CN117291191A - 文本处理方法及装置、设备和介质 - Google Patents

文本处理方法及装置、设备和介质 Download PDF

Info

Publication number
CN117291191A
CN117291191A CN202311310988.7A CN202311310988A CN117291191A CN 117291191 A CN117291191 A CN 117291191A CN 202311310988 A CN202311310988 A CN 202311310988A CN 117291191 A CN117291191 A CN 117291191A
Authority
CN
China
Prior art keywords
word
position code
sample
input text
text
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
Application number
CN202311310988.7A
Other languages
English (en)
Inventor
孟庆春
杨宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunlun Core Beijing Technology Co ltd
Original Assignee
Kunlun Core Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunlun Core Beijing Technology Co ltd filed Critical Kunlun Core Beijing Technology Co ltd
Priority to CN202311310988.7A priority Critical patent/CN117291191A/zh
Publication of CN117291191A publication Critical patent/CN117291191A/zh
Pending legal-status Critical Current

Links

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
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)

Abstract

本公开提供了一种文本处理方法及装置、设备和介质，涉及人工智能技术领域，尤其涉及自然语言处理技术领域。实现方案为：获取由多个输入文本构成的输入文本序列，每个输入文本包括至少一个词；对每个输入文本执行编码操作，针对每个输入文本的编码操作包括：针对该输入文本包括的每个词，确定与该词对应的词向量；基于该词在该输入文本中的位置，确定与该词对应的第一位置编码；基于该输入文本在输入文本序列中的位置，确定与该词对应的第二位置编码；以及基于第一位置编码和第二位置编码，确定与该词对应的第三位置编码；基于每个词相应的词向量和每个词相应的第三位置编码，确定针对输入文本序列的文本处理结果。

Description

文本处理方法及装置、设备和介质
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技术领域，具体涉及一种文本处理方法、文本处理模型的训练方法和装置、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。
大规模语言模型可以用于处理自然语言数据，通过对基于自然语言的输入文本进行编码，能够利用编码信息指示输入文本的语义特征，进而利用解码器来进行解析。
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
本公开提供了一种文本处理方法、文本处理模型的训练方法和装置、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，提供了一种文本处理方法，包括：获取由多个输入文本构成的输入文本序列，所述多个输入文本中的每个输入文本包括至少一个词；对所述多个输入文本中的每个输入文本执行编码操作，针对所述每个输入文本的编码操作包括：针对该输入文本包括的每个词，确定与该词对应的词向量；基于该词在该输入文本中的位置，确定与该词对应的第一位置编码；基于该输入文本在所述输入文本序列中的位置，确定与该词对应的第二位置编码；以及基于所述第一位置编码和所述第二位置编码，确定与该词对应的第三位置编码；基于所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码，确定针对所述输入文本序列的文本处理结果。
根据本公开的另一方面，提供了一种文本处理模型的训练方法，所述文本处理模型包括词向量编码网络、位置编码网络和解码网络，所述方法包括：获取由多个样本文本构成的样本文本序列和与该样本文本序列对应的参考处理结果，所述多个样本文本中的每个样本文本包括至少一个样本词；将所述多个样本文本输入所述词向量编码网络，以得到所述多个样本文本中的每个样本词的词向量；将所述多个样本文本输入所述位置编码网络，以得到所述多个样本文本中的每个样本词的第四位置编码和第五位置编码，其中，所述第四位置编码是基于每个样本词在该样本词相应的样本文本中的位置确定的，所述第五位置编码是基于每个样本词相应的样本文本在所述样本文本序列中的位置确定的；基于所述每个样本词的第四位置编码和第五位置编码，确定与每个样本词对应的第六位置编码；将所述每个样本词相应的词向量和所述每个样本词相应的第六位置编码输入所述解码网络，以得到针对所述样本文本序列的预测处理结果；以及基于所述参考处理结果和所述预测处理结果，调整所述词向量编码网络、所述位置编码网络和所述解码网络中的至少一者的参数。
根据本公开的另一方面，提供了一种文本处理装置，包括：第一获取单元，被配置为获取由多个输入文本构成的输入文本序列，所述多个输入文本中的每个输入文本包括至少一个词；编码单元，被配置为对所述多个输入文本中的每个输入文本执行编码操作，所述编码单元包括：第一确定子单元，被配置为针对该输入文本包括的每个词，确定与该词对应的词向量；第二确定子单元，被配置为基于该词在该输入文本中的位置，确定与该词对应的第一位置编码；第三确定子单元，被配置为基于该输入文本在所述输入文本序列中的位置，确定与该词对应的第二位置编码；以及第四确定子单元，被配置为基于所述第一位置编码和所述第二位置编码，确定与该词对应的第三位置编码；第一确定单元，被配置为基于所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码，确定针对所述输入文本序列的文本处理结果。
根据本公开的另一方面，提供了一种文本处理模型的训练装置，所述文本处理模型包括词向量编码网络、位置编码网络和解码网络，所述装置包括：第二获取单元，被配置为获取由多个样本文本构成的样本文本序列和与该样本文本序列对应的参考处理结果，所述多个样本文本中的每个样本文本包括至少一个样本词；第一输入单元，被配置为将所述多个样本文本输入所述词向量编码网络，以得到所述多个样本文本中的每个样本词的词向量；第二输入单元，被配置为将所述多个样本文本输入所述位置编码网络，以得到所述多个样本文本中的每个样本词的第四位置编码和第五位置编码，其中，所述第四位置编码是基于每个样本词在该样本词相应的样本文本中的位置确定的，所述第五位置编码是基于每个样本词相应的样本文本在所述样本文本序列中的位置确定的；第二确定单元，被配置为基于所述每个样本词的第四位置编码和第五位置编码，确定与每个样本词对应的第六位置编码；第三输入单元，被配置为将所述每个样本词相应的词向量和所述每个样本词相应的第六位置编码输入所述解码网络，以得到针对所述样本文本序列的预测处理结果；以及调参单元，被配置为基于所述参考处理结果和所述预测处理结果，调整所述词向量编码网络、所述位置编码网络和所述解码网络中的至少一者的参数。
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文本处理方法和文本处理模型的训练方法中的至少一者。
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，所述计算机指令用于使所述计算机执行上述文本处理方法和文本处理模型的训练方法中的至少一者。
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能够实现上述文本处理方法和文本处理模型的训练方法中的至少一者。
根据本公开的一个或多个实施例，可以提升文本数据处理的准确度。
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示出了根据本公开示例性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示出了根据本公开示例性实施例的文本处理方法的流程图；
图3示出了根据本公开示例性实施例的文本处理模型的结构示意图；
图4示出了根据本公开示例性实施例的文本处理模型的训练方法的流程图；
图5示出了根据本公开示例性实施例的文本处理装置的结构框图；
图6示出了根据本公开示例性实施例的文本处理模型的训练装置的结构框图；
图7示出了能够用于实现本公开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元件与另一元件区分开。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。
大规模语言模型可以用于处理自然语言数据，通过对基于自然语言的输入文本进行编码，能够利用编码信息指示输入文本的语义特征，进而利用解码器来进行解析。
相关技术中，通常是基于每个语素在单个句子中的位置进行编码，当连续输入多个句子时未能考虑到上下文中其他句子对语义的影响，编码的全面性和准确性不足。
基于此，本公开提供了一种文本处理方法，当需要针对包含多个输入文本的输入文本序列进行处理时，结合基于文本中每个词在单个文本中的位置和该词对应的单个文本在文本序列中的位置进行编码，以得到能够更全面、准确地指示词与长短距离的上下文的语义相关关系的第三位置编码，进而基于此进行文本数据处理，提升准确度。
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文本处理方法和文本处理模型的训练方法中的至少一者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来发送待处理的输入文本序列。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可以包括各种类别的计算机设备，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别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别的网络，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可以是不同的类别。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别的数据库，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。
图2示出了根据本公开示例性实施例的文本处理方法的流程图。如图2所示，方法200包括：
步骤S210、获取由多个输入文本构成的输入文本序列，所述多个输入文本中的每个输入文本包括至少一个词；
步骤S220、对所述多个输入文本中的每个输入文本执行编码操作，针对所述每个输入文本的编码操作包括：
步骤S221、针对该输入文本包括的每个词，确定与该词对应的词向量；
步骤S222、基于该词在该输入文本中的位置，确定与该词对应的第一位置编码；
步骤S223、基于该输入文本在所述输入文本序列中的位置，确定与该词对应的第二位置编码；以及
步骤S224、基于所述第一位置编码和所述第二位置编码，确定与该词对应的第三位置编码；
步骤S230、基于所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码，确定针对所述输入文本序列的文本处理结果。
通过应用上述方法200，能够在需要针对包含多个输入文本的输入文本序列进行处理时，基于文本中每个词在单个文本中的位置确定第一位置编码，基于该词对应的单个文本在文本序列中的位置确定第二位置编码，结合第一位置编码和第二位置编码得到能够更全面、准确地指示词与长短距离的上下文的语义相关关系的第三位置编码，进而基于能够指示语义特征的词向量和能够指示上下文的语义相关关系的第三位置编码进行文本数据处理，提升准确度。
在一些示例中，每个输入文本可以是单个的语句，该语句例如可以是基于自然语言句来确定的。输入文本中的词例如可以是通过对输入文本进行切词处理得到的，词可以包括一个字或多个字。
上述的方法100可以应用于各种类型的自然语言处理任务。
在一些示例中，输入文本可以是用户输入的对话文本，在这种情况下，文本处理结果可以是针对该输入文本所生成的回复文本。
在一些示例中，输入文本可以是用户输入的查询文本，在这种情况下，文本处理结果可以是针对该查询文本的搜索结果，例如可以包括文档、网页、图片等各种内容。
在一些示例中，输入文本可以是用户输入的自然语言段落，在这种情况下，文本处理结果可以是针对该自然语言段落进行各种预设的处理来得到的，例如可以包括该段落的摘要信息、从该段落中抽取的实体信息或结构化信息等。
根据一些实施例，步骤S222中基于该词在该输入文本中的位置，确定与该词对应的第一位置编码包括：基于包含虚数单位的第一表达式将该词在该输入文本中的位置映射至复数域，以得到复数形式的所述第一位置编码，步骤S223中基于该输入文本在所述输入文本序列中的位置，确定与该词对应的第二位置编码包括：基于包含虚数单位的第二表达式将该输入文本在所述输入文本序列中的位置映射至复数域，以得到复数形式的所述第二位置编码，并且步骤S224中基于所述第一位置编码和所述第二位置编码，确定与该词对应的第三位置编码包括：确定所述第一位置编码和所述第二位置编码的和；以及基于所述和的实部和所述和的虚部，确定所述第三位置编码。由此，能够基于定义在复数域的表达式确定位置编码，利用复数形式的位置编码来更准确地指示复杂的语义相关性特征。
在一个示例中，第一表达式和第二表达式可以是基于指数函数、三角函数、幂函数等各种非线性函数中的任意一者和虚数单位来构建的，例如可以包括ei部分。通过利用非线性函数和虚数单位来引入非线性成分，能够使第一位置编码和所述第二位置编码更准确地拟合输入文本序列中上下文的语义相关关系。
根据一些实施例，所述基于所述和的实部和所述和的虚部，确定所述第三位置编码包括：基于与所述和的实部对应的第一权重和与所述和的虚部对应的第二权重，对所述和的实部和所述和的虚部执行加权操作，以得到所述第三位置编码。由此，能够通过将实部和虚部进行加权求和来将其再次映射至实数域，以便于执行进一步处理。同时，通过设置显式的权重参数，能够更便捷地根据需求来调整编码映射关系。
在一些示例中，复数形式的第一位置编码和第二位置编码的和可以表示为M+N×i。由此，可以基于预设的权重数据来对M和N执行加权求和操作。
根据一些实施例，所述第一表达式包括第一子表达式和第二子表达式，所述第一子表达式和所述第二子表达式包括三角函数部分，所述基于包含虚数单位的第一表达式将该词在该输入文本中的位置映射至复数域，以得到复数形式的所述第一位置编码包括：响应于确定该词在该输入文本中的位置符合预设的奇偶性判断条件，基于所述第一子表达式将该词在该输入文本中的位置映射至复数域，以得到所述第一位置编码；以及响应于确定该词在该输入文本中的位置不符合所述奇偶性判断条件，基于所述第二子表达式将该词在该输入文本中的位置映射至复数域，以得到所述第一位置编码。由此，能够结合三角函数编码方式来得到本案的映射表达式。通过基于奇偶性来进行区分映射，能够避免三角函数的周期性对映射结果产生影响，避免发生两个不同位置对应相同位置编码的现象，保证位置编码映射结果的独特性，以提升准确度。
在一些示例中，可以是基于欧拉公式将三角函数转换为包含虚数单位的指数函数形式。在这种情况下，第一位置编码的第一子表达式可以为ei(π/2-x)+ei/2(x-π/2)，第二子表达式可以为(eix+e-ix)/2。第二位置编码的第二表达式可以为(eiy-e-iy)/2。式中，e为自然底数，i为虚数单位，x用于指示每个词在该词对应的输入文本中的位置，y用于指示每个词对应的输入文本在输入文本序列中的位置。
根据一些实施例，所述第一表达式包括波函数部分，所述波函数部分包括posi/d1，其中，pos用于指示每个词在该词相应的输入文本中的位置，i为虚数单位，d1为预设常数。由此，能够基于eix的波函数形式来构建定义在复数域的第一表达式，以表征更复杂的语义相关关系，提升编码准确度。
在一些示例中，上述公式中的x为pos/100002i/dmodel，式中，pos用于指示每个词在该词相应的输入文本中的位置，dmodel为词向量的维度。上述公式中的y为k/1000010k /dmodel，式中，k用于指示每个词对应的输入文本在输入文本序列中的位置。
根据一些实施例，步骤S221中针对该输入文本包括的每个词，确定与该词对应的词向量包括：将该词输入词向量编码网络，以得到所述词向量，步骤S230中基于所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码，确定针对所述输入文本序列的文本处理结果包括：将所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码输入解码网络，以得到所述文本处理结果，其中，所述词向量编码网络和所述解码网络是利用标注有参考处理结果的样本文本序列进行训练得到的。由此，能够将文本编码过程应用于神经网络的编码器和解码器，以得到模型输出的处理结果。
在一些示例中，词向量编码网络可以是基于预训练的语言模型得到的，例如BERT模型、ERNIE模型等。利用词向量编码网络来将词映射至高维的语义空间以得到词向量，以利用词向量指示复杂的语义特征。
图3示出了根据本公开示例性实施例的文本处理模型300的结构示意图。如图3所示，文本处理模型300包括词向量编码网络301、位置编码网络302和解码网络303。
在这一示例中，位置编码网络302用于基于输入文本序列来得到输入文本序列中的每个词对应的第一位置编码和第二位置编码。具体地，位置编码网络302可以被构造为基于上述的步骤S222-步骤S223进行位置编码，并且可以基于上述的步骤S224得到第三位置编码。
在一些示例中，解码网络303可以是各种结构的。例如可以是基于Transformer结构来构建解码网络303。在一些示例中，解码网络303可以基于词向量和第三位置编码进行基于注意力机制的编解码过程，以得到文本处理结果。
根据本公开的一方面，还提供一种文本处理模型的训练方法。图4示出了根据本公开示例性实施例的文本处理模型的训练方法400的流程图，所述文本处理模型包括词向量编码网络、位置编码网络和解码网络。如图4所示，方法400包括：
步骤S401、获取由多个样本文本构成的样本文本序列和与该样本文本序列对应的参考处理结果，所述多个样本文本中的每个样本文本包括至少一个样本词；
步骤S402、将所述多个样本文本输入所述词向量编码网络，以得到所述多个样本文本中的每个样本词的词向量；
步骤S403、将所述多个样本文本输入所述位置编码网络，以得到所述多个样本文本中的每个样本词的第四位置编码和第五位置编码，其中，所述第四位置编码是基于每个样本词在该样本词相应的样本文本中的位置确定的，所述第五位置编码是基于每个样本词相应的样本文本在所述样本文本序列中的位置确定的；
步骤S404、基于所述每个样本词的第四位置编码和第五位置编码，确定与每个样本词对应的第六位置编码；
步骤S405、将所述每个样本词相应的词向量和所述每个样本词相应的第六位置编码输入所述解码网络，以得到针对所述样本文本序列的预测处理结果；以及
步骤S406、基于所述参考处理结果和所述预测处理结果，调整所述词向量编码网络、所述位置编码网络和所述解码网络中的至少一者的参数。
由此，能够在文本处理模型中结合基于文本中每个词在单个文本中的位置和该词对应的单个文本在文本序列中的位置进行编码，以得到能够更全面、准确地指示词与长短距离的上下文的语义相关关系的第三位置编码，进而基于此进行文本数据处理，提升准确度。通过利用有标注的样本数据来对文本处理模型进行有监督训练，以提升模型的处理性能，基于此实现更准确高效的文本处理。
根据一些实施例，所述第四位置编码和所述第五位置编码为复数形式，步骤S403中基于所述每个样本词的第四位置编码和第五位置编码，确定与每个样本词对应的第六位置编码包括：确定所述第四位置编码和所述第五位置编码的和；以及基于与所述和的实部对应的第三权重和与所述和的虚部对应的第四权重，对所述和的实部和所述和的虚部执行加权操作，以得到所述第三位置编码，方法400还包括：基于所述参考处理结果和所述预测处理结果，调整所述第三权重和所述第四权重。由此，能够将显式的权重参数作为模型训练过程中的可调参数，以提升准确性。
根据本公开的一方面，还提供一种文本处理装置。图5示出了根据本公开示例性实施例的文本处理装置500的结构框图。如图5所示，装置500包括：
第一获取单元510，被配置为获取由多个输入文本构成的输入文本序列，所述多个输入文本中的每个输入文本包括至少一个词；
编码单元520，被配置为对所述多个输入文本中的每个输入文本执行编码操作，编码单元520包括：
第一确定子单元521，被配置为针对该输入文本包括的每个词，确定与该词对应的词向量；
第二确定子单元522，被配置为基于该词在该输入文本中的位置，确定与该词对应的第一位置编码；
第三确定子单元523，被配置为基于该输入文本在所述输入文本序列中的位置，确定与该词对应的第二位置编码；以及
第四确定子单元524，被配置为基于所述第一位置编码和所述第二位置编码，确定与该词对应的第三位置编码；
第一确定单元530，被配置为基于所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码，确定针对所述输入文本序列的文本处理结果。
根据一些实施例，第二确定子单元522被配置为：基于包含虚数单位的第一表达式将该词在该输入文本中的位置映射至复数域，以得到复数形式的所述第一位置编码，第三确定子单元523被配置为：基于包含虚数单位的第二表达式将该输入文本在所述输入文本序列中的位置映射至复数域，以得到复数形式的所述第二位置编码，并且其中，第四确定子单元524被配置为：确定所述第一位置编码和所述第二位置编码的和；以及基于所述和的实部和所述和的虚部，确定所述第三位置编码。
根据一些实施例，第四确定子单元524被配置为：基于与所述和的实部对应的第一权重和与所述和的虚部对应的第二权重，对所述和的实部和所述和的虚部执行加权操作，以得到所述第三位置编码。
根据一些实施例，所述第一表达式包括第一子表达式和第二子表达式，所述第一子表达式和所述第二子表达式包括三角函数部分，第二确定子单元522被配置为：响应于确定该词在该输入文本中的位置符合预设的奇偶性判断条件，基于所述第一子表达式将该词在该输入文本中的位置映射至复数域，以得到所述第一位置编码；以及响应于确定该词在该输入文本中的位置不符合所述奇偶性判断条件，基于所述第二子表达式将该词在该输入文本中的位置映射至复数域，以得到所述第一位置编码。
根据一些实施例，所述第一表达式包括波函数部分，所述波函数部分包括posi/d1，其中，pos用于指示每个词在该词相应的输入文本中的位置，i为虚数单位，d1为预设常数。
根据一些实施例，第一确定子单元521被配置为：将该词输入词向量编码网络，以得到所述词向量，第一确定单元530被配置为：将所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码输入解码网络，以得到所述文本处理结果，其中，所述词向量编码网络和所述解码网络是利用标注有参考处理结果的样本文本序列进行训练得到的。
根据本公开的一方面，还提供一种文本处理模型的训练装置。图6示出了根据本公开示例性实施例的文本处理模型的训练装置600的结构框图，所述文本处理模型包括词向量编码网络、位置编码网络和解码网络。如图6所示，装置600包括：
第二获取单元601，被配置为获取由多个样本文本构成的样本文本序列和与该样本文本序列对应的参考处理结果，所述多个样本文本中的每个样本文本包括至少一个样本词；
第一输入单元602，被配置为将所述多个样本文本输入所述词向量编码网络，以得到所述多个样本文本中的每个样本词的词向量；
第二输入单元603，被配置为将所述多个样本文本输入所述位置编码网络，以得到所述多个样本文本中的每个样本词的第四位置编码和第五位置编码，其中，所述第四位置编码是基于每个样本词在该样本词相应的样本文本中的位置确定的，所述第五位置编码是基于每个样本词相应的样本文本在所述样本文本序列中的位置确定的；
第二确定单元604，被配置为基于所述每个样本词的第四位置编码和第五位置编码，确定与每个样本词对应的第六位置编码；
第三输入单元605，被配置为将所述每个样本词相应的词向量和所述每个样本词相应的第六位置编码输入所述解码网络，以得到针对所述样本文本序列的预测处理结果；以及
调参单元606，被配置为基于所述参考处理结果和所述预测处理结果，调整所述词向量编码网络、所述位置编码网络和所述解码网络中的至少一者的参数。
根据一些实施例，所述第四位置编码和所述第五位置编码为复数形式，第二确定单元604被配置为：确定所述第四位置编码和所述第五位置编码的和；以及基于与所述和的实部对应的第三权重和与所述和的虚部对应的第四权重，对所述和的实部和所述和的虚部执行加权操作，以得到所述第三位置编码，调参单元606还被配置为：基于所述参考处理结果和所述预测处理结果，调整所述第三权重和所述第四权重。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的另一方面，还提供一种电子设备，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的文本处理方法和文本处理模型的训练方法中的至少一者。
根据本公开的另一方面，还提供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上述的文本处理方法和文本处理模型的训练方法中的至少一者。
根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序再被处理器执行时实现上述的文本处理方法和文本处理模型的训练方法中的至少一者。
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，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类别的设备，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别的设备，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TM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，例如文本处理方法和文本处理模型的训练方法中的至少一者。例如，在一些实施例中，文本处理方法和文本处理模型的训练方法中的至少一者可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的文本处理方法和文本处理模型的训练方法中的至少一者的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本处理方法和文本处理模型的训练方法中的至少一者。
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)、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，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。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)

1.一种文本处理方法，包括：
获取由多个输入文本构成的输入文本序列，所述多个输入文本中的每个输入文本包括至少一个词；
对所述多个输入文本中的每个输入文本执行编码操作，针对所述每个输入文本的编码操作包括：
针对该输入文本包括的每个词，
确定与该词对应的词向量；
基于该词在该输入文本中的位置，确定与该词对应的第一位置编码；
基于该输入文本在所述输入文本序列中的位置，确定与该词对应的第二位置编码；以及
基于所述第一位置编码和所述第二位置编码，确定与该词对应的第三位置编码；
基于所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码，确定针对所述输入文本序列的文本处理结果。
2.如权利要求1所述的方法，其中，所述基于该词在该输入文本中的位置，确定与该词对应的第一位置编码包括：
基于包含虚数单位的第一表达式将该词在该输入文本中的位置映射至复数域，以得到复数形式的所述第一位置编码，
所述基于该输入文本在所述输入文本序列中的位置，确定与该词对应的第二位置编码包括：
基于包含虚数单位的第二表达式将该输入文本在所述输入文本序列中的位置映射至复数域，以得到复数形式的所述第二位置编码，
并且其中，所述基于所述第一位置编码和所述第二位置编码，确定与该词对应的第三位置编码包括：
确定所述第一位置编码和所述第二位置编码的和；以及
基于所述和的实部和所述和的虚部，确定所述第三位置编码。
3.如权利要求2所述的方法，其中，所述基于所述和的实部和所述和的虚部，确定所述第三位置编码包括：
基于与所述和的实部对应的第一权重和与所述和的虚部对应的第二权重，对所述和的实部和所述和的虚部执行加权操作，以得到所述第三位置编码。
4.如权利要求2或3所述的方法，其中，所述第一表达式包括第一子表达式和第二子表达式，所述第一子表达式和所述第二子表达式包括三角函数部分，
所述基于包含虚数单位的第一表达式将该词在该输入文本中的位置映射至复数域，以得到复数形式的所述第一位置编码包括：
响应于确定该词在该输入文本中的位置符合预设的奇偶性判断条件，基于所述第一子表达式将该词在该输入文本中的位置映射至复数域，以得到所述第一位置编码；以及
响应于确定该词在该输入文本中的位置不符合所述奇偶性判断条件，基于所述第二子表达式将该词在该输入文本中的位置映射至复数域，以得到所述第一位置编码。
5.如权利要求2-4中任一项所述的方法，其中，所述第一表达式包括波函数部分，所述波函数部分包括posi/d1，其中，pos用于指示每个词在该词相应的输入文本中的位置，i为虚数单位，d1为预设常数。
6.如权利要求1-5中任一项所述的方法，其中，所述针对该输入文本包括的每个词，确定与该词对应的词向量包括：
将该词输入词向量编码网络，以得到所述词向量，
所述基于所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码，确定针对所述输入文本序列的文本处理结果包括：
将所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码输入解码网络，以得到所述文本处理结果，其中，所述词向量编码网络和所述解码网络是利用标注有参考处理结果的样本文本序列进行训练得到的。
7.一种文本处理模型的训练方法，所述文本处理模型包括词向量编码网络、位置编码网络和解码网络，所述方法包括：
获取由多个样本文本构成的样本文本序列和与该样本文本序列对应的参考处理结果，所述多个样本文本中的每个样本文本包括至少一个样本词；
将所述多个样本文本输入所述词向量编码网络，以得到所述多个样本文本中的每个样本词的词向量；
将所述多个样本文本输入所述位置编码网络，以得到所述多个样本文本中的每个样本词的第四位置编码和第五位置编码，其中，所述第四位置编码是基于每个样本词在该样本词相应的样本文本中的位置确定的，所述第五位置编码是基于每个样本词相应的样本文本在所述样本文本序列中的位置确定的；
基于所述每个样本词的第四位置编码和第五位置编码，确定与每个样本词对应的第六位置编码；
将所述每个样本词相应的词向量和所述每个样本词相应的第六位置编码输入所述解码网络，以得到针对所述样本文本序列的预测处理结果；以及
基于所述参考处理结果和所述预测处理结果，调整所述词向量编码网络、所述位置编码网络和所述解码网络中的至少一者的参数。
8.如权利要求7所述的方法，其中，所述第四位置编码和所述第五位置编码为复数形式，所述基于所述每个样本词的第四位置编码和第五位置编码，确定与每个样本词对应的第六位置编码包括：
确定所述第四位置编码和所述第五位置编码的和；以及
基于与所述和的实部对应的第三权重和与所述和的虚部对应的第四权重，对所述和的实部和所述和的虚部执行加权操作，以得到所述第三位置编码，
所述方法还包括：
基于所述参考处理结果和所述预测处理结果，调整所述第三权重和所述第四权重。
9.一种文本处理装置，包括：
第一获取单元，被配置为获取由多个输入文本构成的输入文本序列，所述多个输入文本中的每个输入文本包括至少一个词；
编码单元，被配置为对所述多个输入文本中的每个输入文本执行编码操作，所述编码单元包括：
第一确定子单元，被配置为针对该输入文本包括的每个词，确定与该词对应的词向量；
第二确定子单元，被配置为基于该词在该输入文本中的位置，确定与该词对应的第一位置编码；
第三确定子单元，被配置为基于该输入文本在所述输入文本序列中的位置，确定与该词对应的第二位置编码；以及
第四确定子单元，被配置为基于所述第一位置编码和所述第二位置编码，确定与该词对应的第三位置编码；
第一确定单元，被配置为基于所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码，确定针对所述输入文本序列的文本处理结果。
10.如权利要求9所述的装置，其中，所述第二确定子单元被配置为：
基于包含虚数单位的第一表达式将该词在该输入文本中的位置映射至复数域，以得到复数形式的所述第一位置编码，
所述第三确定子单元被配置为：
基于包含虚数单位的第二表达式将该输入文本在所述输入文本序列中的位置映射至复数域，以得到复数形式的所述第二位置编码，
并且其中，所述第四确定子单元被配置为：
确定所述第一位置编码和所述第二位置编码的和；以及
基于所述和的实部和所述和的虚部，确定所述第三位置编码。
11.如权利要求10所述的装置，其中，所述第四确定子单元被配置为：
基于与所述和的实部对应的第一权重和与所述和的虚部对应的第二权重，对所述和的实部和所述和的虚部执行加权操作，以得到所述第三位置编码。
12.如权利要求10或11所述的装置，其中，所述第一表达式包括第一子表达式和第二子表达式，所述第一子表达式和所述第二子表达式包括三角函数部分，
所述第二确定子单元被配置为：
响应于确定该词在该输入文本中的位置符合预设的奇偶性判断条件，基于所述第一子表达式将该词在该输入文本中的位置映射至复数域，以得到所述第一位置编码；以及
响应于确定该词在该输入文本中的位置不符合所述奇偶性判断条件，基于所述第二子表达式将该词在该输入文本中的位置映射至复数域，以得到所述第一位置编码。
13.如权利要求10-12中任一项所述的装置，其中，所述第一表达式包括波函数部分，所述波函数部分包括posi/d1，其中，pos用于指示每个词在该词相应的输入文本中的位置，i为虚数单位，d1为预设常数。
14.如权利要求9-13中任一项所述的装置，其中，所述第一确定子单元被配置为：
将该词输入词向量编码网络，以得到所述词向量，
所述第一确定单元被配置为：
将所述输入文本序列中的每个词相应的词向量和所述输入文本序列中的每个词相应的第三位置编码输入解码网络，以得到所述文本处理结果，其中，所述词向量编码网络和所述解码网络是利用标注有参考处理结果的样本文本序列进行训练得到的。
15.一种文本处理模型的训练装置，所述文本处理模型包括词向量编码网络、位置编码网络和解码网络，所述装置包括：
第二获取单元，被配置为获取由多个样本文本构成的样本文本序列和与该样本文本序列对应的参考处理结果，所述多个样本文本中的每个样本文本包括至少一个样本词；
第一输入单元，被配置为将所述多个样本文本输入所述词向量编码网络，以得到所述多个样本文本中的每个样本词的词向量；
第二输入单元，被配置为将所述多个样本文本输入所述位置编码网络，以得到所述多个样本文本中的每个样本词的第四位置编码和第五位置编码，其中，所述第四位置编码是基于每个样本词在该样本词相应的样本文本中的位置确定的，所述第五位置编码是基于每个样本词相应的样本文本在所述样本文本序列中的位置确定的；
第二确定单元，被配置为基于所述每个样本词的第四位置编码和第五位置编码，确定与每个样本词对应的第六位置编码；
第三输入单元，被配置为将所述每个样本词相应的词向量和所述每个样本词相应的第六位置编码输入所述解码网络，以得到针对所述样本文本序列的预测处理结果；以及
调参单元，被配置为基于所述参考处理结果和所述预测处理结果，调整所述词向量编码网络、所述位置编码网络和所述解码网络中的至少一者的参数。
16.如权利要求15所述的装置，其中，所述第四位置编码和所述第五位置编码为复数形式，所述第二确定单元被配置为：
确定所述第四位置编码和所述第五位置编码的和；以及
基于与所述和的实部对应的第三权重和与所述和的虚部对应的第四权重，对所述和的实部和所述和的虚部执行加权操作，以得到所述第三位置编码，
所述调参单元还被配置为：
基于所述参考处理结果和所述预测处理结果，调整所述第三权重和所述第四权重。
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根据权利要求1-8中任一项所述的方法。
CN202311310988.7A 2023-10-10 2023-10-10 文本处理方法及装置、设备和介质 Pending CN117291191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311310988.7A CN117291191A (zh) 2023-10-10 2023-10-10 文本处理方法及装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311310988.7A CN117291191A (zh) 2023-10-10 2023-10-10 文本处理方法及装置、设备和介质

Publications (1)

Publication Number Publication Date
CN117291191A true CN117291191A (zh) 2023-12-26

Family

ID=89258489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311310988.7A Pending CN117291191A (zh) 2023-10-10 2023-10-10 文本处理方法及装置、设备和介质

Country Status (1)

Country Link
CN (1) CN117291191A (zh)

Similar Documents

Publication Publication Date Title
CN113807440B (zh) 利用神经网络处理多模态数据的方法、设备和介质
CN112579909A (zh) 对象推荐方法及装置、计算机设备和介质
CN114611532B (zh) 语言模型训练方法及装置、目标翻译错误检测方法及装置
CN116541536B (zh) 知识增强的内容生成系统、数据生成方法、设备和介质
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
CN114791982B (zh) 对象推荐方法和装置
CN114443989B (zh) 排序方法、排序模型的训练方法、装置、电子设备及介质
CN116841506B (zh) 程序代码生成方法及装置、模型训练方法及装置
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
CN115578501A (zh) 图像处理方法、装置、电子设备和存储介质
CN115269989A (zh) 对象推荐方法、装置、电子设备和存储介质
CN117291191A (zh) 文本处理方法及装置、设备和介质
CN114861658B (zh) 地址信息解析方法及装置、设备和介质
CN116842156B (zh) 数据生成方法及装置、设备和介质
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
CN116070711B (zh) 数据处理方法、装置、电子设备和存储介质
CN117709471A (zh) 可解释性分析方法、装置、设备和介质
CN115577081A (zh) 对话方法及装置、设备和介质
CN114611526A (zh) 实体链接方法及装置、设备和介质
CN115617968A (zh) 对话方法及装置、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
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
CN118195010A (zh) 用于生成回复文本的方法、装置、设备及介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: CW District, 4th floor, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100101

Applicant after: Kunlun core (Beijing) Technology Co.,Ltd.

Address before: Baidu building, No. 10, Shangdi 10th Street, Haidian District, Beijing 100086

Applicant before: Kunlun core (Beijing) Technology Co.,Ltd.