CN114970522B - 语言模型的预训练方法、装置、设备、存储介质 - Google Patents
语言模型的预训练方法、装置、设备、存储介质 Download PDFInfo
- Publication number
- CN114970522B CN114970522B CN202210552543.9A CN202210552543A CN114970522B CN 114970522 B CN114970522 B CN 114970522B CN 202210552543 A CN202210552543 A CN 202210552543A CN 114970522 B CN114970522 B CN 114970522B
- Authority
- CN
- China
- Prior art keywords
- task
- training
- language
- template
- language data
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 2
- 235000019580 granularity Nutrition 0.000 claims 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 230000008451 emotion Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Machine Translation (AREA)
Abstract
本公开公开了一种语言模型的预训练方法、语言模型的预训练装置、电子设备和可读存储介质,涉及人工智能领域,特别涉及深度学习领域。该方法包括:构建预训练语言数据集,其中,所述预训练语言数据集包括无监督语言数据和有监督语言数据;根据所述预训练语言数据集生成层次化的多模板多任务语言数据集;根据所述层次化的多模板多任务语言数据集对语言模型进行预训练。本公开实施例可以构建了一个多模板多任务语言数据集,将任务统一模板化,使得模型可以同时建模多任务数据。本公开实施例还可以提升模型多任务学习的鲁棒性,通过学习无监督数据中通用的知识,可以避免知识遗忘。
Description
技术领域
本公开涉及计算机技术领域,具体涉及人工智能领域,特别涉及深度学习技术领域,尤其涉及一种语言模型的预训练方法、装置、设备、存储介质和程序产品。
背景技术
相关技术中,基于多任务的微调技术和基于多任务的预训练技术可以使大规模的语言模型拥有很强的通用文本生成能力。
但是,相关技术中,多任务的微调技术无法让模型从无监督数据中学到通用知识,导致模型可能无法持续学习,以及多任务数据的预训练技术中的模板设计单一,将影响模型的鲁棒性。
因此,亟需一种“语言模型的预训练方法”解决模型的持续学习问题,增加模板多样性并提升模型多任务学习的鲁棒性。
发明内容
本公开提供了一种语言模型的预训练方法、装置、设备、存储介质和程序产品。
根据本公开的第一方面,提供了一种语言模型的预训练方法,包括:
构建预训练语言数据集,其中,所述预训练语言数据集包括无监督语言数据和有监督语言数据;
根据所述预训练语言数据集生成层次化的多模板多任务语言数据集;
根据所述层次化的多模板多任务语言数据集对语言模型进行预训练。
根据本公开的第二方面,提供了一种语言模型的预训练装置,包括:
构建模块,用于构建预训练语言数据集,其中,所述预训练数据集包括无监督语言数据和有监督语言数据;
生成模块,用于根据所述预训练语言数据集生成层次化的多模板多任务语言数据集;
预训练模块,用于根据所述层次化的多模板多任务语言数据集对语言模型进行预训练。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述方法实施例所述的方法。
根据本公开的第四方面,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所述计算机指令用于使所述计算机执行前述方法实施例所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包含计算机程序,其中,所述计算机程序在被处理器执行时实现前述方法实施例所述的方法。
本公开实施例的语言模型的预训练方法中,根据预训练语言数据集生成层次化的多模板多任务语言数据集,可以通过构建多模板多任务语言数据集,将任务统一模板化,使得模型可以同时建模多任务数据,以通过设置多个模板来增加模型多样性并提升了模型任务学习的鲁棒性。以及,在对模型进行预训练时可以通过连续模板更好地学习到任务相关与数据集相关的知识,由此提升了模型零样本与少样本的迁移能力。
此外,基于构建预训练语言数据集,本公开提出基于语言模型进行无监督通用知识与有监督任务知识的联合训练,由此使得语言模型不仅能够建模任务知识(基于有监督任务知识),而且能持续学习无监督数据中通用的知识,避免知识遗忘。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种语言模型的预训练方法的示意图;
图2为本公开实施例所提供的一种语言模型的预训练数据集示意图;
图3为本公开实施例所提供的一种根据语言模型的预训练数据集生成层次化的多模板多任务数据集的示意图;
图4为本实施例所提供的一种第一至第四粒度的样本语言数据示意图;
图5为本公开实施例所提供的一种根据层次化的多模板多任务数据集对语言模型进行预训练的示意图;
图6为本公开实施例提供的一种语言模型的预训练装置的结构示意图;
图7为本公开实施例提供的另一种语言模型的预训练装置的结构示意图;
图8为本公开实施例提供的又一种语言模型的预训练装置的结构示意图;
图9为本公开的实施例提供的电子设备的示意性框图。
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。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
下面参考附图描述本申请实施例的用于模型训练的运行控制方法、装置和电子设备。
图1为本公开实施例所提供的一种语言模型的预训练方法的流程示意图,该方法包括:
步骤S101、构建预训练语言数据集,其中,该预训练语言数据集包括无监督语言数据和有监督语言数据。
图2为本公开实施例所提供的一种语言模型的预训练数据集示意图。
其中,如图2所示,在本公开的一个实施例之中,该无监督语言数据可以为海量文本数据和知识图谱。
示例的,在本公开的一个实施例之中,海量文本数据可以为来自于网页中的文本数据及其他搜索引擎中的文本数据等,知识图谱可以为有导向图结构的知识库中的三元组数据。
以及,如图2所示,在本公开的一个实施例之中,该有监督语言数据可以为多任务语言数据。
具体的,在本公开的一个实施例之中,多任务语言数据可以包括:常见的自然语言理解与生成任务。
示例的,在本公开的一个实施例之中,该有监督语言数据集可以包括自由问答数据集、情感分析数据集、语义匹配数据集、文本分类数据集、文本摘要数据集等。
步骤S102、根据预训练语言数据集生成层次化的多模板多任务语言数据集。
其中,在本公开的一个实施例之中,该预训练语言数据集中包括有监督语言数据,以及,该有监督语言数据包括多任务语言数据集,以及,为多任务语言数据集设置对应的任务模板,以及,每个任务模板对应至少一个任务子模板。
以及,在本公开的一个实施例之中,根据每个任务语言数据集对应的至少一个任务子模板将每个任务语言数据集分成至少一个任务大类,以生成层次化的多模板多任务语言数据集。
示例的,图3为本公开实施例所提供的一种根据语言模型的预训练数据集生成层次化的多模板多任务语言数据集的示意图,在本公开的一个实施例之中,如图3所示,图3分为三个小图,其中,偏左侧的小图可以为多任务数据集,如图所示可以为多任务数据集设置对应的情感分析、开发问答、问题匹配、广告创作等任务模板,以及每个任务模板拥有对应的样本文本。以及,图3中间位置的小图可以为根据每个任务模板对应的至少一个任务子模板将每个任务数据集分成至少一个任务大类,比如,书籍评论子模板、金融情绪子模板等可以分成情感分析任务大类。以及,图3偏右侧的小图可以为生成层次化的多模板多任务语言数据集,也即是样本文本统一形式之后的数据集。
需要解释的是,在本公开的一个实施例之中,多任务语言数据集为结构化的有监督语言数据,以及,该根据每个任务语言数据集对应的至少一个任务子模板将每个任务语言数据集分成至少一个任务大类的方法可以根据经验和知识来划分。
步骤S103、根据层次化的多模板多任务语言数据集对语言模型进行预训练。
其中,在本公开的一个实施例之中,该根据层次化的多模板多任务语言数据集对语言模型进行预训练的方法可以包括:通过将连续模板拼接在样本文本之前来实现层次化建模,以及,该方法具有以下步骤:
步骤a、从语言模型之中获取样本文本。
步骤b、根据样本文本所属的任务大类,获取样本文本对应的任务模板和任务子模板。
步骤c、根据样本文本对应的任务模板和任务子模板生成连续模板。
步骤d、将样本文本和连续模板输入语言模型,以对语言模型进行预训练。
以及,在本公开的一个实施例中,该语言模型可以通过多粒度的无监督语言数据训练生成。
具体地,在本公开的一个实施例中,该语言模型可以从海量的无监督语语言数据中训练词、句、段与篇章从细到粗,第一至第四粒度的样本语言数据,以及该语言模型的训练为双向训练。
示例的,在本公开的一个实施例之中,图4为本实施例所提供的一种第一至第四粒度的样本语言数据示意图,如图4所示,输入分为双向编码输入(加粗字体)与单向解码输入(常规字体),通过将输入内容进行部分的双向建模。图中的M、S、E分别表示掩码字符,开始生成字符与结束字符。词、句、段落与篇章不同粒度的区别就在于掩码字符(M)。例如,在词粒度双向生成任务中,其中哈尔滨与冰雪两个词被掩码字符所替换了,模型则需要通过建模输入,学习到如何还原双向编码输入(加粗字体)中的掩码字符。
由此,基于语言模型的生成分支可以进行无监督通用知识与有监督任务知识的联合训练。优化目标如下:
其中,x为总长度为n的样本文本,y为总长度为m的有监督数据集。前半部分loss在无监督通用数据上进行优化,后半部分loss在有监督数据上优化。统一采用语言模型建模,第i个字符只能看到其前面0~i-1个字符的信息,并且0~s部分的字符是双向可见的,而s~i部分是单向可见的。
以及,图5为本公开实施例所提供的一种根据层次化的多模板多任务语言数据集对语言模型进行预训练的示意图。在本公开的一个实施例之中,如图5所示,该连续模板可以是学习的向量,能与样本文本一起输入至模型中,并根据样本文本对应的任务模板和任务子模板,在预训练模型的生成分支进行无监督通用知识与有监督任务知识的联合训练后,得到优化。
在完成层次化的多模板多任务预训练后,可以让预训练模型迁移能力变强,由于任务连续模板是和多任务数据一起进行训练,所以也会有更强的迁移能力。由此,针对新的层次化的多模板多任务数据集同一任务类型的数据具有零样本与少样本迁移能力。同样,与连续模板对应的任务模板和任务子模板则可以更好的引导模型完成特定数据集对应任务。如图5中问答模板以及开放问答子模板等。
进一步地,为了引入层次化的人工先验知识,我们针对每个任务类型和语言数据集分配了N个可以训练的词向量(即连续模板(continuous prompt)),拼接在原始文本之前,辅助模型进行层次化多任务知识的学习。在训练阶段,可以修改对语言模型进行预训练的目标函数中有监督优化目标,使其依赖于任务与数据集的连续模板,具体修改如下:
其中,T*,D*分别为任务与数据集的连续模板,每种任务与数据集的连续模板均是不同的,在训练模型前与模型其它参数一样,随机初始化赋值即可。在训练时,根据层次化的多模板多任务语言数据中的任务与语言数据集标签,选择对应的连续模板与原始本文拼接,输入语言模型,进行优化。
本公开实施例的预训练方法中,通过构建预训练语言数据集,其中,预训练语言数据集包括无监督语言数据和有监督语言数据;之后,根据预训练语言数据集生成层次化的多模板多任务语言数据集;再根据层次化的多模板多任务语言数据集对语言模型进行预训练。由此,本公开实施例可以构建了一个多模板多任务语言数据集,将任务统一模板化,使得语言模型可以同时建模多任务数据,以通过设置多个模板来增加模型多样性并提升了模型任务学习的鲁棒性,以及,在对语言模型进行预训练时可以通过连续模板更好地学习到任务相关与数据集相关的知识,由此提升了模型零样本与少样本的迁移能力。
以及,基于构建预训练语言数据集,本公开提出基于语言模型进行无监督通用知识与有监督任务知识的联合训练,由此使得语言模型不仅能够建模任务知识,而且能持续学习无监督语言数据中通用的知识,避免知识遗忘。
为了实现上述实施例,本公开实施例还提出一种预训练装置。图6为本公开实施例提供的一种语言模型的预训练装置的结构示意图。
如图6所示,该装置包括:
构建模块61,用于构建预训练语言数据集,其中,所述预训练语言数据集包括无监督语言数据和有监督语言数据;
生成模块62,用于根据所述预训练语言数据集生成层次化的多模板多任务语言数据集;
预训练模块63,用于根据所述层次化的多模板多任务语言数据集对语言模型进行预训练。
如图7所示,该生成模块62,包括:
模板设置子模块621,用于为所述多任务数据集之中每个任务数据集设置对应的任务模板,以及每个任务模板对应的至少一个任务子模板,以及第一生成子模块622,用于根据每个所述任务数据集对应的至少一个任务子模板将所述每个任务数据集分成至少一个任务大类,以生成所述层次化的多模板多任务数据集。
如图7所示,该生成模块62,包括:
第二生成子模块623,用于所述语言模型通过多粒度的无监督语言数据训练生成。
如图7所示,该生成模块62,包括:
提取子模块624,用于从所述无监督语言数据之中提取第一至第四粒度的样本语言数据;
第三生成子模块625,用于分别根据所述第一至第四粒度的样本语言数据对初始模型进行训练,以生成所述语言模型。
如图8所示,该预训练模块63,包括:
样本获取子模块631,用于从所述语言模型之中获取样本文本;
模板获取子模块632,用于根据所述样本文本所属的任务大类,获取所述样本文本对应的任务模板和任务子模板;
连续模板生成子模块633,用于根据所述样本文本对应的任务模板和任务子模板生成连续模板;
第一预训练子模块634,用于将所述样本文本和所述连续模板输入所述语言模型,以对所述语言模型进行预训练。
如图8所示,该预训练模块63,还包括:
拼接子模块635,用于将所述连续模板拼接在所述样本文本之前。
如图8所示,该预训练模块63,还包括:
第二预训练子模块636,用于通过所述无监督语言数据和有监督语言数据对所述语言模型进行联合预训练。
作为一种实现方式,该装置,还用于通过所述无监督数据和有监督数据对所述预训练模型进行联合预训练。
需要说明的是前述对方法实施例的解释说明,也适用于本实施例的装置,原理相同,此处不再赘述。
本公开实施例的语言模型的预训练装置中,通过构建预训练语言数据集,其中,预训练语言数据集包括无监督语言数据和有监督数据;之后,根据预训练语言数据集生成层次化的多模板多任务语言数据集;再根据层次化的多模板多任务语言数据集对语言模型进行预训练。由此,本公开实施例可以构建了一个多模板多任务语言数据集,将任务统一模板化,使得模型可以同时建模多任务数据,以通过设置多个模板来增加模型多样性并提升了模型任务学习的鲁棒性,以及,在对模型进行预训练时可以通过连续模板更好地学习到任务相关与数据集相关的知识,由此提升了模型零样本与少样本的迁移能力。
以及,基于构建预训练语言数据集,本公开提出基于语言模型进行无监督通用知识与有监督任务知识的联合训练,由此使得语言模型不仅能够建模任务知识,而且能持续学习无监督数据中通用的知识,避免知识遗忘。
为了实现上述实施例,本公开还提出一种电子设备,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,实现如前述方法实施例所述的方法。
为了实现上述实施例,本公开还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如前述方法实施例所述的方法。
为了实现上述实施例,本公开还提出一种计算机程序产品,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述方法实施例所述的方法。
根据本公开的实施例,本公开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。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
计算单元901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901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901执行上文所描述的各个方法和处理,例如预训练方法。例如,在一些实施例中,预训练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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时,可以执行上文描述的预训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行预训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(SOC)、负载可编程逻辑设备(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***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。
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***、装置或设备使用或与指令执行***、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***、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***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***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:局域网(LAN)、广域网(WAN)、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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种语言模型的预训练方法,包括:
构建预训练语言数据集,其中,所述预训练语言数据集包括无监督语言数据和有监督语言数据;
根据所述预训练语言数据集生成层次化的多模板多任务语言数据集;
根据所述层次化的多模板多任务语言数据集对语言模型进行预训练,其中,通过将连续模板拼接在样本文本之前来实现层次化建模;
其中,所述有监督语言数据包括多任务语言数据集,且所述根据所述预训练语言数据集生成层次化的多模板多任务语言数据集,包括:
为所述多任务语言数据集之中每个任务语言数据集设置对应的任务模板,以及每个任务模板对应的至少一个任务子模板;
根据每个所述任务语言数据集对应的至少一个任务子模板将所述每个任务语言数据集分成至少一个任务大类,以生成所述层次化的多模板多任务语言数据集。
2.如权利要求1所述的方法,其中,所述根据所述层次化的多模板多任务语言数据集对语言模型进行预训练,包括:
从所述语言模型之中获取样本文本;
根据所述样本文本所属的任务大类,获取所述样本文本对应的任务模板和任务子模板;
根据所述样本文本对应的任务模板和任务子模板生成连续模板;
将所述样本文本和所述连续模板输入所述语言模型,以对所述语言模型进行预训练。
3.如权利要求2所述的方法,其中,还包括:
将所述连续模板拼接在所述样本文本之前。
4.如权利要求1-3任一项所述的方法,其中,通过所述无监督语言数据和有监督语言数据对所述语言模型进行联合预训练。
5.如权利要求1所述的方法,其中,所述语言模型通过多粒度的无监督语言数据训练生成。
6.如权利要求5所述的方法,其中,所述语言模型通过以下步骤生成:
从所述无监督语言数据之中提取第一至第四粒度的样本语言数据;
分别根据所述第一至第四粒度的样本语言数据对初始模型进行训练,以生成所述语言模型。
7.如权利要求6所述的方法,其中,所述第一至第四粒度为词粒度、句子粒度、段粒度和篇章粒度。
8.如权利要求5所述的方法,其中,所述训练为双向训练。
9.如权利要求1所述的方法,其中,对所述语言模型进行预训练的目标函数为:
其中,x为总长度为n的样本文本,y为总长度为m的有监督数据集,其中,的损失值在无监督通用数据上进行优化,所述的损失值在所述有监督数据上优化。
10.一种语言模型的预训练装置,包括:
构建模块,用于构建预训练语言数据集,其中,所述预训练语言数据集包括无监督语言数据和有监督语言数据;
生成模块,用于根据所述预训练语言数据集生成层次化的多模板多任务语言数据集;
预训练模块,用于根据所述层次化的多模板多任务语言数据集对语言模型进行预训练,其中,通过将连续模板拼接在样本文本之前来实现层次化建模;
其中,所述有监督语言数据包括多任务语言数据集,且所述生成模块,包括:模板设置子模块,用于为所述多任务语言数据集之中每个任务语言数据集设置对应的任务模板,以及每个任务模板对应的至少一个任务子模板;第一生成子模块,根据每个所述任务语言数据集对应的至少一个任务子模板将所述每个任务语言数据集分成至少一个任务大类,以生成所述层次化的多模板多任务语言数据集。
11.如权利要求10所述的装置,其中,所述预训练模块,包括:
样本获取子模块,用于从所述语言模型之中获取样本文本;
模板获取子模块,用于根据所述样本文本所属的任务大类,获取所述样本文本对应的任务模板和任务子模板;
连续模板生成子模块,用于根据所述样本文本对应的任务模板和任务子模板生成连续模板;
第一预训练子模块,用于将所述样本文本和所述连续模板输入所述语言模型,以对所述语言模型进行预训练。
12.如权利要求11所述的装置,其中,所述预训练模块,还包括:
拼接子模块,用于将所述连续模板拼接在所述样本文本之前。
13.如权利要求10-12任一项所述的装置,其中,所述预训练模块,还包括:
第二预训练子模块,用于通过所述无监督语言数据和有监督语言数据对所述语言模型进行联合预训练。
14.如权利要求10所述的装置,其中,所述生成模块,还包括:
第二生成子模块,用于所述语言模型通过多粒度的无监督语言数据训练生成。
15.如权利要求13所述的装置,其中,所述生成模块,还包括:
提取子模块,用于从所述无监督语言数据之中提取第一至第四粒度的样本语言数据;
第三生成子模块,用于分别根据所述第一至第四粒度的样本语言数据对初始模型进行训练,以生成所述语言模型。
16.如权利要求15所述的装置,其中,所述第一至第四粒度为词粒度、句子粒度、段粒度和篇章粒度。
17.如权利要求14所述的装置,其中,所述训练为双向训练。
18.如权利要求10所述的装置,其中,对所述语言模型进行预训练的目标函数为:
其中,x为总长度为n的样本文本,y为总长度为m的有监督数据集,其中,的损失值在无监督通用数据上进行优化,所述的损失值在所述有监督数据上优化。
19.一种电子设备,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1-4中任一项所述的方法。
20.一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根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210552543.9A CN114970522B (zh) | 2022-05-20 | 2022-05-20 | 语言模型的预训练方法、装置、设备、存储介质 |
JP2022169714A JP2023012493A (ja) | 2022-05-20 | 2022-10-24 | 言語モデルの事前トレーニング方法、装置、デバイスおよび記憶媒体 |
US18/179,627 US20230252354A1 (en) | 2022-05-20 | 2023-03-07 | Method for pre-training language model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210552543.9A CN114970522B (zh) | 2022-05-20 | 2022-05-20 | 语言模型的预训练方法、装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970522A CN114970522A (zh) | 2022-08-30 |
CN114970522B true CN114970522B (zh) | 2023-11-24 |
Family
ID=82985235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210552543.9A Active CN114970522B (zh) | 2022-05-20 | 2022-05-20 | 语言模型的预训练方法、装置、设备、存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230252354A1 (zh) |
JP (1) | JP2023012493A (zh) |
CN (1) | CN114970522B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116244416A (zh) * | 2023-03-03 | 2023-06-09 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法、基于模型的人机语音交互方法 |
CN116127045B (zh) * | 2023-03-03 | 2024-07-05 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法、基于模型的人机语音交互方法 |
CN116168333B (zh) * | 2023-04-20 | 2023-08-22 | 华南理工大学 | 一种自监督视觉语言导航预训练方法、装置及存储介质 |
CN116402164B (zh) * | 2023-06-06 | 2023-09-05 | 之江实验室 | 基于预训练语言模型的机器人任务生成方法、装置及介质 |
CN116432665B (zh) * | 2023-06-15 | 2023-10-10 | 北京中关村科金技术有限公司 | 对话模型构建方法、文本生成方法、装置、***及设备 |
CN116821684A (zh) * | 2023-07-04 | 2023-09-29 | 北京百度网讯科技有限公司 | 大语言模型的训练方法、装置、设备和介质 |
CN117252251B (zh) * | 2023-11-20 | 2024-03-12 | 新华三技术有限公司 | 一种私域数据的生成方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012146263A (ja) * | 2011-01-14 | 2012-08-02 | Nippon Telegr & Teleph Corp <Ntt> | 言語モデル学習装置、言語モデル学習方法、言語解析装置、及びプログラム |
CN110717339A (zh) * | 2019-12-12 | 2020-01-21 | 北京百度网讯科技有限公司 | 语义表示模型的处理方法、装置、电子设备及存储介质 |
WO2020252950A1 (zh) * | 2019-06-17 | 2020-12-24 | 五邑大学 | 基于预训练模型和微调技术的医疗文本命名实体识别方法 |
CN113705187A (zh) * | 2021-08-13 | 2021-11-26 | 北京百度网讯科技有限公司 | 预训练语言模型的生成方法、装置、电子设备和存储介质 |
CN114036300A (zh) * | 2021-11-18 | 2022-02-11 | 阳光保险集团股份有限公司 | 一种语言模型的训练方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559007B (zh) * | 2020-12-14 | 2022-09-23 | 北京百度网讯科技有限公司 | 多任务模型的参数更新方法、装置及电子设备 |
-
2022
- 2022-05-20 CN CN202210552543.9A patent/CN114970522B/zh active Active
- 2022-10-24 JP JP2022169714A patent/JP2023012493A/ja active Pending
-
2023
- 2023-03-07 US US18/179,627 patent/US20230252354A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012146263A (ja) * | 2011-01-14 | 2012-08-02 | Nippon Telegr & Teleph Corp <Ntt> | 言語モデル学習装置、言語モデル学習方法、言語解析装置、及びプログラム |
WO2020252950A1 (zh) * | 2019-06-17 | 2020-12-24 | 五邑大学 | 基于预训练模型和微调技术的医疗文本命名实体识别方法 |
CN110717339A (zh) * | 2019-12-12 | 2020-01-21 | 北京百度网讯科技有限公司 | 语义表示模型的处理方法、装置、电子设备及存储介质 |
CN113705187A (zh) * | 2021-08-13 | 2021-11-26 | 北京百度网讯科技有限公司 | 预训练语言模型的生成方法、装置、电子设备和存储介质 |
CN114036300A (zh) * | 2021-11-18 | 2022-02-11 | 阳光保险集团股份有限公司 | 一种语言模型的训练方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230252354A1 (en) | 2023-08-10 |
JP2023012493A (ja) | 2023-01-25 |
CN114970522A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114970522B (zh) | 语言模型的预训练方法、装置、设备、存储介质 | |
JP7247441B2 (ja) | セマンティック表現モデルの処理方法、装置、電子機器、及び記憶媒体 | |
CN111079442B (zh) | 文档的向量化表示方法、装置和计算机设备 | |
KR102577514B1 (ko) | 텍스트 창작 방법, 텍스트 창작 장치, 전자 기기 및 저장 매체 | |
EP3920075A1 (en) | Text recognition method and apparatus, electronic device, and storage medium | |
JP2022018095A (ja) | マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体 | |
JP7264866B2 (ja) | イベント関係の生成方法、装置、電子機器及び記憶媒体 | |
KR102431568B1 (ko) | 엔티티 단어 인식 방법 및 장치 | |
KR20210148872A (ko) | 복수 종류의 단어 벡터에 기반하여 언어 모델을 트레이닝하는 방법, 장치, 기기 및 기록 매체 | |
CN111428514A (zh) | 语义匹配方法、装置、设备以及存储介质 | |
JP2021184255A (ja) | 語義表現モデルの生成方法、語義表現モデルの生成装置、電子機器、記憶媒体及びコンピュータプログラム | |
US11947920B2 (en) | Man-machine dialogue method and system, computer device and medium | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
JP2023533404A (ja) | 駆動可能3dキャラクター生成方法、装置、電子機器、及び記憶媒体 | |
CN112528654A (zh) | 自然语言处理方法、装置及电子设备 | |
CN115688920A (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
JP7357114B2 (ja) | 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体 | |
CN114218940B (zh) | 文本信息处理、模型训练方法、装置、设备及存储介质 | |
CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
CN112329429A (zh) | 文本相似度学习方法、装置、设备以及存储介质 | |
CN115130470B (zh) | 一种文本关键词的生成方法、装置、设备及介质 | |
CN114970666B (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
CN114239583B (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
CN113641724B (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN111651988B (zh) | 用于训练模型的方法、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 |