CN117709471A - 可解释性分析方法、装置、设备和介质 - Google Patents
可解释性分析方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117709471A CN117709471A CN202311717374.0A CN202311717374A CN117709471A CN 117709471 A CN117709471 A CN 117709471A CN 202311717374 A CN202311717374 A CN 202311717374A CN 117709471 A CN117709471 A CN 117709471A
- Authority
- CN
- China
- Prior art keywords
- sequence
- deep learning
- learning model
- prediction vector
- word
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 158
- 238000013136 deep learning model Methods 0.000 claims abstract description 106
- 230000011218 segmentation Effects 0.000 claims abstract description 68
- 230000000873 masking effect Effects 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008451 emotion Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本公开提供了一种可解释性分析方法、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和深度学习等技术领域。该方法包括:将目标文本进行分词,得到分词序列,分词序列包括多个分词;将分词序列输入深度学习模型,以得到第一预测向量,第一预测向量隐式表征目标文本;将分词序列中的目标分词进行掩码,得到与目标分词对应的掩码序列;将掩码序列输入深度学习模型,以得到第二预测向量,第二预测向量隐式表征目标文本;以及基于第一预测向量和第二预测向量,得到第一可解释性分析结果,第一可解释性分析结果指示深度学习模型所理解的目标分词的重要程度。
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和深度学习等技术领域,具体涉及一种用于深度学习模型的可解释性分析方法、用于深度学习模型的可解释性分析装置、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自然语言处理技术、计算机视觉技术、语音识别技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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
本公开提供了一种用于深度学习模型的可解释性分析方法、用于深度学习模型的可解释性分析装置、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,提供了一种用于深度学习模型的可解释性分析方法,包括:将目标文本进行分词,得到分词序列,所述分词序列包括多个分词;将所述分词序列输入深度学习模型,以得到第一预测向量,所述第一预测向量隐式表征所述目标文本;将所述分词序列中的目标分词进行掩码,得到与所述目标分词对应的掩码序列;将所述掩码序列输入所述深度学习模型,以得到第二预测向量,所述第二预测向量隐式表征所述目标文本;以及基于所述第一预测向量和所述第二预测向量,得到第一可解释性分析结果,所述第一可解释性分析结果指示所述深度学习模型所理解的所述目标分词的重要程度。
根据本公开的另一方面,提供了一种用于深度学习模型的可解释性分析装置,包括:分词单元,被配置为将目标文本进行分词,得到分词序列,所述分词序列包括多个分词;第一预测单元,被配置为将所述分词序列输入深度学习模型,以得到第一预测向量,所述第一预测向量隐式表征所述目标文本;掩码单元,被配置为将所述分词序列中的目标分词进行掩码,得到与所述目标分词对应的掩码序列;第二预测单元,被配置为将所述掩码序列输入所述深度学习模型,以得到第二预测向量,所述第二预测向量隐式表征所述目标文本;以及分析单元,被配置为基于所述第一预测向量和所述第二预测向量,得到第一可解释性分析结果,所述第一可解释性分析结果指示所述深度学习模型所理解的所述目标分词的权重。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,这些指令被至少一个处理器执行,以使至少一个处理器能够执行上述方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行上述方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例,本公开通过利用深度学习模型对与目标文本对应的分词序列进行处理,得到表征目标文本的第一预测向量,并将分词序列中的目标分词进行掩码,并利用深度学习模型对掩码后的掩码序列进行处理,得到同样表征目标文本的第二预测向量,进而基于第一预测向量和第二预测向量,能够得出深度学习模型所理解的目标分词的重要程度,实现对深度学习模型的可解释性分析。
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深度学习模型的可解释性分析方法的流程图;
图3示出了根据本公开的实施例的深度学习模型的可解释性分析方法的流程图;
图4示出了根据本公开的实施例的深度学习模型的可解释性分析方法的流程图;
图5示出了根据本公开的实施例的深度学习模型的可解释性分析方法的示意图;
图6示出了根据本公开的实施例的深度学习模型的可解释性分析装置的结构框图;以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中,现有的用于深度学习模型的可解释性分析方法通常在对用于文本处理的模型进行可解释性分析时效果较差。
为解决上述问题,本公开通过利用深度学习模型对与目标文本对应的分词序列进行处理,得到表征目标文本的第一预测向量,并将分词序列中的目标分词进行掩码,并利用深度学习模型对掩码后的掩码序列进行处理,得到同样表征目标文本的第二预测向量,进而基于第一预测向量和第二预测向量,能够得出深度学习模型所理解的目标分词的重要程度,实现对用于文本处理的深度学习模型的可解释性分析。
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本公开的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来实现对深度学习模型的可解释性分析。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,例如,可以向用户输出可解释性分析结果。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。
根据本公开的一个方面,提供了一种深度学习模型的可解释性分析方法。如图2所示,该方法包括:步骤S201、将目标文本进行分词,得到分词序列,分词序列包括多个分词;步骤S202、将分词序列输入深度学习模型,以得到第一预测向量,第一预测向量隐式表征目标文本;步骤S203、将分词序列中的目标分词进行掩码,得到与目标分词对应的掩码序列;步骤S204、将掩码序列输入深度学习模型,以得到第二预测向量,第二预测向量隐式表征目标文本;以及步骤S205、基于第一预测向量和第二预测向量,得到第一可解释性分析结果,第一可解释性分析结果指示深度学习模型所理解的目标分词的重要程度。
由此,通过利用深度学习模型对与目标文本对应的分词序列进行处理,得到表征目标文本的第一预测向量,并将分词序列中的目标分词进行掩码,并利用深度学习模型对掩码后的掩码序列进行处理,得到同样表征目标文本的第二预测向量,进而基于第一预测向量和第二预测向量,能够得出深度学习模型所理解的目标分词的重要程度,实现对用于文本处理的深度学习模型的可解释性分析。
在一些实施例中,本公开的可解释性分析方法能够对用于文本处理的深度学习模型进行可解释性分析,特别是对大语言模型(Large Language Model,LLM)进行分析。
深度学习模型具有端到端的特性,能够在不借助深度学习模型之外的功能组件或其他输入的情况下,基于用户的输入数据直接生成回复数据。换句话说,深度学习模型本身具有生成功能。深度学习模型可以是大语言模型。大语言模型通常是指拥有数十亿甚至数千亿个参数的深度学习模型,它们通常在大规模的文本数据或其他模态的数据上进行训练。大语言模型可以用于各种自然语言处理任务,例如文本生成、语言翻译和问答系统等。
深度学习模型例如可以包括用于对输入文本进行嵌入的嵌入层,以及利用注意力机制对嵌入后的特征进行处理的注意力层。注意力层可以采用具有编码器(Encoder)和解码器(Decoder)的N层Transformer网络结构,或者是统一预训练语言模型(Unified pre-trained Language Model,UniLM)网络结构。可以理解的是,深度学习模型还可以是其他的基于Transformer网络结构的神经网络模型,在此不作限定。深度学习模型的输入和输出均是由令符(本文也称分词,token)构成的。每一个令符可以对应一个单字、字符、词和特殊符号。深度学习模型可以利用预训练任务和生成任务进行训练,以具备上述生成功能。
在一些实施例中,可以使用基于特征的可解释性方法(例如,聚类、降维)和基于模型内在的可解释性方法(例如,原型网络方法)进行深度学习模型的可解释性分析,但这样的方法适用的场景都是比较小型的深度学习模型,对于大语言模型来说是不适用的。此外,这样的可解释性方法处理的都是模型输出空间比较单一的情况,对于大语言模型来说,它具有更大的输出空间。
本公开的方法通过利用大语言模型生成表征目标文本的预测向量,再将目标文本中的目标分词进行掩码,生成同样表征目标文本的预测向量,进而基于两者之间的差异,能够得到对深度学习模型所理解的目标分词的重要程度,实现模型可解释性分析。
需要注意的是,本公开中所提到的向量(例如,预测向量、嵌入向量等)均指代由特定的深度学习模型或其组件生成的特征向量,能够用于表征特定的含义或用于特定的任务。例如,嵌入向量可以拥有表征对应的分词的语义含义;预测向量同样能够表征分词的语义含义,并且融合了其他分词信息,可以用于执行下游的文本处理任务。
在一些实施例中,目标文本可以是用来进行深度学习模型的可解释性分析的语料。在步骤S201,可以利用现有的分词工具对目标文本进行分词,得到分词序列t。
根据一些实施例,深度学习模型可以为包括嵌入层和注意力层的大语言模型。第一可解释性分析结果指示深度学习模型中的注意力层为目标分词分配的内置权重。步骤S202、将分词序列输入深度学习模型,以得到第一预测向量可以包括:将分词序列输入嵌入层,以得到与多个分词对应的第一嵌入向量e;以及将与多个分词对应的第一嵌入向量输入注意力层,以利用深度学习模型为多个分词各自分配的内置权重得到第一预测向量r。
步骤S203、将掩码序列输入深度学习模型,以得到第二预测向量,第二预测向量隐式表征目标文本可以包括:将掩码序列输入嵌入层,以得到与掩码后的多个分词对应的第二嵌入向量;以及将与掩码后的多个分词对应的第二嵌入向量输入注意力层,以利用深度学习模型为掩码后的多个分词分配的内置权重得到第二预测向量。
尽管深度学习模型在推理过程中所使用的内置权重对外界是不可见的,但通过上述方式,能够得到指示目标分词对应的内置权重的可解释性分析结果,从而实现了对深度学习模型的可解释性分析。
在一些实施例中,第一嵌入向量可以包括与多个分词中的每一个分词对应的嵌入向量,注意力层输出的结果中可以包括与多个分词各自对应的输出向量,也可以包括与输入的序列整体对应的输出向量。可以基于这些输出向量得到相应的预测向量。
在一些实施例中,还可以采用其他方式得到其他指示目标分词的重要程度的第一可解释性分析结果,在此不作限定。
在步骤S203,可以在分词序列中确定一个目标分词,并将其置空或替换为其他不具有语义含义的令符(token),得到掩码序列mi,i表示目标分词在分词序列中的位置。
在步骤S204,可以将掩码后的掩码序列mi输入深度学习大模型,以得到第二预测向量ri。第二预测向量同样可以作为目标文本的隐式表示。
在步骤S205,可以将第一预测向量和第二预测向量进行比较,以衡量深度学习模型所理解的目标分词的重要程度。二者之间越接近,目标分词在深度学习模型的视角中越不重要。
根据一些实施例,步骤S205、基于第一预测向量和第二预测向量,得到与目标分词对应的可解释性分析结果可以包括:计算第一预测向量和第二预测向量的相似度,以得到第一可解释性分析结果。
由此,通过计算第一预测向量和第二预测向量之间的相似度,可以得到对深度学习模型的可解释性分析的准确度量。
在一些实施例中,可以计算第一预测向量和第二预测向量之间的余弦相似度,得到第一可解释性分析结果,公式表示为si=cos(ri,r)。如上文所描述的,第一可解释性分析结果所指示的目标分词的重要程度与第一预测向量和第二预测向量之间的相似度呈负相关。
根据一些实施例,步骤S203、将分词序列中的目标分词进行掩码,得到与目标分词对应的掩码序列可以包括:分别将多个分词中的每一个分词作为目标分词进行掩码,以得到与多个分词中的每一个分词对应的掩码序列。由此,通过上述方式,可以得到与分词序列中的每一个分词对应的掩码序列,进而可以得到与这些掩码序列一一对应的第二预测向量。基于第一预测向量和与每一个分词对应的第二预测向量,能够得到与每一个分词对应的第一可解释性分析结果,即深度学习模型所理解的每一个分词的重要程度。
根据一些实施例,如图3所示,可解释性分析方法还可以包括:步骤S304、对目标文本的上下文进行分词,得到上下文序列,上下文序列包括多个上下文分词。可以理解的是,图3中的步骤S301-步骤S303、步骤S305-步骤S306的操作和图2中的步骤S201-步骤S204的操作类似,在此不作赘述。
步骤S305、将掩码序列输入深度学习模型,以得到第二预测向量,第二预测向量隐式表征目标文本可以包括:将掩码序列与上下文序列进行融合,以得到带有上下文的掩码序列;以及将带有上下文的掩码序列输入深度学习模型,以得到第二预测向量。
由此,通过将上下文序列与掩码序列融合后再由深度学习模型进行处理,能够提升预测向量的表达能力,提升可解释性分析结果的准确性。
根据一些实施例,将掩码序列与上下文序列进行融合,以得到带有上下文的掩码序列可以包括:将掩码序列与上下文序列进行拼接,以得到带有上下文的掩码序列。
在一些实施例中,可以将不同目标分词掩码后的掩码序列分别和上下文序列进行拼接,以得到与分词序列中的多个分词分别对应的带有上下文的掩码序列,以用于后续的处理。
根据一些实施例,如图4所示,可解释性分析方法还可以包括:步骤S407、将分词序列和上下文序列进行融合,以得到带有上下文的分词序列;步骤S408、将带有上下文的分词序列输入深度学习模型,以得到第三预测向量,第三预测向量隐式表征目标文本;以及步骤S409、基于第一预测向量和第三预测向量,得到第二可解释性分析结果,第二可解释性分析结果表征深度学习模型所理解的目标文本和上下文之间的关联性。可以理解的是,图4中的步骤S401-步骤S406的操作和图3中的步骤S301-步骤S306的操作类似,在此不作赘述。
由此,通过比较融合上下文之后得到的第三预测向量和未融合上下文得到的第二预测向量,能够分析得出深度学习模型所理解的目标文本和上下文之间的关联性,以及上下文(特别是上文对话的token)对当前输出的影响,从而实现对深度学习模型的可解释性分析。第二预测向量和第三预测向量之间越接近,在深度学习模型的视角中目标分词和上下文之间的关联性越弱。
根据一些实施例,步骤S409、基于第一预测向量和第三预测向量,得到第二可解释性分析结果可以包括:计算第一预测向量和第三预测向量的相似度,以得到第二可解释性分析结果。
由此,通过计算第一预测向量和第三预测向量之间的相似度,可以得到对深度学习模型的可解释性分析的准确度量。
在一些实施例中,可以计算第一预测向量和第三预测向量之间的余弦相似度,得到第二可解释性分析结果。如上文所描述的,第二可解释性分析结果所指示的目标文本和上下文之间的关联性与第一预测向量和第三预测向量之间的相似度呈负相关。
根据一些实施例,第一预测向量、第二预测向量和第三预测向量均可以为目标文本的句向量。换句话说,第一预测向量、第二预测向量和第三预测向量可以整体表征目标文本。在一些实施例中,在将分词序列和掩码序列输入深度学习模型(大语言模型)时,在序列头部需要补上与序列整体对应的特殊令符(token),例如[CLS],则可以将大语言模型输出的与[CLS]令符对应的特征向量作为相应的预测向量。在一些实施例中,也可以基于大语言模型针对多个分词中的每一个分词输出的特征向量得到预测向量,在此不作限定。
根据一些实施例,可解释性分析方法还可以包括:将与掩码后的多个分词对应的第二嵌入向量输入经训练的情感分类模型,以得到第三可解释性分析结果,第三可解释性分析结果表征深度学习模型所理解的目标分词的情感色彩。
由此,通过将第二嵌入向量输入情感分类模型,可以分析得到深度学习模型所理解的目标分词的情感色彩,从而实现对深度学习模型的可解释性分析。
根据一些实施例,情感分类模型基于长短时记忆神经网络模型。通过使用长短时记忆神经网络模型,能够得到更准确的情感分类结果。
图5示出了根据本公开的示例性实施例的深度学习模型的可解释性分析方法的示意图。在一些实施例中,可以将分词序列502中的不同分词作为目标分词进行掩码,得到掩码序列_1(504)至掩码序列_n(506)。将这些掩码序列输入嵌入层514,可以得到相应的第二嵌入向量。进而,将第二嵌入向量输入注意力层516,能够得到相应的第二预测向量_1(518)至第二预测向量_n(520)。还可以将未掩码的分词序列508输入嵌入层514,得到相应的第一嵌入向量,进而将第一嵌入向量输入到注意力层516,得到相应的第一预测向量522。通过计算第一预测向量和第二预测向量之间的相似度,能够得到与每一个目标分词对应的token权重。此外,还可以将上下文512与掩码序列或分词序列融合后输入嵌入层514,以体现上下文token对当前输出的影响。再者,还可以将第二嵌入向量输入情感分析模型510,以得到对每一个目标分词的情感色彩分析结果。
根据本公开的另一方面,提供了一种深度学习模型的可解释性分析装置。如图6所示,装置600包括:分词单元610,被配置为将目标文本进行分词,得到分词序列,分词序列包括多个分词;第一预测单元620,被配置为将分词序列输入深度学习模型,以得到第一预测向量,第一预测向量隐式表征目标文本;掩码单元630,被配置为将分词序列中的目标分词进行掩码,得到与目标分词对应的掩码序列;第二预测单元640,被配置为将掩码序列输入深度学习模型,以得到第二预测向量,第二预测向量隐式表征目标文本;以及分析单元650,被配置为基于第一预测向量和第二预测向量,得到第一可解释性分析结果,第一可解释性分析结果指示深度学习模型所理解的目标分词的权重。可以理解的是,装置600中的单元610-单元650的操作可以参照图2中的步骤S201-步骤S205,在此不作赘述。
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。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如深度学习模型的可解释性分析方法。例如,在一些实施例中,深度学习模型的可解释性分析方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的深度学习模型的可解释性分析方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行深度学习模型的可解释性分析方法。
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)、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,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 (15)
1.一种深度学习模型的可解释性分析方法,包括:
将目标文本进行分词,得到分词序列,所述分词序列包括多个分词;
将所述分词序列输入深度学习模型,以得到第一预测向量,所述第一预测向量隐式表征所述目标文本;
将所述分词序列中的目标分词进行掩码,得到与所述目标分词对应的掩码序列;
将所述掩码序列输入所述深度学习模型,以得到第二预测向量,所述第二预测向量隐式表征所述目标文本;以及
基于所述第一预测向量和所述第二预测向量,得到第一可解释性分析结果,所述第一可解释性分析结果指示所述深度学习模型所理解的所述目标分词的重要程度。
2.根据权利要求1所述的方法,其中,基于所述第一预测向量和所述第二预测向量,得到与所述目标分词对应的可解释性分析结果包括:
计算所述第一预测向量和所述第二预测向量的相似度,以得到所述第一可解释性分析结果。
3.根据权利要求2所述的方法,其中,将所述分词序列中的目标分词进行掩码,得到与所述目标分词对应的掩码序列包括:
分别将所述多个分词中的每一个分词作为目标分词进行掩码,以得到与所述多个分词中的每一个分词对应的掩码序列。
4.根据权利要求1-3中任一项所述的方法,还包括:
对所述目标文本的上下文进行分词,得到上下文序列,所述上下文序列包括多个上下文分词,
其中,将所述掩码序列输入所述深度学习模型,以得到第二预测向量,所述第二预测向量隐式表征所述目标文本包括:
将所述掩码序列与所述上下文序列进行融合,以得到带有上下文的掩码序列;以及
将所述带有上下文的掩码序列输入所述深度学习模型,以得到所述第二预测向量。
5.根据权利要求4所述的方法,其中,将所述掩码序列与所述上下文序列进行融合,以得到带有上下文的掩码序列包括:
将所述掩码序列与所述上下文序列进行拼接,以得到所述带有上下文的掩码序列。
6.根据权利要求4所述的方法,还包括:
将所述分词序列和所述上下文序列进行融合,以得到带有上下文的分词序列;
将所述带有上下文的分词序列输入所述深度学习模型,以得到第三预测向量,所述第三预测向量隐式表征所述目标文本;以及
基于所述第一预测向量和所述第三预测向量,得到第二可解释性分析结果,所述第二可解释性分析结果表征所述深度学习模型所理解的所述目标文本和所述上下文之间的关联性。
7.根据权利要求6所述的方法,其中,基于所述第一预测向量和所述第三预测向量,得到第二可解释性分析结果包括:
计算所述第一预测向量和所述第三预测向量的相似度,以得到所述第二可解释性分析结果。
8.根据权利要求6所述的方法,其中,所述第一预测向量、所述第二预测向量和所述第三预测向量均为所述目标文本的句向量。
9.根据权利要求1-3中任一项所述的方法,其中,所述深度学习模型为包括嵌入层和注意力层的大语言模型,所述第一可解释性分析结果指示所述深度学习模型中的注意力层为所述目标分词分配的内置权重,
其中,将所述分词序列输入深度学习模型,以得到第一预测向量包括:
将所述分词序列输入所述嵌入层,以得到与所述多个分词对应的第一嵌入向量;以及
将与所述多个分词对应的第一嵌入向量输入所述注意力层,以利用所述深度学习模型为所述多个分词分配的内置权重得到所述第一预测向量,
其中,将所述掩码序列输入所述深度学习模型,以得到第二预测向量,所述第二预测向量隐式表征所述目标文本包括:
将所述掩码序列输入所述嵌入层,以得到与掩码后的多个分词对应的第二嵌入向量;以及
将与所述掩码后的多个分词对应的第二嵌入向量输入所述注意力层,以利用所述深度学习模型为所述掩码后的多个分词分配的内置权重得到所述第二预测向量。
10.根据权利要求9中所述的方法,还包括:
将与所述掩码后的多个分词对应的第二嵌入向量输入经训练的情感分类模型,以得到第三可解释性分析结果,所述第三可解释性分析结果表征所述深度学习模型所理解的所述目标分词的情感色彩。
11.根据权利要求10所述的方法,其中,所述情感分类模型基于长短时记忆神经网络模型。
12.一种深度学习模型的可解释性分析装置,包括:
分词单元,被配置为将目标文本进行分词,得到分词序列,所述分词序列包括多个分词;
第一预测单元,被配置为将所述分词序列输入深度学习模型,以得到第一预测向量,所述第一预测向量隐式表征所述目标文本;
掩码单元,被配置为将所述分词序列中的目标分词进行掩码,得到与所述目标分词对应的掩码序列;
第二预测单元,被配置为将所述掩码序列输入所述深度学习模型,以得到第二预测向量,所述第二预测向量隐式表征所述目标文本;以及
分析单元,被配置为基于所述第一预测向量和所述第二预测向量,得到第一可解释性分析结果,所述第一可解释性分析结果指示所述深度学习模型所理解的所述目标分词的权重。
13.一种电子设备,其特征在于,所述电子设备包括:
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1-11中任一项所述的方法。
14.一种存储有计算机指令的非瞬时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根据权利要求1-11中任一项所述的方法。
15.一种计算机程序产品,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1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311717374.0A CN117709471A (zh) | 2023-12-13 | 2023-12-13 | 可解释性分析方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311717374.0A CN117709471A (zh) | 2023-12-13 | 2023-12-13 | 可解释性分析方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117709471A true CN117709471A (zh) | 2024-03-15 |
Family
ID=90163297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311717374.0A Pending CN117709471A (zh) | 2023-12-13 | 2023-12-13 | 可解释性分析方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709471A (zh) |
-
2023
- 2023-12-13 CN CN202311717374.0A patent/CN117709471A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836333B (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
CN113807440A (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
CN114005178B (zh) | 人物交互检测方法、神经网络及其训练方法、设备和介质 | |
CN113656587B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
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 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN116028605B (zh) | 逻辑表达式生成方法、模型训练方法、装置及介质 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
CN116152607A (zh) | 目标检测方法、训练目标检测模型的方法及装置 | |
CN114219046B (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
CN115578501A (zh) | 图像处理方法、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 | |
CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
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 | |
CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
CN114821233B (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN115578584B (zh) | 图像处理方法、图像处理模型的构建和训练方法 |
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 |