KR20210148873A

KR20210148873A - 언어 모델의 트레이닝 방법, 장치, 전자 기기, 판독 가능 저장 매체 및 컴퓨터 프로그램

Info

Publication number: KR20210148873A
Application number: KR1020210035859A
Authority: KR
Inventors: 위쿤 리; 쩐 리; 위 순
Original assignee: 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Priority date: 2020-05-29
Filing date: 2021-03-19
Publication date: 2021-12-08
Also published as: US20210374334A1; EP3916614A1; CN111539223B; JP7214954B2; CN111539223A; JP2021190070A

Abstract

본 출원은 언어 모델의 트레이닝 방법, 장치, 전자 기기 및 판독 가능 저장 매체를 개시하며, 인공 지능 중의 자연 언어 처리의 기술 분야에 관한 것이다. 구체적인 실현 방안은 코퍼스 베이스 중의 소정의 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행하고; 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각 단어 마스크로 교체하여 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 얻으며, 당해 샘플 텍스트 코퍼스을 상기 언어 모델에 입력하고, 상기 언어 모델을 통해 상기 적어도 하나의 단어 마스크 중의 각 단어 마스크의 콘텍스트 벡터를 출력하며; 각 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 각각 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정하고; 각각의 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝하는 것이다. 더욱 큰 입도의 시맨틱 정보 표현을 도입함으로써, 언어 모델의 단어 의미 정보에 대한 학습 능력을 강화시켰고, 글자의 전체 단어 마스킹에 의해 야기될 가능성이 있는 정보 누설 리스크를 효과적으로 피할 수 있다.

Description

언어 모델의 트레이닝 방법, 장치, 전자 기기, 판독 가능 저장 매체 및 컴퓨터 프로그램{METHOD AND APPARATUS FOR TRAINING LANGUAGE MODEL, ELECTRONIC DEVICE, READABLE STORAGE MEDIUM AND COMPUTER PROGRAM PRODUCT}

컴퓨터 기술의 분야에 관한 것으로서, 구체적으로 인공 지능에서 자연 언어 처리 기술, 특히 언어 모델의 트레이닝 방법, 장치, 전자 기기 및 판독 가능 저장 매체에 관한 것이다.

중국어의 자연 언어 처리(Natural Language Processing, NLP)의 분야에 있어서, 현재의 NLP 분야의 선진적의 언어 모델 트레이닝 기술은, 대량의 비지도 학습(unsupervised learning) 텍스트를 사용하여 언어 모델 자가 지도의 사전 트레이닝 학습(pre-training)을 실행한 후, 지도 학습(supervised learning) 태스크 데이터를 사용하여 언어 모델에 대하여 파라미터 미세 조정(fine-tuning)을 실행하는 것이다.

종래의 기술은 언어 모델 자가 지도의 사전 트레이닝 학습에 있어서, 언어 모델의 트레이닝 효과가 토크 나이저의 성능의 영향을 받지 않게 하기 위하여, 글자(letter)의 입도에 기반하여 언어 모델의 자가 지도의 사전 트레이닝 학습을 실행함으로써, 언어 모델의 더욱 큰 시맨틱 입도 (예를 들면, 단어(word))의 정보의 학습을 어려워지게 하기에, 정보 누설 리스크가 존재할 가능성이 있고, 언어 모델의 단어 자체의 시맨틱에 대한 학습을 파괴할 가능성이 있기에, 언어 모델의 예측 성능에 불리한 영향을 준다.

본 출원의 복수 양태는 언어 모델의 트레이닝 방법, 장치, 전자 기기 및 판독 가능 저장 매체를 제공하는 바, 언어 모델의 단어 의미 정보에 대한 학습 능력을 강화시켰고, 글자 입도 학습에 의해 야기되는 정보 누설 리스크를 피한다.

제1 양태에 따르면, 언어 모델의 트레이닝 방법을 제공하는 바, 당해 방법은,

코퍼스 베이스 중의 기설정된 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행하는 단계;

샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각 단어 마스크로 교체하여 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 얻는 단계;

상기 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 상기 언어 모델에 입력하고, 상기 언어 모델을 통해 상기 적어도 하나의 단어 마스크 중의 각 상기 단어 마스크의 콘텍스트 벡터를 출력하는 단계;

각 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 각각 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정하는 단계; 및

소정의 트레이닝 완성 조건을 충족시킬 때까지, 각 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝하는 단계를 포함한다.

제2 양태에 따르면, 언어 모델의 트레이닝 장치를 제공하는 바,

코퍼스 베이스 중의 소정의 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행하기 위한 사전 트레이닝 유닛;

상기 적어도 하나의 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각 단어 마스크로 교체하여 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 취득하기 위한 교체 유닛;

단어 마스크를 포함하는 샘플 텍스트 코퍼스를 수신하고, 상기 적어도 하나 단어 마스크의 각 단어 마스크의 콘텍스트 벡터를 출력하기 위한 상기 언어 모델;

각 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 각각 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정하기 위한 결정 유닛; 및

소정의 트레이닝 완성 조건을 충족시킬 때까지, 각 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝하기 위한 트레이닝 유닛을 구비한다.

제3 양태에 따르면, 전자 기기를 제공하는 바,

적어도 하나의 프로세서; 및

상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 구비하며,

상기 메모리에는 상기 적어도 하나의 프로세서에 실행 가능한 명령이 기억되어 있으며, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서로 하여금 상기에 기재된 양태 및 임의의 가능한 실현 방식의 방법을 실행하도록 한다.

제4 양태에 따르면, 컴퓨터 명령이 기억되어 있는 비 일시적 컴퓨터 판독 가능 저장 매체를 제공하는 바, 상기 컴퓨터 명령은 상기에 기재된 양태 및 임의의 가능한 실현 방식의 방법을 컴퓨터에 실행시킨다.

상기의 기술 방안으로부터 알 수 있듯이, 본 출원의 실시예는 코퍼스 베이스 중의 소정의 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행한 후, 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각 단어 마스크로 교체하여 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 얻으며, 상기 적어도 하나 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 상기 언어 모델에 입력하고, 상기 언어 모델을 통해 상기 적어도 하나의 단어 마스크 중의 각 단어 마스크의 콘텍스트 벡터를 출력한 후, 각 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 각각 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정하고, 또한 소정의 트레이닝 완성 조건을 충족시킬 때까지, 각 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝하여, 트레이닝된 언어 모델을 얻을 수 있다. 더욱 큰 입도의 시맨틱 정보 표현을 도입하였으며, 단어 벡터는 글자 벡터와 비교하면 더욱 풍부한 시맨틱 정보 표현을 포함하기에, 콘텍스트에 기반하여 단어 벡터를 모델링하여, 언어 모델의 단어 의미 정보에 대한 모델링을 강화시켰고, 언어 모델의 단어 의미 정보에 대한 학습 능력을 강화시켰다.

또한, 본 출원에 의해 제공되는 기술 방안을 사용하면, 샘플 텍스트 코퍼스 중의 단어를 단어 마스크로 교체하여 언어 모델을 트레이닝하므로, 글자의 전체 단어 마스킹에 의해 야기될 가능성이 있는 정보 누설 리스크를 효과적으로 피할 수 있다.

또한, 본 출원에 의해 제공되는 기술 방안을 사용하면, 언어 모델의 예측 성능을 효과적으로 향상시킬 수 있다.

상기의 발명의 개요에 기재된 내용은 본 개시의 실시예의 관건적인 특징 또는 중요한 특징을 나타냄을 의도하는 것이 아니며, 본 개시의 범위를 한정하려는 것을 의도하는 것이 아님을 이해해야 한다. 본 개시의 기타 특징은 이하의 명세서에 의해 용이하게 이해될 것이다.

이하, 본 출원의 실시예 중의 기술 방안을 더욱 명확히 설명하기 위하여, 실시예 또는 종래 기술의 설명에 필요한 도면을 간단히 설명한다. 물론, 아래에 설명되는 도면은 본 출원의 여러 실시예이며, 당업자에 있어서 창조적인 노동을 하지 않는 전제 하에서 이러한 도면에 기반하여 기타의 도면을 얻을 수 있다. 도면은 본 방안을 더욱 용이하게 이해하게 하기 위한 것일 뿐, 본 출원의 제한을 이루는 것이 아니다. 도면에 있어서,
도 1은 본 출원의 제1 실시예에 따른 순서도이다.
도 2는 본 출원의 제2 실시예에 따른 순서도이다.
도 3은 본 출원의 제3 실시예에 따른 블럭도이다.
도 4는 본 출원의 제4 실시예에 따른 블럭도이다.
도 5는 본 출원의 실시예에 따른 언어 모델의 트레이닝 방법을 실현하기 위한 전자 기기의 블럭도이다.

이하, 도면을 참조하여 본 발명의 시범적인 실시예를 설명하는 바, 본 발명에 대한 이해를 돕기 위하여 여기에는 본 발명 실시예의 다양한 세부 사항이 포함되며, 이러한 세부 사항을 단지 시범적인 것으로 간주해야 할 것이다. 따라서, 당업자는 본 발명의 범위 및 정신을 벗어나지 않는 전제 하에서 여기서 설명되는 실시예에 대해 다양한 변경 및 수정을 수행할 수 있음을 인식해야 한다. 마찬가지로, 명확성 및 간결성을 위하여 이하의 설명에서는 잘 알려진 기능 및 구조에 대한 설명을 생략한다.

물론, 설명되는 실시예는 본 출원의 일부 실시예일 뿐, 전부의 실시예가 아니다. 당업자가 본 출원의 실시예에 기반하여 창조적인 노동력을 하지 않는 전제 하에 얻을 수 있는 모든 기타 실시예는 본 출원의 보호하는 범위에 속한다.

설명할 필요가 있는 것은 본 출원의 실시예에 관한 단말은 휴대전화, 개인용 디지털 단말기(PDA: Personal Digital Assistant), 무선 휴대 기기, 태블릿 컴퓨터(Tablet Computer), 컴퓨터(PC: Personal Computer), MP3 플레이어, MP4 플레이어, 웨어러블 디바이스(예를 들면, 스마트 안경, 스마트 시계, 스마트 팔찌 등) 등을 포함할 수 있지만, 이에 한정되지 않는다.

또한, 본 명세서 중의 용어인 "및/또는"은 단지 관련 대상의 관련 관계를 기술하는 용어인 바, 예를 들면, "A 및/또는 B"는 A가 단독으로 존재하는 것, A와 B가 동시에 존재하는 것, B가 단독으로 존재하는 것과 같은 세 가지 관계의 존재를 나타낼 수 있다. 또한, 본 명세서 중의 캐릭터인 "/"은 일반적으로 전후의 관련대상이 "혹은"의 관계인 것을 나타낸다.

종래의 기술의 언어 모델 자가 지도의 사전 트레이닝 학습에 있어서, 글자(letter)의 입도에 기반하여 언어 모델의 자가 지도 사전 트레이닝 학습을 실행하기 때문에, 언어 모델의 더욱 큰 시맨틱 입도 (예를 들면 단어(word))의 정보의 학습을 어렵게 하며, 정보 누설 리스트가 존재할 가능성이 있고, 언어 모델의 단어 자체의 시맨틱에 대한 학습을 파괴할 가능성이 있기에, 언어 모델의 예측 성능에 영향을 준다.

예를 들면, 종래의 언어 모델 중의 지식이 강화된 시맨틱 표현(Enhanced Representation from kNowledge IntEgration, ERNIE) 모델의 사전 트레이닝 학습에서는, 글자의 전체 단어 마스킹 방식을 통해 ERNIE 모델이 실체의 표현을 학습하도록 한다. 그러나, 글자의 전체 단어 마스킹 방식은 아직 예를 들면 단어 벡터와 같은 더욱 큰 시맨틱 입도의 정보를 명시적으로 도입하지 않고 있으며, 또한 정보 누설 리스크가 존재할 가능성이 있다. 예를 들면, 텍스트인 "하얼빈은 흑룡강의 성소재지이다."에 대하여, 각각 "하", "얼", "빈" 이 3개의 글자를 3개의 마스크(MASK)로 교체하여, "[MASK] [MASK] [MASK]은 흑룡강의 성소재지이다."를 취득하며, ERNIE 모델에 의해 3개의 [MASK]에 대응하는 "하", "얼", "빈"이라는 3개의 글자가 학습되는 것을 기대하는 바, 예측하려는 정보가 3개의 글자로 구성되었는 것을 ERNIE 모델에 사전에 알리는 것과 같으므로, 이러한 정보는 모델의 단어 자체의 시맨틱에 대한 학습을 파괴할 가능성이 있다.

본 출원은 언어 모델의 트레이닝 방법, 장치, 전자 기기 및 판독 가능 저장 매체를 제공하는 바, 언어 모델의 단어 의미 정보에 대한 학습 능력을 강화시켰고, 글자 입도 학습에 의해 야기되는 정보 누설 리스크를 피하였다.

도 1은 본 출원의 제1 실시예에 따른 순서도인 바, 도 1에 나타낸 바와 같다.

101에 있어서, 코퍼스 베이스 중의 소정의 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행한다.

코퍼스 베이스 중의 소정의 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행함으로써, 언어 모델에 대해 텍스트 코퍼스 중의 단어, 실체 및 실체 관계를 학습시킬 수 있다.

102에 있어서, 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각 단어 마스크로 교체하여 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 얻는다.

그 중의 샘플 텍스트 코퍼스는 코퍼스 베이스 중의 소정의 텍스트 코퍼스 중의 하나의 소정의 텍스트 코퍼스일 수도 있고, 코퍼스 베이스 중의 소정의 텍스트 코퍼스와 서로 다른 다른 텍스트 코퍼스일 수도 있다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 단어 마스크로 각각 교체할 경우, 여전히 글자에 기반하여 단어 마스크의 콘텍스트를 나타낸다.

103에 있어서, 상기 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 상기 언어 모델에 입력하고, 상기 언어 모델을 통해 상기 적어도 하나의 단어 마스크 중의 각 단어 마스크의 콘텍스트 벡터를 출력한다.

104에 있어서, 각 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 각각 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정한다.

105에 있어서, 기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝한다.

여기서, 상기의 102 내지 105는 반복적으로 실행하는 과정일 수 있으며, 102 내지 105를 반복적으로 실행함으로써 언어 모델의 트레이닝을 실현하며, 기설정된 트레이닝 완성 조건을 충족시키면, 언어 모델에 대힌 트레이닝이 종료된다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 상기 기설정된 트레이닝 완성 조건은 실제의 수요에 따라 설정될 수 있는 바, 예를 들면, 언어 모델에 의해 출력되는 단어 벡터가 샘플 텍스트 코퍼스에 대응하는 퍼플렉서티(perplexity)가 제1 기설정된 임계 값에 달성하는 것, 및/또는, 언어 모델의 트레이닝 횟수 (즉 102 내지 105를 반복적으로 실행하는 횟수)가 제2 기설정된 임계 값에 달하는 것을 포함할 수 있다.

101 내지 105의 실행 주체의 일부 또는 전부는 로컬 단말에 위치하는 애플리케이션이나, 로컬 단말에 위치하는 애플리케이션에 인스톨된 플러그인 또는 소프트웨어 개발 킷(SDK: Software Development Kit) 등의 기능 유닛일 수 있으며, 또는 네트워크측의 서버에 위치하는 처리 엔진일 수도 있는 바, 본 실시예에서는 이에 대해 특별히 한정하지 않음을 설명할 필요가 있다.

상기 애플리케이션은 단말에 인스톨된 로컬 프로그램(nativeApp) 또는 단말 상의 브라우저의 웹 애플리케이션(webApp)일 수도 있는 바, 본 실시예에서는 이에 대해 한정하지 않음을 이해해야 된다.

예를 들면, 구체적인 일 예에 있어서, 코퍼스 베이스 중의 소정의 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행하여, "하얼빈"은 "흑룡강"의 성소재지이고 및 "하얼빈"은 얼음과 눈의 도시이다는 것을 학습하였다. 샘플 텍스트 코퍼스인 "하얼빈은 흑룡강의 성소재지이다." 중의 "하얼빈"을 하나의 단어 마스크(MASK)로 교체하여 언어 모델에 입력하고, 언어 모델을 통해 하나의 단어 벡터를 출력하며, 당해 언어 모델에 의해 출력된 단어 벡터가 정확한지 여부에 기반하여 언어 모델을 트레이닝함으로써, 트레이닝이 완성된 후 언어 모델에 "[MASK]은 흑룡강의 성소재지이다."를 입력하였을 때 언어 모델로 하여금 "하얼빈"이란 단어 벡터를 정확하게 출력할 수 있도록 한다.

본 실시예에 있어서, 코퍼스 베이스 중의 기설정된 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행한 후, 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각 단어 마스크로 교체하여 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 얻으며, 상기 적어도 하나 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 상기 언어 모델에 입력하고, 상기 언어 모델을 통해 상기 적어도 하나의 단어 마스크 중의 각 단어 마스크의 콘텍스트 벡터를 출력한 후, 각 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 각각 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정하며, 또한 기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝함으로써, 트레이닝된 언어 모델을 얻을 수 있다. 더욱 큰 입도의 시맨틱 정보 표현을 도입하였으며, 단어 벡터는 글자 벡터와 비교하면 더욱 풍부한 시맨틱 정보 표현을 포함하기에, 콘텍스트에 기반하여 단어 벡터를 모델링하여, 언어 모델의 단어 의미 정보에 대한 모델링을 강화시켰고, 언어 모델의 단어 의미 정보에 대한 학습 능력을 강화시켰다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 102에 있어서, 상기 샘플 텍스트 코퍼스에 대하여 단어 분할을 실행하고, 단어 분할 결과에 기반하여 상기 샘플 텍스트 코퍼스 중의 적어도 하나의 단어 중의 각 단어를 각각 하나의 단어 마스크로 교체할 수 있다. 마스크로 교체된 단어 외에, 상기 샘플 텍스트 코퍼스에서는 여전히 글자에 기반하여 단어 마스크의 콘텍스트를 나타낸다.

당해 실현 방식에 있어서, 샘플 텍스트 코퍼스에 대하여 단어 분할을 실행함으로써, 단어 분할 결과에 기반하여 샘플 텍스트 코퍼스 중의 단어를 정확하게 결정할 수 있고, 그 중의 하나 또는 복수의 단어 중의 각 단어를 각각 하나의 단어 마스크로 교체함으로써, 단어 마스크를 정확하게 설치하여 트레이닝 언어 모델에 사용할 수 있으며, 언어 모델이 콘텍스트에 기반하여 단어 벡터를 모델링시킬 수 있게 하기에, 언어 모델의 단어 의미 정보에 대한 모델링을 강화시켰고, 언어 모델의 단어 의미 정보에 대한 학습 능력을 강화시켰다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 104에 있어서, 각 상기 단어 마스크의 콘텍스트 벡터와 상기 단어 벡터 파라미터 매트릭스를 곱셈하여 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값을 취득한 후, 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값에 대하여 정규화 처리를 실행한다. 예를 들면, 정규화 지수 함수(softmax)를 통해 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값에 대하여 정규화 처리를 실행하여 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값을 취득하며, 또한 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값에 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정한다. 구체적으로, 정규화 확률 값이 가장 높은 단어 벡터를 상기 단어 마스크에 대응하는 단어 벡터로 결정할 수 있다. softmax를 통해 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값에 대하여 정규화 처리를 실행할 때, 단어 벡터 파라미터 매트릭스를 softmax 파라미터 매트릭스나 softmax 단어 벡터 파라미터 매트릭스라고도 칭할 수 있다.

구체적인 일 실현 방식에 있어서, 단어집을 통해 가능한 단어를 포함할 수 있으며, 단어 벡터 파라미터 매트릭스에는 복수의 단어 벡터의 구체적인 표현을 포함되고, 단어 벡터 파라미터 매트릭스 중의 단어 벡터는 단어집 중의 각 단어의 단어 벡터의 구체적인 표현이며, 각 상기 단어 마스크의 콘텍스트 벡터와 상기 단어 벡터 파라미터 매트릭스를 곱셈하여, 각 상기 단어 마스크의 콘텍스트 벡터와 상기 단어 벡터 파라미터 매트릭스 중의 각 단어 벡터와의 관련성을 취득함으로써, 각 상기 단어 마스크가 단어집 중의 각 단어 벡터에 대응하는 확률 값을 각각 취득하며, 각 확률 값은 상기 단어 마스크가 하나의 단어 벡터에 대응하는 확률을 나타낸다.

당해 실현 방식에 있어서, 단어 마스크의 콘텍스트 벡터와 단어 벡터 파라미터 매트릭스를 곱셈하여 취득한 확률 값에 대하여 정규화 처리를 실행하고, 정규화된 확률 값에 기반하여 예를 들면 확률 값이 가장 높은 단어 벡터를 단어 마스크에 대응하는 단어 벡터로 선택함으로써, 단어 마스크에 대응하는 단어 벡터를 정확하게 결정한다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 104 에서 단어 벡터 파라미터 매트릭스는 사전에 트레이닝된 단어 벡터 파라미터 매트릭스일 수도 있고, 초기화된 단어 벡터 파라미터 매트릭스 (즉 트레이닝되지 않았거나, 트레이닝이 완성되지 않은 단어 벡터 파라미터 매트릭스)일 수도 있다. 단어 벡터 파라미터 매트릭스의 차원은 [단어 벡터의 차원, 단어집의 사이즈]일 수 있으며, 그 중의 단어집의 사이즈는 단어집에 포함되는 단어의 수량일 수 있는 바, 본 출원의 실시예에서는 이에 대해 한정하지 않는다.

여기서, 상기 단어 벡터 파라미터 매트릭스에 대해 사전에 트레이닝된 단어 벡터 파라미터 매트릭스를 사용할 경우, 언어 모델의 트레이닝 속도를 가속화시키고, 트레이닝 효율을 향상시킨다.

구체적인 일 실현 방식에 있어서, 104 에서 단어 벡터 파라미터 매트릭스에 대해 초기화된 단어 벡터 파라미터 매트릭스를 사용할 경우, 105에 있어서, 소정의 트레이닝 완성 조건을 충족시킬 때까지, 각 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 언어 모델 및 초기화 단어 벡터 파라미터 매트릭스에 대하여 연합 트레이닝을 실행할 수 있다. 예를 들면, 복수의 샘플 텍스트 코퍼스를 이용하여 본 출원의 실시예에 따른 방법을 실행하면, 복수의 샘플 텍스트 코퍼스 중의 단어 마스크로 교체된 단어는 단어집 중의 복수의 단어를 포함한다 (일부 단어 또는 모든 단어일 수 있음). 상기의 실시예에 따르면, 각 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값을 취득한 후, 트레이닝에 참여한 모든 단어 마스크의 정규화 확률 값을 최대화하는 것을 목적으로 하여, 모든 단어 마스크의 각 단어 마스크의 단어 벡터 및 단어 벡터 파라미터 매트릭스 중의 각 단어 벡터의 표현을 결정함으로써, 트레이닝된 단어 벡터 파라미터 매트릭스를 취득하며, 단어집 중의 각 단어의 단어 벡터를 정확하게 나타낼 수 있으므로, 트레이닝된 단어 벡터 파라미터 매트릭스를 전체적인 단어 벡터로 간주한다.

당해 실현 방식에 있어서, 초기화된 단어 벡터 파라미터 매트릭스를 사용할 때, 언어 모델 및 초기화 단어 벡터 파라미터 매트릭스에 대하여 연합 트레이닝을 실행함으로써, 언어 모델과 단어 벡터의 수렴 속도를 가속화시키고, 트레이닝 효과를 높일 수 있다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 본 출원의 상기의 실시예 중의 상기 언어 모델은 임의의 언어 모델일 수 있는 바, 예를 들면 ERNIE 모델을 사용할 수 있다.

ERNIE 모델은 대량의 데이터 중의 실체 개념 등 선험 시맨틱 지식을 모델링함으로써, 완전한 개념의 시맨틱 표현을 학습하고, 단어 및 실체 개념 등의 시맨틱 유닛을 마스크하여 ERNIE 모델을 사전 트레이닝 학습시킴으로써, ERNIE 모델의 시맨틱 지식 유닛에 대한 표현이 현실 세계와 가깝도록 한다. 따라서, ERNIE 모델은 글자 특징 입력에 기반하여 모델링하는 동시에, 직접 선험 시맨틱 지식 유닛을 모델링하기에, 강한 시맨틱 표현 능력을 가진다. 본 실시예에 있어서, ERNIE 모델을 언어 모델로 사용함으로써, ERNIE 모델의 강한 시맨틱 표현 능력을 이용하여, 대량의 데이터 중의 단어, 실체 및 실체 관계를 모델링하고, 현실 세계의 시맨틱 지식을 학습할 수 있으며, 모델 시맨틱 표현 능력을 강화시킬 수 있다. 예를 들면, ERNIE 모델은 단어나 실체의 표현을 학습함으로써 "하얼빈"과 "흑룡강"의 관계를 모델링하여, "하얼빈"은 "흑룡강"의 성소재지이고, 또한 "하얼빈"은 얼음과 눈의 도시이다는 것을 학습할 수 있다.

도 2는 본 출원의 제2 실시예에 따른 순서도인 바, 도 2에 나타낸 바와 같다.

제1 실시예의 기초 상에서, 기설정된 트레이닝 완성 조건을 충족시킴으로써 트레이닝된 언어 모델을 얻은 후에, 또한 지도 학습(supervised learning) NLP 태스크(지도를 받은 NLP 태스크임)를 통해 언어 모델을 더욱 최적화하고, 언어 모델의 NLP 태스크 중의 예측 성능을 더욱 향상시킨다.

제2 실시예에 있어서, 지도 학습 NLP 태스크를 통해 언어 모델을 최적화하는 단계는 구체적으로 아래의 단계로 실현할 수 있다.

201에 있어서, 트레이닝된 언어 모델을 이용하여 NLP 태스크를 실행하여 처리 결과를 취득한다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 그 중의 NLP 태스크는 예를 들면, 분류, 매칭, 시퀀스 라벨링 등 NLP 태스크의 임의의 하나 또는 복수일 수 있는 바, 본 실시예에서는 특히 이에 대해 한정하지 않는다. 이에 따라, 처리 결과는 구체적인 NLP 태스크의 처리 결과 예를 들면 분류 결과, 매칭 결과, 시퀀스 라벨링 결과 등이다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 201에 있어서, 구체적으로 트레이닝된 언어 모델을 이용하여, 기타 분류, 매칭, 시퀀스 라벨링을 실현하기 위한 네트워크 모델, 예를 들면, 컨볼루션 신경망(convolutional neural network, CNN), 장기/단기 기억(Long Short Term Memory, LSTM) 모델, 단어 주머니(Bag of Word, BOW) 모델과 결합하여, NLP 태스크를 실행하여 처리 결과를 얻는다. 예를 들면, 기타 네트워크 모델이 분류, 매칭, 시퀀스 라벨링을 실현하는 네트워크 모델이 언어 모델의 출력에 대해 분류, 매칭, 시퀀스 라벨링 등의 처리를 실행하여 해당하는 분류 결과, 매칭 결과, 시퀀스 라벨링 결과 등의 처리 결과를 취득한다.

202에 있어서, 소정의 조건을 충족시킬 때까지, 상기 처리 결과와 라벨링 결과의 정보의 차이에 기반하여 상기 언어 모델 중의 파라미터 값을 미세 조정하는 바 (fine-tuning), 예를 들면, 당해 기설정된 조건은 상기 처리 결과와 라벨링 결과의 정보의 차이가 소정의 차이보다 작은 것 및/또는 상기 언어 모델의 트레이닝 횟수가 기설정된 횟수에 도달했는 것을 포함한다.

여기서, 상기 라벨링 결과 정보는 실행하려는 NLP 태스크에 대하여 사전에 수동으로 라벨링한 정확한 처리 결과이다.

본 실시예에 있어서, 단어 벡터 파라미터 매트릭스가 필요 없기 때문에, 언어 모델의 전반적인 구조를 변경하지 않고, 지도 학습 데이터 (즉 라벨링 결과 정보)의 NLP 태스크를 통해 언어 모델을 더욱 최적화할 수 있고, 언어 모델의 예측 성능을 향상시키고, 각 NLP 태스크에 기반하여 언어 모델에 대해 최적화 반복을 실행하기 편리하다.

전술한 각 방법의 실시예에서는 설명의 간소화를 위해 실시예를 일련의 동작 조합으로서 표현했지만, 당업자는 본 출원의 임의의 단계는 기타 순서에 따라 실행되거나 또는 동시에 실행될 수 있으며, 본 출원은 기재된 동작의 순서에 한정되지 않음을 설명할 필요가 있다. 그리고, 당업자는 명세서에 기재된 실시예는 모두 바람직한 실시예에 해당하며, 관련된 동작 및 모듈은 본 출원에 있어서 꼭 필요하는 것이 아님을 이해해야 한다.

상기의 실시예에 있어서, 각 실시예에 대한 기재는 각각 강조된 부분이 있으며, 어느 한 실시예에서 상세히 기재되지 않은 부분은 기타 실시예의 관련 기재를 참조할 수 있다.

도 3은 본 출원의 제3 실시예에 따른 블럭도인 바, 도 3에 나타낸 바와 같다. 본 실시예에 따른 언어 모델의 트레이닝 장치(300)는 사전 트레이닝 유닛(301), 교체 유닛(302), 상기 언어 모델(303), 결정 유닛(304) 및 트레이닝 유닛(305)을 구비할 수 있다. 여기서, 사전 트레이닝 유닛(301)은 코퍼스 베이스 중의 소정의 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행하고, 교체 유닛(302)은 상기 적어도 하나 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각 단어 마스크로 교체하여 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 취득하며, 언어 모델(303)은 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 수신하고, 상기 적어도 하나의 단어 마스크 중의 각각의 콘텍스트 벡터를 출력하며, 결정 유닛(304)은 각 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 각각 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정하고, 트레이닝 유닛(305)은 기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝한다.

본 실시예에 따른 언어 모델의 트레이닝 장치의 실행 주체의 일부 또는 전부는 로컬 단말에 위치하는 애플리케이션이나, 로컬 단말에 위치하는 애플리케이션에 인스톨된 플러그인 또는 소프트웨어 개발 킷 (SDK: Software Development Kit) 등의 기능 유닛일 수 있으며, 또는 네트워크 측의 서버에 위치하는 처리 엔진일 수도 있는 바, 본 실시예에서는 이에 대해 특별히 한정하지 않음을 설명할 필요가 있다.

본 실시예에 있어서, 더욱 큰 입도의 시맨틱 정보 표현을 도입하였으며, 단어 벡터는 글자 벡터와 비교하면 더욱 풍부한 시맨틱 정보 표현을 포함하기에, 직접 콘텍스트에 기반하여 단어 벡터를 모델링하여 언어 모델의 단어 의미 정보에 대한 모델링을 강화시켰고, 언어 모델의 단어 의미 정보에 대한 학습 능력을 강화시켰다.

도 4는 본 출원의 제4 실시예에 따른 블럭도인 바, 도 4에 나타낸 바와 같이, 도 3에 나타낸 실시예를 기초로, 본 실시예에 따른 언어 모델의 트레이닝 장치(300)는 상기 샘플 텍스트 코퍼스에 대하여 단어 분할을 실행하기 위한 단어 분할 유닛(401)을 더 구비할 수 있다. 이에 따라, 본 실시예로 있어서, 상기 교체 유닛(302)은 구체적으로, 상기 단어 분할 유닛에 의해 취득된 단어 분할 결과에 기반하여 상기 샘플 텍스트 코퍼스 중의 적어도 하나의 단어 중의 각 단어를 각각 하나의 단어 마스크로 교체할 수 있다.

임의선택에서, 또한, 도 4를 참조하면, 본 실시예의 가능한 일 실현 방식에 있어서, 상기의 실시예에 따른 언어 모델의 트레이닝 장치(300)는 상기 단어 벡터 파라미터 매트릭스(402) 및 정규화 유닛(403)을 더 구비할 수 있다. 여기서, 상기 단어 벡터 파라미터 매트릭스(402)는 각 상기 단어 마스크의 콘텍스트 벡터와 곱셈하여 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값을 취득하고, 정규화 유닛(403)은 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값에 대하여 정규화 처리를 실행하여, 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값을 취득한다. 이에 따라, 본 실시예로 있어서, 상기 결정 유닛(304)은 구체적으로, 각 상기 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값에 기반하여 각 상기 단어 마스크에 대응하는 단어 벡터를 결정할 수 있다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 상기 단어 벡터 파라미터 매트릭스(402)는 사전에 트레이닝된 단어 벡터 파라미터 매트릭스일 수도 있고, 초기화된 단어 벡터 파라미터 매트릭스 (즉 트레이닝되지 않았거나, 트레이닝이 완성되지 않은 단어 벡터 파라미터 매트릭스)일 수도 있다. 단어 벡터 파라미터 매트릭스의 차원은 [단어 벡터의 차원, 단어집의 사이즈]일 수 있으며, 그 중의 단어집의 사이즈는 단어집에 포함되는 단어의 수량일 수 있는 바, 본 출원의 실시예에서는 이에 대해 한정하지 않는다.

구체적인 일 실현 방식에 있어서, 상기 단어 벡터 파라미터 매트릭스(402)가 초기화된 단어 벡터 파라미터 매트릭스일 경우에, 상기 트레이닝 유닛(305)은 구체적으로, 기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델 및 상기 초기화 단어 벡터 파라미터 매트릭스를 트레이닝할 수 있다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 상기 언어 모델(303)은 임의의 언어 모델일 수 있는 바, 예를 들면 ERNIE 모델을 사용할 수 있다.

선택적으로, 본 실시예의 가능한 일 실현 방식에 있어서, 상기 언어 모델(303)은 또한 소정의 트레이닝 완성 조건을 충족시킨 후, 자연 언어 처리 태스크를 실행하여 처리 결과를 취득할 수 있다. 이에 따라, 또한, 도 4를 참조하면, 상기의 실시예에 따른 언어 모델의 트레이닝 장치(300)는 상기 처리 결과와 라벨링 결과의 정보의 차이에 기반하여 상기 언어 모델(303) 중의 파라미터 값을 미세 조정하기 위한 미세 조정 유닛(404)을 더 구비할 수 있다.

도 1 및 도 2에 대응하는 실시예 중의 방법은 상기의 도 3 및 도 4의 실시예에 의해 제공되는 언어 모델의 트레이닝 장치에 의해 실현될 수 있음을 설명할 필요가 있다. 상세한 설명은 도 1 및 도 2에 대응하는 실시예 중의 관련 내용을 참조할 수 있는 바, 여기에서 다시 설명하지 않는다.

본 출원의 실시예에 따르면, 본 출원은 전자 기기 및 컴퓨터 명령이 기억되어 있는 컴퓨터 판독 가능 저장 매체를 더 제공한다.

도 5는 본 발명에 따른 실시예의 언어 모델의 트레이닝 방법을 실현하는 전자 기기의 블럭도이다. 전자 기기는 예를 들면 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인 디지털 보조기, 서버, 블레이드 서버, 대형 컴퓨터 및 기타 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 나타낸다. 전자 기기는 또한 예를 들면 개인 디지털 처리기, 셀폰, 스마트 전화, 웨어러블 기기 및 기타 유사한 계산 장치와 같은 다양한 형태의 모바일 장치를 나타낼 수 있다. 본 명세서에 나타낸 구성 요소, 이들의 연결과 관계 및 이들의 기능은 단지 예일 뿐이며, 본 명세서에서 설명하거나 및/또는 요구하는 본 발명의 실현을 한정하려는 것이 아니다.

도 5에 나타낸 바와 같이, 당해 전자 기기는 하나 또는 복수의 프로세서(501), 메모리(502) 및 각 구성 요소를 연결하기 위한 인터페이스를 구비하며, 당해 인터페이스는 고속 인터페이스 및 저속 인터페이스를 포함한다. 각 구성 요소는 서로 다른 버스를 통해 상호 연결되며, 공통 마더 보드에 설치되거나 또는 수요에 따라 기타 방식으로 설치된다. 프로세서 전자 기기 내에서 수행되는 명령에 대해 처리를 실행할 수 있으며, 메모리 내에 기억되어 외부 입력/출력 장치(예를 들면 인터페이스에 연결된 디스플레이 기기) 상에 GUI의 그래픽 정보를 표시하기 위한 명령을 포함한다. 기타 실시 방식에 있어서, 필요할 경우, 복수의 프로세서 및/또는 복수의 버스와 복수의 메모리를 함께 사용할 수 있다. 마찬가지로, 복수의 전자 기기를 연결할 수 있으며, 각 기기는 부분적인 필요한 조작 (예를 들면, 서버 어레이, 일 그룹의 블레이드 서버, 또는 다중 프로세서 시스템)을 제공한다. 도 5에서는 하나의 프로세서(501)의 예를 들었다.

메모리(502)는 본 발명에 의해 제공되는 비 일시적 컴퓨터 판독 가능 기억 매체이다. 여기서, 상기 메모리에는 적어도 하나의 프로세서에 의해 수행 가능한 명령이 기억되어 있으며, 상기 적어도 하나의 프로세서로 하여금 본 발명에 의해 제공되는 언어 모델의 트레이닝 방법을 수행하도록 한다. 본 발명의 비 일시적 컴퓨터 판독 가능 기억 매체는 컴퓨터 명령을 기억하며, 당해 컴퓨터 명령은 컴퓨터로 하여금 본 발명에 의해 제공되는 언어 모델의 트레이닝 방법을 수행하도록 한다.

메모리(502)는 일종의 비 일시적 컴퓨터 판독 가능 기억 매체로서, 비 일시적 소프트웨어 프로그램을 기억하는데 사용될 수 있는 바, 예를 들면 비 일시적 컴퓨터 수행 가능 프로그램 및 모듈, 본 발명 실시예 중의 언어 모델의 트레이닝 방법 대응하는 프로그램 명령/모듈 (예를 들면, 도 5에 나타낸 관련 모듈)을 기억하는데 사용될 수 있다. 프로세서(501)는 메모리(502) 내에 기억된 비 일시적 소프트웨어 프로그램, 명령 및 모듈을 운행함으로써, 서버의 다양한 기능 응용 및 데이터 처리를 수행하는 바, 즉 상술한 방법 실시예 중의 언어 모델의 트레이닝 방법을 실현한다.

메모리(502)는 프로그램 기억 영역 및 데이터 기억 영역을 포함할 수 있으며, 여기서, 프로그램 기억 영역은 운영 체제 및 적어도 하나의 기능에 필요한 응용 프로그램을 기억할 수 있고, 데이터 기억 영역은 언어 모델의 트레이닝 방법을 실현하는 전자 기기의 사용을 통해 생성된 데이터 등을 기억할 수 있다. 또한, 메모리(502)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 비 일시적 메모리를 더 포함할 수 있는 바, 예를 들면 적어도 하나의 자기 디스크 저장 장치, 플래시 장치, 또는 기타 비 일시적 고체 저장 장치를 포함할 수 있다. 일부 실시예에 있어서, 메모리(502)는 선택적으로 프로세서(501)에 대해 원격 설치한 메모리를 포함할 수 있으며, 이러한 원격 메모리는 네트워크를 통해 언어 모델의 트레이닝 방법을 실현하는 전자 기기에 연결될 수 있다. 상술한 네트워크의 실시예는 인터넷, 기업 인트라 넷, 근거리 통신망, 이동 통신 네트워크 및 이들의 조합을 포함하나 이에 한정되지 않는다.

언어 모델의 트레이닝 방법을 실현하는 전자 기기는 입력 장치(503) 및 출력 장치(504)를 더 포함할 수 있다. 프로세서(501), 메모리(502), 입력 장치(503) 및 출력 장치(504)는 버스 또는 기타 방식을 통해 연결될 수 있으며, 도 5에서는 버스를 통해 연결하는 예를 들었다.

입력 장치(503)는 입력된 디지털 또는 문자 정보를 수신하고, 또한 언어 모델의 트레이닝 방법을 실현하는 전자 기기의 사용자 설정 및 기능 제어에 관한 키 신호 입력을 생성할 수 있다. 예를 들면 터치 스크린, 키패드, 마우스, 트랙 패드, 터치 패드, 포인팅 스틱, 하나 또는 복수의 마우스 버튼, 트랙볼, 조이스틱 등 입력 장치를 포함할 수 있다. 출력 장치(504)는 디스플레이 기기, 보조 조명 장치 (예를 들면 LED) 및 촉각 피드백 장치 (예를 들면 진동 모터) 등을 포함할 수 있다. 당해 디스플레이 기기는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이 및 등 플라즈마 디스플레이를 포함할 수 있으나 이에 한정되지 않는다. 일부 실시 방식에 있어서, 디스플레이 기기는 터치 스크린일 수 있다.

여기서 설명하는 시스템 및 기술의 다양한 실시 방식은 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 ASIC(전용 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합에서 실현될 수 있다. 이러한 다양한 실시예는 하나 또는 복수의 컴퓨터 프로그램에서 실시되고, 당해 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템 상에서 수행 및/또는 해석될 수 있으며, 당해 프로그램 가능 프로세서는 전용 또는 일반 프로그램 가능 프로세서일 수 있고, 기억 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신할 수 있으며, 또한 데이터 및 명령을 당해 기억 시스템, 당해 적어도 하나의 입력 장치 및 당해 적어도 하나의 출력 장치에 전송할 수 있다.

이러한 계산 프로그램 (프로그램, 소프트웨어, 소프트웨어 응용 또는 코드로도 불림)은 프로그램 가능 프로세서의 기계 명령을 포함하며, 또한 고급 과정 및/또는 객체 지향 프로그래밍 언어 및/또는 어셈블리/기계 언어를 이용하여 이러한 계산 프로그램을 실시할 수 있다. 본 명세서에서 사용되는 "기계 판독 가능 매체" 및 "컴퓨터 판독 가능 매체"와 같은 용어는, 기계 명령 및/또는 데이터를 프로그램 가능 프로세서의 임의의 컴퓨터 프로그램 제품, 기기 및/또는 장치 (예를 들면, 자기 디스크, 광 디스크, 메모리, 프로그램 가능 논리 장치(PLD))에 제공하기 위한 것을 의미하며, 기계 판독 가능 신호로서의 기계 명령을 수신하는 기계 판독 가능 매체를 포함한다. "기계 판독 가능 신호"와 같은 용어는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 의미한다.

유저와의 대화를 제공하기 위하여, 컴퓨터 상에서 여기서 설명하는 시스템 및 기술을 실시할 수 있으며, 당해 컴퓨터는 유저에게 정보를 표시하기 위한 디스플레이 장치(예를 들면 CRT(음극선관) 또는 LCD(액정 디스플레이) 모니터) 및 키보드와 포인팅 장치(예를 들면, 마우스 또는 트랙 볼)를 구비할 수 있으며, 유저는 당해 키보드 및 당해 포인팅 장치를 통해 입력을 컴퓨터에 제공할 수 있다. 기타 유형의 장치는 또한 유저와의 대화를 제공하는데 사용될 수 있다. 예를 들면, 유저에 제공하는 피드백은 임의의 형태의 감각 피드백(예를 들면, 시각적 피드백, 청각적 피드백, 또는 촉각 피드백)일 수 있으며, 또한 임의의 형태(음향 입력, 음성 입력 또는 촉각 입력을 포함함)를 통해 유저로부터의 입력을 수신할 수 있다.

여기서 설명하는 시스템 및 기술을 백엔드 구성 요소를 포함하는 계산 시스템 (예를 들면 데이터 서버), 또는 미들웨어 구성 요소를 포함하는 계산 시스템 (예를 들면 응용 서버), 또는 프런트엔드 구성 요소를 포함하는 계산 시스템 (예를 들면 그래픽 유저 인터페이스 또는 웹 브라우저를 구비하는 유저 컴퓨터인 바, 유저는 당해 그래픽 유저 인터페이스 또는 당해 웹 브라우저를 통해 여기서 설명하는 시스템 및 기술의 실시 방식과 대화함), 또는 이러한 백엔드 구성 요소, 미들웨어 구성 요소, 또는 프런트엔드 구성 요소의 임의의 조합을 포함하는 계산 시스템에서 실시할 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신 (예를 들면, 통신 네트워크)을 통해 시스템의 구성 요소를 상호 연결할 수 있다. 통신 네트워크의 예는 근거리 통신망(LAN), 광역 통신망(WAN) 및 인터넷을 포함한다.

컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져 있고, 또한 일반적으로 통신 네트워크를 통해 대화를 실행한다. 해당되는 컴퓨터 상에서 운행되고, 또한 클라이언트 - 서버 관계를 갖는 컴퓨터 프로그램을 통해 클라이언트와 서버의 관계를 발생시킬 수 있다.

본 출원의 실시예에 따른 기술 방안에 따르면, 더욱 큰 입도의 시맨틱 정보 표현을 도입하였으며, 단어 벡터는 글자 벡터와 비교하면 더욱 풍부한 시맨틱 정보 표현을 포함하기에, 직접 콘텍스트에 기반하여 단어 벡터를 모델링하여 언어 모델의 단어 의미 정보에 대한 모델링을 강화시켰고, 언어 모델의 단어 의미 정보에 대한 학습 능력을 강화시켰다.

상기에 나타낸 다양한 형태의 흐름을 이용하여 단계를 재정열, 증가 또는 삭제할 수 있음을 이해해야 한다. 예를 들면, 본 발명에 기재된 각 단계는 병열로 수행되거나 또는 차례로 수행되거나 또는 다른 순서로 수행될 수 있으며, 본 발명이 개시하는 기술 방안이 원하는 결과를 실현할 수 있는 한, 본 명세서는 이에 대해 한정하지 않는다.

상술한 구체적인 실시 방식은 본 발명의 보호 범위를 한정하지 않는다. 당업자는 설계 요건 및 기타 요인에 따라 다양한 수정, 조합, 서브 조합 및 대체를 실행할 수 있음을 이해해야 한다. 본 발명의 정신 및 원칙 내에서 이루어진 임의의 수정 동등한 대체 및 개선 등은 모두 본 발명의 보호 범위 내에 포함되어야 한다.

Claims

언어 모델의 트레이닝 방법(method for training language model)에 있어서,
코퍼스 베이스 중의 기설정된 텍스트 코퍼스(text corpus)를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행하는 단계;
샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각의 단어 마스크로 교체하여 적어도 하나의 단어 마스크(word mask)를 포함하는 샘플 텍스트 코퍼스(sample text corpus)를 얻는 단계;
상기 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 상기 언어 모델에 입력하여, 상기 언어 모델을 통해 상기 적어도 하나의 단어 마스크 중의 각각의 상기 단어 마스크의 콘텍스트 벡터(context vector)를 출력하는 단계;
각각의 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 기반하여 각각의 상기 단어 마스크에 대응하는 단어 벡터(word vector)를 결정하는 단계;
기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각각의 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝하는 단계;
를 포함하는 것을 특징으로 하는,
언어 모델 트레이닝 방법.
제1항에 있어서,
상기 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각의 단어 마스크로 교체하는 단계는,
상기 샘플 텍스트 코퍼스에 대하여 단어 분할을 실행하고, 단어 분할 결과에 기반하여 상기 샘플 텍스트 코퍼스 중의 적어도 하나의 단어 중의 각각의 단어를 각각 하나의 단어 마스크로 교체하는 단계를 포함하는 것을 특징으로 하는,
언어 모델 트레이닝 방법.
제1항에 있어서,
각각의 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 기반하여 각각의 상기 단어 마스크에 대응하는 단어 벡터를 결정하는 단계는
각각의 상기 단어 마스크의 콘텍스트 벡터와 상기 단어 벡터 파라미터 매트릭스를 곱셈하여 각각의 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값을 취득하는 단계;
각각의 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값에 대하여 정규화 처리를 실행하여 각각의 상기 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값을 취득하는 단계;
각각의 상기 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값에 기반하여 각각의 상기 단어 마스크에 대응하는 단어 벡터를 결정하는 단계를 포함하는 것을 특징으로 하는,
언어 모델 트레이닝 방법.
제1항에 있어서,
상기 단어 벡터 파라미터 매트릭스는 사전에 트레이닝된 단어 벡터 파라미터 매트릭스 또는 초기화 단어 벡터 파라미터 매트릭스를 포함하고,
기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각각의 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝하는 단계는,
기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각각의 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델 및 상기 초기화 단어 벡터 파라미터 매트릭스를 트레이닝하는 단계를 포함하는 것을 특징으로 하는,
언어 모델 트레이닝 방법.
제1항에 있어서,
상기 언어 모델은 지식 강화 시맨틱 표현(ERNIE) 모델을 포함하는 것을 특징으로 하는,
언어 모델 트레이닝 방법.
제1항 내지 제5항 중 어느 한 항에 있어서,
기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각각의 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝하는 단계 이후에,
트레이닝된 언어 모델을 이용하여 자연 언어 처리 태스크를 실행하여 처리 결과를 얻는 단계;
상기 처리 결과와 라벨링 결과의 정보의 차이에 기반하여 상기 언어 모델 중의 파라미터 값을 미세 조정하는 단계를 더 포함하는 것을 특징으로 하는,
언어 모델 트레이닝 방법.
언어 모델의 트레이닝 장치(apparatus for training language model)에 있어서,
코퍼스 베이스 중의 기설정된 텍스트 코퍼스를 사용하여 사전에 언어 모델에 대하여 사전 트레이닝 학습을 실행하기 위한 사전 트레이닝 유닛;
상기 적어도 하나의 샘플 텍스트 코퍼스 중의 적어도 하나의 단어를 각각 단어 마스크로 교체하여 적어도 하나의 단어 마스크를 포함하는 샘플 텍스트 코퍼스(sample text corpus)를 취득하기 위한 교체 유닛;
상기 단어 마스크를 포함하는 샘플 텍스트 코퍼스를 수신하여, 상기 적어도 하나 단어 마스크의 각각의 단어 마스크의 콘텍스트 벡터를 출력하기 위한 상기 언어 모델;
각각의 상기 단어 마스크의 콘텍스트 벡터 및 단어 벡터 파라미터 매트릭스에 기반하여 각각의 상기 단어 마스크에 대응하는 단어 벡터를 결정하기 위한 결정 유닛; 및
기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각각의 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델을 트레이닝하기 위한 트레이닝 유닛;
을 구비하는 것을 특징으로 하는,
언어 모델 트레이닝 장치.
제7항에 있어서,
상기 샘플 텍스트 코퍼스에 대하여 단어 분할을 실행하기 위한 단어 분할 유닛;
을 더 구비하며,
상기 교체 유닛은 구체적으로, 상기 단어 분할 유닛의 단어 분할 결과에 기반하여 상기 샘플 텍스트 코퍼스 중의 적어도 하나의 단어 중의 각 단어를 각각 하나의 단어 마스크로 교체하는 것을 특징으로 하는,
언어 모델 트레이닝 장치.
제7항에 있어서,
상기 장치는
각각의 상기 단어 마스크의 콘텍스트 벡터와 곱셈하여 각각의 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값을 취득하기 위한 상기 단어 벡터 파라미터 매트릭스; 및
각각의 상기 단어 마스크가 복수의 단어 벡터에 대응하는 확률 값에 대하여 정규화 처리를 실행하여, 각각의 상기 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값을 취득하기 위한 정규화 유닛;
을 더 구비하며,
상기 결정 유닛은 구체적으로, 각각의 상기 단어 마스크가 복수의 단어 벡터에 대응하는 복수의 정규화 확률 값에 기반하여 각각의 상기 단어 마스크에 대응하는 단어 벡터를 결정하는 것을 특징으로 하는,
언어 모델 트레이닝 장치.
제7항에 있어서,
상기 단어 벡터 파라미터 매트릭스는 사전에 트레이닝된 단어 벡터 파라미터 매트릭스 또는 초기화 단어 벡터 파라미터 매트릭스를 포함하고,
상기 트레이닝 유닛은 구체적으로, 기설정된 트레이닝 완성 조건을 충족시킬 때까지, 각각의 상기 단어 마스크에 대응하는 단어 벡터에 기반하여 상기 언어 모델 및 상기 초기화 단어 벡터 파라미터 매트릭스를 트레이닝하는 것을 특징으로 하는,
언어 모델 트레이닝 장치.
제7항에 있어서,
상기 언어 모델은 지식 강화 시맨틱 표현 (ERNIE) 모델을 포함하는 것을 특징으로 하는,
언어 모델 트레이닝 장치.
제7항 내지 제11항 중 어느 한 항에 있어서,
상기 언어 모델은 또한 기설정된 트레이닝 완성 조건을 충족시킨 후, 자연 언어 처리 태스크를 실행하여 처리 결과를 얻고,
상기 언어 모델의 트레이닝 장치는,
상기 처리 결과와 라벨링 결과의 정보의 차이에 기반하여 상기 언어 모델 중의 파라미터 값을 미세 조정하기 위한 미세 조정 유닛;
을 더 구비하는 것을 특징으로 하는,
언어 모델 트레이닝 장치.
전자 기기에 있어서,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 구비하며,
상기 메모리에는 상기 적어도 하나의 프로세서에 실행 가능한 명령이 기억되어 있으며, 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서로 하여금 제1항 내지 제6항 중 어느 한 항에 기재된 방법을 실행하도록 하는 것을 특징으로 하는,
전자 기기.
컴퓨터 명령이 기억되어 있는 비 일시적 컴퓨터 판독 가능 저장 매체에 있어서,
상기 컴퓨터 명령은 컴퓨터로 하여금 제1항 내지 제6항 중 어느 한 항에 기재된 방법을 실행하도록 하는 것을 특징으로 하는,
비 일시적 컴퓨터 판독 가능 저장 매체.
비 일시적 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램은 컴퓨터로 하여금 제1항 내지 제6항 중 어느 한 항에 기재된 방법을 실행하도록 하는 것을 특징으로 하는,
비 일시적 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.