至少一个第一文档，上述装置还包括：第二获取单元，被配置为获取至少一个表格；以及第三获取单元，被配置为将至少一个表格中每个表格的至少一行表格数据或至少一列表格数据按照预设格式整理为文档数据，以获取至少一个第一文档。
在一些实施例中，如图6所示，提供了一种模型训练装置600，包括：第一获取单元610，被配置为获取样本问题、与样本问题相应的至少一个样本文档以及与样本问题相应的逻辑表达式；第一确定单元620，被配置为基于样本问题、至少一个样本文档以及多个函数标签，确定第一文本序列，其中，多个函数标签分别与多个用于执行逻辑操作的预设函数相应，多个预设函数中的每个预设函数包括至少一个输入，至少一个输入中的每个输入具有相应的预设数据格式；第一输入单元630，被配置为将第一文本序列输入模型的第一编码网络，以获取第一编码网络输出的第一编码向量；第二输入单元640，被配置为将第一编码向量和第一标签输入模型的融合编码网络，以获取融合编码网络输出的第一融合向量，第一标签为表达式起始符，表达式起始符用于引导逻辑表达式中的首个函数标签的生成；第三输入单元650，被配置为将第一融合向量输入模型的解码网络，以获得解码网络输出的第一函数标签，第一函数标签对应第一预设函数；第一更新单元660，被配置为将第一标签更新为第一函数标签；第一执行单元670，被配置为基于更新后的第一标签，重复执行下述子单元所执行的生成操作，直至预测得到第一预设函数的全部输入，第一执行单元670包括：第一输入子单元671，被配置为将第一融合向量和第一标签输入融合编码网络，以获取融合编码网络输出的更新后的第一融合向量；第二输入子单元672，被配置为将更新后的第一融合向量输入解码网络，以获得解码网络输出的第一预设函数的具备相应预设数据格式的第一输入；以及第一更新子单元673，被配置为将第一标签更新为第一输入；第二确定单元680，被配置为基于第一预设函数以及第一预设函数的全部输入，确定表达式预测结果；以及第一训练单元690，被配置为基于逻辑表达式和表达式预测结果，训练模型的第一编码网络、融合编码网络以及解码网络。
其中，装置600中的单元610-单元690以及子单元671-子单元673执行的操作与上述模型训练方法中的步骤S401-步骤S409以及步骤S4071-步骤S4073的操作类似，在此不做赘述。
在一些实施例中，多个预设函数中的每个预设函数还包括至少一个输出，并且至少一个输出中的每个输出具有相应的预设数据格式，第一预设函数的输入包括第二预设函数的输出，上述装置还包括：第四输入单元，被配置为将第一融合向量和第一函数标签输入融合编码网络，以获取融合编码网络输出的第二融合向量；第五输入单元，被配置为将第二融合向量输入解码网络，以获得解码网络输出的第二函数标签，第二函数标签对应第二预设函数，并且，第二预设函数的输出与第一预设函数的输入具有相同的数据格式；以及第二更新单元，被配置为将第一标签更新为第二函数标签，以基于更新后的第一标签，重复执行生成操作，直至预测得到第一预设函数的全部输入和第二预设函数的全部输入。
在一些实施例中，多个预设函数用于执行下述逻辑操作中的至少一者：信息抽取、数值计算、数值比较和数据排序。
根据本公开的实施例，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。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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，电子设备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RAM703中，还可存储电子设备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。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
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，例如上述基于文本数据生成逻辑表达式的方法或模型训练方法。例如，在一些实施例中，上述基于文本数据生成逻辑表达式的方法或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/或安装到电子设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的上述基于文本数据生成逻辑表达式的方法或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)而被配置为执行上述基于文本数据生成逻辑表达式的方法或模型训练方法。
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。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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种基于文本数据生成逻辑表达式的方法，包括：
获取问题文本以及与所述问题文本相应的至少一个目标文档；
基于所述问题文本、所述至少一个目标文档以及多个函数标签，确定第一文本序列，其中，所述多个函数标签分别与多个用于执行逻辑操作的预设函数相应，所述多个预设函数中的每个预设函数包括至少一个输入，所述至少一个输入中的每个输入具有相应的预设数据格式；
对所述第一文本序列进行编码，以获取第一编码向量；
对所述第一编码向量和第一标签进行融合编码，以获取第一融合向量，所述第一标签为表达式起始符，所述表达式起始符用于引导所述逻辑表达式中的首个函数标签的生成；
基于所述第一融合向量，预测得到第一函数标签，所述第一函数标签对应第一预设函数；
将所述第一标签更新为所述第一函数标签；
基于更新后的第一标签，重复执行生成操作，直至预测得到所述第一预设函数的全部输入，所述生成操作包括：
对所述第一融合向量和所述第一标签进行融合编码，以更新所述第一融合向量；
基于更新后的第一融合向量，预测得到所述第一预设函数的具备相应预设数据格式的第一输入；以及
将所述第一标签更新为所述第一输入；以及
基于所述第一预设函数以及所述第一预设函数的全部输入，确定用于解答所述问题文本的所述逻辑表达式，以基于所述逻辑表达式获得所述问题文本的答案。
2.根据权利要求1所述的方法，其中，所述多个预设函数中的每个预设函数还包括至少一个输出，并且所述至少一个输出中的每个输出具有相应的预设数据格式，所述第一预设函数的输入包括第二预设函数的输出，所述方法还包括：
基于所述第一融合向量和所述第一函数标签进行融合编码，以获取第二融合向量；
基于所述第二融合向量，预测得到第二函数标签，所述第二函数标签对应所述第二预设函数，并且，所述第二预设函数的输出与所述第一预设函数的输入具有相同的数据格式；以及
将所述第一标签更新为所述第二函数标签，以基于更新后的第一标签，重复执行所述生成操作，直至预测得到所述第一预设函数的全部输入和所述第二预设函数的全部输入。
3.根据权利要求1或2所述的方法，其中，所述多个预设函数用于执行下述逻辑操作中的至少一者：信息抽取、数值计算、数值比较和数据排序。
4.根据权利要求1-3中任一项所述的方法，其中，所述获取问题文本以及与所述问题文本相应的至少一个目标文档包括：
获取所述问题文本；以及
基于所述问题文本，在多个预置文档中确定所述至少一个目标文档。
5.根据权利要求4所述的方法，所述多个预置文档中包括由表格转化得到的至少一个第一文档，所述至少一个第一文档的获取包括：
获取至少一个表格；以及
将所述至少一个表格中每个表格的至少一行表格数据或至少一列表格数据按照预设格式整理为文档数据，以获取至少一个第一文档。
6.一种模型训练方法，包括：
获取样本问题、与所述样本问题相应的至少一个样本文档以及与所述样本问题相应的逻辑表达式；
基于所述样本问题、所述至少一个样本文档以及多个函数标签，确定第一文本序列，其中，所述多个函数标签分别与多个用于执行逻辑操作的预设函数相应，所述多个预设函数中的每个预设函数包括至少一个输入，所述至少一个输入中的每个输入具有相应的预设数据格式；
将所述第一文本序列输入所述模型的第一编码网络，以获取所述第一编码网络输出的第一编码向量；
将所述第一编码向量和第一标签输入所述模型的融合编码网络，以获取所述融合编码网络输出的第一融合向量，所述第一标签为表达式起始符，所述表达式起始符用于引导所述逻辑表达式中的首个函数标签的生成；
将所述第一融合向量输入所述模型的解码网络，以获得所述解码网络输出的第一函数标签，所述第一函数标签对应第一预设函数；
将所述第一标签更新为所述第一函数标签；
基于更新后的第一标签，重复执行生成操作，直至预测得到所述第一预设函数的全部输入，所述生成操作包括：
将所述第一融合向量和所述第一标签输入所述融合编码网络，以获取所述融合编码网络输出的更新后的第一融合向量；
将更新后的第一融合向量输入所述解码网络，以获得所述解码网络输出的所述第一预设函数的具备相应预设数据格式的第一输入；以及
将所述第一标签更新为所述第一输入；
基于所述第一预设函数以及所述第一预设函数的全部输入，确定表达式预测结果；以及
基于所述逻辑表达式和所述表达式预测结果，训练所述模型的所述第一编码网络、所述融合编码网络以及所述解码网络。
7.根据权利要求6所述的方法，其中，所述多个预设函数中的每个预设函数还包括至少一个输出，并且所述至少一个输出中的每个输出具有相应的预设数据格式，所述第一预设函数的输入包括第二预设函数的输出，所述方法还包括：
将所述第一融合向量和所述第一函数标签输入所述融合编码网络，以获取所述融合编码网络输出的第二融合向量；
将所述第二融合向量输入所述解码网络，以获得所述解码网络输出的第二函数标签，所述第二函数标签对应所述第二预设函数，并且，所述第二预设函数的输出与所述第一预设函数的输入具有相同的数据格式；以及
将所述第一标签更新为所述第二函数标签，以基于更新后的第一标签，重复执行所述生成操作，直至预测得到所述第一预设函数的全部输入和所述第二预设函数的全部输入。
8.根据权利要求6或7所述的方法，其中，所述多个预设函数用于执行下述逻辑操作中的至少一者：信息抽取、数值计算、数值比较和数据排序。
9.一种基于文本数据生成逻辑表达式的装置，包括：
第一获取单元，被配置为获取问题文本以及与所述问题文本相应的至少一个目标文档；
第一确定单元，被配置为基于所述问题文本、所述至少一个目标文档以及多个函数标签，确定第一文本序列，其中，所述多个函数标签分别与多个用于执行逻辑操作的预设函数相应，所述多个预设函数中的每个预设函数包括至少一个输入，所述至少一个输入中的每个输入具有相应的预设数据格式；
第一编码单元，被配置为对所述第一文本序列进行编码，以获取第一编码向量；
第二编码单元，被配置为对所述第一编码向量和第一标签进行融合编码，以获取第一融合向量，所述第一标签为表达式起始符，所述表达式起始符用于引导所述逻辑表达式中的首个函数标签的生成；
第一预测单元，被配置为基于所述第一融合向量，预测得到第一函数标签，所述第一函数标签对应第一预设函数；
第一更新单元，被配置为将所述第一标签更新为所述第一函数标签；
第一执行单元，被配置为基于更新后的第一标签，重复执行下述子单元所执行的生成操作，直至预测得到所述第一预设函数的全部输入，所述第一执行单元包括：
第一编码子单元，被配置为对所述第一融合向量和所述第一标签进行融合编码，以更新所述第一融合向量；
第一预测子单元，被配置为基于更新后的第一融合向量，预测得到所述第一预设函数的具备相应预设数据格式的第一输入；以及
第一更新子单元，被配置为将所述第一标签更新为所述第一输入；以及
第二确定单元，被配置为基于所述第一预设函数以及所述第一预设函数的全部输入，确定用于解答所述问题文本的所述逻辑表达式，以基于所述逻辑表达式获得所述问题文本的答案。
10.根据权利要求9所述的装置，其中，所述多个预设函数中的每个预设函数包括至少一个输出，并且所述多个预设函数中的每个预设函数的输入和输出分别具有相应的预设数据格式，所述第一预设函数的输入包括第二预设函数的输出，所述装置还包括：
第三编码单元，被配置为基于所述第一融合向量和所述第一函数标签进行融合编码，以获取第二融合向量；
第二预测单元，被配置为基于所述第二融合向量，预测得到第二函数标签，所述第二函数标签对应所述第二预设函数，并且，所述第二预设函数的输出与所述第一预设函数的输入具有相同的数据格式；以及
第二更新单元，被配置为将所述第一标签更新为所述第二函数标签，以基于更新后的第一标签，重复执行所述生成操作，直至预测得到所述第一预设函数的全部输入和所述第二预设函数的全部输入。
11.根据权利要求9或10所述的装置，其中，所述多个预设函数用于执行下述逻辑操作中的至少一者：信息抽取、数值计算、数值比较和数据排序。
12.根据权利要求9-11中任一项所述的装置，其中，所述第一获取单元还被配置为：
获取所述问题文本；以及
基于所述问题文本，在多个预置文档中确定所述至少一个目标文档。
13.根据权利要求12所述的装置，所述多个预置文档中包括由表格转化得到的至少一个第一文档，所述装置还包括：
第二获取单元，被配置为获取至少一个表格；以及
第三获取单元，被配置为将所述至少一个表格中每个表格的至少一行表格数据或至少一列表格数据按照预设格式整理为文档数据，以获取至少一个第一文档。
14.一种模型训练装置，包括：
第一获取单元，被配置为获取样本问题、与所述样本问题相应的至少一个样本文档以及与所述样本问题相应的逻辑表达式；
第一确定单元，被配置为基于所述样本问题、所述至少一个样本文档以及多个函数标签，确定第一文本序列，其中，所述多个函数标签分别与多个用于执行逻辑操作的预设函数相应，所述多个预设函数中的每个预设函数包括至少一个输入，所述至少一个输入中的每个输入具有相应的预设数据格式；
第一输入单元，被配置为将所述第一文本序列输入所述模型的第一编码网络，以获取所述第一编码网络输出的第一编码向量；
第二输入单元，被配置为将所述第一编码向量和第一标签输入所述模型的融合编码网络，以获取所述融合编码网络输出的第一融合向量，所述第一标签为表达式起始符，所述表达式起始符用于引导所述逻辑表达式中的首个函数标签的生成；
第三输入单元，被配置为将所述第一融合向量输入所述模型的解码网络，以获得所述解码网络输出的第一函数标签，所述第一函数标签对应第一预设函数；
第一更新单元，被配置为将所述第一标签更新为所述第一函数标签；
第一执行单元，被配置为基于更新后的第一标签，重复执行下述子单元所执行的生成操作，直至预测得到所述第一预设函数的全部输入，所述第一执行单元包括：
第一输入子单元，被配置为将所述第一融合向量和所述第一标签输入所述融合编码网络，以获取所述融合编码网络输出的更新后的第一融合向量；
第二输入子单元，被配置为将更新后的第一融合向量输入所述解码网络，以获得所述解码网络输出的所述第一预设函数的具备相应预设数据格式的第一输入；以及
第一更新子单元，被配置为将所述第一标签更新为所述第一输入；
第二确定单元，被配置为基于所述第一预设函数以及所述第一预设函数的全部输入，确定表达式预测结果；以及
第一训练单元，被配置为基于所述逻辑表达式和所述表达式预测结果，训练所述模型的所述第一编码网络、所述融合编码网络以及所述解码网络。
15.根据权利要求14所述的装置，其中，所述多个预设函数中的每个预设函数还包括至少一个输出，并且所述至少一个输出中的每个输出具有相应的预设数据格式，所述第一预设函数的输入包括第二预设函数的输出，所述装置还包括：
第四输入单元，被配置为将所述第一融合向量和所述第一函数标签输入所述融合编码网络，以获取所述融合编码网络输出的第二融合向量；
第五输入单元，被配置为将所述第二融合向量输入所述解码网络，以获得所述解码网络输出的第二函数标签，所述第二函数标签对应所述第二预设函数，并且，所述第二预设函数的输出与所述第一预设函数的输入具有相同的数据格式；以及
第二更新单元，被配置为将所述第一标签更新为所述第二函数标签，以基于更新后的第一标签，重复执行所述生成操作，直至预测得到所述第一预设函数的全部输入和所述第二预设函数的全部输入。
16.根据权利要求14或15所述的装置，其中，所述多个预设函数用于执行下述逻辑操作中的至少一者：信息抽取、数值计算、数值比较和数据排序。
17.一种电子设备，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1-8中任一项所述的方法。
18.一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1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310003482.5A CN116028605B (zh) | 2023-01-03 | 2023-01-03 | 逻辑表达式生成方法、模型训练方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310003482.5A CN116028605B (zh) | 2023-01-03 | 2023-01-03 | 逻辑表达式生成方法、模型训练方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116028605A true CN116028605A (zh) | 2023-04-28 |
| CN116028605B CN116028605B (zh) | 2023-11-14 |
Family
ID=86078933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310003482.5A Active CN116028605B (zh) | 2023-01-03 | 2023-01-03 | 逻辑表达式生成方法、模型训练方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116028605B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542005A (zh) * | 2023-07-06 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 基于深度学习的换电柜网络布局方法、系统、装置及介质 |
| CN116842155A (zh) * | 2023-06-30 | 2023-10-03 | 北京百度网讯科技有限公司 | 文本生成方法、文本生成模型的训练方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657126A (zh) * | 2018-12-17 | 2019-04-19 | 北京百度网讯科技有限公司 | 答案生成方法、装置、设备和介质 |
| CN111767381A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 自动问答方法和装置 |
| CN114780582A (zh) * | 2022-05-10 | 2022-07-22 | 苏州科技大学 | 基于表格问答的自然答案生成系统及其方法 |
| CN114780703A (zh) * | 2022-05-09 | 2022-07-22 | 天津开心生活科技有限公司 | 问答模型的确定方法、问答方法、装置、介质、设备 |
| CN115470349A (zh) * | 2022-09-13 | 2022-12-13 | 恒生电子股份有限公司 | 标签预测模型训练方法及装置 |
-
2023
- 2023-01-03 CN CN202310003482.5A patent/CN116028605B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657126A (zh) * | 2018-12-17 | 2019-04-19 | 北京百度网讯科技有限公司 | 答案生成方法、装置、设备和介质 |
| CN111767381A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 自动问答方法和装置 |
| CN114780703A (zh) * | 2022-05-09 | 2022-07-22 | 天津开心生活科技有限公司 | 问答模型的确定方法、问答方法、装置、介质、设备 |
| CN114780582A (zh) * | 2022-05-10 | 2022-07-22 | 苏州科技大学 | 基于表格问答的自然答案生成系统及其方法 |
| CN115470349A (zh) * | 2022-09-13 | 2022-12-13 | 恒生电子股份有限公司 | 标签预测模型训练方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842155A (zh) * | 2023-06-30 | 2023-10-03 | 北京百度网讯科技有限公司 | 文本生成方法、文本生成模型的训练方法及装置 |
| CN116542005A (zh) * | 2023-07-06 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 基于深度学习的换电柜网络布局方法、系统、装置及介质 |
| CN116542005B (zh) * | 2023-07-06 | 2023-10-10 | 杭州宇谷科技股份有限公司 | 基于深度学习的换电柜网络布局方法、系统、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116028605B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116028605B (zh) | 逻辑表达式生成方法、模型训练方法、装置及介质 | |
| CN116306862B (zh) | 用于文本处理神经网络的训练方法、装置和介质 | |
| CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
| CN115759100A (zh) | 数据处理方法、装置、设备及介质 | |
| CN115168545A (zh) | 群组搜索方法、装置、电子设备及介质 | |
| CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
| CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
| CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
| CN116152607A (zh) | 目标检测方法、训练目标检测模型的方法及装置 | |
| CN112860681B (zh) | 数据清洗方法及装置、计算机设备和介质 | |
| CN112905743B (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
| CN114118067A (zh) | 术语名词纠错方法及装置、电子设备和介质 | |
| CN115269989A (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN114898387A (zh) | 表格图像处理方法和装置 | |
| CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
| CN113590782A (zh) | 推理模型的训练方法、推理方法及装置 | |
| CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
| CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
| CN112954025B (zh) | 基于分层知识图谱推送信息方法、装置、设备、介质 | |
| CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
| CN115713071B (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 | |
| CN114611526A (zh) | 实体链接方法及装置、设备和介质 | |
| CN117291191A (zh) | 文本处理方法及装置、设备和介质 | |
| CN117909235A (zh) | 代码风险检测方法、深度学习模型的训练方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |