CN116610797A - 文本情感分类模型的训练方法、装置、电子设备和介质 - Google Patents
文本情感分类模型的训练方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116610797A CN116610797A CN202210116801.9A CN202210116801A CN116610797A CN 116610797 A CN116610797 A CN 116610797A CN 202210116801 A CN202210116801 A CN 202210116801A CN 116610797 A CN116610797 A CN 116610797A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- sample
- text
- training algorithm
- 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 201
- 238000013145 classification model Methods 0.000 title claims abstract description 96
- 230000008451 emotion Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 104
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 230000000712 assembly Effects 0.000 claims abstract description 25
- 238000000429 assembly Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 46
- 230000004913 activation Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 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
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提出一种文本情感分类模型的训练方法、装置、电子设备和介质，涉及人工智能技术领域，特别涉及人工智能开发工具与基础平台技术领域。其中，文本情感分类模型的训练方法包括：获取样本文本和样本文本的样本分类结果以及文本情感分类模型对应的模型训练算法，其中，模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。本申请通过可视化的将多个网络结构组件搭建成神经网络模型，实现了神经网络模型结构搭建的个性化和可视化，且不需要手动编写代码，满足了快速搭建丰富模型的需求。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种文本情感分类模型的训练方法、装置、电子设备和介质。
背景技术
现有的机器学习平台，关于人工智能深度学习模型训练的方式主要有四种：自动化式、脚本任务式、图形化式和交互式笔记本式。
但是图形化式的最小单元已经是整个算法即整个模型的构建，无法进行个性化的网络模型结构搭建，自动化式的最小单元是整个模型训练过程，更加缺乏模型搭建的个性化，而脚本任务式和交互式笔记本式完全基于代码的编写，虽然可以进行个性化网络模型结构搭建，但是缺乏可视化操作，且需要手动编写代码，难以满足快速搭建丰富模型的需求。
发明内容
本申请提出一种文本情感分类模型的训练方法、装置、电子设备和介质。
本申请第一方面实施例提出了一种文本情感分类模型的训练方法，包括：获取样本文本和所述样本文本的样本分类结果；获取所述文本情感分类模型对应的模型训练算法，其中，所述模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的；以及根据所述样本文本、所述样本分类结果和所述模型训练算法进行模型训练，得到所述文本情感分类模型。
本申请实施例的文本情感分类模型的训练方法，获取样本文本和样本文本的样本分类结果以及文本情感分类模型对应的模型训练算法，其中，模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。本实施例中，通过可视化的将多个网络结构组件搭建成神经网络模型，实现了神经网络模型结构搭建的个性化和可视化，且不需要手动编写代码，满足了快速搭建丰富模型的需求。
本申请第二方面实施例提出一种文本情感分类模型的训练装置，包括：第一获取模块，被配置为获取样本文本和所述样本文本的样本分类结果；第二获取模块，被配置为获取所述文本情感分类模型对应的模型训练算法，其中，所述模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的；以及训练模块，被配置为根据所述样本文本、所述样本分类结果和所述模型训练算法进行模型训练，得到所述文本情感分类模型。
本申请实施例的文本情感分类模型的训练装置，获取样本文本和样本文本的样本分类结果以及文本情感分类模型对应的模型训练算法，其中，模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。本实施例中，通过可视化的将多个网络结构组件搭建成神经网络模型，实现了神经网络模型结构搭建的个性化和可视化，且不需要手动编写代码，满足了快速搭建丰富模型的需求。
本申请第三方面实施例提出了一种电子设备，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如上述第一方面实施例所述的文本情感分类模型的训练方法。
本申请第四方面实施例提出了一种存储有计算机指令的计算机可读存储介质，所述计算机指令用于使所述计算机执行如上述第一方面实施例所述的文本情感分类模型的训练方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请一实施例提供的文本情感分类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情感分类模型的训练方法的流程示意图；
图3为网络结构组件仓库示意图；
图4为LSTM模型搭建示意图；
图5为LSTM模型优化器、损失函数示意图；
图6为本申请另一实施例提供的文本情感分类模型的训练方法的流程示意图；
图7为本申请另一实施例提供的文本情感分类模型的训练方法的流程示意图；
图8为本申请一实施例提供的文本情感分类模型的训练装置的结构示意图；
图9为本申请另一实施例提供的文本情感分类模型的训练装置的结构示意图；
图10为本申请一实施例提供的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
数据处理(Data Processing，简称DP)是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度，极大地影响了人类社会发展的进程。
在本申请的描述中，术语“AI”(Artificial Intelligence，人工智能)是一种研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
在本申请的描述中，术语“交互式笔记本”支持运行40多种编程语言，其本质是一个网页应用程序，便于创建和共享程序文档，支持实时代码、数学方程、可视化和markdown(一种轻量级标记语言)等，用途包括：数据清理和转换、数值模拟、统计建模和机器学习等等。
在本申请的描述中，术语“激活函数”是一种在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。
在本申请的描述中，术语“损失函数”是一种将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。
在本申请的描述中，术语“Keras框架”是一种由Python(一种编程语言)编写的开源人工神经网络库，可以作为Tensorflow(神经网络Python外部的结构包或者采用数据流图来进行数值计算的开源软件库)、Microsoft-CNTK(Microsoft-Cognitive Toolkit，微软认知工具包)和Theano(神经网络Python机器学习模块)的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。
下面参考附图描述本申请实施例的文本情感分类模型的训练方法、装置、电子设备和介质。
图1为本申请一实施例提供的文本情感分类模型的训练方法的流程示意图。本申请实施例的文本情感分类模型的训练方法，可由本申请实施例提供的文本情感分类模型的训练装置执行，该文本情感分类模型的训练装置可设置于机器学习平台中。
如图1所示，本申请实施例的文本情感分类模型的训练方法具体可包括以下步骤：
S101，获取样本文本和样本文本的样本分类结果。
具体的，样本文本即待分类的作为样本的文本，样本分类结果即样本文本的实际分类结果。对样本文本和样本文本对应的样本分类结果进行获取，并进行后续的处理，本申请对样本分类的具体方式不作过多限定。
S102，获取文本情感分类模型对应的模型训练算法。
具体的，对文本情感分类模型对应的模型训练算法进行获取，其中，模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的，可以采用积木式的方式可视化的根据多个网络结构组件搭建神经网络模型。
S103，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。
具体的，根据步骤S101获取的样本文本和样本文本的样本分类结果以及步骤S102获取的文本情感分类模型对应的模型训练算法对搭建成的神经网络模型进行模型训练，得到对应的文本情感分类模型。本申请对模型训练的具体方式不作过多限定。
本申请实施例的文本情感分类模型的训练方法，获取样本文本和样本文本的样本分类结果以及文本情感分类模型对应的模型训练算法，其中，模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。本实施例中，通过可视化的将多个网络结构组件搭建成神经网络模型，实现了神经网络模型结构搭建的个性化和可视化，且不需要手动编写代码，满足了快速搭建丰富模型的需求。另外，基于个性化的神经网络模型实现了训练得到的文本情感分类模型的个性化。
图2为本申请另一实施例提供的文本情感分类模型的训练方法的流程示意图。如图2所示，在上述图1所示实施例的基础上，本申请实施例的文本情感分类模型的训练方法具体可包括以下步骤：
S201，获取样本文本和样本文本的样本分类结果。
具体的，本实施例中的步骤S201与上述实施例中的步骤S101相同，此处不再赘述。
S202，从组件仓库中获取神经网络模型需要的多个网络结构组件。
具体的，如图3所示，组件仓库即网络结构组件仓库，组件仓库中存放着神经网络模型会用到的多个最小单元通用型网络结构组件，具体可包括但不限于全连接层组件卷积层组件、池化层组件、循环网络组件、长短期记忆网络组件、嵌入层组件、sigmoid激活函数组件和relu激活函数组件等，其中每一个组件都有其对应的特定的参数，从组件仓库中获取神经网络模型需要的多个网络结构组件并进行后续处理。
例如，需要搭建一个基于LSTM(Long Short-Term Memory，长短期记忆)网络的文本情感分类模型，需要用到的网络组件具体可包括以下任意一种：嵌入层组件、长短期记忆网络组件、全连接层组件、relu激活函数组件和sigmoid激活函数组件，则可以从组件仓库挑选出这些所需的网络组件。
S203，将多个网络结构组件按照自输入端到输出端的顺序搭建神经网络模型，并设置网络结构组件的模型训练初始化参数。
具体的，如图3所示，每个网络结构组件都有对应的模型训练初始化参数，根据步骤S202从组件仓库中获取的神经网络模型需要的多个网络结构组件，将这些网络结构组件按照自输入端到输出端的顺序进行神经网络模型的搭建，并在搭建过程中设置网络结构组件的模型训练初始化参数。
例如，如图4所示，搭建基于LSTM网络的文本情感分类模型可分为5个步骤：第一步搭建嵌入层，维度为(20000，300)；第二步搭建长短期记忆网络，隐藏层维度为512，层数为1，双向为1；第三步搭建全连接层和relu激活函数，神经元个数为256，激活函数应用维度为0；第四步搭建全连接层和relu激活函数，神经元个数为32，激活函数应用维度为0；第五步搭建全连接层和sigmoid激活函数，神经元个数为1，激活函数应用维度为0。
此处需要说明的是，可选择自动或者自定义的方式填写网络结构组件的相关参数，不需要编写一行代码，即可实现个性化的神经网络模型搭建。
S204，根据神经网络模型生成模型结构化数据。
具体的，根据步骤S203搭建的神经网络模型生成对应的模型结构化数据，。例如，上图4中搭建的神经网络模型，第一步搭建的嵌入层可生成的对应的模型结构化数据为:{“name”:”嵌入层组件”,”component”:”Embedding”,”parameters”:[{“name”:”维度_1”,”key”:”input_dim”,”value”:20000},{“name”:”维度_2”,”key”:”output_dim”,”value”:300}]}，其他用来搭建神经网络模型的网络结构组件同理，此处不再赘述。
S205，获取模型优化器和模型损失函数。
具体的，对模型优化器和模型损失函数进行获取，从而进行后续的处理，如图5所示，模型优化器为SGD(Stochastic Gradient Descent，随机梯度下降法)，学习率为0.001，模型损失函数为MSE(Mean Squared Error，均方误差)。
此处需要说明的是，模型优化器和模型损失函数可根据实际需要进行设置，本申请对此不作过多限定。
S206，根据模型优化器、模型损失函数和模型结构化数据，生成模型代码。
具体的，根据步骤S205获取的模型优化器和模型损失函数以及步骤S204生成的模型结构化数据，生成模型结构化数据对应的模型代码。
根据图5中的模型优化器和模型损失函数，对模型结构化数据进行相应的处理，可生成模型结构化数据对应的模型代码，模型代码以Keras框架为例，例如，生成的模型代码可为：“def get_model():model＝Sequential()model.add(Embedding(input_dim＝20000,output_din＝300))model.add(Bidirectional(LSTM(units＝512)))model.add(Dense(units＝256,activation＝'relu')model.add(Dense(units＝32,activation＝'relu'))model.add(Dense(units＝l,activation＝'sigmoid'))sgd＝SGD(lr＝0.001)nodel.compile(optimizer＝sgd,loan＝'mean_squared_error')return model”。
S207，根据模型代码生成模型训练算法。
具体的，根据步骤S206生成的模型代码生成对应的模型训练算法。
S208，获取文本情感分类模型对应的模型训练算法。
S209，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。
具体的，本实施例中的步骤S208-S209与上述实施例中的步骤S102-S103相同，此处不再赘述。
图6为本申请另一实施例提供的文本情感分类模型的训练方法的流程示意图。如图6所示，上述实施例中的步骤S207“根据模型代码生成模型训练算法”具体可包括以下步骤S601-S602：
S601，获取训练算法模式。
具体的，对训练算法模式进行获取，其中，训练算法模式包括以下任意一种：脚本任务式、图形化式和交互式笔记本式。其中，脚本任务式指运行用户上传的算法代码脚本，图形化式指往往将整个模型训练过程拆分为组件最小单元，具体可包括但不限于数据组件、算法组件、训练组件和验证组件等，并通过连线实现流程图式的模型训练(例如某公司的AI Studio和Neufoundry)，交互式笔记本式指通过在线编写代码块来实现模型的训练。
S602，根据模型代码和训练算法模式，生成对应模式的模型训练算法。
具体的，模型训练算法包括以下任意一种：脚本式算法、组件式算法和笔记本式算法，根据模型代码和步骤S601获取的训练算法模式，生成训练算法模式对应的模型训练算法，例如，用户选择的训练算法模式为脚本任务式，则可根据模型代码生成脚本任务式对应的脚本式算法。
本申请实施例的文本情感分类模型的训练方法，获取样本文本和样本文本的样本分类结果，从组件仓库中获取神经网络模型需要的多个网络结构组件，将多个网络结构组件按照自输入端到输出端的顺序搭建神经网络模型，并设置网络结构组件的模型训练初始化参数，根据神经网络模型生成模型结构化数据，获取模型优化器和模型损失函数，根据模型优化器、模型损失函数和模型结构化数据生成模型代码，获取训练算法模式，根据模型代码和训练算法模式生成对应模式的模型训练算法，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。本实施例中，通过可视化的将多个网络结构组件搭建成神经网络模型，实现了神经网络模型结构搭建的个性化和可视化，且不需要手动编写代码，满足了快速搭建丰富模型的需求。基于个性化的神经网络模型实现了训练得到的文本情感分类模型的个性化。同时，通过模型优化器和模型损失函数，实现了模型训练算法的生成，通过训练算法模式实现了不同模式的模型训练算法的生成，进而训练得到个性化的文本情感分类模型。
为更清楚的描述本申请实施例的文本情感分类模型的训练方法，下面结合图7进行详细描述。图7为本申请另一实施例提供的文本情感分类模型的训练方法的流程示意图。如图7所示，本申请实施例的文本情感分类模型的训练方法具体可包括以下步骤：
S701，获取样本文本和样本文本的样本分类结果。
S702，从组件仓库中获取神经网络模型需要的多个网络结构组件。
S703，将多个网络结构组件按照自输入端到输出端的顺序搭建神经网络模型，并设置网络结构组件的模型训练初始化参数。
S704，根据神经网络模型生成模型结构化数据。
S705，获取模型优化器和模型损失函数。
S706，根据模型优化器、模型损失函数和模型结构化数据，生成模型代码。
S707，获取训练算法模式。
S708，根据模型代码和训练算法模式，生成对应模式的模型训练算法。
S709，获取文本情感分类模型对应的模型训练算法。
S710，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。
为了实现上述实施例，本申请实施例还提出一种文本情感分类模型的训练装置。图8为本申请一实施例的文本情感分类模型的训练装置的结构示意图，本申请实施例的文本情感分类模型的训练装置可设置于机器学习平台中。如图8所示，本申请实施例的文本情感分类模型的训练装置800具体可包括：第一获取模块801、第二获取模块802和训练模块803。
第一获取模块801，被配置为获取样本文本和样本文本的样本分类结果。
第二获取模块802，被配置为获取文本情感分类模型对应的模型训练算法，其中，模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的。
训练模块803，被配置为根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。
需要说明的是，上述对文本情感分类模型的训练方法实施例的解释说明，也适用于本申请实施例的文本情感分类模型的训练装置，具体过程此处不再赘述。
本申请实施例的文本情感分类模型的训练装置，获取样本文本和样本文本的样本分类结果以及文本情感分类模型对应的模型训练算法，其中，模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。本实施例中，通过可视化的将多个网络结构组件搭建成神经网络模型，实现了神经网络模型结构搭建的个性化和可视化，且不需要手动编写代码，满足了快速搭建丰富模型的需求。另外，基于个性化的神经网络模型实现了训练得到的文本情感分类模型的个性化。
为了实现上述实施例，本申请实施例还提出一种文本情感分类模型的训练装置。图9为本申请另一实施例的文本情感分类模型的训练装置的结构示意图。
在本申请的一个实施例中，本申请实施例的文本情感分类模型的训练装置900还包括：第一生成模块901，被配置为根据神经网络模型生成模型结构化数据；第三获取模块902，被配置为获取模型优化器和模型损失函数；第二生成模块903，被配置为根据模型优化器、模型损失函数和模型结构化数据，生成模型代码；第三生成模块904，被配置为根据模型代码生成模型训练算法。
在本申请的一个实施例中，第三生成模块904，包括：获取单元，被配置为获取训练算法模式；生成单元，被配置为根据模型代码和训练算法模式，生成对应模式的模型训练算法。
在本申请的一个实施例中，训练算法模式包括以下任意一种：脚本任务式、图形化式和交互式笔记本式；模型训练算法包括以下任意一种：脚本式算法、组件式算法和笔记本式算法。
在本申请的一个实施例中，本申请实施例的文本情感分类模型的训练装置900还包括：第四获取模块，被配置为从组件仓库中获取神经网络模型需要的多个网络结构组件；搭建模块，被配置为将多个网络结构组件按照自输入端到输出端的顺序搭建神经网络模型，并设置网络结构组件的模型训练初始化参数。
在本申请的一个实施例中，网络结构组件包括以下任意一种：嵌入层组件、长短期记忆网络组件、全连接层组件、relu激活函数组件和sigmoid激活函数组件。
需要说明的是，上述对文本情感分类模型的训练方法实施例的解释说明，也适用于本申请实施例的文本情感分类模型的训练装置，具体过程此处不再赘述。
本申请实施例的文本情感分类模型的训练装置，获取样本文本和样本文本的样本分类结果，从组件仓库中获取神经网络模型需要的多个网络结构组件，将多个网络结构组件按照自输入端到输出端的顺序搭建神经网络模型，并设置网络结构组件的模型训练初始化参数，根据神经网络模型生成模型结构化数据，获取模型优化器和模型损失函数，根据模型优化器、模型损失函数和模型结构化数据生成模型代码，获取训练算法模式，根据模型代码和训练算法模式生成对应模式的模型训练算法，根据样本文本、样本分类结果和模型训练算法进行模型训练，得到文本情感分类模型。本实施例中，通过可视化的将多个网络结构组件搭建成神经网络模型，实现了神经网络模型结构搭建的个性化和可视化，且不需要手动编写代码，满足了快速搭建丰富模型的需求。基于个性化的神经网络模型实现了训练得到的文本情感分类模型的个性化。同时，通过模型优化器和模型损失函数，实现了模型训练算法的生成，通过训练算法模式实现了不同模式的模型训练算法的生成，进而训练得到个性化的文本情感分类模型。
如图10所示，是根据本申请实施例的文本情感分类模型的训练方法的电子设备的框图。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，智能语音交互设备、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10所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器1001可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的文本情感分类模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的文本情感分类模型的训练方法。
存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的文本情感分类模型的训练方法对应的程序指令/模块(例如，附图8所示的第一获取模块801、第二获取模块802和训练模块803)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的文本情感分类模型的训练方法。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据文本情感分类模型的训练方法的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至文本情感分类模型的训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
文本情感分类模型的训练方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息，以及产生与文本情感分类模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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，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 PrivateServer”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。
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。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种文本情感分类模型的训练方法，其特征在于，包括：
获取样本文本和所述样本文本的样本分类结果；
获取所述文本情感分类模型对应的模型训练算法，其中，所述模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的；以及
根据所述样本文本、所述样本分类结果和所述模型训练算法进行模型训练，得到所述文本情感分类模型。
2.根据权利要求1所述的训练方法，其特征在于，还包括：
根据所述神经网络模型生成模型结构化数据；
获取模型优化器和模型损失函数；
根据所述模型优化器、所述模型损失函数和所述模型结构化数据，生成模型代码；
根据所述模型代码生成所述模型训练算法。
3.根据权利要求2所述的训练方法，其特征在于，所述根据所述模型代码生成所述模型训练算法，包括：
获取训练算法模式；
根据所述模型代码和所述训练算法模式，生成对应模式的所述模型训练算法。
4.根据权利要求3所述的训练方法，其特征在于，所述训练算法模式包括以下任意一种：
脚本任务式、图形化式和交互式笔记本式；
所述模型训练算法包括以下任意一种：
脚本式算法、组件式算法和笔记本式算法。
5.根据权利要求2所述的训练方法，其特征在于，还包括：
从组件仓库中获取所述神经网络模型需要的所述多个网络结构组件；
将所述多个网络结构组件按照自输入端到输出端的顺序搭建所述神经网络模型，并设置所述网络结构组件的模型训练初始化参数。
6.根据权利要求5所述的训练方法，其特征在于，所述网络结构组件包括以下任意一种：
嵌入层组件、长短期记忆网络组件、全连接层组件、relu激活函数组件和sigmoid激活函数组件。
7.一种文本情感分类模型的训练装置，其特征在于，包括：
第一获取模块，被配置为获取样本文本和所述样本文本的样本分类结果；
第二获取模块，被配置为获取所述文本情感分类模型对应的模型训练算法，其中，所述模型训练算法为根据多个网络结构组件搭建的神经网络模型生成的；以及
训练模块，被配置为根据所述样本文本、所述样本分类结果和所述模型训练算法进行模型训练，得到所述文本情感分类模型。
8.根据权利要求7所述的训练装置，其特征在于，还包括：
第一生成模块，被配置为根据所述神经网络模型生成模型结构化数据；
第三获取模块，被配置为获取模型优化器和模型损失函数；
第二生成模块，被配置为根据所述模型优化器、所述模型结构化数据，生成模型代码；
第三生成模块，被配置为根据所述代码生成所述模型训练算法。
9.根据权利要求8所述的训练装置，其特征在于，所述第三生成模块，包括：
获取单元，被配置为获取训练算法模式；
生成单元，被配置为根据所述模型代码和所述训练算法模式，生成对应模式的所述模型训练算法。
10.根据权利要求9所述的训练装置，其特征在于，所述训练算法模式包括以下任意一种：
脚本任务式、图形化式和交互式笔记本式；
所述模型训练算法包括以下任意一种：
脚本式算法、组件式算法和笔记本式算法。
11.根据权利要求8所述的训练装置，其特征在于，还包括：
第四获取模块，被配置为从组件仓库中获取所述神经网络模型需要的所述多个网络结构组件；
搭建模块，被配置为将所述多个网络结构组件按照自输入端到输出端的顺序搭建所述神经网络模型，并设置所述网络结构组件的模型训练初始化参数。
12.根据权利要求11所述的训练装置，其特征在于，所述网络结构组件包括以下任意一种：
嵌入层组件、长短期记忆网络组件、全连接层组件、relu激活函数组件和sigmoid激活函数组件。
13.一种电子设备，其特征在于，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如权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210116801.9A CN116610797A (zh) | 2022-02-07 | 2022-02-07 | 文本情感分类模型的训练方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210116801.9A CN116610797A (zh) | 2022-02-07 | 2022-02-07 | 文本情感分类模型的训练方法、装置、电子设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116610797A true CN116610797A (zh) | 2023-08-18 |
Family
ID=87678730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210116801.9A Pending CN116610797A (zh) | 2022-02-07 | 2022-02-07 | 文本情感分类模型的训练方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116610797A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992032A (zh) * | 2023-09-25 | 2023-11-03 | 之江实验室 | 基于模型自动量化的文本分类方法、系统和存储介质 |
-
2022
- 2022-02-07 CN CN202210116801.9A patent/CN116610797A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992032A (zh) * | 2023-09-25 | 2023-11-03 | 之江实验室 | 基于模型自动量化的文本分类方法、系统和存储介质 |
| CN116992032B (zh) * | 2023-09-25 | 2024-01-09 | 之江实验室 | 基于模型自动量化的文本分类方法、系统和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112037760B (zh) | 语音频谱生成模型的训练方法、装置及电子设备 | |
| CN106462802B (zh) | 生成映像的自然语言描述 | |
| JP2022018095A (ja) | マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体 | |
| EP3937060A1 (en) | Method and apparatus for training semantic representation model, device and computer storage medium | |
| CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
| JP2021086603A (ja) | 問答読解モデル取得方法、装置、電子機器、及び記憶媒体 | |
| CN111667057B (zh) | 用于搜索模型结构的方法和装置 | |
| US11062057B2 (en) | Techniques for using controlled natural language to capture design intent for computer-aided design | |
| CN113240778B (zh) | 虚拟形象的生成方法、装置、电子设备和存储介质 | |
| CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
| US11861469B2 (en) | Code generation for Auto-AI | |
| CN111914994B (zh) | 多层感知机的生成方法、装置、电子设备及存储介质 | |
| CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
| CN111753983A (zh) | 神经网络模型的定制化方法、系统、设备和存储介质 | |
| CN111611808B (zh) | 用于生成自然语言模型的方法和装置 | |
| EP3869359A1 (en) | Method for generating question answering robot and computer device | |
| CN111738419A (zh) | 神经网络模型的量化方法和装置 | |
| JP2022020006A (ja) | ニューラルネットワークモデルの事前トレーニング方法、装置、電子機器及び媒体 | |
| CN111950293A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
| CN111506623B (zh) | 数据扩充方法、装置、设备以及存储介质 | |
| CN111782181A (zh) | 代码生成方法、装置、电子设备以及存储介质 | |
| CN116610797A (zh) | 文本情感分类模型的训练方法、装置、电子设备和介质 | |
| CN112000330A (zh) | 建模参数的配置方法、装置、设备和计算机存储介质 | |
| CN111914884A (zh) | 梯度下降树的生成方法、装置、电子设备及存储介质 | |
| CN111914880A (zh) | 决策树的生成方法、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 |