CN115017905A - 一种模型训练和信息推荐的方法及装置 - Google Patents
一种模型训练和信息推荐的方法及装置 Download PDFInfo
- Publication number
- CN115017905A CN115017905A CN202210410169.9A CN202210410169A CN115017905A CN 115017905 A CN115017905 A CN 115017905A CN 202210410169 A CN202210410169 A CN 202210410169A CN 115017905 A CN115017905 A CN 115017905A
- Authority
- CN
- China
- Prior art keywords
- sample text
- recognition model
- text
- recognized
- type
- 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
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
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种模型训练和信息推荐的方法及装置,可以在训练识别模型时,获取样本文本以及样本文本的标注信息,将该样本文本以及该样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使该识别模型在该关键词类型的约束下,输出针对该样本文本的识别结果,并以最小化该识别结果与该标注信息之间的偏差为优化目标,对该识别模型进行训练,将样本文本所属业务场景下存在的关键词类型输入到的识别模型中,作为该识别模型对该样本文本进行识别的约束,以使该识别模型在训练时不仅可以结合标注信息来进行自我学习,还可以依赖于输入该识别模型的关键词类型的约束,对该样本文本进行识别,从而能够提高该识别模型的准确性。
Description
技术领域
本说明书涉及命名实体识别领域,尤其涉及一种模型训练的方法及装置。
背景技术
当前,在自然语言处理领域(Natural Language Processing,NLP)中,命名实体识别(Named Entity Recognition,NER)可以包括在语句中抽取出命名实体(Named Entity,NE)、确定出命名实体的类型等任务,命名实体可以理解为是语句中的特定词语。
在现有技术中,可以通过有监督训练的方式,对神经网络模型进行训练,从而通过神经网络模型进行命名实体识别,这种方式依赖于大量的训练样本对的训练,但是,存在某些业务场景并没有大量的训练样本,导致训练得到的模型可能无法准确地进行识别。
因此,如何在训练样本较少的业务场景中,提高命名实体识别的准确性,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和信息推荐的方法及装置,以部分的解决现有技术存在的上述问题。
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的方法,包括:
获取样本文本以及所述样本文本的标注信息,所述标注信息中至少包括所述样本文本中包含的关键词的实际类型;
将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果;
以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练。
可选地,将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果,具体包括:
将预设的指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型在所述关键词类型的约束下,根据所述指令的类型,输出针对所述样本文本的识别结果。
可选地,将预设的指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型在所述关键词类型的约束下,根据所述指令的类型,输出针对所述样本文本的识别结果,具体包括:
将携带有所述样本文本中包含的关键词的第一指令、所述关键词类型以及所述样本文本输入到所述识别模型中输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词的类型,作为识别结果,所述第一指令用于确定出所述样本文本中包含的关键词所属的类型。
可选地,将预设的指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型在所述关键词类型的约束下,根据所述指令的类型,输出针对所述样本文本的识别结果,具体包括:
将第二指令、所述关键词类型以及所述样本文本输入到所述识别模型中输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词以及识别出的关键词的类型,作为识别结果,所述第二指令用于确定出所述样本文本中包含的关键词以及所述样本文本中包含的关键词所属的类型。
可选地,所述标注信息中还包括标注出的所述样本文本中包含的实际关键词;
以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练,具体包括:
以最小化从所述样本文本中识别出的关键词与标注出的实际关键词之间的偏差,以及最小化从所述样本文本中识别出的关键词的类型与所述实际类型之间的偏差为优化目标,对所述识别模型进行训练。
可选地,所述方法还包括:
将第三指令以及所述样本文本输入到所述识别模型中输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词,所述第三指令用于确定出所述样本文本中包含的关键词;
所述方法还包括:
以最小化所述识别出的关键词与所述标注信息中标注出的所述样本文本中包含的实际关键词之间的偏差为优化目标,对所述识别模型进行训练。
本说明书提供一种信息推荐的方法,包括:
接收用户的信息搜索请求,并根据所述信息搜索请求,获取用户输入的待识别文本;
将所述待识别文本,以及确定出的所述待识别文本所属业务场景下存在的关键词类型输入到训练后的识别模型中,得到所述识别模型在所述关键词类型的约束下,针对所述待识别文本的识别结果;
根据所述识别结果,为所述用户进行信息推荐。
可选地,将所述待识别文本,以及确定出的所述待识别文本所属业务场景包括的关键词类型输入到训练后的识别模型中,得到所述识别模型识别出的所述待识别文本中包含的关键词的类型,具体包括:
将所述待识别文本、预设指令以及确定出的所述待识别文本所属业务场景包括的关键词类型,输入到所述训练后的识别模型中,得到所述识别模型识别出所述待识别文本中包含的关键词以及所述待识别文本中包含的关键词的类型,所述预设指令用于。
本说明书提供了一种模型训练的装置,包括:
获取模块,用于获取样本文本以及所述样本文本的标注信息,所述标注信息中至少包括所述样本文本中包含的关键词的实际类型;
输入模块,用于将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果;
训练模块,用于以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练。
本说明书提供一种信息推荐的装置,包括:
获取模块,用于获取样本文本以及所述样本文本的标注信息,所述标注信息中至少包括所述样本文本中包含的关键词的实际类型;
输入模块,用于将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果;
训练模块,用于以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练。
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的方法或信息推荐的方法。
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的方法或信息推荐的方法。
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:
从上述模型训练以及信息推荐的方法中可以看出,业务平台可以在训练识别模型时,获取样本文本以及样本文本的标注信息,该标注信息中至少包括该样本文本中包含的关键词的实际类型,将该样本文本以及该样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使该识别模型在该关键词类型的约束下,输出针对该样本文本的识别结果,并以最小化该识别结果与该标注信息之间的偏差为优化目标,对该识别模型进行训练。
从上述方法中可以看出,本方法可以在训练识别模型时,可以将样本文本所属业务场景下存在的关键词类型输入到的识别模型中,作为该识别模型对该样本文本进行识别的约束,以使该识别模型在训练时不仅可以结合标注信息来进行自我学习,还可以依赖于输入该识别模型的关键词类型的约束,对该样本文本进行识别,从而能够提高该识别模型的准确性。
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为本说明书中一种模型训练的方法的流程示意图;
图2为本说明书提供的该识别模型的三种任务的示意图;
图3为本说明书中一种信息推荐的方法的流程示意图;
图4为本说明书提供的一种模型训练的装置示意图;
图5为本说明书提供的一种信息推荐的装置示意图;
图6为本说明书提供的对应于图1或图3的电子设备示意图。
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为本说明书中一种模型训练的方法的流程示意图,具体包括以下步骤:
S101:获取样本文本以及所述样本文本的标注信息,所述标注信息中至少包括所述样本文本中包含的关键词的实际类型。
S102:将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果,
S103:以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练。
在实际应用中,业务平台可能会需要针对用户的文本进行识别,例如,识别出该文本中包含的关键词(该关键词可以理解为命名实体(Named Entity Recognition,NER)),识别出该文本中包含的关键词的类型。
基于此,业务平台可以获取样本文本以及该样本文本的标注信息,其中,该标注信息中可以至少包括该样本文本中包含的关键词的实际类型。而后,可以将该样本文本以及该样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使该识别模型在该关键词类型的约束下,输出针对该样本文本的识别结果,并以最小化该识别结果与该标注信息之间的偏差为优化目标,对所述识别模型进行训练。
也就是说,上述方式是,在训练识别模型时,不仅将样本文本输入到该识别模型中,还将涵盖了该样本文本中可能会出现的所有关键词类型的信息输入到该识别模型中,这样,识别模型在进行训练时,不仅仅是通过标注信息来自我学习到样本文本中的关键词所属的类型,还会在这个关键词类型的约束下,对样本文本中的关键词所属的类型进行区分。
这样一来,在训练样本较少的业务场景中,可以通过训练该识别模型时,对该识别模型加入特定业务场景所包含的关键词类型的约束,对该识别模型进行训练,从而使得识别模型在学习过程中,在该关键词类型的约束下,对样本文本中的关键词类型识别,使得即使训练样本较少,识别模型也能够得到较好的训练,从而提高该识别模型的准确性。
其中,关键词的类型可以表示出关键词(在某个业务场景下)的属性特性,例如,“北京”一词的类型可以是地理位置,“A大学”一词的类型可以是学校名称,“Lily”一词可以是人名。当然,不同业务场景下,同一关键词的类型可以不同,例如,在常规的业务场景中,“Lily”一词可以是人名,在电影推荐的业务场景中,则“Lily”一词还可能是角色名。
在本说明书中,还可以将预设的指令、上述关键词类型以及样本文本输入到该识别模型中,以使所述识别模型在所述关键词类型的约束下,根据所述指令的类型,输出针对所述样本文本的识别结果。
其中,不同类型的指令可以使得该识别模型输出不同形式的识别结果。
例如,可以将携带有样本文本中包含的关键词(可以是指样本文本中包含的实际关键词,可以是标注信息中包括的预先标注出的该样本文本中的实际关键词)的第一指令、该样本文本所属业务场景下存在的关键词类型以及该样本文本输入到识别模型中,以使该识别模型输出该样本文本中识别出的关键词的类型,作为识别结果,该第一指令用于确定出样本文本中包含的关键词所属的类型,在对该识别模型进行训练时,可以以最小化识别出的关键词的类型与标注信息中关键词的实际类型之间的偏差为训练目标,对该识别模型进行训练。
可以看出,若是将第一指令输入到识别模型中,则该识别模型仅会急剧第一指令中包含的样本文本中的关键词,对样本文本中的关键词所属的类型进行识别,并不会识别出样本文本中的关键词,即,第一指令指示识别模型指令的任务是通过该第一指令中的关键词,来识别出样本文本中的关键词的类型。由于第一指令中需要携带有样本文本中包含的关键词,具体的,第一指令可以具有第一指令对应的指令模板,可以根据标注信息中包括的预先标注出的该样本文本中的实际关键词,对指令模板进行填充,得到第一指令。
再例如,可以将第二指令、该样本文本所属业务场景下存在的关键词类型以及该样本文本输入到识别模型中,以使该识别模型输出从该样本文本中识别出的关键词以及识别出的关键词的类型,作为识别结果。而后,在训练该识别模型时,以最小化从该样本文本中识别出的关键词与标注出的实际关键词之间的偏差,以及最小化从样本文本中识别出的关键词的类型与标注信息中的实际类型之间的偏差为优化目标,对识别模型进行训练,该第二指令用于确定出样本文本中包含的关键词以及样本文本中包含的关键词所属的类型。
也就是说,在第二指令的指示下,该识别模型既要识别出样本文本中包含的关键词,也要识别出样本文本中关键词所属的类型,即,与第一指令不同的是,该第二指令除了指示该识别模型识别出关键词所属的类型,也要指示该识别模型抽取出该样本文本中的关键词。
再例如,可以将第三指令以及该样本文本输入到识别模型中,以使该识别模型输出从该样本文本中识别出的关键词,以使识别模型输出从样本文本中识别出的关键词,并在训练该识别模型时,以最小化识别出的关键词与标注信息中标注出的该样本文本中包含的实际关键词之间的偏差为优化目标,对该识别模型进行训练。该第三指令用于确定出该样本文本中包含的关键词。
可以看出,第三指令是指示识别模型仅确定该样本文本中的关键词,而并不需要确定出该样本文本中的关键词所属的类型的。
从上述三种指令可以看出,相比于第一指令、第三指令,第二指令所使得识别模型执行的任务是较难的,即,第一指令使得识别模型执行的任务是识别出样本文本中关键词所属的类型,第三指令使得识别模型执行的任务是识别出样本文本中包含的关键词,而第二指令是使得识别模型执行的任务是既要识别样本文本中包含的关键词,也要识别出关键词所属的类型,从而,通过训练识别模型时,即可以存在第一指令以及第三指令这样较为简单的任务,也可以存在第二指令这样更难一些的任务,使得能够强化识别模型分别在识别关键词,以及识别关键词所属类型的能力,从而进一步地提高该识别模型的准确性。
还需说明的是,该识别模型所输出的识别结果可以是语句的形式,包含上述提到的仅识别出关键词、仅识别出关键词的类型以及即识别出关键词也识别出关键词所属的类型的识别结果,均可以是生成的语句的形式,如图2所示。
图2为本说明书提供的该识别模型的三种任务的示意图。
从图2中可以看出,输出识别模型的数据形式可以存在三种,分别对应第一指令、第二指令以及第三指令。
对应于第一指令,可以将携带有样本文本中包含的关键词的该第一指令、用于约束的关键词类型以及样本文本输入到识别模型中,例如,可以将第一指令:“please typingthese entity words according to sentence:funny,will ferrel,step brothers”,关键词类型:“trailer,title,director,genre,actor,character,plot,year”,样本文本:“find a funny quote from will ferrel in step brothers”输入到识别模型中,识别模型可以给出表示每个关键词的类型的语句:“funny is a genre,will ferrel is anactor,step brother is a title”作为识别结果。
对应于第二指令,可以将第二指令、关键词类型以及样本文本输入到识别模型中,例如,可以将第二指令:“please extract entities and their types form the inputsentence,all entity types are in options”,关键词类型:“trailer,title,director,genre,actor,character,plot,year”,样本文本:“has Leonardo dicaprio ever been inwar movie”输入到识别模型中,识别模型可以给出表示该样本文本中关键词及其类型的语句:“Leonardo dicaprio is an actor,war is a genre”,作为识别结果。
对应于第三指令,可以将第三指令以及样本文本输入到识别模型中,例如,可以将第二指令:“please extract entity words the input sentence”,样本文本:“listchildrens movies with billy crystal”输入到识别模型中,识别模型可以给出表示该样本文本中包含的关键词的语句:“childrens,billy crystal”,作为识别结果。
上述示例仅是对输入该识别模型的数据形式以及输出的识别结果的形式进了一种说明,在此,不对输入该识别模型的数据形式以及输出的识别结果的形式进行限定。
上述是站在模型训练的角度进行说明,该识别模型可以应用在对用户的文本进行识别的一些场景中,因此,下面在实际应用该识别模型对文本进行识别的角度进行说明,如图3所示。
图3为本说明书中提供的一种信息推荐的方法。具体包括以下步骤:
S301:接收用户的信息搜索请求,并根据所述信息搜索请求,获取用户输入的待识别文本。
S302:将所述待识别文本,以及确定出的所述待识别文本所属业务场景下存在的关键词类型输入到训练后的识别模型中,得到所述识别模型在所述关键词类型的约束下,针对所述待识别文本的识别结果,所述识别模型通过模型训练的方法进行训练得到。
S303:根据所述识别结果,为所述用户进行信息推荐。
在实际应用中,业务平台可能会需要识别文本中的关键词,及关键词的类型,例如,用户在信息搜索时,可以输入一段文本,业务平台可以识别出文本中的关键词,和/或关键词的类型,再结合识别出的关键词和/或关键词的类型,为用户进行信息搜索(当然,在实际应用中,除了在信息搜索的场景外,还可能存在其他场景需要通过上述识别模型对文本进行识别,本说明书并不局限使用该识别模型的具体场景)。
基于此,业务平台可以接收用户的信息搜索请求,并根据该信息搜索请求,获取用户输入的待识别文本,以及将该待识别文本,确定出的该待识别文本所属业务场景下存在的关键词类型输入到训练后的识别模型中,得到该识别模型在该关键词类型的约束下,针对该待识别文本的识别结果,而后根据该识别结果,为用户进行信息推荐,该识别模型通过上述模型训练的方法进行训练得到。
其中,该识别结果既可以包含该待识别文本中的关键词,也可以包含该待识别文本中关键词的类型。在信息推荐时,可以通过该待识别文本中的关键词及其类型,为用户匹配到相关的推荐信息。上述提到的用户输入的待识别文本可以是指用户通过文本输入的方式所得到的文本,也可以是指用户进行语音搜索后,业务平台将用户的语音转成文本得到的,在此不对得到该待识别文本的方式进行限定。
还需说明的是,若通过上述模型训练阶段的多种指令对该识别模型进行训练,则在使用该模型进行待识别文本的识别时,可以将待识别文本、预设指令以及确定出的待识别文本所属业务场景包括的关键词类型,输入到训练后的识别模型中,得到识别模型识别出待识别文本中包含的关键词以及待识别文本中包含的关键词的类型,作为识别结果,该预设指令可以用于确定出样本文本中包含的关键词以及样本文本中包含的关键词所属的类型。
也就是说,若是需要通过识别模型既确定出关键词,也要确定出该关键词所属的类型,则可以将与上述第二指令相同的预设指令、待识别文本以及待识别文本所属业务场景包括的关键词类型均输入到该识别模型中,以使该识别模型识别出待识别文本中的关键词以及该关键词所属的类型。
上述内容中可以看出,本方法可以在训练识别模型时,可以将样本文本所述业务场景下存在的关键词类型输入到的识别模型中,作为该识别模型对该样本文本进行识别的约束,以使该识别模型在训练时不仅可以结合标注信息来进行自我学习,还可以依赖于输入该识别模型的关键词类型的约束,对该样本文本进行识别,从而能够提高该识别模型的准确性。
进一步地,本方法还可以通过三种指令来对识别模型进行训练,即,第一指令仅是指示该识别模型识别样本文本中的关键词类型,第二指令指示该识别模型识别样本文本中关键词以及关键词类型,第三指令指示该识别模型识别样本文本中的关键词,通过三种指令共同对该识别模型进行训练,能够使得两种较为简单的任务(第一指令和第三指令的任务)强化该识别模型对关键词以及关键词所属的类型进行识别的准确性,从而提高该识别模型识别文本中的关键词以及关键词类型的准确性。
需要说明的是,本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
以上为本说明书的一个或多个实施例提供的模型训练和信息搜索的方法,基于同样的思路,本说明书还提供了模型训练和信息搜索的装置,如图4、图5所示。
图4为本说明书提供的一种模型训练的装置示意图,具体包括:
获取模块401,用于获取样本文本以及所述样本文本的标注信息,所述标注信息中至少包括所述样本文本中包含的关键词的实际类型;
输入模块402,用于将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果;
训练模块403,用于以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练。
可选地,所述输入模块402具体用于,将预设的指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型在所述关键词类型的约束下,根据所述指令的类型,输出针对所述样本文本的识别结果。
可选地,所述输入模块402具体用于,将携带有所述样本文本中包含的关键词的第一指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词的类型,作为识别结果,所述第一指令用于确定出所述样本文本中包含的关键词所属的类型。
可选地,所述输入模块402具体用于,将第二指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词以及识别出的关键词的类型,作为识别结果,所述第二指令用于确定出所述样本文本中包含的关键词以及所述样本文本中包含的关键词所属的类型。
可选地,所述标注信息中还包括标注出的所述样本文本中包含的实际关键词;所述训练模块403具体用于,以最小化从所述样本文本中识别出的关键词与标注出的实际关键词之间的偏差,以及最小化从所述样本文本中识别出的关键词的类型与所述实际类型之间的偏差为优化目标,对所述识别模型进行训练。
可选地,所述输入模块402还用于,将第三指令以及所述样本文本输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词,所述第三指令用于确定出所述样本文本中包含的关键词;
所述训练模块403还用于,以最小化所述识别出的关键词与所述标注信息中标注出的所述样本文本中包含的实际关键词之间的偏差为优化目标,对所述识别模型进行训练。
图5为本说明书提供的一种信息推荐的装置示意图,具体包括:
接收模块501,用于接收用户的信息搜索请求,并根据所述信息搜索请求,获取用户输入的待识别文本;
输入模块502,用于将所述待识别文本,以及确定出的所述待识别文本所属业务场景下存在的关键词类型输入到训练后的识别模型中,得到所述识别模型在所述关键词类型的约束下,针对所述待识别文本的识别结果;
推荐模块503,用于根据所述识别结果,为所述用户进行信息推荐。
可选地,所述输入模块502具体用于,将所述待识别文本、预设指令以及确定出的所述待识别文本所属业务场景包括的关键词类型,输入到所述训练后的识别模型中,得到所述识别模型识别出所述待识别文本中包含的关键词以及所述待识别文本中包含的关键词的类型,作为识别结果,所述预设指令用于确定出所述样本文本中包含的关键词以及所述样本文本中包含的关键词所属的类型。
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模型训练或信息推荐的方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述,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,以实现上述模型训练或信息推荐的方法。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***“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***、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,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、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,并不排除在包括所述要素的过程、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、***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***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。
以上所述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 (12)
1.一种模型训练的方法,其特征在于,包括:
获取样本文本以及所述样本文本的标注信息,所述标注信息中至少包括所述样本文本中包含的关键词的实际类型;
将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果;
以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练。
2.如权利要求1所述的方法,其特征在于,将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果,具体包括:
将预设的指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型在所述关键词类型的约束下,根据所述指令的类型,输出针对所述样本文本的识别结果。
3.如权利要求2所述的方法,其特征在于,将预设的指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型在所述关键词类型的约束下,根据所述指令的类型,输出针对所述样本文本的识别结果,具体包括:
将携带有所述样本文本中包含的关键词的第一指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词的类型,作为识别结果,所述第一指令用于确定出所述样本文本中包含的关键词所属的类型。
4.如权利要求2所述的方法,其特征在于,将预设的指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型在所述关键词类型的约束下,根据所述指令的类型,输出针对所述样本文本的识别结果,具体包括:
将第二指令、所述关键词类型以及所述样本文本输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词以及识别出的关键词的类型,作为识别结果,所述第二指令用于确定出所述样本文本中包含的关键词以及所述样本文本中包含的关键词所属的类型。
5.如权利要求4所述的方法,其特征在于,所述标注信息中还包括标注出的所述样本文本中包含的实际关键词;
以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练,具体包括:
以最小化从所述样本文本中识别出的关键词与标注出的实际关键词之间的偏差,以及最小化从所述样本文本中识别出的关键词的类型与所述实际类型之间的偏差为优化目标,对所述识别模型进行训练。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
将第三指令以及所述样本文本输入到所述识别模型中,以使所述识别模型输出从所述样本文本中识别出的关键词,所述第三指令用于确定出所述样本文本中包含的关键词;
所述方法还包括:
以最小化所述识别出的关键词与所述标注信息中标注出的所述样本文本中包含的实际关键词之间的偏差为优化目标,对所述识别模型进行训练。
7.一种信息推荐的方法,其特征在于,包括:
接收用户的信息搜索请求,并根据所述信息搜索请求,获取用户输入的待识别文本;
将所述待识别文本,以及确定出的所述待识别文本所属业务场景下存在的关键词类型输入到训练后的识别模型中,得到所述识别模型在所述关键词类型的约束下,针对所述待识别文本的识别结果,所述识别模型通过如权利要求1~6任一项所述的方法进行训练得到;
根据所述识别结果,为所述用户进行信息推荐。
8.如权利要求7所述的方法,其特征在于,将所述待识别文本,以及确定出的所述待识别文本所属业务场景下存在的关键词类型输入到训练后的识别模型中,得到所述识别模型在所述关键词类型的约束下,针对所述待识别文本的识别结果,具体包括:
将所述待识别文本、预设指令以及确定出的所述待识别文本所属业务场景包括的关键词类型,输入到所述训练后的识别模型中,得到所述识别模型识别出所述待识别文本中包含的关键词以及所述待识别文本中包含的关键词的类型,作为识别结果,所述预设指令用于确定出所述样本文本中包含的关键词以及所述样本文本中包含的关键词所属的类型。
9.一种模型训练的装置,其特征在于,包括:
获取模块,用于获取样本文本以及所述样本文本的标注信息,所述标注信息中至少包括所述样本文本中包含的关键词的实际类型;
输入模块,用于将所述样本文本以及所述样本文本所属业务场景下存在的关键词类型输入到待训练的识别模型中,以使所述识别模型在所述关键词类型的约束下,输出针对所述样本文本的识别结果;
训练模块,用于以最小化所述识别结果与所述标注信息之间的偏差为优化目标,对所述识别模型进行训练。
10.一种信息推荐的装置,其特征在于,包括:
接收模块,用于接收用户的信息搜索请求,并根据所述信息搜索请求,获取用户输入的待识别文本;
输入模块,用于将所述待识别文本,以及确定出的所述待识别文本所属业务场景下存在的关键词类型输入到训练后的识别模型中,得到所述识别模型在所述关键词类型的约束下,针对所述待识别文本的识别结果;
推荐模块,用于根据所述识别结果,为所述用户进行信息推荐。
11.一种计算机可读存储介质,其特征在于,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1~6或7~8任一项所述的方法。
12.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现上述权利要求1~6或7~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410169.9A CN115017905A (zh) | 2022-04-19 | 2022-04-19 | 一种模型训练和信息推荐的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410169.9A CN115017905A (zh) | 2022-04-19 | 2022-04-19 | 一种模型训练和信息推荐的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017905A true CN115017905A (zh) | 2022-09-06 |
Family
ID=83066923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410169.9A Pending CN115017905A (zh) | 2022-04-19 | 2022-04-19 | 一种模型训练和信息推荐的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017905A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744837A (zh) * | 2023-12-29 | 2024-03-22 | 支付宝(杭州)信息技术有限公司 | 一种模型训练、文本检测方法、装置、存储介质及设备 |
-
2022
- 2022-04-19 CN CN202210410169.9A patent/CN115017905A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744837A (zh) * | 2023-12-29 | 2024-03-22 | 支付宝(杭州)信息技术有限公司 | 一种模型训练、文本检测方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN115952272B (zh) | 一种生成对话信息的方法、装置、设备及可读存储介质 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN115146601A (zh) | 语言处理任务的执行方法、装置、可读存储介质以及设备 | |
CN115759122A (zh) | 一种意图识别方法、装置、设备及可读存储介质 | |
CN111368902A (zh) | 一种数据标注的方法及装置 | |
CN111222315A (zh) | 一种电影剧本情节预测方法 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN113887235A (zh) | 一种信息推荐的方法及装置 | |
CN113887234B (zh) | 一种模型训练以及推荐方法及装置 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 | |
CN114116816A (zh) | 一种推荐方法及装置 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN114912513A (zh) | 一种模型训练的方法、识别信息的方法及装置 | |
CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN117807961B (zh) | 一种文本生成模型的训练方法、装置、介质及电子设备 | |
CN113011424A (zh) | 一种训练样本的生成方法及生成装置 | |
CN116795972B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115017899B (zh) | 一种缩略语生成方法、装置、设备及存储介质 | |
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 |
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 |