CN115577705A - 一种文本处理模型的生成方法、装置、设备及存储介质 - Google Patents

一种文本处理模型的生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115577705A
CN115577705A CN202211295989.4A CN202211295989A CN115577705A CN 115577705 A CN115577705 A CN 115577705A CN 202211295989 A CN202211295989 A CN 202211295989A CN 115577705 A CN115577705 A CN 115577705A
Authority
CN
China
Prior art keywords
text
training
model
sample set
error correction
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
Application number
CN202211295989.4A
Other languages
English (en)
Inventor
高印权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202211295989.4A priority Critical patent/CN115577705A/zh
Publication of CN115577705A publication Critical patent/CN115577705A/zh
Pending legal-status Critical Current

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
    • G06F40/253—Grammatical analysis; Style critique
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种文本处理模型的生成方法、装置、设备及存储介质，包括：获取多个训练文本，确定各训练文本对应的文本难度；将多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将训练样本集划分为语病诊断样本集和语法纠错样本集；使用语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型。本发明实施例的技术方案可以丰富模型训练过程中文本的特征信息，提升模型的性能和泛化能力，避免模型过早陷入局部最优解。

Description

一种文本处理模型的生成方法、装置、设备及存储介质
技术领域
本发明涉及自然语言处理技术领域，尤其涉及一种文本处理模型的生成方法、装置、设备及存储介质。
背景技术
伴随着互联网技术的普及，电子文本的数量呈现井喷式增长，电子邮件、学术论文、新闻、博客文章等成为人们生活的一部分。现有技术中，为了对电子文本进行自动审查和修正，提出了基于深度学习模型的中文语病诊断任务和中文语法纠错任务，以提高电子文本的准确性和规范性。
现有技术中，通常是分别执行中文语病诊断任务和中文语法纠错任务，由此可能导致单任务执行过程中获取较少的文本特征信息；并且，现有的深度学习模型在训练过程中容易陷入局部最优解，导致模型训练效果较差。
发明内容
本发明提供了一种文本处理模型的生成方法、装置、设备及存储介质，可以丰富模型训练过程中文本的特征信息，提升模型的性能和泛化能力，避免模型过早陷入局部最优解。
根据本发明的一方面，提供了一种文本处理模型的生成方法，包括：
获取多个训练文本，确定各所述训练文本对应的文本难度；
将所述多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将所述训练样本集划分为语病诊断样本集和语法纠错样本集；
使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型。
可选的，确定各所述训练文本对应的文本难度，包括：
确定各所述训练文本的文本长度，以及训练文本中各分词的相对词频；
根据各所述训练文本的文本长度，以及训练文本中各分词的相对词频，确定各所述训练文本对应的文本难度。
可选的，将所述多个训练文本按照文本难度由低到高进行排列，包括：
根据各所述训练文本对应的文本难度，确定全部训练文本对应的难度累计密度函数；
根据所述难度累计密度函数，以及各所述训练文本对应的文本难度，确定各所述训练文本对应的难度分数；
将所述多个训练文本，按照对应的难度分数由低到高进行排列。
可选的，使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型，包括：
使用所述语病诊断样本集，对基于条件随机场CRF模型的长短期记忆网络LSTM模型进行训练，并同时使用语法纠错样本集，对基于深度学习中编码解码框架的LSTM模型进行训练，得到语病诊断模型和语法纠错模型。
可选的，使用语法纠错样本集，对基于深度学习中编码解码框架的LSTM模型进行训练，得到语法纠错模型，包括：
在所述语法纠错样本集中依次获取一个样本，作为当前处理样本；
将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练；
判断是否完成对全部样本的处理，若否，则返回执行在所述语法纠错样本集中依次获取一个样本，作为当前处理样本的操作，直至完成对全部样本的处理。
可选的，将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练，包括：
获取所述当前处理样本对应的文本难度，以及所述LSTM模型当前对应的训练进度；
判断所述当前处理样本的文本难度，是否小于所述LSTM模型当前对应的训练进度；
若是，则将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练。
可选的，在使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型之后，还包括：
获取待处理的目标文本，将所述目标文本输入至语病诊断模型中，得到与所述目标文本对应的语病诊断结果；
将所述语病诊断结果输入至语法纠错模型中，得到与所述目标文本对应的语法纠错结果。
根据本发明的另一方面，提供了一种文本处理模型的生成装置，所述装置包括：
文本获取模块，用于获取多个训练文本，确定各所述训练文本对应的文本难度；
文本排列模块，用于将所述多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将所述训练样本集划分为语病诊断样本集和语法纠错样本集；
模型训练模块，用于使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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本发明任一实施例所述的文本处理模型的生成方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的文本处理模型的生成方法。
本发明实施例提供的技术方案，通过获取多个训练文本，确定各训练文本对应的文本难度；将多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将训练样本集划分为语病诊断样本集和语法纠错样本集；使用语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型的技术手段，可以丰富模型训练过程中文本的特征信息，提升模型的性能和泛化能力，避免模型过早陷入局部最优解。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种文本处理模型的生成方法的流程图；
图2是根据本发明实施例提供的另一种文本处理模型的生成方法的流程图；
图3是根据本发明实施例提供的另一种文本处理模型的生成方法的流程图；
图4是根据本发明实施例提供的一种文本处理模型的生成装置的结构示意图；
图5是实现本发明实施例的文本处理模型的生成方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例一提供的一种文本处理模型的生成方法的流程图，本实施例可适用于生成对文本进行语病诊断和语法纠错的处理模型的情况，该方法可以由文本处理模型的生成装置来执行，该文本处理模型的生成装置可以采用硬件和/或软件的形式实现，该文本处理模型的生成装置可配置于具备数据处理功能的电子设备(例如终端或者服务器)中。如图1所示，该方法包括：
步骤110、获取多个训练文本，确定各所述训练文本对应的文本难度。
在本实施例中，所述训练文本可以为对神经网络模型进行语言训练的文本。在获取到多个训练文本后，可选的，可以根据各训练文本中语句长度、词汇长度等，确定各训练文本对应的文本难度。
步骤120、将所述多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将所述训练样本集划分为语病诊断样本集和语法纠错样本集。
在本实施例中，可以将多个训练文本按照文本难度由低到高进行排列，并将排列后的多个训练文本作为训练样本集。可选的，获取到训练样本集后，可以根据预设的权重比例，对训练样本集进行划分，得到用于对语病诊断模型进行训练的语病诊断样本集，以及用于对语法纠错模型进行训练的语法纠错样本集。
步骤130、使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型。
在本实施例中，可以使用所述训练样本集，同时执行语病诊断训练任务以及语法纠错训练任务。这样设置的好处在于，可以实现多任务同时执行，避免现有技术中单任务执行过程中获取较少的文本特征信息。通过引入多任务学习策略(即多个相关联的任务同时进行学习)，可以利用任务之间的关联性，以共同训练的方式提升模型的性能。
其中，多任务学习在进行深度神经网络训练时，多个任务的损失函数可以同时进行误差反向传播，并通过共享底层的特征表示层来相互促进学习，以此丰富文本特征信息，提升模型的性能和泛化能力。
在本实施例中，通过在模型训练过程中引入课程学习策略(即使用训练样本对模型进行由易到难逐步学习)，可以使模型先从简单的数据开始学，等到模型具备一定的能力后再去学习难的数据，由此可以避免模型过早陷入局部最优解。
本发明实施例提供的技术方案，通过获取多个训练文本，确定各训练文本对应的文本难度；将多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将训练样本集划分为语病诊断样本集和语法纠错样本集；使用语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型的技术手段，可以丰富模型训练过程中文本的特征信息，提升模型的性能和泛化能力，避免模型过早陷入局部最优解。
图2为本发明实施例二提供的一种文本处理模型的生成方法的流程图，本实施例是对上述实施例的进一步细化。如图2所示，该方法包括：
步骤210、获取多个训练文本。
步骤220、确定各所述训练文本的文本长度，以及训练文本中各分词的相对词频。
在一个具体的实施例中，分词的相对词频
Figure BDA0003902945770000071
可以通过下述公式计算得到：
Figure BDA0003902945770000072
其中，Ni表示训练文本的文本长度，k表示训练文本中第k个分词，M表示训练样本总数，lcondition为预设的条件函数，l的值在满足条件下为1，反之则为0。
步骤230、根据各所述训练文本的文本长度，以及训练文本中各分词的相对词频，确定各所述训练文本对应的文本难度。
在本实施例中，可选的，获取到训练文本的文本长度，以及各分词的相对词频后，可以根据预设的函数关系确定训练文本的文本难度。
在一个具体的实施例中，训练文本的文本难度draity(si)可以根据下述公式计算得到：
Figure BDA0003902945770000081
其中，si表示第i个训练文本。
步骤240、根据各所述训练文本对应的文本难度，确定全部训练文本对应的难度累计密度函数。
在本实施例中，可选的，可以根据训练文本的文本难度，以及预设的线性运算关系，确定全部训练文本对应的难度累计密度函数。
步骤250、根据所述难度累计密度函数，以及各所述训练文本对应的文本难度，确定各所述训练文本对应的难度分数。
在本实施例中，可选的，训练文本对应的难度分数可以设在区间[0,1]内。
步骤260、将所述多个训练文本，按照对应的难度分数由低到高进行排列，得到训练样本集。
步骤270、将所述训练样本集划分为语病诊断样本集和语法纠错样本集。
步骤280、使用所述语病诊断样本集，对基于条件随机场CRF模型的长短期记忆网络LSTM模型进行训练，并同时使用语法纠错样本集，对基于深度学习中编码解码框架的LSTM模型进行训练，得到语病诊断模型和语法纠错模型。
在本实施例中，可以使用语病诊断样本集，对基于条件随机场(ConditionalRandom Field，CRF)模型的，长短期记忆网络(Long Short-Term Memory，LSTM)模型进行训练，得到语病诊断模型；并同时使用语法纠错样本集，对基于Encoder-Decoder框架的LSTM模型进行训练，得到语法纠错模型。
其中，LSTM模型是为了解决循环神经网络的梯度弥散、梯度***及远距离依赖问题而提出的方法，LSTM模型通过增加一个状态，即细胞(cell)来保存长期的状态，并使用门(gate)对信息进行控制。输出门(output gate)用来控制单元状态有多少可以输出到LSTM的当前输出值中；遗忘门(forget gate)用来控制上一时刻的单元状态有多少保留到当前时刻的单元状态中；输入门(input gate)用来控制当前时刻网络的输入有多少保存到单元状态中。
CRF模型是为了解决了隐马尔科夫模型进行序列标注时无法处理较长序列的长期依赖关系和上下文转移特征而提出的方法，CRF模型通过建立概率图模型来标记序列数据，是一种序列化标注算法。假设输入的观测序列为X＝(X1,X2,...,Xn)，标注序列为Y＝(Y1,Y2,...,Yn)，两者联合分布。如果Y可以构成一个由无向图G＝(V,E)表示的马尔可夫模型，则其条件概率分布P(X|Y)即CRF。
在本实施例中，通过使用语病诊断样本集，对LSTM-CRF模型进行训练，可以通过LSTM层有效的利用观测序列的特征信息，再通过CRF层利用标注序列的特征信息，使模型达到更好的结果。
本发明实施例提供的技术方案，通过获取多个训练文本，确定各训练文本的文本长度，以及训练文本中各分词的相对词频，根据各训练文本的文本长度，以及训练文本中各分词的相对词频，确定各训练文本的文本难度，根据各训练文本的文本难度，确定全部训练文本对应的难度累计密度函数，根据难度累计密度函数以及各训练文本的文本难度，确定各训练文本的难度分数，将多个训练文本按照难度分数由低到高进行排列得到训练样本集，将训练样本集划分为语病诊断样本集和语法纠错样本集，使用语病诊断样本集对LSTM-CRF模型进行训练，并同时使用语法纠错样本集对LSTM模型进行训练，得到语病诊断模型和语法纠错模型的技术手段，可以丰富模型训练过程中文本的特征信息，提升模型的性能和泛化能力，避免模型过早陷入局部最优解。
图3为本发明实施例三提供的一种文本处理模型的生成方法的流程图，本实施例是对上述实施例的进一步细化。如图3所示，该方法包括：
步骤310、获取多个训练文本，确定各所述训练文本对应的文本难度。
步骤320、将所述多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将所述训练样本集划分为语病诊断样本集和语法纠错样本集。
步骤330、使用所述语病诊断样本集，对基于CRF模型的LSTM模型进行训练，并同时使用语法纠错样本集，对基于深度学习中编码解码框架的LSTM模型进行训练，得到语病诊断模型和语法纠错模型。
在本实施例的一个实施方式中，使用语法纠错样本集，对基于深度学习中编码解码框架的LSTM模型进行训练，得到语法纠错模型，包括：在所述语法纠错样本集中依次获取一个样本，作为当前处理样本；将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练；判断是否完成对全部样本的处理，若否，则返回执行在所述语法纠错样本集中依次获取一个样本，作为当前处理样本的操作，直至完成对全部样本的处理。
在本实施例中，使用语法纠错样本集对LSTM模型进行训练时，可以将各样本依次输入至LSTM模型中，以完成对LSTM模型的训练。
在本实施例的一个实施方式中，将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练，包括：获取所述当前处理样本对应的文本难度，以及所述LSTM模型当前对应的训练进度；判断所述当前处理样本的文本难度，是否小于所述LSTM模型当前对应的训练进度；若是，则将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练。
在本实施例中，LSTM模型的训练进度(Competence)是一个预设区间内的值，具体的，所述预设区间可以为[0,1]。在将当前处理样本输入LSTM模型之前，需要先判断该样本的文本难度，是否小于LSTM模型当前对应的训练进度，若是，则将该样本输入LSTM模型。
在一个具体的实施例中，LSTM当前训练进度c(t)可以根据下述公式计算得到：
Figure BDA0003902945770000111
其中，c(t)也可以表示LSTM模型的能力，t表示时刻，T表示模型的步骤。所述LSTM模型的能力可以定位为该时刻下模型允许使用的训练数据比例。
步骤340、获取待处理的目标文本，将所述目标文本输入至语病诊断模型中，得到与所述目标文本对应的语病诊断结果。
在本实施例中，得到语病诊断模型和语法纠错模型后，可以获取待审查的电子文本(也即目标文本)，例如电子邮件、论文、新闻或者博客文章等，然后将该目标文本输入经上述步骤训练得到的语病诊断模型中，通过语病诊断模型提取目标文本的文本特征，并根据该文本特征输出对应的语病诊断结果。
在一个具体的实施例中，所述语病诊断结果中可以包括语病出现的位置、以及病句等。
步骤350、将所述语病诊断结果输入至语法纠错模型中，得到与所述目标文本对应的语法纠错结果。
在本实施例中，可以将上述语病诊断结果输入语法纠错模型，以使语法纠错模型将有语病的句子修改为无语病的句子。
本发明实施例提供的技术方案，通过多个训练文本，确定各训练文本对应的文本难度，将多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将训练样本集划分为语病诊断样本集和语法纠错样本集，使用语病诊断样本集对LSTM-CRF模型进行训练，并同时使用语法纠错样本集对基于编码解码框架的LSTM模型进行训练，得到语病诊断模型和语法纠错模型，获取待处理的目标文本，将目标文本输入至语病诊断模型中得到语病诊断结果，将语病诊断结果输入至语法纠错模型中，得到目标文本对应的语法纠错结果的技术手段，可以丰富模型训练过程中文本的特征信息，提升模型的性能和泛化能力，避免模型过早陷入局部最优解。
图4为本发明实施例四提供的一种文本处理模型的生成装置的结构示意图，如图4所示，该装置包括：文本获取模块410、文本排列模块420和模型训练模块430。
其中，文本获取模块410，用于获取多个训练文本，确定各所述训练文本对应的文本难度；
文本排列模块420，用于将所述多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将所述训练样本集划分为语病诊断样本集和语法纠错样本集；
模型训练模块430，用于使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型。
本发明实施例提供的技术方案，通过获取多个训练文本，确定各训练文本对应的文本难度；将多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将训练样本集划分为语病诊断样本集和语法纠错样本集；使用语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型的技术手段，可以丰富模型训练过程中文本的特征信息，提升模型的性能和泛化能力，避免模型过早陷入局部最优解。
在上述实施例的基础上，所述装置包括：
目标文本获取模块，用于获取待处理的目标文本，将所述目标文本输入至语病诊断模型中，得到与所述目标文本对应的语病诊断结果；
纠错结果获取模块，用于将所述语病诊断结果输入至语法纠错模型中，得到与所述目标文本对应的语法纠错结果。
文本获取模块410包括：
词频确定单元，用于确定各所述训练文本的文本长度，以及训练文本中各分词的相对词频；
难度确定单元，用于根据各所述训练文本的文本长度，以及训练文本中各分词的相对词频，确定各所述训练文本对应的文本难度。
文本排列模块420包括：
密度函数确定单元，用于根据各所述训练文本对应的文本难度，确定全部训练文本对应的难度累计密度函数；
难度分数确定单元，用于根据所述难度累计密度函数，以及各所述训练文本对应的文本难度，确定各所述训练文本对应的难度分数；
训练文本排列单元，用于将所述多个训练文本，按照对应的难度分数由低到高进行排列。
所述模型训练模块430包括：
模型训练单元，用于使用所述语病诊断样本集，对基于条件随机场CRF模型的长短期记忆网络LSTM模型进行训练，并同时使用语法纠错样本集，对基于深度学习中编码解码框架的LSTM模型进行训练，得到语病诊断模型和语法纠错模型；
当前样本获取单元，用于在所述语法纠错样本集中依次获取一个样本，作为当前处理样本；
当前样本输入单元，用于将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练；
全部样本处理单元，用于判断是否完成对全部样本的处理，若否，则返回执行在所述语法纠错样本集中依次获取一个样本，作为当前处理样本的操作，直至完成对全部样本的处理；
训练进度获取单元，用于获取所述当前处理样本对应的文本难度，以及所述LSTM模型当前对应的训练进度；
文本难度判断单元，用于判断所述当前处理样本的文本难度，是否小于所述LSTM模型当前对应的训练进度；若是，则将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如文本处理模型的生成方法。
在一些实施例中，文本处理模型的生成方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的文本处理模型的生成方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本处理模型的生成方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的***和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算***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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种文本处理模型的生成方法，其特征在于，包括：
获取多个训练文本，确定各所述训练文本对应的文本难度；
将所述多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将所述训练样本集划分为语病诊断样本集和语法纠错样本集；
使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型。
2.根据权利要求1所述的方法，其特征在于，确定各所述训练文本对应的文本难度，包括：
确定各所述训练文本的文本长度，以及训练文本中各分词的相对词频；
根据各所述训练文本的文本长度，以及训练文本中各分词的相对词频，确定各所述训练文本对应的文本难度。
3.根据权利要求1所述的方法，其特征在于，将所述多个训练文本按照文本难度由低到高进行排列，包括：
根据各所述训练文本对应的文本难度，确定全部训练文本对应的难度累计密度函数；
根据所述难度累计密度函数，以及各所述训练文本对应的文本难度，确定各所述训练文本对应的难度分数；
将所述多个训练文本，按照对应的难度分数由低到高进行排列。
4.根据权利要求1所述的方法，其特征在于，使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型，包括：
使用所述语病诊断样本集，对基于条件随机场CRF模型的长短期记忆网络LSTM模型进行训练，并同时使用语法纠错样本集，对基于深度学习中编码解码框架的LSTM模型进行训练，得到语病诊断模型和语法纠错模型。
5.根据权利要求4所述的方法，其特征在于，使用语法纠错样本集，对基于深度学习中编码解码框架的LSTM模型进行训练，得到语法纠错模型，包括：
在所述语法纠错样本集中依次获取一个样本，作为当前处理样本；
将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练；
判断是否完成对全部样本的处理，若否，则返回执行在所述语法纠错样本集中依次获取一个样本，作为当前处理样本的操作，直至完成对全部样本的处理。
6.根据权利要求5所述的方法，其特征在于，将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练，包括：
获取所述当前处理样本对应的文本难度，以及所述LSTM模型当前对应的训练进度；
判断所述当前处理样本的文本难度，是否小于所述LSTM模型当前对应的训练进度；
若是，则将所述当前处理样本，输入至基于深度学习中编码解码框架的LSTM模型，以对所述LSTM模型进行训练。
7.根据权利要求1所述的方法，其特征在于，在使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型之后，还包括：
获取待处理的目标文本，将所述目标文本输入至语病诊断模型中，得到与所述目标文本对应的语病诊断结果；
将所述语病诊断结果输入至语法纠错模型中，得到与所述目标文本对应的语法纠错结果。
8.一种文本处理模型的生成装置，其特征在于，包括：
文本获取模块，用于获取多个训练文本，确定各所述训练文本对应的文本难度；
文本排列模块，用于将所述多个训练文本按照文本难度由低到高进行排列，得到训练样本集，并将所述训练样本集划分为语病诊断样本集和语法纠错样本集；
模型训练模块，用于使用所述语病诊断样本集和语法纠错样本集，同时分别对预设的神经网络模型进行训练，得到语病诊断模型和语法纠错模型。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-7中任一项所述的文本处理模型的生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的文本处理模型的生成方法。
CN202211295989.4A 2022-10-21 2022-10-21 一种文本处理模型的生成方法、装置、设备及存储介质 Pending CN115577705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211295989.4A CN115577705A (zh) 2022-10-21 2022-10-21 一种文本处理模型的生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211295989.4A CN115577705A (zh) 2022-10-21 2022-10-21 一种文本处理模型的生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115577705A true CN115577705A (zh) 2023-01-06

Family

ID=84587521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211295989.4A Pending CN115577705A (zh) 2022-10-21 2022-10-21 一种文本处理模型的生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115577705A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910185A (zh) * 2023-09-07 2023-10-20 北京中关村科金技术有限公司 模型训练方法、装置、电子设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910185A (zh) * 2023-09-07 2023-10-20 北京中关村科金技术有限公司 模型训练方法、装置、电子设备及可读存储介质
CN116910185B (zh) * 2023-09-07 2023-11-28 北京中关村科金技术有限公司 模型训练方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN112560496A (zh) 语义分析模型的训练方法、装置、电子设备及存储介质
EP4155973A1 (en) Sorting model training method and apparatus, and electronic device
CN113722493A (zh) 文本分类的数据处理方法、设备、存储介质及程序产品
CN112926308B (zh) 匹配正文的方法、装置、设备、存储介质以及程序产品
CN115062718A (zh) 语言模型训练方法、装置、电子设备及存储介质
CN112541070A (zh) 槽位更新语料的挖掘方法、装置、电子设备和存储介质
CN114218951B (zh) 实体识别模型的训练方法、实体识别方法及装置
CN115293149A (zh) 一种实体关系识别方法、装置、设备及存储介质
CN115577705A (zh) 一种文本处理模型的生成方法、装置、设备及存储介质
CN112989797B (zh) 模型训练、文本扩展方法，装置，设备以及存储介质
CN117216275A (zh) 一种文本处理方法、装置、设备以及存储介质
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
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN112257447B (zh) 基于深度网络as-lstm的命名实体识别***及识别方法
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN113051926A (zh) 文本抽取方法、设备和存储介质
CN114416941A (zh) 融合知识图谱的对话知识点确定模型的生成方法及装置
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN115840867A (zh) 数学解题模型的生成方法、装置、电子设备和存储介质
CN113033179A (zh) 知识获取方法、装置、电子设备及可读存储介质
CN112905743A (zh) 文本对象检测的方法、装置、电子设备和存储介质
CN115374779B (zh) 文本语言识别方法、装置、设备及介质
CN113705206B (zh) 情感预测模型的训练方法、装置、设备及存储介质
CN114925185B (zh) 交互方法、模型的训练方法、装置、设备及介质
CN115422930A (zh) 一种情感分析方法、装置、设备及存储介质

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