CN111859951A - 语言模型的训练方法、装置、电子设备及可读存储介质 - Google Patents
语言模型的训练方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111859951A CN111859951A CN202010564362.9A CN202010564362A CN111859951A CN 111859951 A CN111859951 A CN 111859951A CN 202010564362 A CN202010564362 A CN 202010564362A CN 111859951 A CN111859951 A CN 111859951A
- Authority
- CN
- China
- Prior art keywords
- language model
- input text
- word
- character
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000002372 labelling Methods 0.000 claims abstract description 34
- 238000003058 natural language processing Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011449 brick Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
-
- 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)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种语言模型的训练方法、装置、电子设备及可读存储介质，涉及深度学习技术领域和自然语言处理技术领域。具体实现方案为：获取原始输入文本的切词信息；对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本；将所述输入文本样本输入语言模型，以对所述语言模型进行训练。由于引入了更大粒度语义信息表示，增强了语言模型对词义信息的学习能力，提升了语言模型的性能，并且不会降低语言模型的通用性，对于下游序列标注任务更加友好。
Description
技术领域
涉及计算机技术领域，具体涉及深度学习技术领域和自然语言处理技术，尤其涉及一种语言模型的训练方法、装置、电子设备及可读存储介质。
背景技术
在中文自然语言处理(Natural Language Processing，NLP)领域，使用大量的无监督文本进行语言模型自监督的预训练学习(pre-training)，接着采用有监督的任务数据对语言模型进行参数精调(fine-tuning)，是当前NLP领域中先进的语言模型训练技术。
现有技术在语言模型自监督的预训练学习中，为了不使语言模型的训练效果受到分词器性能的影响，都是基于字粒度进行语言模型的自监督预训练学习，从而使得语言模型很难学出更大语义粒度(例如词)的信息，而词的语义在中文语言表达中非常重要，基于字粒度的学习可能会破坏语言模型对词本身语义的学习，从而影响语言模型的性能。
发明内容
本申请的多个方面提供一种语言模型的训练方法、装置、电子设备及可读存储介质，用以增强语言模型对词义信息的学习能力，提升语言模型的性能。
根据第一方面，提供了一种语言模型的训练方法，包括：
获取原始输入文本的切词信息；
对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本；
将所述输入文本样本输入语言模型，以对所述语言模型进行训练。
根据第二方面，提供了一种语言模型的训练装置，包括：
获取单元，用于获取原始输入文本的切词信息；
标注单元，用于对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本；
语言模型，用于接收所述输入文本样本，以基于所述输入文本样本进行训练。
根据第三方面，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如上所述的方面和任一可能的实现方式的方法。
根据第四方面，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，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
由上述技术方案可知，本申请实施例通过获取原始输入文本的切词信息，然后对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本，进而，将所述输入文本样本输入语言模型，以对所述语言模型进行训练，从而使得语言模型可以基于词粒度进行语义信息的学习，由于引入了词粒度的语义信息，相对于字粒度，词粒度蕴含了更丰富的语义信息表示，基于词粒度的语义学习加强了语言模型对词义信息的建模，增强了语言模型对词义信息的学习能力，提升语言模型的性能。
另外，现有技术在语言模型预训练的序列标注任务中，是对输入文本中的每个字进行标注，要求输入文本按字切分，如果输入文本按词切分，会降低语言模型的通用性，对于下游序列标注任务不友好。采用本申请所提供的技术方案，在不改变原有输入文本按字切分的基础上，额外引入切词信息，既可以提高语言模型的语义学习能力，还不会降低语言模型的通用性，相对于直接引入按词切分的方式，对于下游序列标注任务更加友好。
另外，采用本申请所提供的技术方案，由于训练好的语言模型具有更好的语义信息表达能力，将训练好的语言模型用于后续的NLP任务时，可以有效提高NLP任务的处理结果的准确性。
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
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。附图仅仅用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是根据本申请第四实施例的示意图；
图5是根据本申请第五实施例的示意图；
图6是用来实现本申请实施例的语言模型的训练方法的电子设备的示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中所涉及的终端可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)、个人电脑(Personal Computer，PC)、MP3播放器、MP4播放器、可穿戴设备(例如，智能眼镜、智能手表、智能手环等)、智能家居设备等智能设备。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
现有技术在语言模型自监督的预训练学习中，为了不使语言模型的训练效果受到分词器性能的影响，都是基于字粒度进行语言模型的自监督预训练学习，从而使得语言模型很难学出更大语义粒度(例如词)的信息，而词的语义在中文语言表达中非常重要，基于字粒度的学习可能会破坏语言模型对词本身语义的学习，从而影响语言模型的性能。
本申请针对上述问题，提出一种语言模型的训练方法、装置、电子设备及可读存储介质，用以增强语言模型对词义信息的学习能力，提升语言模型的性能。
图1是根据本申请第一实施例的示意图，如图1所示。
101、获取原始输入文本的切词信息。
102、对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本。
其中的切字信息为对原始输入文本按字切分得到的结果，用于标识原始输入文本中的每个字。其中的切词信息为对原始输入文本按词切分得到的结果，用于标识原始输入文本中的每个词。
103、将所述输入文本样本输入语言模型，以对所述语言模型进行训练。
其中，上述101～103可以为一个迭代执行的过程，通过迭代执行101～103实现对语言模型的训练，直至满足预设训练完成条件，对语言模型的训练完成。
可选地，在本实施例的一个可能的实现方式中，所述预设训练完成条件可以根据实际需求设置，例如可以是：对语言模型的训练次数(即，101～103的迭代执行次数)达到第一预设阈值，例如，100万次。
需要说明的是，101～103的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，本实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在终端上的本地程序(nativeApp)，或者还可以是终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。
本实施例中，通过标注切字信息和切词信的输入文本样本对所述语言模型进行训练，从而使得语言模型可以基于词粒度进行语义信息的学习，由于引入了词粒度的语义信息，相对于字粒度，词粒度蕴含了更丰富的语义信息表示，基于词粒度的语义学习加强了语言模型对词义信息的建模，增强了语言模型对词义信息的学习能力，提升语言模型的性能。
另外，现有技术在语言模型预训练的序列标注任务中，是对输入文本中的每个字进行标注，要求输入文本按字切分，如果输入文本按词切分，会降低语言模型的通用性，对于下游序列标注任务不友好。采用本申请所提供的技术方案，在不改变原有输入文本按字切分的基础上，额外引入切词信息，既可以提高语言模型的语义学习能力，还不会降低语言模型的通用性，相对于直接引入按词切分的方式，对于下游序列标注任务更加友好。
另外，采用本申请所提供的技术方案，由于训练好的语言模型具有更好的语义信息表达能力，将训练好的语言模型用于后续的NLP任务时，可以有效提高NLP任务的处理结果的准确性。
可选地，在本实施例的一个可能的实现方式中，在101中，可以对所述原始输入文本进行分词，得到至少一个词，其中，所述至少一个词中的每个词包括至少一个字符，其中的字符可以包括文字、字母、数字、运算符号、标点符号和其他符号、以及一些功能性符号，等等；然后，根据所述至少一个词中的每个字符是否为所在词中的首字符，确定每个字符是否首字符的标记信息，其中，所述原始输入文本的切词信息包括：所述至少一个词中的每个字符是否首字符的标记信息。
本实施例中，根据分词结果，以每个字符是否所在词中首字符的标记信息作为每个字的切词信息，可以在不改变原有输入文本按字切分的基础上，表示切词结果，即可以方便的引入切词信息，还不会降低ERNIE模型的通用性，相对于直接引入按词切分的方式，对于下游序列标注任务更加友好。
可选地，在本实施例的一个可能的实现方式中，在101中，所述原始输入文本包括至少一个句子。相应地，102中，可以对所述原始输入文本中的每个字标注切字信息和切词信息，并对所述原始输入文本中的每个句子标注句子标识(sentence embedding)，得到所述输入文本样本。其中的句子标识用于标识当前句子为原始输入文本中的第几个句子。
本实施例中，除了对所述原始输入文本中的每个字标注切字信息和切词信息，并对所述原始输入文本中的每个句子标注句子标识，从而使得语言模型可以从句子级别学习更大语义粒度的信息，进一步提高语言模型的语义学习和表达能力；并且，对对所述原始输入文本中的每个句子标注句子标识，还可用于对原始输入文本进行句子任务(例如句子顺序、句子距离、句子逻辑关系)的训练。
可选地，在本实施例的一个可能的实现方式中，本申请上述实施例中的所述语言模型可以是任意的语言模型，例如可以采用知识增强语义表示(Enhanced Representationfrom kNowledge IntEgration，ERNIE)模型。
ERNIE模型可以通过建模海量数据中的实体概念等先验语义知识，学习完整概念的语义表示，通过标注切字信息和切词信息的输入文本样本来预训练ERNIE模型，从而使得ERNIE模型对语义知识单元的表示更贴近真实世界，ERNIE模型在基于字特征输入建模的同时还基于词特征输入建模，具有较强的语义表示能力。本实施例中，以ERNIE模型作为语言模型，可以利用ERNIE模型较强的语义表示能力，来建模海量数据中的词、实体及实体关系，学习真实世界的语义知识，从而增强了模型语义表示能力。
图2是根据本申请第二实施例的示意图，如图2所示。
首先，获取原始输入文本的切词信息。具体可以分为两个步骤：
在步骤一，对所述原始输入文本进行分词。假设原始输入文本为“大兄弟起床啦，早安大兄弟今天搬砖否”，分词后得到：(大)(兄弟)(起床)(啦)(早安)(大)(兄弟)(今天)(搬砖)(否)；
在步骤二，根据分词得到每个词中的每个字符是否为所在词中的首字符，确定每个字符是否首字符的标记信息。
假设，首字符的标记信息为B，非首字符的标记信息为I，则得到原始输入文本的切词信息包括原始输入文本中每个字符是否首字符的标记信息。
例如，原始文本：大兄弟起床啦，早安大兄弟今天搬砖否
切词信息：B B I B I B，B I B B I B I B I B
其次，对原始输入文本中的每个字标注切字信息(token embedding)和切词信息(seg embedding)，得到输入文本样本。
然后，将标注切字信息和切词信息的输入文本样本输入ERNIE模型，对所述语言模型进行训练。如图2所示，在保持文本按字切分的情况下额外引入切词信息，并且保持文本按字切分。
图3是根据本申请第三实施例的示意图，如图3所示。
在第一实施例的基础之上，在语言模型训练完成之后，还可以通过有监督的NLP任务对语言模型进行进一步优化，进一步提高语言模型在NLP任务中的预测性能。
在第二实施例中，通过有监督的NLP任务对语言模型进行的优化可以具体由如下步骤实现：
201、利用训练好的语言模型进行NLP任务，得到处理结果。
可选地，在本实施例的一个可能的实现方式中，其中的NLP任务例如可以是分类、匹配、序列标注等NLP任务中的任意一个或多个，本实施例对此不进行特别限定。相应地，处理结果为具体NLP任务的处理结果，例如分类结果、匹配结果、序列标注结果等。
可选地，在本实施例的一个可能的实现方式中，在201中，具体利用训练好的语言模型结合其他用于实现分类、匹配、序列标注的网络模型，例如卷积神经网络(convolutional neural network，CNN)、长短期记忆(Long Short Term Memory，LSTM)模型、词袋(Bag ofWord，BOW)模型，进行NLP任务，得到处理结果，例如，其他用于实现分类、匹配、序列标注的网络模型基于语言模型的输出进行分类、匹配、序列标注等处理，得到相应的分类结果、匹配结果、序列标注结果等处理结果。
202、根据所述处理结果与所述处理结果对应的标注结果信息之间的差异，对所述语言模型中的参数值进行精调(fine-tuning)，即精调语言模型中的参数值。
其中，所述标注结果信息为预先针对所要进行的NLP任务人工标注的正确处理结果。
其中，上述201～202可以为一个迭代执行的过程，通过迭代执行201～202对语言模型进行多次精调，直至满足预设条件，对语言模型的精调完成。
可选地，在本实施例的一个可能的实现方式中，所述预设条件可以根据实际需求设置，例如可以包括：所述处理结果与标注结果信息之间的差异小于预设差异小于第二预设阈值；和/或，语言模型的精调次数(即，201～202的迭代执行次数)达到第三预设阈值。
本实施例中，可以在不改变语言模型整体结构的情况下，通过有监督数据(即标注结果信息)的NLP任务对语言模型中的参数值进行进一步优化，便于根据各NLP任务对语言模型进行优化迭代，提高语言模型的预测性能。
可选地，在本实施例的一个可能的实现方式中，在201中，所述利用训练好的语言模型进行自然语言处理任务，例如可以包括以下任意一项或多项：
利用训练好的语言模型对待处理文本进行分类，得到待处理文本的分类任务，例如待处理文本来源于几篇文章，待处理文本的属于哪种情感类型，等等，从而可以实现对文本内容的分类；和/或，
利用训练好的语言模型对所述待处理文本与其他文本进行匹配，得到与待处理文本匹配的其他文本，从而可以获取与待处理文本的内容匹配的内容或者文章；和/或，
利用训练好的语言模型对所述待处理文本中的内容进行标注，得到待处理文本中相应内容的标注结果，例如待处理文本中各部分内容的关键内容信息，从而实现对待处理文本内容的序列标注；和/或，
利用训练好的语言模型预测所述待处理文本中句子之间的顺序，从而实现对句子排序任务的处理；和/或，
利用训练好的语言模型预测所述待处理文本中句子之间的语义距离(例如，相邻、来自于同一篇文章、来自于不同文章等)，从而实现对句子距离的预测；和/或，
利用训练好的语言模型预测所述待处理文本中句子之间的逻辑关系(例如因果关系、递进关系、并列关系等)，从而实现对句子之间逻辑关系的预测。
由此，基于本实施例训练得到的语言模型，可用于后续的任意词级或句子级、文章级任务，并具有较好的处理性能。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
图4是根据本申请第四实施例的示意图，如图4所示。本实施例的语言模型的训练装置300可以包括获取单元301、标注单元302和语言模型303。其中，获取单元301，用于获取原始输入文本的切词信息；标注单元302，用于对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本；语言模型303，用于接收所述输入文本样本，以基于所述输入文本样本进行训练。
需要说明的是，本实施例的语言模型的训练装置的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，本实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在终端上的本地程序(nativeApp)，或者还可以是终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。
本实施例中，通过标注切字信息和切词信的输入文本样本对所述语言模型进行训练，从而使得语言模型可以基于词粒度进行语义信息的学习，由于引入了词粒度的语义信息，相对于字粒度，词粒度蕴含了更丰富的语义信息表示，基于词粒度的语义学习加强了语言模型对词义信息的建模，增强了语言模型对词义信息的学习能力，提升语言模型的性能。
另外，现有技术在语言模型预训练的序列标注任务中，是对输入文本中的每个字进行标注，要求输入文本按字切分，如果输入文本按词切分，会降低语言模型的通用性，对于下游序列标注任务不友好。采用本申请所提供的技术方案，在不改变原有输入文本按字切分的基础上，额外引入切词信息，既可以提高语言模型的语义学习能力，还不会降低语言模型的通用性，相对于直接引入按词切分的方式，对于下游序列标注任务更加友好。
另外，采用本申请所提供的技术方案，由于训练好的语言模型具有更好的语义信息表达能力，将训练好的语言模型用于后续的NLP任务时，可以有效提高NLP任务的处理结果的准确性。
可选地，在本实施例的一个可能的实现方式中，所述获取单元301，具体用于：对所述原始输入文本进行分词，得到至少一个词；所述至少一个词中的每个词包括至少一个字符；根据所述至少一个词中的每个字符是否为所在词中的首字符，确定每个字符是否首字符的标记信息；所述原始输入文本的切词信息包括：所述至少一个词中的每个字符是否首字符的标记信息。
可选地，在本实施例的一个可能的实现方式中，所述原始输入文本包括至少一个句子；所述标注单元302，具体用于：对所述原始输入文本中的每个字标注切字信息和切词信息，并对所述原始输入文本中的每个句子标注句子标识，得到输入文本样本。
可选地，在本实施例的一个可能的实现方式中，本申请上述实施例中的所述语言模型303可以是任意的语言模型，例如可以采用ERNIE模型。
可选地，在本实施例的一个可能的实现方式中，所述语言模型303，还用于在训练完成后，进行自然语言处理任务，得到处理结果。
图5是根据本申请第五实施例的示意图，如图5所示，在图4所示实施例的基础上，本实施例的语言模型的训练装置300还可以包括：精调单元401，用于根据所述处理结果与所述处理结果对应的标注结果信息之间的差异，对所述语言模型303中的参数值进行精调。
可选地，在本实施例的一个可能的实现方式中，所述语言模型303进行自然语言处理任务时，具体用于：对待处理文本进行分类；和/或，对所述待处理文本与其他文本进行匹配；和/或，对所述待处理文本中的内容进行标注；和/或，预测所述待处理文本中句子之间的顺序；和/或，预测所述待处理文本中句子之间的语义距离；和/或，预测所述待处理文本中句子之间的逻辑关系。
需要说明的是，图1～图3对应的实施例中的方法可以由上述图4～图5实施例提供的语言模型的训练装置实现。详细描述可以参见图1～图3对应的实施例中的相关内容，此处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种存储有计算机指令的非瞬时计算机可读存储介质。
图6是用来实现本申请实施例的语言模型的训练方法的电子设备的示意图。电子设备旨在表示各种形式的数字计算机，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/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI(图形用户界面)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语言模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语言模型的训练方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及单元，如本申请实施例中的语言模型的训练方法对应的程序指令/单元(例如，附图4所示的获取单元301、标注单元302和语言模型303)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及单元，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的语言模型的训练方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据实现本申请实施例提供的语言模型的训练方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至实现本申请实施例提供的语言模型的训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
语言模型的训练方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与实现本申请实施例提供的语言模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，LCD(液晶显示器)、LED(发光二极管)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、ASIC(专用集成电路)、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***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***、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***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、PLD(可编程逻辑器件))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***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、语言输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括：LAN(局域网)、WAN(广域网)、互联网和区块链网络。
计算机***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。
根据本申请实施例的技术方案，本实施例中，通过标注切字信息和切词信的输入文本样本对所述语言模型进行训练，从而使得语言模型可以基于词粒度进行语义信息的学习，由于引入了词粒度的语义信息，相对于字粒度，词粒度蕴含了更丰富的语义信息表示，基于词粒度的语义学习加强了语言模型对词义信息的建模，增强了语言模型对词义信息的学习能力，提升语言模型的性能。
另外，现有技术在语言模型预训练的序列标注任务中，是对输入文本中的每个字进行标注，要求输入文本按字切分，如果输入文本按词切分，会降低语言模型的通用性，对于下游序列标注任务不友好。采用本申请所提供的技术方案，在不改变原有输入文本按字切分的基础上，额外引入切词信息，既可以提高语言模型的语义学习能力，还不会降低ERNIE模型的通用性，相对于直接引入按词切分的方式，对于下游序列标注任务更加友好。
另外，采用本申请所提供的技术方案，由于训练好的语言模型具有更好的语义信息表达能力，将训练好的语言模型用于后续的NLP任务时，可以有效提高NLP任务的处理结果的准确性。
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，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种语言模型的训练方法，包括：
获取原始输入文本的切词信息；
对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本；
将所述输入文本样本输入语言模型，以对所述语言模型进行训练。
2.根据权利要求1所述的方法，其中，所述获取原始输入文本的切词信息，包括：
对所述原始输入文本进行分词，得到至少一个词；所述至少一个词中的每个词包括至少一个字符；
根据所述至少一个词中的每个字符是否为所在词中的首字符，确定每个字符是否首字符的标记信息；所述原始输入文本的切词信息包括：所述至少一个词中的每个字符是否首字符的标记信息。
3.根据权利要求1所述的方法，其中，所述原始输入文本包括至少一个句子；
所述对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本，包括：
对所述原始输入文本中的每个字标注切字信息和切词信息，并对所述原始输入文本中的每个句子标注句子标识，得到输入文本样本。
4.根据权利要求1所述的方法，其中，所述语言模型包括知识增强语义表示ERNIE模型。
5.根据权利要求1-4中任一项所述的方法，其中，所述将所述输入文本样本输入语言模型，以对语言模型进行训练之后，还包括：
利用训练好的语言模型进行自然语言处理任务，得到处理结果；
根据所述处理结果与所述处理结果对应的标注结果信息之间的差异，对所述语言模型中的参数值进行精调。
6.根据权利要求5所述的方法，其中，所述利用训练好的语言模型进行自然语言处理任务，包括：
利用训练好的语言模型对待处理文本进行分类；和/或，
利用训练好的语言模型对所述待处理文本与其他文本进行匹配；和/或，
利用训练好的语言模型对所述待处理文本中的内容进行标注；和/或，
利用训练好的语言模型预测所述待处理文本中句子之间的顺序；和/或，
利用训练好的语言模型预测所述待处理文本中句子之间的语义距离；和/或，
利用训练好的语言模型预测所述待处理文本中句子之间的逻辑关系。
7.一种语言模型的训练装置，包括：
获取单元，用于获取原始输入文本的切词信息；
标注单元，用于对所述原始输入文本中的每个字标注切字信息和切词信息，得到输入文本样本；
语言模型，用于接收所述输入文本样本，以基于所述输入文本样本进行训练。
8.根据权利要求7所述的装置，其中，所述获取单元，具体用于
对所述原始输入文本进行分词，得到至少一个词；所述至少一个词中的每个词包括至少一个字符；
根据所述至少一个词中的每个字符是否为所在词中的首字符，确定每个字符是否首字符的标记信息；所述原始输入文本的切词信息包括：所述至少一个词中的每个字符是否首字符的标记信息。
9.根据权利要求7所述的装置，其中，所述原始输入文本包括至少一个句子；
所述标注单元，具体用于
对所述原始输入文本中的每个字标注切字信息和切词信息，并对所述原始输入文本中的每个句子标注句子标识，得到输入文本样本。
10.根据权利要求7所述的装置，其中，所述语言模型包括知识增强语义表示ERNIE模型。
11.根据权利要求7-10中任一项所述的装置，其中，所述语言模型，还用于在训练完成后，进行自然语言处理任务，得到处理结果；
所述装置还包括：
精调单元，用于根据所述处理结果与所述处理结果对应的标注结果信息之间的差异，对所述语言模型中的参数值进行精调。
12.根据权利要求11所述的装置，其中，所述语言模型进行自然语言处理任务时，具体用于
对待处理文本进行分类；和/或，
对所述待处理文本与其他文本进行匹配；和/或，
对所述待处理文本中的内容进行标注；和/或，
预测所述待处理文本中句子之间的顺序；和/或，
预测所述待处理文本中句子之间的语义距离；和/或，
预测所述待处理文本中句子之间的逻辑关系。
13.一种电子设备，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1-6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，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010564362.9A CN111859951B (zh) | 2020-06-19 | 2020-06-19 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010564362.9A CN111859951B (zh) | 2020-06-19 | 2020-06-19 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859951A true CN111859951A (zh) | 2020-10-30 |
| CN111859951B CN111859951B (zh) | 2024-03-26 |
Family
ID=72987596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010564362.9A Active CN111859951B (zh) | 2020-06-19 | 2020-06-19 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859951B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487826A (zh) * | 2020-11-30 | 2021-03-12 | 北京百度网讯科技有限公司 | 信息抽取方法、抽取模型训练方法、装置以及电子设备 |
| CN112487814A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
| CN112507101A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 一种建立预训练语言模型的方法和装置 |
| CN112669816A (zh) * | 2020-12-24 | 2021-04-16 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
| CN113011176A (zh) * | 2021-03-10 | 2021-06-22 | 云从科技集团股份有限公司 | 语言模型训练及其语言推理方法、装置及计算机存储介质 |
| CN113011135A (zh) * | 2021-03-03 | 2021-06-22 | 科大讯飞股份有限公司 | ***语元音恢复方法、装置、设备及存储介质 |
| CN113220836A (zh) * | 2021-05-08 | 2021-08-06 | 北京百度网讯科技有限公司 | 序列标注模型的训练方法、装置、电子设备和存储介质 |
| CN115600646A (zh) * | 2022-10-19 | 2023-01-13 | 北京百度网讯科技有限公司（Cn） | 语言模型的训练方法、装置、介质及设备 |
| CN115640611A (zh) * | 2022-11-25 | 2023-01-24 | 荣耀终端有限公司 | 一种自然语言处理模型的更新方法及相关设备 |
| CN115688796A (zh) * | 2022-10-21 | 2023-02-03 | 北京百度网讯科技有限公司 | 用于自然语言处理领域中预训练模型的训练方法及其装置 |
| CN116052648A (zh) * | 2022-08-03 | 2023-05-02 | 荣耀终端有限公司 | 一种语音识别模型的训练方法、使用方法及训练*** |
| CN114817469B (zh) * | 2022-04-27 | 2023-08-08 | 马上消费金融股份有限公司 | 文本增强方法、文本增强模型的训练方法及装置 |
| CN117744661A (zh) * | 2024-02-21 | 2024-03-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 基于提示词工程的文本生成模型训练方法和文本生成方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007087397A (ja) * | 2005-09-21 | 2007-04-05 | Fujitsu Ltd | 形態素解析プログラム、補正プログラム、形態素解析装置、補正装置、形態素解析方法および補正方法 |
| CN102929916A (zh) * | 2012-09-19 | 2013-02-13 | 无锡华御信息技术有限公司 | 一种基于文档名称识别的备份文档的方法 |
| CN103077164A (zh) * | 2012-12-27 | 2013-05-01 | 新浪网技术(中国)有限公司 | 文本分析方法及文本分析器 |
| US20160162466A1 (en) * | 2014-12-09 | 2016-06-09 | Idibon, Inc. | Intelligent system that dynamically improves its knowledge and code-base for natural language understanding |
| WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
| CN109033080A (zh) * | 2018-07-12 | 2018-12-18 | 上海金仕达卫宁软件科技有限公司 | 基于概率转移矩阵的医疗术语标准化方法及*** |
| WO2019147804A1 (en) * | 2018-01-26 | 2019-08-01 | Ge Inspection Technologies, Lp | Generating natural language recommendations based on an industrial language model |
| CN110110327A (zh) * | 2019-04-26 | 2019-08-09 | 网宿科技股份有限公司 | 一种基于对抗学习的文本标注方法和设备 |
| CN110134949A (zh) * | 2019-04-26 | 2019-08-16 | 网宿科技股份有限公司 | 一种基于教师监督的文本标注方法和设备 |
-
2020
- 2020-06-19 CN CN202010564362.9A patent/CN111859951B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007087397A (ja) * | 2005-09-21 | 2007-04-05 | Fujitsu Ltd | 形態素解析プログラム、補正プログラム、形態素解析装置、補正装置、形態素解析方法および補正方法 |
| CN102929916A (zh) * | 2012-09-19 | 2013-02-13 | 无锡华御信息技术有限公司 | 一种基于文档名称识别的备份文档的方法 |
| CN103077164A (zh) * | 2012-12-27 | 2013-05-01 | 新浪网技术(中国)有限公司 | 文本分析方法及文本分析器 |
| US20160162466A1 (en) * | 2014-12-09 | 2016-06-09 | Idibon, Inc. | Intelligent system that dynamically improves its knowledge and code-base for natural language understanding |
| WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
| WO2019147804A1 (en) * | 2018-01-26 | 2019-08-01 | Ge Inspection Technologies, Lp | Generating natural language recommendations based on an industrial language model |
| CN109033080A (zh) * | 2018-07-12 | 2018-12-18 | 上海金仕达卫宁软件科技有限公司 | 基于概率转移矩阵的医疗术语标准化方法及*** |
| CN110110327A (zh) * | 2019-04-26 | 2019-08-09 | 网宿科技股份有限公司 | 一种基于对抗学习的文本标注方法和设备 |
| CN110134949A (zh) * | 2019-04-26 | 2019-08-16 | 网宿科技股份有限公司 | 一种基于教师监督的文本标注方法和设备 |
Non-Patent Citations (2)
| Title |
|---|
| 周烨恒;石嘉晗;徐睿峰;: "结合预训练模型和语言知识库的文本匹配方法", 中文信息学报, no. 02, 15 February 2020 (2020-02-15) * |
| 黄胜;李伟;张剑;: "基于深度学习的简历信息实体抽取方法", 计算机工程与设计, no. 12, 16 December 2018 (2018-12-16) * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487814A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
| CN112487814B (zh) * | 2020-11-27 | 2024-04-02 | 北京百度网讯科技有限公司 | 实体分类模型训练方法、实体分类方法、装置及电子设备 |
| CN112487826A (zh) * | 2020-11-30 | 2021-03-12 | 北京百度网讯科技有限公司 | 信息抽取方法、抽取模型训练方法、装置以及电子设备 |
| CN112507101A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 一种建立预训练语言模型的方法和装置 |
| CN112507101B (zh) * | 2020-12-18 | 2024-04-05 | 北京百度网讯科技有限公司 | 一种建立预训练语言模型的方法和装置 |
| CN112669816B (zh) * | 2020-12-24 | 2023-06-02 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
| CN112669816A (zh) * | 2020-12-24 | 2021-04-16 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
| CN113011135A (zh) * | 2021-03-03 | 2021-06-22 | 科大讯飞股份有限公司 | ***语元音恢复方法、装置、设备及存储介质 |
| CN113011176A (zh) * | 2021-03-10 | 2021-06-22 | 云从科技集团股份有限公司 | 语言模型训练及其语言推理方法、装置及计算机存储介质 |
| CN113220836A (zh) * | 2021-05-08 | 2021-08-06 | 北京百度网讯科技有限公司 | 序列标注模型的训练方法、装置、电子设备和存储介质 |
| CN113220836B (zh) * | 2021-05-08 | 2024-04-09 | 北京百度网讯科技有限公司 | 序列标注模型的训练方法、装置、电子设备和存储介质 |
| CN114817469B (zh) * | 2022-04-27 | 2023-08-08 | 马上消费金融股份有限公司 | 文本增强方法、文本增强模型的训练方法及装置 |
| CN116052648A (zh) * | 2022-08-03 | 2023-05-02 | 荣耀终端有限公司 | 一种语音识别模型的训练方法、使用方法及训练*** |
| CN116052648B (zh) * | 2022-08-03 | 2023-10-20 | 荣耀终端有限公司 | 一种语音识别模型的训练方法、使用方法及训练*** |
| CN115600646B (zh) * | 2022-10-19 | 2023-10-03 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、介质及设备 |
| CN115600646A (zh) * | 2022-10-19 | 2023-01-13 | 北京百度网讯科技有限公司（Cn） | 语言模型的训练方法、装置、介质及设备 |
| CN115688796B (zh) * | 2022-10-21 | 2023-12-05 | 北京百度网讯科技有限公司 | 用于自然语言处理领域中预训练模型的训练方法及其装置 |
| CN115688796A (zh) * | 2022-10-21 | 2023-02-03 | 北京百度网讯科技有限公司 | 用于自然语言处理领域中预训练模型的训练方法及其装置 |
| CN115640611B (zh) * | 2022-11-25 | 2023-05-23 | 荣耀终端有限公司 | 一种自然语言处理模型的更新方法及相关设备 |
| CN115640611A (zh) * | 2022-11-25 | 2023-01-24 | 荣耀终端有限公司 | 一种自然语言处理模型的更新方法及相关设备 |
| CN117744661A (zh) * | 2024-02-21 | 2024-03-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 基于提示词工程的文本生成模型训练方法和文本生成方法 |
| CN117744661B (zh) * | 2024-02-21 | 2024-05-17 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 基于提示词工程的文本生成模型训练方法和文本生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111859951B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111859951A (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
| CN111428008B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN111859982B (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
| CN111709247B (zh) | 数据集处理方法、装置、电子设备和存储介质 | |
| CN111539223A (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
| US20220019736A1 (en) | Method and apparatus for training natural language processing model, device and storage medium | |
| CN111104514B (zh) | 文档标签模型的训练方法及装置 | |
| CN111967268A (zh) | 文本中的事件抽取方法、装置、电子设备和存储介质 | |
| CN111191428B (zh) | 评论信息处理方法、装置、计算机设备和介质 | |
| CN111737994A (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
| CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
| EP3916613A1 (en) | Method and apparatus for obtaining word vectors based on language model, device and storage medium | |
| CN111079442A (zh) | 文档的向量化表示方法、装置和计算机设备 | |
| CN111737995A (zh) | 基于多种词向量训练语言模型的方法、装置、设备及介质 | |
| CN111611468B (zh) | 页面交互方法、装置和电子设备 | |
| CN111680145A (zh) | 知识表示学习方法、装置、设备以及存储介质 | |
| CN111950291A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
| CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| CN110674314A (zh) | 语句识别方法及装置 | |
| CN111539209B (zh) | 用于实体分类的方法和装置 | |
| CN111079945B (zh) | 端到端模型的训练方法及装置 | |
| CN111950256A (zh) | 断句处理方法、装置、电子设备和计算机存储介质 | |
| CN111339759A (zh) | 领域要素识别模型训练方法、装置及电子设备 | |
| CN111339268A (zh) | 实体词识别方法和装置 | |
| CN111522944A (zh) | 用于输出信息的方法、装置、设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |