CN117743824A - 一种模型训练、业务执行方法、装置、存储介质及设备 - Google Patents
一种模型训练、业务执行方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN117743824A CN117743824A CN202311715695.7A CN202311715695A CN117743824A CN 117743824 A CN117743824 A CN 117743824A CN 202311715695 A CN202311715695 A CN 202311715695A CN 117743824 A CN117743824 A CN 117743824A
- Authority
- CN
- China
- Prior art keywords
- feature
- sample
- representation
- feature extraction
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims description 75
- 238000003860 storage Methods 0.000 title claims description 20
- 238000000605 extraction Methods 0.000 claims abstract description 253
- 239000000523 sample Substances 0.000 claims description 300
- 230000003993 interaction Effects 0.000 claims description 57
- 230000002452 interceptive effect Effects 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 239000013074 reference sample Substances 0.000 claims description 10
- 230000000153 supplemental effect Effects 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本说明书公开一种模型训练、业务执行方法、装置、存储介质及设备,服务器可以通过两阶段训练,得到第二特征提取模型,从而可以通过第二特征提取模型对第一特征提取模型输出的结构化特征表示进行调整,以减小第一特征提取模型输出的结构化特征表示和文本生成模型所需的文本数据对应的文本特征表示之间的差异,从而可以提升通过文本生成模型进行业务执行的结果的准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练、业务执行方法、装置、存储介质及设备。
背景技术
随着人工智能技术的发展,大语言模型(Generative Pre-trained Transformer,ChatGPT)在各个领域中被广泛应用,通过将各种不同类型的下游业务转换为语言生成业务(例如:将根据用户数据进行风控的风控业务转换为根据用户数据生成用户是否属于风险用户的文本的语言生成业务,从而可以根据执行转换后的语言生成业务所生成的语言文本进行业务风控,以保护用户的个人隐私数据),并通过大语言模型统一执行,以降低下游业务的执行成本的方法,也受到越来越多的关注。
但是,由于在部分业务中所使用的数据通常为复杂的结构化数据,而大语言模型所能够处理的数据通常为文本数据,从而导致这部分业务通过大语言生成模型执行的结果的准确性较差。
因此,如何能够提升通过大语言模型进行业务执行的结果的准确性,则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练、业务执行方法、装置、存储介质及设备,以部分的解决现有技术存在的大语言模型处理采用结构化数据的业务时的准确性差的问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练方法,包括:
获取指定业务场景下的历史结构化业务数据,作为第一样本数据;
将所述第一样本数据输入到预先训练的第一特征提取模型中,以通过所述第一特征提取模型,确定所述第一样本数据对应的结构化特征表示;
将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述预设的补充特征表示用于表征描述所述第一样本数据所使用的描述文本;
将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本;
以最小化所述文本生成模型生成的业务文本和所述第一样本数据实际对应的业务文本之间的偏差为优化目标,对所述第二特征提取模型进行训练。
可选地,训练所述第一特征提取模型,具体包括:
将所述第一样本数据输入到待训练的第一特征提取模型中,以通过所述待训练的第一特征提取模型针对所述第一样本数据中包含的每个类型的数据字段,确定该类型的数据字段对应的字段特征表示,并根据该字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示;
根据各注意力字段特征表示,确定所述第一样本数据对应的样本结构化特征表示;
将样本标签与所述第一样本数据相匹配的其他样本数据,作为参考样本数据;
以所述第一样本数据对应的样本结构化特征表示和所述参考样本数据对应的样本结构化特征表示之间的相似度相比于所述第一样本数据对应的样本结构化特征表示和除所述第一样本数据以及所述参考样本数据之外的其他样本数据对应的样本结构化特征表示之间的相似度越大为优化目标,对所述待训练的第一特征提取模型进行训练。
可选地,训练所述第一特征提取模型,具体包括:
将所述第一样本数据输入到待训练的第一特征提取模型中,以通过所述待训练的第一特征提取模型针对所述第一样本数据中包含的每个类型的数据字段,确定该类型的数据字段对应的字段特征表示,并根据该字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示;
根据各注意力字段特征表示,确定所述第一样本数据对应的样本结构化特征表示;
将所述样本结构化特征表示输入到预设的分类器模型中,以通过所述分类器模型根据所述样本结构化特征表示,预测所述样本结构化特征表示对应的样本数据所对应的样本标签,作为预测样本标签;
以最小化所述预测样本标签和所述第一样本数据实际对应的样本标签之间的偏差为优化目标,对所述待训练的第一特征提取模型进行训练。
可选地,预训练第二特征提取模型,具体包括:
获取第二样本数据;
将所述第二样本数据输入到所述第一特征提取模型中,得到样本结构化特征表示;
将所述样本结构化特征表示与预设的初始补充特征表示输入到待训练的第二特征提取模型中,以确定出所述样本结构化特征表示与所述初始补充特征表示之间的样本交互特征表示;
根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练。
可选地,所述第二特征提取模型中设有特征交互网络和特征提取网络;
根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练,具体包括:
将所述第二样本数据对应的描述文本输入到所述待训练的第二特征提取模型中的所述特征提取网络中,以通过所述特征提取网络,确定所述第二样本数据对应描述文本的文本特征表示,作为所述样本结构化特征表示对应的文本特征表示;
以所述样本交互特征表示和所述文本特征表示之间的相似度相比于所述样本交互特征表示和其他样本结构化特征表示对应的文本特征表示之间的相似度越大为优化目标,对所述第二特征提取模型进行预训练。
可选地,所述第二特征提取模型中设有特征交互网络和特征提取网络;
根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练,具体包括:
将所述第二样本数据对应的描述文本输入到所述待训练的第二特征提取模型中的所述特征提取网络中,以通过所述特征提取网络,确定所述第二样本数据对应描述文本的文本特征表示,作为所述样本结构化特征表示对应的文本特征表示;
将所述样本交互特征表示与所述文本特征表示输入到预设的分类模型中,以使所述分类模型根据所述样本交互特征表示与所述文本特征表示,确定所述第二样本数据的分类结果;
以最小化所述第二样本数据的分类结果和所述第二样本数据的实际分类结果之间的偏差为优化目标,对所述第二特征提取模型进行预训练。
可选地,根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练,具体包括:
将所述样本结构化特征表示输入到预设的生成模型中,以通过所述生成模型,生成所述第二样本数据对应的描述文本,作为预测描述文本;
以最小化所述预测描述文本和所述第二样本数据对应的描述文本之间的偏差为优化目标,对所述第二特征提取模型进行预训练。
可选地,根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练,具体包括:
根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述初始补充特征表示进行调整,得到调整后的补充特征表示,并将所述调整后的补充特征表示以及所述样本结构化特征表示输入到第二特征提取模型中,以对所述第二特征提取模型进行预训练。
本说明书提供了一种业务执行方法,具体包括:
接收用户发送的业务数据,所述业务数据为结构化数据;
将所述业务数据输入到预设的第一特征提取模型中,以通过所述第一特征提取模型,确定所述业务数据对应的结构化特征表示;
将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述第二特征提取模型是通过上述模型训练方法训练得到;
将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本,并根据所述业务文本进行业务执行。
本说明书提供了一种模型训练装置,包括:
获取模块,用于获取指定业务场景下的历史结构化业务数据,作为第一样本数据;
第一特征提取模块,用于将所述第一样本数据输入到预先训练的第一特征提取模型中,以通过所述第一特征提取模型,确定所述第一样本数据对应的结构化特征表示;
第二特征提取模块,用于将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述预设的补充特征表示用于表征描述所述第一样本数据所使用的描述文本;
交互模块,用于将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本;
训练模块,用于以最小化所述文本生成模型生成的业务文本和所述第一样本数据实际对应的业务文本之间的偏差为优化目标,对所述第二特征提取模型进行训练。
本说明书提供了一种业务执行装置,包括:
数据接收模块,用于接收用户发送的业务数据,所述业务数据为结构化数据;
结构化特征提取模块,用于将所述业务数据输入到预设的第一特征提取模型中,以通过所述第一特征提取模型,确定所述业务数据对应的结构化特征表示;
交互特征提取模块,用于将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述第二特征提取模型是通过上述模型训练方法训练得到;
执行模块,用于将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本,并根据所述业务文本进行业务执行。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练、业务执行方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练、业务执行方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练方法,获取指定业务场景下的历史结构化业务数据,作为第一样本数据,将第一样本数据输入到预先训练的第一特征提取模型中,以通过第一特征提取模型,确定第一样本数据对应的结构化特征表示,将结构化特征表示输入到预先训练的第二特征提取模型中,以通过第二特征提取模型,确定结构化特征表示与预设的补充特征表示之间的交互特征表示,这里的预设的补充特征表示用于表征描述所述第一样本数据所使用的描述文本,将交互特征表示输入到预设的文本生成模型中,以通过文本生成模型,根据交互特征表示生成业务文本,以最小化文本生成模型生成的业务文本和第一样本数据实际对应的业务文本之间的偏差为优化目标,对第二特征提取模型进行训练。
从上述方法中可以看出,服务器可以通过两阶段训练,得到第二特征提取模型,从而可以通过第二特征提取模型对第一特征提取模型输出的结构化特征表示进行调整,以减小第一特征提取模型输出的结构化特征表示和文本生成模型所需的文本数据对应的文本特征表示之间的差异,从而可以提升通过文本生成模型进行业务执行的结果的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附
图中:
图1为本说明书中提供的一种模型训练方法的流程示意图;
图2为本说明书中提供的第一特征提取模型的结构示意图;
图3为本说明书中提供的第二特征提取模型的结构示意图;
图4为本说明书中提供的一种业务执行方法的流程示意图;
图5为本说明书提供的一种模型训练装置的示意图;
图6为本说明书提供的一种业务执行装置的示意图;
图7为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练方法的流程示意图,包括以下步骤:
S100:获取指定业务场景下的历史结构化业务数据,作为第一样本数据。
在本说明书中,业务平台在需要将采用结构化数据的目标业务转换为通过文本生成模型执行的文本生成业务时,可以通过第一特征提取模型,针对目标业务中所采用的结构化数据,提取对应的结构化特征表示,从而可以通过第二特征提取模型对第一特征提取模型提取出的结构化特征表示进行调整,以避免由于第一特征提取模型提取出的结构化特征表示和文本生成模型所使用的传统的文本特征表示之间的差异,导致的文本生成模型执行将目标业务转换后文本生成业务时准确性较差的情况发生,上述的文本生成模型可以为大型自然语言处理模型(Chat Generative Pre-trained Transformer,ChatGPT)。
而上述的第一特征提取模型、第二特征提取模型需要经过训练后,方可部署到业务平台中,以用于执行目标业务经过转换后的文本生成业务,其中,业务平台在训练上述的第一特征提取模型、第二特征提取模型之前,可以先获取指定业务场景下的历史结构化业务数据,作为第一样本数据,进而可以通过第一样本数据,对上述的第一特征提取模型、第二特征提取模型进行训练,这里的指定业务场景可以根据实际需求确定,例如:风控业务场景,数据分类业务场景等。
例如:在风控业务场景下,可以将根据用户的结构化数据,检测用户的交易行为是否存在风险的风控业务,转换为通过文本生成模型根据用户的结构化数据生成用户的交易行为是否具有风险的文本的文本生成业务,以及,生成用户的交易行为存在风险的原因的文本的文本生成业务,此时,风控业务场景下的历史结构化业务数据即为用户的结构化数据。
在本说明书中,用于实现模型训练方法的执行主体,可以是指服务器等设置于业务平台的指定设备,也可以是指诸如台式电脑、笔记本电脑等终端设备,为了便于描述,下面仅以服务器是执行主体为例,对本说明书提供的模型训练方法进行说明。
S102:将所述第一样本数据输入到预先训练的第一特征提取模型中,以通过所述第一特征提取模型,确定所述第一样本数据对应的结构化特征表示。
进一步地,服务器可以将第一样本数据输入到预先训练的第一特征提取模型中,以通过第一特征提取模型,针对第一样本数据中包含的每种类型的数据字段,对该类型的数据字段和该类型的类型名称进行单独编码,得到该类型的数据字段对应的字段特征表示,进而可以根据各字段特征表示,确定第一样本数据对应的结构化特征表示,其中,第一特征提取模型的结构如图2所示。
图2为本说明书中提供的第一特征提取模型的结构示意图。
结合图2可以看出,第一特征提取模型包括:输入处理模块、特征提取模块,其中,服务器可以通过输入处理模块,针对第一样本数据中包含的每种类型的数据字段,对该类型的数据字段和该类型的类型名称进行单独编码,得到该类型的数据字段对应的字段特征表示,进而可以通过特征提取模块,根据各字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示,进而可以根据各注意力字段特征表示,确定第一样本数据对应的样本结构化特征表示。
其中,服务器通过特征提取模块根据各字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示的方法可以为通过多头注意力机制,确定该字段特征表示对应的各子注意力字段特征表示,进而可以将该字段特征表示对应的各子注意力字段特征表示拼接后输入到线性层中,以通过线性层,对拼接后的该字段特征表示对应的各子注意力字段特征表示进行线性转换,得到该字段特征表示对应的注意力字段特征表示。
需要说明的是,上述的第一特征提取模型的训练方法可以有两种,以下分别针对这两种训练第一特征提取模型的方法进行详细说明。
第一种方法可以为将第一样本数据输入到待训练的第一特征提取模型中,以通过待训练的第一特征提取模型针对第一样本数据中包含的每个类型的数据字段,确定该类型的数据字段对应的字段特征表示,并根据该字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示。
从而可以根据各注意力字段特征表示,确定第一样本数据对应的样本结构化特征表示,进而可以将样本标签与第一样本数据相匹配的其他样本数据,作为参考样本数据,然后,以第一样本数据对应的样本结构化特征表示和参考样本数据对应的样本结构化特征表示之间的相似度相比于第一样本数据对应的样本结构化特征表示和除第一样本数据以及参考样本数据之外的其他样本数据对应的样本结构化特征表示之间的相似度越大为优化目标,对待训练的第一特征提取模型进行训练。
第二方法可以为将第一样本数据输入到待训练的第一特征提取模型中,以通过待训练的第一特征提取模型针对第一样本数据中包含的每个类型的数据字段,确定该类型的数据字段对应的字段特征表示,并根据该字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示。
进一步地,可以根据各注意力字段特征表示,确定第一样本数据对应的样本结构化特征表示,将样本结构化特征表示输入到预设的分类器模型中,以通过分类器模型根据样本结构化特征表示,预测样本结构化特征表示对应的样本数据所对应的样本标签,作为预测样本标签,以最小化预测样本标签和第一样本数据实际对应的样本标签之间的偏差为优化目标,对待训练的第一特征提取模型进行训练。
其中,上述的样本标签可以根据样本数据所述的指定业务场景确定,例如:在风控业务场景下,可以将样本数据是否存在风险的结果,作为上述的样本标签。
需要说明的是,上述的两种方法可以单独使用,也可以同时使用。为了提升训练后的第一特征提取模型提取出的样本数据的结构化特征表示的准确性,服务器可以先通过上述的第一种方法对第一特征提取模型进行训练,得到第一次训练后的第一特征提取模型后,再通过上述的第二种方法对第一次训练后的第一特征提取模型后进行第二次训练,得到最终训练后的第一特征提取模型。
除此之外,在部分业务场景下,服务器能够获取到的用于对第一特征提取模型进行训练的第一样本数据的数据量可能较少,此时,为了避免对第一特征提取模型进行训练的第一样本数据的数据量较少导致第一特征提取模型的训练效果较差的情况发生,服务器还可以对已获取的各第一样本数据进行拆分(如:按照第一样本数据中包含的各类型的数据字段,对第一样本数据进行拆分),得到各拆分后的第一样本数据,进而可以通过上述训练第一特征提取模型的方法,基于各拆分后的第一样本数据对第一特征提取模型进行训练,得到训练后的第一特征提取模型。
S104:将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述预设的补充特征表示用于表征描述所述第一样本数据所使用的描述文本。
在本说明书中,服务器可以通过第一特征提取模型提取出的结构化特征表示输入到预先训练的第二特征提取模型中,以通过第二特征提取模型,确定结构化特征表示与预设的补充特征表示之间的交互特征表示,其中,第二特征提取模型如图3所示。
图3为本说明书中提供的第二特征提取模型的结构示意图。
结合图3可以看出,第二特征提取模型中设有特征交互网络和特征提取网络,服务器可以通过第一特征提取模型提取出的结构化特征表示输入到预先训练的第二特征提取模型的特征交互网络中,以通过第二特征提取模型的特征交互网络,确定结构化特征表示与预设的补充特征表示之间的交互特征表示。
其中,上述的第二特征提取模型的预训练方法可以为获取第二样本数据,将第二样本数据输入到第一特征提取模型中,得到样本结构化特征表示,将样本结构化特征表示与预设的初始补充特征表示输入到待训练的第二特征提取模型中,以确定出样本结构化特征表示与初始补充特征表示之间的样本交互特征表示,根据样本交互特征表示和第二样本数据对应的描述文本,对第二特征提取模型进行预训练。
上述内容中,服务器根据样本交互特征表示和第二样本数据对应的描述文本,对第二特征提取模型进行预训练的方法可以有三种,这三种方法可以单独使用,也可以一起使用,以下分别针对这三种方法进行详细说明。
第一方法可以为将第二样本数据对应的描述文本输入到待训练的第二特征提取模型中的特征提取网络中,以通过特征提取网络,确定第二样本数据对应描述文本的文本特征表示,作为样本结构化特征表示对应的文本特征表示,进而可以以样本交互特征表示和文本特征表示之间的相似度相比于样本交互特征表示和其他样本结构化特征表示对应的文本特征表示之间的相似度越大为优化目标,对第二特征提取模型进行预训练,以及,对初始补充特征表示进行调整,得到调整后的补充特征表示,并将调整后的补充特征表示以及样本结构化特征表示输入到第二特征提取模型中,以对第二特征提取模型进行预训练。
第二种方法可以为将第二样本数据对应的描述文本输入到待训练的第二特征提取模型中的特征提取网络中,以通过特征提取网络,确定第二样本数据对应描述文本的文本特征表示,作为样本结构化特征表示对应的文本特征表示,进而可以将样本交互特征表示与文本特征表示输入到预设的分类模型中,以使分类模型根据样本交互特征表示与文本特征表示,确定第二样本数据的分类结果,以最小化第二样本数据的分类结果和第二样本数据的实际分类结果之间的偏差为优化目标,对第二特征提取模型进行预训练,以及,对初始补充特征表示进行调整,得到调整后的补充特征表示,并将调整后的补充特征表示以及样本结构化特征表示输入到第二特征提取模型中,以对第二特征提取模型进行预训练。
第三种方法可以为将样本结构化特征表示输入到预设的生成模型中,以通过生成模型,生成第二样本数据对应的描述文本,作为预测描述文本,以最小化预测描述文本和第二样本数据对应的描述文本之间的偏差为优化目标,对第二特征提取模型进行预训练,以及,对初始补充特征表示进行调整,得到调整后的补充特征表示,并将调整后的补充特征表示以及样本结构化特征表示输入到第二特征提取模型中,以对第二特征提取模型进行预训练。
需要说明的是,上述的描述文本可以根据第二样本数据确定,例如:若第二样本数据为风控业务场景下的用户数据,则上述的描述文本可以为用户历史的交易行为是否存在高频异常交易的评价文本,用户当前所处的网络环境的评价文本等。
值得说明的是,上述的补充特征表示可以只有一个,也可以是由多个补充特征表示组成的集合。
S106:将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本。
S108:以最小化所述文本生成模型生成的业务文本和所述第一样本数据实际对应的业务文本之间的偏差为优化目标,对所述第二特征提取模型进行训练。
进一步地,服务器可以将交互特征表示输入到预设的文本生成模型中,以通过文本生成模型,根据交互特征表示生成业务文本,进而可以以最小化文本生成模型生成的业务文本和第一样本数据实际对应的业务文本之间的偏差为优化目标,对第二特征提取模型进行训练,进而可以通过训练后的第一特征提取模型、第二特征提取模型以及文本生成模型执行将目标业务转换得到的文本生成业务。
从上述内容中可以看出,服务器可以通过两阶段训练,得到第二特征提取模型,从而可以通过第二特征提取模型对第一特征提取模型输出的结构化特征表示进行调整,以减小第一特征提取模型输出的结构化特征表示和文本生成模型所需的文本数据对应的文本特征表示之间的差异,从而可以提升通过文本生成模型进行业务执行的结果的准确性。
为了进一步地对上述内容进行说明,下面详细描述通过上述方法训练得到的第一特征提取模型、第二特征提取模型以及文本生成模型,进行业务执行的方法,如图4所示。
图4为本说明书中提供的一种业务执行方法的流程示意图,包括以下步骤:
S400:接收用户发送的业务数据,所述业务数据为结构化数据。
S402:将所述业务数据输入到预设的第一特征提取模型中,以通过所述第一特征提取模型,确定所述业务数据对应的结构化特征表示。
S404:将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述第二特征提取模型是通过上述模型训练方法训练得到。
S406:将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本,并根据所述业务文本进行业务执行。
在本说明书中,业务平台在接收到用户发送的结构化数据作为业务数据时,可以将接收到的业务数据输入到预设的第一特征提取模型中,以通过第一特征提取模型,确定业务数据对应的结构化特征表示。
进一步地,服务器可以将确定出的结构化特征表示输入到预先训练的第二特征提取模型中,以通过第二特征提取模型,确定结构化特征表示与预设的补充特征表示之间的交互特征表示,进而可以将交互特征表示输入到预设的文本生成模型中,以通过文本生成模型,根据交互特征表示生成业务文本,并根据业务文本进行业务执行。
其中,上述的业务执行可以根据输入的业务数据所属的业务场景确定,例如:在风控业务场景下,可以通过文本生成模型根据交互特征表示生成用于表征输入的业务数据是否存在风险的结果的文本,以及,生成用于解释确定业务数据存在风险的原因对应的文本。
从上述内容中可以看出,服务器可以通过训练后的第一特征提取模型、第二特征提取模型以及文本生成模型执行涉及结构化数据的业务转换得到的文本生成任务的同时,还可以生成相应的解释文本,以提升文本生成模型的可解释性,并且可以通过将各种不同的类型的业务统一转换为文本生成业务,从而可以降低执行各种不同类型的业务的成本。
以上为本说明书的一个或多个实施例提供的模型训练、业务执行方法,基于同样的思路,本说明书还提供了相应的模型训练、业务执行装置,如图5、图6所示。
图5为本说明书提供的一种模型训练装置的示意图,包括:
获取模块501,用于获取指定业务场景下的历史结构化业务数据,作为第一样本数据;
第一特征提取模块502,用于将所述第一样本数据输入到预先训练的第一特征提取模型中,以通过所述第一特征提取模型,确定所述第一样本数据对应的结构化特征表示;
第二特征提取模块503,用于将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述预设的补充特征表示用于表征描述所述第一样本数据所使用的描述文本;
交互模块504,用于将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本;
训练模块505,用于以最小化所述文本生成模型生成的业务文本和所述第一样本数据实际对应的业务文本之间的偏差为优化目标,对所述第二特征提取模型进行训练。
可选地,所述训练模块505具体用于,将所述第一样本数据输入到待训练的第一特征提取模型中,以通过所述待训练的第一特征提取模型针对所述第一样本数据中包含的每个类型的数据字段,确定该类型的数据字段对应的字段特征表示,并根据该字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示;根据各注意力字段特征表示,确定所述第一样本数据对应的样本结构化特征表示;将样本标签与所述第一样本数据相匹配的其他样本数据,作为参考样本数据;以所述第一样本数据对应的样本结构化特征表示和所述参考样本数据对应的样本结构化特征表示之间的相似度相比于所述第一样本数据对应的样本结构化特征表示和除所述第一样本数据以及所述参考样本数据之外的其他样本数据对应的样本结构化特征表示之间的相似度越大为优化目标,对所述待训练的第一特征提取模型进行训练。
可选地,所述训练模块505具体用于,将所述第一样本数据输入到待训练的第一特征提取模型中,以通过所述待训练的第一特征提取模型针对所述第一样本数据中包含的每个类型的数据字段,确定该类型的数据字段对应的字段特征表示,并根据该字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示;根据各注意力字段特征表示,确定所述第一样本数据对应的样本结构化特征表示;将所述样本结构化特征表示输入到预设的分类器模型中,以通过所述分类器模型根据所述样本结构化特征表示,预测所述样本结构化特征表示对应的样本数据所对应的样本标签,作为预测样本标签;以最小化所述预测样本标签和所述第一样本数据实际对应的样本标签之间的偏差为优化目标,对所述待训练的第一特征提取模型进行训练。
可选地,所述训练模块505具体用于,获取第二样本数据;将所述第二样本数据输入到所述第一特征提取模型中,得到样本结构化特征表示;将所述样本结构化特征表示与预设的初始补充特征表示输入到待训练的第二特征提取模型中,以确定出所述样本结构化特征表示与所述初始补充特征表示之间的样本交互特征表示;根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练。
可选地,所述第二特征提取模型中设有特征交互网络和特征提取网络;
所述训练模块505具体用于,将所述第二样本数据对应的描述文本输入到所述待训练的第二特征提取模型中的所述特征提取网络中,以通过所述特征提取网络,确定所述第二样本数据对应描述文本的文本特征表示,作为所述样本结构化特征表示对应的文本特征表示;以所述样本交互特征表示和所述文本特征表示之间的相似度相比于所述样本交互特征表示和其他样本结构化特征表示对应的文本特征表示之间的相似度越大为优化目标,对所述第二特征提取模型进行预训练。
可选地,所述第二特征提取模型中设有特征交互网络和特征提取网络;
所述训练模块505具体用于,将所述第二样本数据对应的描述文本输入到所述待训练的第二特征提取模型中的所述特征提取网络中,以通过所述特征提取网络,确定所述第二样本数据对应描述文本的文本特征表示,作为所述样本结构化特征表示对应的文本特征表示;将所述样本交互特征表示与所述文本特征表示输入到预设的分类模型中,以使所述分类模型根据所述样本交互特征表示与所述文本特征表示,确定所述第二样本数据的分类结果;以最小化所述第二样本数据的分类结果和所述第二样本数据的实际分类结果之间的偏差为优化目标,对所述第二特征提取模型进行预训练。
可选地,所述训练模块505具体用于,将所述样本结构化特征表示输入到预设的生成模型中,以通过所述生成模型,生成所述第二样本数据对应的描述文本,作为预测描述文本;以最小化所述预测描述文本和所述第二样本数据对应的描述文本之间的偏差为优化目标,对所述第二特征提取模型进行预训练。
可选地,所述训练模块505具体用于,根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述初始补充特征表示进行调整,得到调整后的补充特征表示,并将所述调整后的补充特征表示以及所述样本结构化特征表示输入到第二特征提取模型中,以对所述第二特征提取模型进行预训练。
图6为本说明书提供的一种业务执行装置的示意图,包括:
数据接收模块601,用于接收用户发送的业务数据,所述业务数据为结构化数据;
结构化特征提取模块602,用于将所述业务数据输入到预设的第一特征提取模型中,以通过所述第一特征提取模型,确定所述业务数据对应的结构化特征表示;
交互特征提取模块603,用于将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述第二特征提取模型是通过上述模型训练方法训练得到;
执行模块604,用于将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本,并根据所述业务文本进行业务执行。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种模型训练方法。
本说明书还提供了图7所示的一种对应于图1的电子设备的示意结构图。如图7,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1的模型训练方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (13)
1.一种模型训练方法,包括:
获取指定业务场景下的历史结构化业务数据,作为第一样本数据;
将所述第一样本数据输入到预先训练的第一特征提取模型中,以通过所述第一特征提取模型,确定所述第一样本数据对应的结构化特征表示;
将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述预设的补充特征表示用于表征描述所述第一样本数据所使用的描述文本;
将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本;
以最小化所述文本生成模型生成的业务文本和所述第一样本数据实际对应的业务文本之间的偏差为优化目标,对所述第二特征提取模型进行训练。
2.如权利要求1所述的方法,训练所述第一特征提取模型,具体包括:
将所述第一样本数据输入到待训练的第一特征提取模型中,以通过所述待训练的第一特征提取模型针对所述第一样本数据中包含的每个类型的数据字段,确定该类型的数据字段对应的字段特征表示,并根据该字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示;
根据各注意力字段特征表示,确定所述第一样本数据对应的样本结构化特征表示;
将样本标签与所述第一样本数据相匹配的其他样本数据,作为参考样本数据;
以所述第一样本数据对应的样本结构化特征表示和所述参考样本数据对应的样本结构化特征表示之间的相似度相比于所述第一样本数据对应的样本结构化特征表示和除所述第一样本数据以及所述参考样本数据之外的其他样本数据对应的样本结构化特征表示之间的相似度越大为优化目标,对所述待训练的第一特征提取模型进行训练。
3.如权利要求1所述的方法,训练所述第一特征提取模型,具体包括:
将所述第一样本数据输入到待训练的第一特征提取模型中,以通过所述待训练的第一特征提取模型针对所述第一样本数据中包含的每个类型的数据字段,确定该类型的数据字段对应的字段特征表示,并根据该字段特征表示与其他字段特征表示之间的相关度,确定该字段特征表示对应的注意力字段特征表示;
根据各注意力字段特征表示,确定所述第一样本数据对应的样本结构化特征表示;
将所述样本结构化特征表示输入到预设的分类器模型中,以通过所述分类器模型根据所述样本结构化特征表示,预测所述样本结构化特征表示对应的样本数据所对应的样本标签,作为预测样本标签;
以最小化所述预测样本标签和所述第一样本数据实际对应的样本标签之间的偏差为优化目标,对所述待训练的第一特征提取模型进行训练。
4.如权利要求1所述的方法,预训练第二特征提取模型,具体包括:
获取第二样本数据;
将所述第二样本数据输入到所述第一特征提取模型中,得到样本结构化特征表示;
将所述样本结构化特征表示与预设的初始补充特征表示输入到待训练的第二特征提取模型中,以确定出所述样本结构化特征表示与所述初始补充特征表示之间的样本交互特征表示;
根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练。
5.如权利要求4所述的方法,所述第二特征提取模型中设有特征交互网络和特征提取网络;
根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练,具体包括:
将所述第二样本数据对应的描述文本输入到所述待训练的第二特征提取模型中的所述特征提取网络中,以通过所述特征提取网络,确定所述第二样本数据对应描述文本的文本特征表示,作为所述样本结构化特征表示对应的文本特征表示;
以所述样本交互特征表示和所述文本特征表示之间的相似度相比于所述样本交互特征表示和其他样本结构化特征表示对应的文本特征表示之间的相似度越大为优化目标,对所述第二特征提取模型进行预训练。
6.如权利要求4所述的方法,所述第二特征提取模型中设有特征交互网络和特征提取网络;
根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练,具体包括:
将所述第二样本数据对应的描述文本输入到所述待训练的第二特征提取模型中的所述特征提取网络中,以通过所述特征提取网络,确定所述第二样本数据对应描述文本的文本特征表示,作为所述样本结构化特征表示对应的文本特征表示;
将所述样本交互特征表示与所述文本特征表示输入到预设的分类模型中,以使所述分类模型根据所述样本交互特征表示与所述文本特征表示,确定所述第二样本数据的分类结果;
以最小化所述第二样本数据的分类结果和所述第二样本数据的实际分类结果之间的偏差为优化目标,对所述第二特征提取模型进行预训练。
7.如权利要求4所述的方法,根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练,具体包括:
将所述样本结构化特征表示输入到预设的生成模型中,以通过所述生成模型,生成所述第二样本数据对应的描述文本,作为预测描述文本;
以最小化所述预测描述文本和所述第二样本数据对应的描述文本之间的偏差为优化目标,对所述第二特征提取模型进行预训练。
8.如权利要求4~7任一项所述的方法,根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述第二特征提取模型进行预训练,具体包括:
根据所述样本交互特征表示和所述第二样本数据对应的描述文本,对所述初始补充特征表示进行调整,得到调整后的补充特征表示,并将所述调整后的补充特征表示以及所述样本结构化特征表示输入到第二特征提取模型中,以对所述第二特征提取模型进行预训练。
9.一种业务执行方法,具体包括:
接收用户发送的业务数据,所述业务数据为结构化数据;
将所述业务数据输入到预设的第一特征提取模型中,以通过所述第一特征提取模型,确定所述业务数据对应的结构化特征表示;
将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述第二特征提取模型是通过上述权利要求1~8任一项所述的方法训练得到;
将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本,并根据所述业务文本进行业务执行。
10.一种模型训练装置,包括:
获取模块,用于获取指定业务场景下的历史结构化业务数据,作为第一样本数据;
第一特征提取模块,用于将所述第一样本数据输入到预先训练的第一特征提取模型中,以通过所述第一特征提取模型,确定所述第一样本数据对应的结构化特征表示;
第二特征提取模块,用于将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述预设的补充特征表示用于表征描述所述第一样本数据所使用的描述文本;
交互模块,用于将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本;
训练模块,用于以最小化所述文本生成模型生成的业务文本和所述第一样本数据实际对应的业务文本之间的偏差为优化目标,对所述第二特征提取模型进行训练。
11.一种业务执行装置,包括:
数据接收模块,用于接收用户发送的业务数据,所述业务数据为结构化数据;
结构化特征提取模块,用于将所述业务数据输入到预设的第一特征提取模型中,以通过所述第一特征提取模型,确定所述业务数据对应的结构化特征表示;
交互特征提取模块,用于将所述结构化特征表示输入到预先训练的第二特征提取模型中,以通过所述第二特征提取模型,确定所述结构化特征表示与预设的补充特征表示之间的交互特征表示,所述第二特征提取模型是通过上述权利要求1~8任一项所述的方法训练得到;
执行模块,用于将所述交互特征表示输入到预设的文本生成模型中,以通过所述文本生成模型,根据所述交互特征表示生成业务文本,并根据所述业务文本进行业务执行。
12.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~9任一项所述的方法。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311715695.7A CN117743824A (zh) | 2023-12-13 | 2023-12-13 | 一种模型训练、业务执行方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311715695.7A CN117743824A (zh) | 2023-12-13 | 2023-12-13 | 一种模型训练、业务执行方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117743824A true CN117743824A (zh) | 2024-03-22 |
Family
ID=90282642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311715695.7A Pending CN117743824A (zh) | 2023-12-13 | 2023-12-13 | 一种模型训练、业务执行方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117743824A (zh) |
-
2023
- 2023-12-13 CN CN202311715695.7A patent/CN117743824A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115952272B (zh) | 一种生成对话信息的方法、装置、设备及可读存储介质 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN113887227B (zh) | 一种模型训练与实体识别方法及装置 | |
CN112417093B (zh) | 一种模型训练的方法及装置 | |
CN113079201B (zh) | 一种信息的处理系统、方法、装置及设备 | |
CN117392485B (zh) | 图像生成模型训练方法、业务执行方法、装置及介质 | |
CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
CN117409466A (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN117743824A (zh) | 一种模型训练、业务执行方法、装置、存储介质及设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN117369783B (zh) | 一种安全代码生成模型的训练方法及装置 | |
CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN115859975B (zh) | 数据处理方法、装置及设备 | |
CN117592581A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN118098266A (zh) | 一种基于多模型选择的语音数据处理方法及装置 | |
CN117591217A (zh) | 一种信息展示方法、装置、设备及存储介质 | |
CN116150685A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
CN116401541A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117454247A (zh) | 一种模型的训练方法、装置、存储介质及电子设备 | |
CN117171346A (zh) | 一种实体链接方法、装置、存储介质及电子设备 |
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 |