CN116502649A - 文本生成模型的训练方法、装置、电子设备及存储介质 - Google Patents
文本生成模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116502649A CN116502649A CN202310370098.9A CN202310370098A CN116502649A CN 116502649 A CN116502649 A CN 116502649A CN 202310370098 A CN202310370098 A CN 202310370098A CN 116502649 A CN116502649 A CN 116502649A
- Authority
- CN
- China
- Prior art keywords
- text
- training
- character
- sentence
- generation model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 244
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004590 computer program Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000873 masking effect Effects 0.000 description 6
- 239000012634 fragment Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method 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
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了文本生成模型的训练方法、装置、电子设备及存储介质,涉及计算机领域,尤其涉及深度学习、自然语言处理等人工智能领域。具体实现方案为:获取第一训练文本,并利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果;根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。由此,通过将文本生成任务作为预训练的目标,使得预训练的目标更加贴合下游任务,提高了模型对整个上下文的理解和文本生成的能力。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及深度学习、自然语言处理等人工智能领域,具体涉及一种文本生成模型的训练方法、装置、电子设备及存储介质。
背景技术
相关技术中,大多端到端文本生成模型是由BERT(Bidirectional EncoderRepresentations from Transformers,来自转换器的双向编码器的表示)演进而来,完全依靠BERT的特征提取能力。但是,BERT的预训练对下游的文本生成任务帮助有限。
发明内容
本申请提供了一种文本生成模型的训练方法、装置、电子设备及存储介质。具体方案如下:
根据本申请的一方面,提供了一种文本生成模型的训练方法,包括:
获取第一训练文本,其中,第一训练文本包括第一掩码字符及多个连续的第二掩码字符;
利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果;
根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。
根据本申请的另一方面,提供了一种文本生成方法,包括:
获取目标文本;
采用经过上述一方面实施例的方法所训练得到的文本生成模型对目标文本进行预测,得到目标文本对应的预测语句。
根据本申请的另一方面,提供了一种文本生成模型的训练装置,包括:
第一获取模块,用于获取第一训练文本,其中,第一训练文本包括第一掩码字符及多个连续的第二掩码字符;
第一预测模块,用于利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果;
第一训练模块,用于根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。
根据本申请的另一方面,提供了一种文本生成装置,包括:
获取模块,用于获取目标文本;
预测模块,用于采用经过上述一方面实施例所述的方法所训练得到的文本生成模型对目标进行预测,得到目标文本对应的预测语句。
根据本申请的另一方面,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上述一方面实施例所述的方法,或者能够执行上述另一方面实施例所述的方法。
根据本申请的另一方面,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根据上述一方面实施例所述的方法,或者执行根据上述另一方面实施例所述的方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述一方面实施例所述方法的步骤,或者实现上述另一方面实施例所述方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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,不构成对本申请的限定。其中:
图1为本申请一实施例提供的文本生成模型的训练方法的流程示意图;
图2为本申请另一实施例提供的文本生成模型的训练方法的流程示意图;
图3为本申请另一实施例提供的文本生成模型的训练方法的流程示意图;
图4为本申请另一实施例提供的文本生成模型的训练方法的流程示意图;
图5为本申请另一实施例提供的文本生成方法的流程示意图;
图6为本申请一实施例提供的文本生成模型的训练装置的结构示意图;
图7为本申请一实施例提供的文本生成装置的结构示意图;
图8是用来实现本申请实施例的文本生成模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
人工智能是研究使用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领域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深度学习、大数据处理技术、知识图谱技术等几大方向。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向,NLP研究的内容包括但不限于如下分支领域:文本分类、信息抽取、自动摘要、智能问答、话题推荐、机器翻译、主题词识别、知识库构建、深度文本表示、命名实体识别、文本生成、文本分析(词法、句法、语法等)、语音识别与合成等。
深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
下面参考附图描述本申请实施例的文本生成模型的训练方法、装置、电子设备和存储介质。
图1为本申请一实施例提供的文本生成模型的训练方法的流程示意图。
本申请实施例的文本生成模型的训练方法,可以由本申请实施例的文本生成模型的训练装置执行,该装置可以配置于电子设备中,通过将文本生成任务作为预训练的目标,使得预训练的目标更加贴合下游任务,提高了模型对整个上下文的理解和文本生成的能力。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该文本生成模型的训练方法,包括:
步骤101,获取第一训练文本,其中,第一训练文本包括第一掩码字符及多个连续的第二掩码字符。
本申请中,第一训练文本可以是各领域的文本,比如可以是教育领域、娱乐领域、科技领域等文本。
本申请中,第一训练文本中的第一掩码字符可以是一个,也可以是多个,本申请对此不作限定;第一训练文本中的多个连续的第二掩码字符可以是对一个或多个语句中的字符进行掩码得到的。
本申请中,第一掩码字符与第二掩码字符可以不同。
步骤102,利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果。
本申请中,初始文本生成模型可以包括编码器和解码器,可以将第一训练文本输入到编码器中进行编码,得到特征向量,利用特征向量进行字符预测,可以得到字符预测结果,比如,可以将特征向量经过激活单元softmax,得到第一掩码字符所处位置对应的概率分布,可以根据概率分布中各字符的概率,确定第一掩码字符所处位置的预测字符。同时,还可以将特征向量输入到解码器进行语句预测,可以得到第一训练文本对应的第一语句预测结果。
本申请中,字符预测结果可以是第一掩码字符所处位置对应的概率分布,也可以是第一掩码字符所处位置对应的预测字符,本申请对此不作限定;第一语句预测结果可以是多个第二掩码字符所处位置对应的概率分布,也可以是多个第二掩码字符所处位置对应的预测字符,也即预测语句,本申请对此不作限定。
步骤103,根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。
本申请中,被掩码字符可以是指被第一掩码字符所掩码的字符,被掩码语句是指被第二掩码字符所掩码的字符所属的语句。
比如,第一训练文本中某语句为“今天天[mask1]晴”,第一掩码字符“[mask1]”对应的被掩码字符为“气”。
又如,第一训练文本中包括“[mask2][mask2][mask2][mask2][mask2][mask2][mask2][mask2],[mask2][mask2][mask2][mask2][mask2][mask2],解决农田浇灌问题”,多个连续的第二掩码字符“[mask2]”对应的被掩码语句为“根据当天天气条件,进行人工降雨”。
本申请中,可以根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,确定模型损失,并根据模型损失,对初始文本生成模型进行参数调整,并根据参数调整后的文本生成模型继续第一训练,直至满足模型训练结束条件,得到第一文本生成模型。
其中,第一预训练可以是指预训练;模型训练结束条件可以是模型损失小于或等于预设阈值,或者达到预设训练次数,或者其他条件,本申请对此不作限定。
在对初始文本生成模型进行训练时,可以通过深度学习的方式进行训练,相比于其他机器学习方法,深度学习在大数据集上的表现更好。
本申请中,将字符预测作为预训练的目标,使编码器可以学习基础语义能力,而对语句进行掩码,可以增强模型对未掩码片段的上下文理解,而预测被掩码语句,也即预测遮蔽掉的片段,可以增强模型对语言建模能力的学习。
本申请实施例中,通过利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果,并根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。由此,通过将语句预测任务也即文本生成任务作为预训练的目标,使得预训练的目标更加贴合下游任务,提高了模型对整个上下文的理解和文本生成的能力。
图2为本申请另一实施例提供的文本生成模型的训练方法的流程示意图。
如图2所示,该文本生成模型的训练方法,包括:
步骤201,获取第一训练文本,其中,第一训练文本包括第一掩码字符及多个连续的第二掩码字符。
步骤202,利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果。
本申请中,步骤201-步骤202可以采用本申请各实施例中任一种实现方式,本申请对此不作限定,也不再赘述。
步骤203,根据字符预测结果与被掩码字符之间的差异,确定第一损失。
本申请中,字符预测结果中的预测字符与被掩码字符之间的差异,确定第一损失,或者也可以根据第一掩码字符所处位置对应的概率分布中的最大概率,计算第一损失,本申请对此不作限定。
本申请中,第一训练文本中的第一掩码字符可能是多个,可以根据每个第一掩码字符与每个第一掩码字符对应的被掩码字符之间的差异,确定每个第一掩码字符对应的第一子损失,可以将多个第一掩码字符对应的第一子损失之和,作为第一损失。
步骤204,根据第一语句预测结果与被掩码语句之间的差异,确定第二损失。
本申请中,可以根据多个连续的第二掩码字符中每个第二掩码字符与被掩码语句中每个第二掩码字符对应的被掩码字符之间的差异,确定每个第二掩码字符对应的第二子损失,可以将多个第二掩码字符对应的第二子损失之和,作为第二损失。
可选地,可以根据每个第二掩码字符所处位置对应的概率分布中的最大概率,计算每个第二掩码字符对应的第二子损失,可以将多个第二掩码字符对应的第二子损失之和,作为第二损失。
步骤205,根据第一损失与第二损失,对初始文本生成模型进行第一训练,得到第一文本生成模型。
本申请中,可以将第一损失与第二损失之和作为模型损失,并根据模型损失,对初始文本生成模型进行参数调整,并根据参数调整后的文本生成模型继续第一训练,直至满足模型训练结束条件,得到第一文本生成模型。
其中,模型训练结束条件的解释说明可以参见上述实施例,故在此不再赘述。
本申请实施例中,可以通过根据字符预测结果与被掩码字符之间的差异,确定第一损失,以及根据第一语句预测结果与被掩码语句之间的差异,确定第二损失,再根据第一损失与所述第二损失,对初始文本生成模型进行第一训练,得到第一文本生成模型。由此,基于字符预测对应的损失与语句预测对应的损失,对模型进行预训练,可以在提高模型的收敛速度的同时,提高模型对整个上下文的理解和文本生成的能力。
图3为本申请另一实施例提供的文本生成模型的训练方法的流程示意图。
如图3所示,该文本生成模型的训练方法,包括:
步骤301,获取第一样本文本,并确定第一样本文本中每个语句的重要程度。
本申请中,第一样本文本可以是各领域的原始文本,比如未经过掩码处理的文本;每个语句的重要程度可以用于表征语句能够表示第一样本文本主旨的程度,某个语句的重要程度越高说明该语句越能表示第一样本文本的主旨。
作为一种可能的实现方式,针对第一样本文本中的每个语句,可以利用预先训练得到词权重模型,对语句进行分词并获得语句中各个分词在语句中的权重,之后根据语句中每个分词的权重与每个分词在第一样本文本中其余语句中的出现次数乘积之和,确定第一权重和,并根据语句中每个分词的权重与每个分词在语句出现的次数的乘积之和,确定第二权重和,可以将第一权重和与第二权重和之间的比值确定为语句的重要程度。
例如,某训练文本中包含m个语句xm,该语句的重要程度计算方法,可以如下公式(1)所示:
其中,importance(xm)表示语句xm的重要程度;count(wordn)表示分词wordn在语句中的出现次数;countmatch(wordn)表示分词wordn在该训练文本中其余语句中的出现次数;wn表示分词wordn在该语句中的权重。
由此,通过根据语句中各个分词的权重、各个分词在当前语句中的出现次数以及在第一样本文本中其余语句中的出现次数,确定语句的重要程度,准确性高。
作为另一种可能的实现方式,可以根据语句中各个分词在第一样本文本中的平均出现次数,确定语句的重要程度,比如语句中各个分词在第一样本文本中的平均出现次数越多,语句的重要程度越高。
步骤302,根据每个语句的重要程度,从第一样本文本中确定出被掩码语句,并将被掩码语句中的每个字符替换为第二掩码字符。
本申请中,可以将第一样本文本中重要程度最高的语句,作为被掩码语句,之后将第一样本文本中被掩码语句中的每个字符替换为第二掩码字符,从而对第一样本文本中的重要语句或关键语句进行遮蔽。
步骤303,根据当前训练轮次及总训练轮次,确定当前训练轮次对应的第一概率。
本申请中,第一概率可以用于表示从第一样本文本中除被掩码语句外的剩余文本中选择被掩码字符的概率,或者也可以表示从第一样本文本中除被掩码语句外的预设数量的字符中选择被掩码字符的概率。
作为一种可能的实现方式,可以用1减去当前训练轮次与总训练轮次之间的比值,根据得到的结果确定第一概率。比如,当训练轮次为100,总训练轮次为1000,当前训练轮次与总训练轮次之间的比值为0.1,那么1-0.1=0.9,第一概率为90%。
作为另一种可能的实现方式,可以计算当前训练轮次与预设的总训练轮次之间的比值,并根据初始概率与该比值,确定第一概率。例如,第一概率的计算方法,可以如下公式(2)所示:
其中,pt表示第一概率;ps表示初始概率;pe表示调整空间,调整空间是超参数;step表示当前训练轮次;stepall表示总训练轮次。
由此,通过根据当前训练轮次动态调整第一概率,使字符被掩码的概率会随着训练轮数的增加而逐步降低,从而达到了预训练初期训练一个具有强大的语义提取能力的编码器,预训练后期主要集中在语句预测任务上的目的,提高了模型预测的准确性。
本申请中,在第一训练结束时,所用的训练轮次可以小于总训练轮次,比如,总训练轮次为10000次,在训练到8000次时,第一训练结束。
需要说明的是,上述总训练轮次可以根据实际需要设定,本申请对此不作限定。
步骤304,根据第一概率,从第一样本文本中除被掩码语句外的剩余文本中选择所述被掩码字符,并将被掩码字符替换为第一掩码字符,以获取当前训练轮次对应的第一训练文本。
本申请中,可以从第一样本文本中除被掩码语句外的剩余文本中随机选择预设数量的字符,并将预设数量的字符中第一概率的字符作为被掩码字符,并将被掩码字符替换为第一掩码字符,从而得到当前训练轮次对应的第一训练文本。
比如,第一概率为80%,可以将第一样本文本中被掩码语句中的每个字符都替换为第二掩码字符“[mask_s]”,从第一样本文本中除被掩码语句外的剩余文本中随机选择15%的字符,其中,随机选择的15%的字符中80%的字符作为替换为第一掩码字符“[mask_w]”,10%的字符可以被替换为随机字符,剩10%不变。
步骤305,利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果。
步骤306,根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。
本申请中,步骤305-步骤306可以采用本申请各实施例中任一种实现方式,本申请对此不作限定,也不再赘述。
本申请中,第一训练以文本生成任务目标,使得第一训练的目标与下游任务更加贴合,为了获取到更有价值的语义情景信息以提供到解码器,对重要语句进行掩码,可以增强文本生成模型对未掩码片段的上下文理解,而解码器预测遮蔽掉的片段也即被掩码语句,可以增强对语言建模能力的学习。
需要说明的是,本申请可以先执行确定被掩码语句,对被掩码语句进行替换,再执行确定被掩码字符,对被掩码字符进行替换,也可以再执行确定被掩码字符,对被掩码字符进行替换,后执行确定被掩码语句,对被掩码语句进行替换,也可以同时执行,本申请对此不作限定。
本申请实施例中,通过确定第一样本文本中每个语句的重要程度,基于语句的重要程度,确定被掩码语句并对被掩码语句进行替换,以及基于当前训练轮次与总训练轮次,确定被掩码字符并对被掩码字符进行替换,得到第一训练文本,由此利用该第一训练文本进行第一训练,可以增强模型学习基础语义的能力及实现对重要语句的预测。
图4为本申请另一实施例提供的文本生成模型的训练方法的流程示意图。
如图4所示,该文本生成模型的训练方法,还可以包括:
步骤401,获取第二训练文本。
本申请中,第二训练文本可以是某个领域的文本,比如第二训练文本为科教领域网页中的文本内容。
可选地,可以获取第二样本文本,对第二样本文本进行处理,得到第二训练文本。例如,将第二样本文本中的至少一个字符删除,以获取第二训练文本,其中,第二训练文本对应的向量矩阵中至少一个字符的向量为零向量。由此,利用该第二训练文本进行第二训练,可以强化模型对全局语义的理解,避免陷入局部语义的理解。
可选地,也可以确定第二样本文本中一个或多个字符的相似字符,用相似字符进行替换,得到第二训练文本,由此,利用该第二训练文本进行第二训练,可以强化模型对全局语义的理解,避免陷入局部。
可选地,本申请中,可以对第二样本文本中的字符进行替换,得到第二训练文本,或者对第二样本文本中的字符进行删除,得到二训练文本,或者对第二样本文本中的字符进行替换和删除,得到二训练文本,本申请对此不作限定。
步骤402,利用第一文本生成模型对第二训练文本进行语句预测,以获取第二语句预测结果。
本申请中,可以将第二训练文本输入到经过第一训练得到的第一文本生成模型的编码器进行编码,得到第二训练文本对应的特征向量,之后将第二训练文本对应的特征向量,输入到第一文本生成模型的解码器进行解码,以获取第二语句预测结果。
为了提高预测结果的准确性,本申请中,可以将第二训练文本对应的特征向量及第一文本生成模型的解码器输出的已预测字符输入到解码器进行解码,以获取下一个预测字符,直至预测结束,依次输出的预测字符组成第二预测语句。
可选地,本申请中,可以从第一文本生成模型的解码器输出的已预测字符中选择第一字符,并计算第一字符与词库中各字符之间的相似度,可以将与第一字符相似度最高的字符,确定为与第一字符相似的第二字符,之后将已预测字符中的第一字符替换为第二字符,以获取处理后的预测字符,并将第二训练文本对应的特征向量及处理后的预测字符输入到解码器进行解码,以获取下一个预测字符。由此,通过将已预测字符中的字符用相似字符进行替换后输入到解码器,以预测下一个预测字符,可以强化模型对全局语义的理解。
本申请中,第一字符可以是一个,也可以是多个,第一字符可以是从已预测字符中随机选择的一个或多个字符,或者也可以是预设位置的字符,比如第1个字符、第3个字符等,本申请对此不作限定。
可选地,本申请中,可以将已预测字符中的一个字符或多个字符删除,以获取处理后的预测字符,并将处理后的预测字符与第二训练文本对应的特征向量输入到解码器进行解码,以获取下一个预测字符。
可选地,本申请中,可以对已预测字符中的字符进行替换,得到处理后的预测字符,或者对已预测字符中的字符进行删除,得到处理后的预测字符,或者对已预测字符中的字符进行替换和删除,得到处理后的预测字符,本申请对此不作限定。
需要说明的是,将已预测字符或处理后的预测字符输入到解码器,可以理解为将已预测字符或处理后的预测字符的向量矩阵输入到解码器。
步骤403,根据第二语句预测结果与第二训练文本对应的标注语句之间的差异,对第一文本生成模型进行第二训练,得到第二文本生成模型。
本申请中,第二训练文本对应的标注语句可以是第二训练文本中的重要语句,或者也可以是第二训练文本的标题等;第二训练可以理解为微调。
本申请中,可以根据第二语句预测结果每个字符与第二训练文本对应的标注语句中相应位置的字符之间的差异,确定第二语句预测结果中每个字符对应的第三子损失,可以将第二语句预测结果中每个字符对应的第三子损失之和,作为模型损失,并根据模型损失,对第一文本生成模型的参数进行调整,继续对参数调整后的第一文本生成模型继续进行第二训练,直至满足模型训练结束条件,得到第二文本生成模型。
其中,第二训练对应的模型训练结束条件,与第一训练对应的模型训练结束条件类似,故在此不再赘述。
可选地,本申请中,在进行第二训练时,第二训练文本可以是对第一样本文本中的字符进行替换和/或删除后得到,输入解码器的处理后的字符可以是对已预测字符进行替换和/或删除后得到,本申请对此不作限定。
比如,在第二样本文本不充足的情况下,字符替换只发生在解码器端,字符删除只发生在编码器端;模型充分训练后,字符替换和字符删除两种策略可以叠加在编码器端和解码器端。
本申请实施例的文本生成模型的训练方法,可以应用于文本中重要语句的预测或者标题生成等。
本申请实施例中,通过利用第二训练文本对经过第一训练得到的第一文本生成模型进行微调,得到第二文本生成模型,提高了模型预测结果的准确性。
图5为本申请另一实施例提供的文本生成方法的流程示意图。
如图5所示,该文本生成方法,包括:
步骤501,获取目标文本。
步骤502,采用经过上述训练得到的文本生成模型对目标文本进行预测,得到目标文本对应的预测语句。
本申请中,可以将目标文本输入到文本生成模型的编码器进行编码,得到目标文本对应的特征向量,并将目标文本对应的特征向量输入到文本生成模型的解码器中进行解码,得到目标文本对应的预测语句。
本申请中,文本生成模型的解码器解码得到目标文本对应的预测语句的方法,与上述实施例中获取第二预测语句的方法类似,故在此不再赘述。
本申请实施例中,通过利用上述训练方法得到文本生成模型对目标文本进行语句预测,得到目标文本对应的预测语句,预测结果准确性高。
为了实现上述实施例,本申请实施例还提出一种文本生成模型的训练装置。图6为本申请一实施例提供的文本生成模型的训练装置的结构示意图。
如图6所示,该文本生成模型的训练装置600包括:
第一获取模块610,用于获取第一训练文本,其中,第一训练文本包括第一掩码字符及多个连续的第二掩码字符;
第一预测模块620,用于利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果;
第一训练模块630,用于根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。
在本申请实施例一种可能的实现方式中,第一训练模块630,用于:
根据字符预测结果与被掩码字符之间的差异,确定第一损失;
根据第一语句预测结果与被掩码语句之间的差异,确定第二损失;
根据第一损失与第二损失,对初始文本生成模型进行第一训练,得到第一文本生成模型。
在本申请实施例一种可能的实现方式中,第一获取模块610,用于:
获取第一样本文本,并确定第一样本文本中每个语句的重要程度;
根据每个语句的重要程度,从第一样本文本中确定出被掩码语句,并将被掩码语句中的每个字符替换为第二掩码字符;
根据当前训练轮次及总训练轮次,确定当前训练轮次对应的第一概率;
根据第一概率,从第一样本文本中除被掩码语句外的剩余文本中选择被掩码字符,并将被掩码字符替换为第一掩码字符,以获取当前训练轮次对应的第一训练文本。
在本申请实施例一种可能的实现方式中,第一获取模块610,用于:
确定语句中各个分词在语句中的权重;
根据语句中每个分词的权重与每个分词在第一样本文本中其余语句中的出现次数乘积之和,确定第一权重和;
根据语句中每个分词的权重与每个分词在语句出现的次数的乘积之和,确定第二权重和;
将第一权重和与第二权重和之间的比值确定为语句的重要程度。
在本申请实施例一种可能的实现方式中,第一获取模块610,用于:
计算当前训练轮次与预设的总训练轮次之间的比值;
根据初始概率与比值,确定第一概率。
在本申请实施例一种可能的实现方式中,该装置还可以包括:
第二获取模块,用于获取第二训练文本;
第二预测模块,用于利用第一文本生成模型对第二训练文本进行语句预测,以获取第二语句预测结果;
第二训练模块,用于根据第二语句预测结果与第二训练文本对应的标注语句之间的差异,对第一文本生成模型进行第二训练,得到第二文本生成模型。
在本申请实施例一种可能的实现方式中,第二获取模块,用于:
获取第二样本文本;
将第二样本中的至少一个字符删除,以获取第二训练文本,其中,第二训练文本对应的向量矩阵中至少一个字符的向量为零向量。
在本申请实施例一种可能的实现方式中,第二预测模块,用于:
将第二训练文本输入到第一文本生成模型的编码器进行编码,以获取第二训练文本对应的特征向量;
将特征向量输入和第一文本生成模型的解码器输出的已预测字符输入到解码器进行解码,以获取下一个预测字符,直至预测结束,获取第二预测语句。
在本申请实施例一种可能的实现方式中,第二预测模块,用于:
从已预测字符中选择第一字符,并确定与第一字符相似的第二字符;
将已预测字符中的第一字符替换为第二字符,以获取处理后的预测字符;
将特征向量与处理后的预测字符输入到解码器进行解码,以获取下一个预测字符。
需要说明的是,前述文本生成模型的训练方法实施例的解释说明,也适用于该实施例的文本生成模型的训练装置,故在此不再赘述。
本申请实施例中,通过利用初始文本生成模型对第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果,并根据字符预测结果与第一掩码字符对应的被掩码字符之间的差异,以及第一语句预测结果与多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。由此,通过将语句预测任务也即文本生成任务作为预训练的目标,使得预训练的目标更加贴合下游任务,提高了模型对整个上下文的理解和文本生成的能力。
为了实现上述实施例,本申请实施例还提出一种文本生成装置。图7为本申请一实施例提供的文本生成装置的结构示意图。
如图7所示,该文本生成模型的训练装置700包括:
获取模块710,用于获取目标文本;
预测模块720,用于采用经过如上述实施例的文本生成模型的训练方法所训练得到的文本生成模型对目标进行预测,得到目标文本对应的预测语句。
需要说明的是,前述文本生成方法实施例的解释说明,也适用于该实施例的文本生成装置,故在此不再赘述。
本申请实施例中,通过利用上述训练方法得到文本生成模型对目标文本进行语句预测,得到目标文本对应的预测语句,预测结果准确性高。
根据本申请的实施例,本申请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8示出了可以用来实施本申请的实施例的示例电子设备800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/或者要求的本申请的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)802中的计算机程序或者从存储单元808加载到RAM(Random AccessMemory,随机访问/存取存储器)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。I/O(Input/Output,输入/输出)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如文本生成模型的训练方法。例如,在一些实施例中,文本生成模型的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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的文本生成模型的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801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生成模型的训练方法。
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、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、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。
用于实施本申请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。
在本申请的上下文中,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、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、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(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,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:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
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,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(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。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。
需要说明的是,上述电子设备也可以实现本申请实施例的文本生成方法,故在此不再赘述。
根据本申请的实施例,本申请还提供了一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行本申请上述实施例提出的文本生成模型的训练方法,或者执行本申请上述实施例提出的文本生成方法。
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,本申请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,只要能够实现本申请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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (23)
1.一种文本生成模型的训练方法,包括:
获取第一训练文本,其中,所述第一训练文本包括第一掩码字符及多个连续的第二掩码字符;
利用初始文本生成模型对所述第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果;
根据所述字符预测结果与所述第一掩码字符对应的被掩码字符之间的差异,以及所述第一语句预测结果与所述多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。
2.如权利要求1所述的方法,其中,所述根据所述字符预测结果与所述第一掩码字符对应的被掩码字符之间的差异,以及所述第一语句预测结果与所述多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型,包括:
根据所述字符预测结果与所述被掩码字符之间的差异,确定第一损失;
根据所述第一语句预测结果与所述被掩码语句之间的差异,确定第二损失;
根据所述第一损失与所述第二损失,对所述初始文本生成模型进行第一训练,得到所述第一文本生成模型。
3.如权利要求1所述的方法,其中,所述获取第一训练文本,包括:
获取第一样本文本,并确定所述第一样本文本中每个语句的重要程度;
根据每个所述语句的重要程度,从所述第一样本文本中确定出所述被掩码语句,并将所述被掩码语句中的每个字符替换为所述第二掩码字符;
根据当前训练轮次及总训练轮次,确定当前训练轮次对应的第一概率;
根据所述第一概率,从所述第一样本文本中除所述被掩码语句外的剩余文本中选择所述被掩码字符,并将所述被掩码字符替换为所述第一掩码字符,以获取当前训练轮次对应的所述第一训练文本。
4.如权利要求3所述的方法,其中,所述确定所述第一样本文本中每个语句的重要程度,包括:
确定所述语句中各个分词在语句中的权重;
根据所述语句中每个所述分词的权重与每个所述分词在所述第一样本文本中其余语句中的出现次数乘积之和,确定第一权重和;
根据所述语句中每个所述分词的权重与每个所述分词在所述语句出现的次数的乘积之和,确定第二权重和;
将所述第一权重和与所述第二权重和之间的比值确定为所述语句的重要程度。
5.如权利要求4所述的方法,其中,所述根据当前训练轮次及总训练轮次,确定当前训练轮次对应的第一概率,包括:
计算当前训练轮次与预设的总训练轮次之间的比值;
根据初始概率与所述比值,确定所述第一概率。
6.如权利要求1-5中任一项所述的方法,还包括:
获取第二训练文本;
利用所述第一文本生成模型对所述第二训练文本进行语句预测,以获取第二语句预测结果;
根据所述第二语句预测结果与所述第二训练文本对应的标注语句之间的差异,对所述第一文本生成模型进行第二训练,得到第二文本生成模型。
7.如权利要求6所述的方法,其中,所述获取第二训练文本,包括:
获取第二样本文本;
将所述第二样本中的至少一个字符删除,以获取所述第二训练文本,其中,所述第二训练文本对应的向量矩阵中所述至少一个字符的向量为零向量。
8.如权利要求6所述的方法,其中,所述利用所述第一文本生成模型对所述第二训练文本进行语句预测,以获取第二语句预测结果,包括:
将所述第二训练文本输入到所述第一文本生成模型的编码器进行编码,以获取所述第二训练文本对应的特征向量;
将所述特征向量输入和所述第一文本生成模型的解码器输出的已预测字符输入到所述解码器进行解码,以获取下一个预测字符,直至预测结束,获取所述第二预测语句。
9.如权利要求8所述的方法,其中,所述将所述特征向量输入和所述第一文本生成模型的解码器输出的已预测字符输入到所述解码器进行解码,以获取下一个预测字符,包括:
从所述已预测字符中选择第一字符,并确定与所述第一字符相似的第二字符;
将所述已预测字符中的所述第一字符替换为所述第二字符,以获取处理后的预测字符;
将所述特征向量与所述处理后的预测字符输入到所述解码器进行解码,以获取下一个预测字符。
10.一种文本生成方法,包括:
获取目标文本;
采用经过如权利要求1-9中任一项所述的方法所训练得到的文本生成模型对所述目标文本进行预测,得到所述目标文本对应的预测语句。
11.一种文本生成模型的训练装置,包括:
第一获取模块,用于获取第一训练文本,其中,所述第一训练文本包括第一掩码字符及多个连续的第二掩码字符;
第一预测模块,用于利用初始文本生成模型对所述第一训练文本进行字符预测和语句预测,以获取字符预测结果和第一语句预测结果;
第一训练模块,用于根据所述字符预测结果与所述第一掩码字符对应的被掩码字符之间的差异,以及所述第一语句预测结果与所述多个连续的第二掩码字符对应的被掩码语句之间的差异,对初始文本生成模型进行第一训练,得到第一文本生成模型。
12.如权利要求11所述的装置,其中,所述第一训练模块,用于:
根据所述字符预测结果与所述被掩码字符之间的差异,确定第一损失;
根据所述第一语句预测结果与所述被掩码语句之间的差异,确定第二损失;
根据所述第一损失与所述第二损失,对所述初始文本生成模型进行第一训练,得到所述第一文本生成模型。
13.如权利要求11所述的装置,其中,所述第一获取模块,用于:
获取第一样本文本,并确定所述第一样本文本中每个语句的重要程度;
根据每个所述语句的重要程度,从所述第一样本文本中确定出所述被掩码语句,并将所述被掩码语句中的每个字符替换为所述第二掩码字符;
根据当前训练轮次及总训练轮次,确定当前训练轮次对应的第一概率;
根据所述第一概率,从所述第一样本文本中除所述被掩码语句外的剩余文本中选择所述被掩码字符,并将所述被掩码字符替换为所述第一掩码字符,以获取当前训练轮次对应的所述第一训练文本。
14.如权利要求13所述的装置,其中,所述第一获取模块,用于:
确定所述语句中各个分词在语句中的权重;
根据所述语句中每个所述分词的权重与每个所述分词在所述第一样本文本中其余语句中的出现次数乘积之和,确定第一权重和;
根据所述语句中每个所述分词的权重与每个所述分词在所述语句出现的次数的乘积之和,确定第二权重和;
将所述第一权重和与所述第二权重和之间的比值确定为所述语句的重要程度。
15.如权利要求14所述的装置,其中,所述第一获取模块,用于:
计算当前训练轮次与预设的总训练轮次之间的比值;
根据初始概率与所述比值,确定所述第一概率。
16.如权利要求11-15中任一项所述的装置,还包括:
第二获取模块,用于获取第二训练文本;
第二预测模块,用于利用所述第一文本生成模型对所述第二训练文本进行语句预测,以获取第二语句预测结果;
第二训练模块,用于根据所述第二语句预测结果与所述第二训练文本对应的标注语句之间的差异,对所述第一文本生成模型进行第二训练,得到第二文本生成模型。
17.如权利要求16所述的装置,其中,所述第二获取模块,用于:
获取第二样本文本;
将所述第二样本中的至少一个字符删除,以获取所述第二训练文本,其中,所述第二训练文本对应的向量矩阵中所述至少一个字符的向量为零向量。
18.如权利要求16所述的装置,其中,所述第二预测模块,用于:
将所述第二训练文本输入到所述第一文本生成模型的编码器进行编码,以获取所述第二训练文本对应的特征向量;
将所述特征向量输入和所述第一文本生成模型的解码器输出的已预测字符输入到所述解码器进行解码,以获取下一个预测字符,直至预测结束,获取所述第二预测语句。
19.如权利要求18所述的装置,其中,所述第二预测模块,用于:
从所述已预测字符中选择第一字符,并确定与所述第一字符相似的第二字符;
将所述已预测字符中的所述第一字符替换为所述第二字符,以获取处理后的预测字符;
将所述特征向量与所述处理后的预测字符输入到所述解码器进行解码,以获取下一个预测字符。
20.一种文本生成装置,包括:
获取模块,用于获取目标文本;
预测模块,用于采用经过如权利要求1-9中任一项所述的方法所训练得到的文本生成模型对所述目标进行预测,得到所述目标文本对应的预测语句。
21.一种电子设备,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1-9中任一项所述的方法,或者能够执行权利要求10所述的方法。
22.一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1-9中任一项所述的方法,或者执行根据权利要求10所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1-9中任一项所述方法的步骤,或者实现权利要求10所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310370098.9A CN116502649A (zh) | 2023-04-07 | 2023-04-07 | 文本生成模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310370098.9A CN116502649A (zh) | 2023-04-07 | 2023-04-07 | 文本生成模型的训练方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502649A true CN116502649A (zh) | 2023-07-28 |
Family
ID=87319428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310370098.9A Pending CN116502649A (zh) | 2023-04-07 | 2023-04-07 | 文本生成模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502649A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875266A (zh) * | 2024-03-11 | 2024-04-12 | 腾讯科技(深圳)有限公司 | 文本编码模型的训练方法、装置、电子设备及存储介质 |
-
2023
- 2023-04-07 CN CN202310370098.9A patent/CN116502649A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875266A (zh) * | 2024-03-11 | 2024-04-12 | 腾讯科技(深圳)有限公司 | 文本编码模型的训练方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489555B (zh) | 一种结合类词信息的语言模型预训练方法 | |
CN112466288B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
CN113553864B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
US20210312139A1 (en) | Method and apparatus of generating semantic feature, method and apparatus of training model, electronic device, and storage medium | |
JP7149993B2 (ja) | 感情分析モデルの事前トレーニング方法、装置及び電子機器 | |
CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
CN112528637B (zh) | 文本处理模型训练方法、装置、计算机设备和存储介质 | |
CN114416934B (zh) | 多模态的对话生成模型的训练方法、装置及电子设备 | |
US20230023789A1 (en) | Method for identifying noise samples, electronic device, and storage medium | |
CN113435208B (zh) | 学生模型的训练方法、装置及电子设备 | |
CN115309877B (zh) | 对话生成方法、对话模型训练方法及装置 | |
JP2022151649A (ja) | 音声認識モデルのトレーニング方法、装置、機器、および記憶媒体 | |
CN113553412A (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN114281968B (zh) | 一种模型训练及语料生成方法、装置、设备和存储介质 | |
CN112380855B (zh) | 确定语句通顺度的方法、确定概率预测模型的方法和装置 | |
CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
CN113763937A (zh) | 语音处理模型的生成方法、装置、设备以及存储介质 | |
JP2023025126A (ja) | 深層学習モデルのトレーニング方法及び装置、テキストデータ処理方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN115640520A (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
CN115358243A (zh) | 多轮对话识别模型的训练方法、装置、设备及存储介质 | |
CN116502649A (zh) | 文本生成模型的训练方法、装置、电子设备及存储介质 | |
CN117290515A (zh) | 文本标注模型的训练方法、文生图方法及装置 | |
CN115357710B (zh) | 表格描述文本生成模型的训练方法、装置及电子设备 | |
CN115359323A (zh) | 图像的文本信息生成方法和深度学习模型的训练方法 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |