CN116860933A - 对话模型训练方法、回复信息生成方法、装置及介质 - Google Patents
对话模型训练方法、回复信息生成方法、装置及介质 Download PDFInfo
- Publication number
- CN116860933A CN116860933A CN202310802054.9A CN202310802054A CN116860933A CN 116860933 A CN116860933 A CN 116860933A CN 202310802054 A CN202310802054 A CN 202310802054A CN 116860933 A CN116860933 A CN 116860933A
- Authority
- CN
- China
- Prior art keywords
- sample data
- reply
- model
- loss
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000002131 composite material Substances 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 230000002787 reinforcement Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method 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
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network 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
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002372 labelling 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
- 238000011160 research Methods 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
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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9532—Query formulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种对话模型训练方法、回复信息生成方法、装置及介质，涉及人工智能技术领域，尤其涉及自然语言处理、智能对话技术领域。实现方案为：获取第一样本数据集；将至少一个第一样本数据对应的至少一个第一问题文本分别输入对话模型，以获得至少一个第一回复预测结果；将每个第二问题文本输入对话模型，以获得对话模型输出的第二回复预测结果；以及将第二回复预测结果输入奖励模型中，以获得奖励模型输出的第二回复预测结果的得分；基于至少一个第一回复预测结果、至少一个第一样本数据中的每个的第一回复文本以及至少一个第二样本数据中的每个对应的得分，确定综合损失；以及基于综合损失，调整对话模型的至少一个参数。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及自然语言处理、智能对话技术领域，具体涉及一种对话模型的训练方法、基于对话模型实现的回复信息生成方法、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。
基于超大规模语言模型的任务式对话生成技术是当前人工智能领域的研究热点之一。这种技术利用大规模语言模型的自然语言生成能力，结合任务式对话的特定需求，可以生成符合特定任务要求的对话内容。
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
本公开提供了一种对话模型的训练方法、基于对话模型实现的回复信息生成方法、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，提供了一种对话模型的训练方法，包括：获取第一样本数据集，第一样本数据集包括至少一个第一样本数据和至少一个第二样本数据，至少一个第一样本数据中的每个包括第一问题文本和第一回复文本，至少一个第二样本数据中的每个包括第二问题文本；利用第一样本数据集，执行如下第一训练过程以训练对话模型：将至少一个第一样本数据对应的至少一个第一问题文本分别输入对话模型，以获得对话模型输出的相应的至少一个第一回复预测结果；针对至少一个第二样本数据中的每个的第二问题文本，执行下述操作：将该第二问题文本输入对话模型，以获得对话模型输出的第二回复预测结果；以及将第二回复预测结果输入奖励模型中，以获得奖励模型输出的第二回复预测结果的得分，奖励模型基于至少一个样本问题、至少一个样本问题中的每个对应的多个回复文本以及多个回复文本中每个的标签训练获得，标签指示相应回复文本的用户满意度；基于至少一个第一回复预测结果、至少一个第一样本数据中的每个的第一回复文本以及至少一个第二样本数据中的每个对应的得分，确定综合损失；以及基于综合损失，调整对话模型的至少一个参数。
根据本公开的另一方面，提供了一种基于对话模型实现的回复信息生成方法，包括：获取用户的问题文本；将问题文本输入对话模型中，以获得对话模型生成的回复文本，其中，对话模型根据上述对话模型的训练方法训练得到。
根据本公开的另一方面，提供了一种对话模型的训练装置，包括：第一获取单元，被配置为获取第一样本数据集，第一样本数据集包括至少一个第一样本数据和至少一个第二样本数据，至少一个第一样本数据中的每个包括第一问题文本和第一回复文本，至少一个第二样本数据中的每个包括第二问题文本；第一训练单元，被配置为利用第一样本数据集，执行如下第一训练过程以训练对话模型：将至少一个第一样本数据对应的至少一个第一问题文本分别输入对话模型，以获得对话模型输出的相应的至少一个第一回复预测结果；针对至少一个第二样本数据中的每个的第二问题文本，执行下述操作：将该第二问题文本输入对话模型，以获得对话模型输出的第二回复预测结果；以及将第二回复预测结果输入奖励模型中，以获得奖励模型输出的第二回复预测结果的得分，奖励模型基于至少一个样本问题、至少一个样本问题中的每个对应的多个回复文本以及多个回复文本中每个的标签训练获得，标签指示相应回复文本的用户满意度；基于至少一个第一回复预测结果、至少一个第一样本数据中的每个的第一回复文本以及至少一个第二样本数据中的每个对应的得分，确定综合损失；以及基于综合损失，调整对话模型的至少一个参数。
根据本公开的另一方面，提供了一种基于对话模型实现的回复信息生成装置，包括：获取单元，被配置为获取用户的问题文本；生成单元，被配置为将问题文本输入对话模型中，以获得对话模型生成的回复文本，其中，对话模型根据上述对话模型的训练方法训练得到。
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，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对话模型的训练方法或基于对话模型实现的回复信息生成方法。
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对话模型的训练方法或基于对话模型实现的回复信息生成方法。
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对话模型的训练方法或基于对话模型实现的回复信息生成方法。
根据本公开的一个或多个实施例，能够通过在对话模型的基于人工反馈的强化学习训练阶段，引入有监督微调训练的损失，使得强化学习阶段中不会遗忘有监督微调训练过程中学到的解决对话任务的能力，提升对话模型的事实准确性以及用户意图理解能力，从而能够整体上提升对话模型的回复信息生成效果。
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对话模型的训练方法的流程图；
图3示出了根据本公开的实施例的确定综合损失的流程图；
图4示出了根据本公开的实施例的确定第二损失的流程图；
图5示出了根据本公开的示例性实施例的对话模型训练方法的流程框图；
图6示出了根据本公开的实施例的基于对话模型实现的回复信息生成方法的流程图；
图7示出了根据本公开的实施例的对话模型的训练装置的结构框图；
图8示出了根据本公开的实施例的基于对话模型实现的回复信息生成装置的结构框图；
图9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对话模型的训练方法或基于对话模型实现的回复信息生成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来输入对话文本。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 Private Server)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，提供了一种对话模型的训练方法，包括：
步骤S201、获取第一样本数据集，第一样本数据集包括至少一个第一样本数据和至少一个第二样本数据，至少一个第一样本数据中的每个包括第一问题文本和第一回复文本，至少一个第二样本数据中的每个包括第二问题文本；
步骤S202、利用第一样本数据集，执行如下第一训练过程以训练对话模型：
步骤S2021、将至少一个第一样本数据对应的至少一个第一问题文本分别输入对话模型，以获得对话模型输出的相应的至少一个第一回复预测结果；
针对至少一个第二样本数据中的每个的第二问题文本，执行下述操作：
步骤S2022、将该第二问题文本输入对话模型，以获得对话模型输出的第二回复预测结果；以及
步骤S2023、将第二回复预测结果输入奖励模型中，以获得奖励模型输出的第二回复预测结果的得分，奖励模型基于至少一个样本问题、至少一个样本问题中的每个对应的多个回复文本以及多个回复文本中每个的标签训练获得，标签指示相应回复文本的用户满意度；
步骤S2024、基于至少一个第一回复预测结果、至少一个第一样本数据中的每个的第一回复文本以及至少一个第二样本数据中的每个对应的得分，确定综合损失；以及
步骤S2025、基于综合损失，调整对话模型的至少一个参数。
由此，能够通过在对话模型的基于人工反馈的强化学习训练阶段，引入有监督微调训练的损失，使得强化学习阶段中不会遗忘有监督微调训练过程中学到的解决对话任务的能力，提升对话模型的事实准确性以及用户意图理解能力，从而能够整体上提升对话模型的回复信息生成效果。
在一些实施例中，第一样本数据集中可以包括两种样本数据，其中，每个第一样本数据包括第一问题文本及其相对应的第一回复文本，每个第二样本数据中包括一个第二问题文本。
在一些实施例中，第二问题文本可以与第一样本数据集中的某个第一问题文本相同。在一些实施例中，第一样本数据集中的第一问题文本和第二问题文本也可以互不相同。
在一些实施例中，可以分别将每个第一问题文本和第二问题文本输入当前的对话模型，并分别获得相应的第一回复预测结果和第二回复预测结果。随后，将每个第二回复预测结果及其相应的第二问题文本输入到一个预先训练好的奖励模型中，以获得该奖励模型输入的第二回复预测结果的得分。其中，第二回复预测结果的得分可以用于指示用户对于该回复信息的满意度。
在一些实施例中，上述奖励模型可以通过如下方法训练获得：首先获取一个或多个样本问题，并依次将每个样本问题输入当前的对话模型，以针对每个样本问题生成多个回复文本，并基于人工标注获取各个回复文本的标签，其中，标签可以指示相应回复文本的用户满意度；随后，将各个回复文本及其相应的样本问题输入初始奖励模型中，从而得到该模型的预测结果；随后，可以基于预测结果以及相应的标签计算损失并调整模型参数，直至该奖励模型收敛。
在一些实施例中，上述奖励模型可以基于多层感知机、神经网络等架构进行构建。
在一些实施例中，可以基于至少一个第一回复预测结果、至少一个第一样本数据中的每个的第一回复文本以及至少一个第二样本数据中的每个对应的得分，进行综合损失的计算。例如，在第一问题文本和第二问题文本相同的情况下，可以在计算每个第一回复预测结果及其相应的第一回复文本的差异后，进一步基于相应的得分确定该差异的权重系数，并基于一个或多个乘以权重系数后的差异计算综合损失。
在一些实施例中，如图3所示，基于至少一个第一回复预测结果、至少一个第一样本数据中的每个的第一回复文本以及至少一个第二样本数据中的每个对应的得分，确定综合损失可以包括：
步骤S301、基于至少一个第一样本数据中的每个的第一回复文本以及对应的第一回复预测结果，确定第一损失；
步骤S302、基于至少一个第二样本数据对应的至少一个得分，确定第二损失；以及
步骤S303、基于第一损失和第二损失，确定综合损失。
由此，通过分别计算两个部分的损失，以获得综合损失，从而能够实现面向对话任务的有监督微调训练阶段和基于人工反馈的强化学习阶段这两阶段模型联合建模，相互促进，在提升模型对用户喜欢程度的建模能力的同时，维持模型对用户指令的理解和满足能力，进而能够整体上提升对话模型的回复信息生成效果。
在一些实施例中，第一损失可以基于至少一个第一样本数据中每个的第一回复预测结果及其相应的第一回复文本之间的差异确定。
在一些实施例中，可以基于交叉熵损失函数或均方差损失函数衡量上述差异。
在一些实施例中，第二损失可以为至少一个第二回复预测结果对应的至少一个得分的均值或期望。
在一些实施例中，可以通过混合损失、交替最小化损失等组合方式获得综合损失。
在一些实施例中，基于第一损失和第二损失，确定综合损失可以包括：基于第一损失对应的第一预设权重和第二损失对应的第二预设权重，对第一损失和第二损失进行加权，以获得综合损失。
由此，通过对两种损失进行加权，从而通过权重控制两种训练方法对模型整体训练的影响，保障训练的效果。
在一些实施例中，在对话模型的训练阶段，可以先后获取多个第一样本数据集，并基于多个第一样本数据集进行多轮模型训练。
在一些实施例中，随着训练轮次增加，可以在保证总和不变的情况下，相应地调整第一预设权重和第二预设权重，以在不同训练轮次调整损失函数的比例，进而控制模型训练的进程。例如，可以设置一个变化因子，并响应于训练轮次增加基于变化因子逐渐减小第二预设权重的同时，逐渐增加第一预设权重，以保证模型的训练效果的同时，提升模型训练效率。
在一些实施例中，如图4所示，基于至少一个第二样本数据对应的至少一个得分，确定第二损失包括：
步骤S401、基于至少一个得分，确定至少一个得分的均值和方差；
步骤S402、针对至少一个得分中的每个得分，基于均值和方差对该得分进行归一化，以获得更新后的得分；以及
步骤S403、基于至少一个更新后的得分，确定第二损失。
由此，通过对得分进行归一化后，再进行损失的计算，能够进一步优化训练过程中的得分分布，从而避免了在强化学习阶段由于引入其他损失而导致的强化学习损失对模型的影响减弱的问题，从而能够提升强化学习的稳定性，确保在联合优化的框架下强化学习损失对模型训练的作用。
在强化学习阶段，由于引入了额外的损失进行联合训练，会抑制强化学习部分的损失的上涨，进而削弱强化学习本应该起到的作用。
在一些实施例中，可以在计算第二损失之前，对于当前轮次的第一样本数据集中所有第二回复预测结果对应的得分进行均值和方差的计算；随后，可以基于均值和方差对本轮次内的所有得分进行归一化处理，以得到归一化后的得分，并基于每个归一化后的得分进行第二损失的计算。
在一些示例性实施例中，针对得分ri的归一化操作可以基于下述公式表示：
其中，r′i表示归一化后的得分，表示均值，std表示方差。
由此，能够使得该轮次内的得分处于一个动态标准正态分布下，从而提升了强化学习的稳定性，确保在联合优化的框架下，强化学习的损失能够正常上涨。
在一些实施例中，第二损失可以为归一化后的得分的均值或期望。
在一些实施例中，上述对话模型的训练方法还可以包括：获取预训练语言模型和第二样本数据集，第二样本数据集包括至少一个第三样本数据，至少一个第三样本数据中的每个包括第三问题文本和第三回复文本，预训练语言模型基于预设数量的无监督样本语料训练获得；以及在利用第一样本数据集训练对话模型之前，基于第二样本数据集中的每个第三样本数据重复执行下述针对预训练语言模型的训练操作直至预训练语言模型收敛，以获得初始对话模型：将该第三样本数据对应的第三问题文本输入预训练语言模型，以获得预训练语言模型输出的第三回复预测结果；以及基于第三回复预测结果以及该第三样本数据对应的第三回复文本，调整预训练语言模型的参数，以更新预训练语言模型。
由此，在进行第一训练过程前，首先基于预训练语言模型进行有监督的微调训练，以获得初始对话模型；随后进一步基于初始对话模型进行有监督微调训练以及基于人工反馈的强化学习训练的联合训练，从而使模型在具备了解决对话任务的能力的基础上，进一步获取到对用户偏好的预测能力，从而提升模型的整体性能。
图5示出了根据本公开的示例性实施例的对话模型训练方法的流程框图。
根据一些实施例，如图5所示，对话模型的训练过程可以包括：步骤S501、基于预设规模的无监督语料，进行通用预训练语言模型的训练，以获得一个通用预训练语言模型；步骤S502、对通用预训练语言模型进行有监督微调训练，具体的，可以首先获取一个第二样本数据集，并应用其中的第三样本数据，对该通用预训练语言模型进行有监督的微调训练，从而得到一个能够理解用户所输入的问题或指令中所包含的意图，并根据这个意图给出相对高质量回答能力的初始对话模型；步骤S503、基于强化学习的方式训练初始对话模型，以获得最终的对话模型，其中，在该步骤中，可以基于上文描述的训练方法，获取多个批次的第一样本数据集，在每个轮次中通过应用第一样本数据集中的两种不同的样本数据，对模型进行联合训练，以获得最终的对话模型。
在一些实施例中，第二样本数据集中的第三样本数据和第一样本数据集中的第一样本数据可以来源于同一预先准备的样本数据集，该样本数据集中的每个样本数据均具备样本问题及其对应的回复信息。由此，能够在使模型更好地预测用户偏好的同时，维持其对用户输入问题或指令的理解能力以及生成高质量回复信息的能力。
在一些实施例中，对话模型是在初始对话模型的基础上经过至少一次第一训练过程获得的，上述对话模型的训练方法还包括：将该第二问题文本输入初始对话模型，以获得初始对话模型输出的第四回复预测结果；并且其中，基于至少一个第二样本数据对应的至少一个得分，确定第二损失包括：基于至少一个得分、至少一个第二样本数据中的每个对应的第二问题文本、第二回复预测结果和第四回复预测结果，确定第二损失。
由此，通过在第二损失计算过程中，引入基于第二问题文本、第二回复预测结果和第四回复预测结果计算的正则项，从而能够进一步提升模型训练的稳定性。
在一些实施例中，可以基于每个第二样本数据的第二问题文本对应第二回复预测结果和第四回复预测结果之间的差异，来确定一个正则项；随后基于该正则项和该第二回复预测结果对应的得分(或者归一化后的得分)，确定第二损失。
在一些实施例中，上述正则项可以基于KL散度进行计算。
在一些实施例中，综合损失可以通过下述公式表示：
其中，φ为政策策略函数的参数(即当前对话模型的参数)，为第二损失，rθ(x,y)为第二问题文本x以及第二回复预测结果y的得分，/>为正则项，πSFT(y|x)表示将第二问题文本x输入初始对话模型得到第二回复预测结果y的概率，/>表示基于当前的对话模型(经过至少一次第一训练过程的更新后的对话模型)将第二问题文本x输入初始对话模型得到第二回复预测结果y的概率，β为一个超参数，用于控制策略更新的幅度。γ为加权系数，为第一损失，/>表示给定输入s的情况下，生成正确答案t的交叉熵。
在一些实施例中，至少一个第一样本数据的第一数量和至少一个第二样本数据的第二数量均为多个，并且第一数量和第二数量符合预设比例。
由此，通过控制两种样本数据的比例，从而能够在训练过程中控制联合训练中两种训练方法对模型的影响程度，从而整体上优化模型的训练效果。
在一些实施例中，第一数量和第二数量的预设比例例如可以为1:7。
在一些实施例中，对于多个轮次中的多个第一样本数据集，可以随着训练轮次的增加调整第一数量和第二数量的比例，例如逐渐增加第一数量所占的比例。由此，能够在保证模型的训练效果的同时，提升模型训练效率。
在一些示例性实施例中，对话模型例如可以基于用于对话的知识增强大语言模型(例如ERNIE bot等)构建。
在一些实施例中，如图6所示，提供了一种基于对话模型实现的回复信息生成方法，包括：步骤S601、获取用户的问题文本；步骤S602、将问题文本输入对话模型中，以获得对话模型生成的回复文本，其中，对话模型根据上述对话模型的训练方法训练得到。
由此，应用通过上述训练方法训练获得的对话模型，能够具备更优的事实理解准确性以及用户意图理解能力，从而能够生成更加符合用户预期的回复信息。
在一些实施例中，如图7所示，提供了一种对话模型的训练装置700，包括：
第一获取单元710，被配置为获取第一样本数据集，第一样本数据集包括至少一个第一样本数据和至少一个第二样本数据，至少一个第一样本数据中的每个包括第一问题文本和第一回复文本，至少一个第二样本数据中的每个包括第二问题文本；
第一训练单元720，被配置为利用第一样本数据集，执行如下第一训练过程以训练对话模型：
将至少一个第一样本数据对应的至少一个第一问题文本分别输入对话模型，以获得对话模型输出的相应的至少一个第一回复预测结果；
针对至少一个第二样本数据中的每个的第二问题文本，执行下述操作：
将该第二问题文本输入对话模型，以获得对话模型输出的第二回复预测结果；以及
将第二回复预测结果输入奖励模型中，以获得奖励模型输出的第二回复预测结果的得分，奖励模型基于至少一个样本问题、至少一个样本问题中的每个对应的多个回复文本以及多个回复文本中每个的标签训练获得，标签指示相应回复文本的用户满意度；
基于至少一个第一回复预测结果、至少一个第一样本数据中的每个的第一回复文本以及至少一个第二样本数据中的每个对应的得分，确定综合损失；以及
基于综合损失，调整对话模型的至少一个参数。
在一些实施例中，其中，基于至少一个第一回复预测结果、至少一个第一样本数据中的每个的第一回复文本以及至少一个第二样本数据中的每个对应的得分，确定综合损失可以包括：基于至少一个第一样本数据中的每个的第一回复文本以及对应的第一回复预测结果，确定第一损失；基于至少一个第二样本数据对应的至少一个得分，确定第二损失；以及基于第一损失和第二损失，确定综合损失。
在一些实施例中，其中，基于至少一个第二样本数据对应的至少一个得分，确定第二损失可以包括：基于至少一个得分，确定至少一个得分的均值和方差；针对至少一个得分中的每个得分，基于均值和方差对该得分进行归一化，以获得更新后的得分；以及基于至少一个更新后的得分，确定第二损失。
在一些实施例中，其中，基于第一损失和第二损失，确定综合损失可以包括：基于第一损失对应的第一预设权重和第二损失对应的第二预设权重，对第一损失和第二损失进行加权，以获得综合损失。
在一些实施例中，上述训练装置还可以包括：第二获取单元，被配置为获取预训练语言模型和第二样本数据集，第二样本数据集包括至少一个第三样本数据，至少一个第三样本数据中的每个包括第三问题文本和第三回复文本，预训练语言模型基于预设数量的无监督样本语料训练获得；第二训练单元，被配置为在利用第一样本数据集训练对话模型之前，基于第二样本数据集中的每个第三样本数据重复执行下述针对预训练语言模型的训练操作直至预训练语言模型收敛，以获得初始对话模型：将该第三样本数据对应的第三问题文本输入预训练语言模型，以获得预训练语言模型输出的第三回复预测结果；以及基于第三回复预测结果以及该第三样本数据对应的第三回复文本，调整预训练语言模型的参数，以更新预训练语言模型。
在一些实施例中，对话模型是在初始对话模型的基础上经过至少一次第一训练过程获得的，上述训练装置还可以包括：第三获取单元，被配置为将该第二问题文本输入初始对话模型，以获得初始对话模型输出的第四回复预测结果；并且其中，基于至少一个第二样本数据对应的至少一个得分，确定第二损失包括：基于至少一个得分、至少一个第二样本数据中的每个对应的第二问题文本、第二回复预测结果和第四回复预测结果，确定第二损失。
在一些实施例中，其中，至少一个第一样本数据的第一数量和至少一个第二样本数据的第二数量均为多个，并且第一数量和第二数量符合预设比例。
在一些实施例中，如图8所示，还提供了一种基于对话模型实现的回复信息生成装置800，包括：获取单元810，被配置为获取用户的问题文本；生成单元820，被配置为将问题文本输入对话模型中，以获得对话模型生成的回复文本，其中，对话模型根据上述对话模型的训练方法训练得到。
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9，现将描述可以作为本公开的服务器或客户端的电子设备900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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906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907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908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如上述对话模型的训练方法或基于对话模型实现的回复信息生成方法。例如，在一些实施例中，上述对话模型的训练方法或基于对话模型实现的回复信息生成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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上述对话模型的训练方法或基于对话模型实现的回复信息生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元901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对话模型的训练方法或基于对话模型实现的回复信息生成方法。
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)
1.一种对话模型的训练方法，包括：
获取第一样本数据集，所述第一样本数据集包括至少一个第一样本数据和至少一个第二样本数据，所述至少一个第一样本数据中的每个包括第一问题文本和第一回复文本，所述至少一个第二样本数据中的每个包括第二问题文本；
利用所述第一样本数据集，执行如下第一训练过程以训练所述对话模型：
将所述至少一个第一样本数据对应的至少一个第一问题文本分别输入所述对话模型，以获得所述对话模型输出的相应的至少一个第一回复预测结果；
针对所述至少一个第二样本数据中的每个的第二问题文本，执行下述操作：
将该第二问题文本输入所述对话模型，以获得所述对话模型输出的第二回复预测结果；以及
将所述第二回复预测结果输入奖励模型中，以获得所述奖励模型输出的所述第二回复预测结果的得分，所述奖励模型基于至少一个样本问题、所述至少一个样本问题中的每个对应的多个回复文本以及所述多个回复文本中每个的标签训练获得，所述标签指示相应回复文本的用户满意度；
基于所述至少一个第一回复预测结果、所述至少一个第一样本数据中的每个的第一回复文本以及所述至少一个第二样本数据中的每个对应的得分，确定综合损失；以及
基于所述综合损失，调整所述对话模型的至少一个参数。
2.根据权利要求1所述的方法，其中，所述基于所述至少一个第一回复预测结果、所述至少一个第一样本数据中的每个的第一回复文本以及所述至少一个第二样本数据中的每个对应的得分，确定综合损失包括：
基于所述至少一个第一样本数据中的每个的第一回复文本以及对应的第一回复预测结果，确定第一损失；
基于所述至少一个第二样本数据对应的至少一个得分，确定第二损失；以及
基于所述第一损失和所述第二损失，确定所述综合损失。
3.根据权利要求2所述的方法，其中，所述基于所述至少一个第二样本数据对应的至少一个得分，确定第二损失包括：
基于所述至少一个得分，确定所述至少一个得分的均值和方差；
针对所述至少一个得分中的每个得分，基于所述均值和所述方差对该得分进行归一化，以获得更新后的得分；以及
基于至少一个更新后的得分，确定所述第二损失。
4.根据权利要求2或3所述的方法，其中，所述基于所述第一损失和所述第二损失，确定所述综合损失包括：
基于所述第一损失对应的第一预设权重和所述第二损失对应的第二预设权重，对所述第一损失和所述第二损失进行加权，以获得所述综合损失。
5.根据权利要求2至4中任一项所述的方法，还包括：
获取预训练语言模型和第二样本数据集，所述第二样本数据集包括至少一个第三样本数据，所述至少一个第三样本数据中的每个包括第三问题文本和第三回复文本，所述预训练语言模型基于预设数量的无监督样本语料训练获得；以及
在利用所述第一样本数据集训练所述对话模型之前，基于所述第二样本数据集中的每个第三样本数据重复执行下述针对所述预训练语言模型的训练操作直至所述预训练语言模型收敛，以获得初始对话模型：
将该第三样本数据对应的第三问题文本输入所述预训练语言模型，以获得所述预训练语言模型输出的第三回复预测结果；以及
基于所述第三回复预测结果以及该第三样本数据对应的第三回复文本，调整所述预训练语言模型的参数，以更新所述预训练语言模型。
6.根据权利要求5所述的方法，其中，所述对话模型是在所述初始对话模型的基础上经过至少一次所述第一训练过程获得的，所述方法还包括：
将该第二问题文本输入所述初始对话模型，以获得所述初始对话模型输出的第四回复预测结果；并且其中，
所述基于所述至少一个第二样本数据对应的至少一个得分，确定第二损失包括：
基于所述至少一个得分、所述至少一个第二样本数据中的每个对应的第二问题文本、第二回复预测结果和第四回复预测结果，确定所述第二损失。
7.根据权利要求1至6中任一项所述的方法，其中，所述至少一个第一样本数据的第一数量和所述至少一个第二样本数据的第二数量均为多个，并且所述第一数量和所述第二数量符合预设比例。
8.一种基于对话模型实现的回复信息生成方法，包括：
获取用户的问题文本；
将所述问题文本输入所述对话模型中，以获得所述对话模型生成的回复文本，其中，所述对话模型根据权利要求1-7中任一项所述的训练方法训练得到。
9.一种对话模型的训练装置，包括：
第一获取单元，被配置为获取第一样本数据集，所述第一样本数据集包括至少一个第一样本数据和至少一个第二样本数据，所述至少一个第一样本数据中的每个包括第一问题文本和第一回复文本，所述至少一个第二样本数据中的每个包括第二问题文本；
第一训练单元，被配置为利用所述第一样本数据集，执行如下第一训练过程以训练所述对话模型：
将所述至少一个第一样本数据对应的至少一个第一问题文本分别输入所述对话模型，以获得所述对话模型输出的相应的至少一个第一回复预测结果；
针对所述至少一个第二样本数据中的每个的第二问题文本，执行下述操作：
将该第二问题文本输入所述对话模型，以获得所述对话模型输出的第二回复预测结果；以及
将所述第二回复预测结果输入奖励模型中，以获得所述奖励模型输出的所述第二回复预测结果的得分，所述奖励模型基于至少一个样本问题、所述至少一个样本问题中的每个对应的多个回复文本以及所述多个回复文本中每个的标签训练获得，所述标签指示相应回复文本的用户满意度；
基于所述至少一个第一回复预测结果、所述至少一个第一样本数据中的每个的第一回复文本以及所述至少一个第二样本数据中的每个对应的得分，确定综合损失；以及
基于所述综合损失，调整所述对话模型的至少一个参数。
10.根据权利要求9所述的装置，其中，所述基于所述至少一个第一回复预测结果、所述至少一个第一样本数据中的每个的第一回复文本以及所述至少一个第二样本数据中的每个对应的得分，确定综合损失包括：
基于所述至少一个第一样本数据中的每个的第一回复文本以及对应的第一回复预测结果，确定第一损失；
基于所述至少一个第二样本数据对应的至少一个得分，确定第二损失；以及
基于所述第一损失和所述第二损失，确定所述综合损失。
11.根据权利要求10所述的装置，其中，所述基于所述至少一个第二样本数据对应的至少一个得分，确定第二损失包括：
基于所述至少一个得分，确定所述至少一个得分的均值和方差；
针对所述至少一个得分中的每个得分，基于所述均值和所述方差对该得分进行归一化，以获得更新后的得分；以及
基于至少一个更新后的得分，确定所述第二损失。
12.根据权利要求10或11所述的装置，其中，所述基于所述第一损失和所述第二损失，确定所述综合损失包括：
基于所述第一损失对应的第一预设权重和所述第二损失对应的第二预设权重，对所述第一损失和所述第二损失进行加权，以获得所述综合损失。
13.根据权利要求10至12中任一项所述的装置，还包括：
第二获取单元，被配置为获取预训练语言模型和第二样本数据集，所述第二样本数据集包括至少一个第三样本数据，所述至少一个第三样本数据中的每个包括第三问题文本和第三回复文本，所述预训练语言模型基于预设数量的无监督样本语料训练获得；
第二训练单元，被配置为在利用所述第一样本数据集训练所述对话模型之前，基于所述第二样本数据集中的每个第三样本数据重复执行下述针对所述预训练语言模型的训练操作直至所述预训练语言模型收敛，以获得初始对话模型：
将该第三样本数据对应的第三问题文本输入所述预训练语言模型，以获得所述预训练语言模型输出的第三回复预测结果；以及
基于所述第三回复预测结果以及该第三样本数据对应的第三回复文本，调整所述预训练语言模型的参数，以更新所述预训练语言模型。
14.根据权利要求13所述的装置，其中，所述对话模型是在所述初始对话模型的基础上经过至少一次所述第一训练过程获得的，所述装置还包括：
第三获取单元，被配置为将该第二问题文本输入所述初始对话模型，以获得所述初始对话模型输出的第四回复预测结果；并且其中，
所述基于所述至少一个第二样本数据对应的至少一个得分，确定第二损失包括：
基于所述至少一个得分、所述至少一个第二样本数据中的每个对应的第二问题文本、第二回复预测结果和第四回复预测结果，确定所述第二损失。
15.根据权利要求9至14中任一项所述的装置，其中，所述至少一个第一样本数据的第一数量和所述至少一个第二样本数据的第二数量均为多个，并且所述第一数量和所述第二数量符合预设比例。
16.一种基于对话模型实现的回复信息生成装置，包括：
获取单元，被配置为获取用户的问题文本；
生成单元，被配置为将所述问题文本输入所述对话模型中，以获得所述对话模型生成的回复文本，其中，所述对话模型根据权利要求1-7中任一项所述的训练方法训练得到。
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 |
|---|---|---|---|
| CN202310802054.9A CN116860933B (zh) | 2023-06-30 | 2023-06-30 | 对话模型训练方法、回复信息生成方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310802054.9A CN116860933B (zh) | 2023-06-30 | 2023-06-30 | 对话模型训练方法、回复信息生成方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116860933A true CN116860933A (zh) | 2023-10-10 |
| CN116860933B CN116860933B (zh) | 2024-07-12 |
Family
ID=88226098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310802054.9A Active CN116860933B (zh) | 2023-06-30 | 2023-06-30 | 对话模型训练方法、回复信息生成方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116860933B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190236085A1 (en) * | 2018-01-30 | 2019-08-01 | Oracle International Corporation | Building dialogue structure by using communicative discourse trees |
| CN111639163A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 问题生成模型的训练方法、问题生成方法及其相关设备 |
| EP3819809A1 (en) * | 2019-11-08 | 2021-05-12 | PolyAI Limited | A dialogue system, a method of obtaining a response from a dialogue system, and a method of training a dialogue system |
| US20210174161A1 (en) * | 2019-12-05 | 2021-06-10 | Naver Corporation | Method and apparatus for multi-document question answering |
| US20210326524A1 (en) * | 2020-11-30 | 2021-10-21 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus and device for quality control and storage medium |
| CN113961686A (zh) * | 2021-07-08 | 2022-01-21 | 北京金山数字娱乐科技有限公司 | 问答模型的训练方法及装置、问答方法及装置 |
| WO2022099425A1 (en) * | 2020-11-16 | 2022-05-19 | Huawei Cloud Computing Technologies Co., Ltd. | Method and system for adaptation of a trained object detection model to account for domain shift |
| EP4064110A1 (en) * | 2021-03-24 | 2022-09-28 | Samsung SDS Co., Ltd. | Apparatus and method for training dialogue summary model |
| CN115600646A (zh) * | 2022-10-19 | 2023-01-13 | 北京百度网讯科技有限公司（Cn） | 语言模型的训练方法、装置、介质及设备 |
| CN116303949A (zh) * | 2023-02-24 | 2023-06-23 | 科讯嘉联信息技术有限公司 | 一种对话处理方法、系统、存储介质及终端 |
-
2023
- 2023-06-30 CN CN202310802054.9A patent/CN116860933B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190236085A1 (en) * | 2018-01-30 | 2019-08-01 | Oracle International Corporation | Building dialogue structure by using communicative discourse trees |
| EP3819809A1 (en) * | 2019-11-08 | 2021-05-12 | PolyAI Limited | A dialogue system, a method of obtaining a response from a dialogue system, and a method of training a dialogue system |
| US20210174161A1 (en) * | 2019-12-05 | 2021-06-10 | Naver Corporation | Method and apparatus for multi-document question answering |
| CN111639163A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 问题生成模型的训练方法、问题生成方法及其相关设备 |
| WO2022099425A1 (en) * | 2020-11-16 | 2022-05-19 | Huawei Cloud Computing Technologies Co., Ltd. | Method and system for adaptation of a trained object detection model to account for domain shift |
| US20210326524A1 (en) * | 2020-11-30 | 2021-10-21 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus and device for quality control and storage medium |
| EP4064110A1 (en) * | 2021-03-24 | 2022-09-28 | Samsung SDS Co., Ltd. | Apparatus and method for training dialogue summary model |
| CN113961686A (zh) * | 2021-07-08 | 2022-01-21 | 北京金山数字娱乐科技有限公司 | 问答模型的训练方法及装置、问答方法及装置 |
| CN115600646A (zh) * | 2022-10-19 | 2023-01-13 | 北京百度网讯科技有限公司（Cn） | 语言模型的训练方法、装置、介质及设备 |
| CN116303949A (zh) * | 2023-02-24 | 2023-06-23 | 科讯嘉联信息技术有限公司 | 一种对话处理方法、系统、存储介质及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 肖进;薛书田;黄静;谢玲;顾新;: "客户信用评估半监督协同训练模型研究", 中国管理科学, no. 06, 5 July 2016 (2016-07-05) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116860933B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7316453B2 (ja) | オブジェクト推薦方法及び装置、コンピュータ機器並びに媒体 | |
| CN116306862B (zh) | 用于文本处理神经网络的训练方法、装置和介质 | |
| CN116821684A (zh) | 大语言模型的训练方法、装置、设备和介质 | |
| CN116842155B (zh) | 文本生成方法、文本生成模型的训练方法及装置 | |
| CN114005452A (zh) | 提取语音特征的方法、装置、电子设备及存储介质 | |
| CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
| CN114881170B (zh) | 用于对话任务的神经网络的训练方法和对话任务处理方法 | |
| CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
| WO2023142408A1 (zh) | 数据处理方法和用于训练预测模型的方法 | |
| CN116860933B (zh) | 对话模型训练方法、回复信息生成方法、装置及介质 | |
| CN113722594B (zh) | 推荐模型的训练方法、推荐方法、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 | |
| CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
| CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
| CN117709470A (zh) | 用于神经网络的量化方法、装置、电子设备、介质 | |
| CN117669666A (zh) | 用于执行目标任务的模型的量化方法、装置及设备 | |
| CN114219079A (zh) | 特征选择方法及装置、模型训练方法及装置、设备和介质 | |
| CN117669667A (zh) | 用于执行目标任务的模型的训练方法、装置及设备 | |
| CN117709471A (zh) | 可解释性分析方法、装置、设备和介质 | |
| CN113889120A (zh) | 声纹特征提取方法、装置、电子设备及存储介质 | |
| CN118568515A (zh) | 确定文本处理任务相似度的方法、装置、设备和介质 | |
| CN117390445A (zh) | 大语言模型的训练方法、文本处理方法、装置和设备 | |
| CN115115051A (zh) | 神经网络模型的量化方法、装置、电子设备和存储介质 | |
| CN116739136A (zh) | 数据预测方法、装置、电子设备和介质 | |
| CN117291191A (zh) | 文本处理方法及装置、设备和介质 |
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 |