CN116049597A - 网页的多任务模型的预训练方法、装置及电子设备 - Google Patents
网页的多任务模型的预训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116049597A CN116049597A CN202310031338.2A CN202310031338A CN116049597A CN 116049597 A CN116049597 A CN 116049597A CN 202310031338 A CN202310031338 A CN 202310031338A CN 116049597 A CN116049597 A CN 116049597A
- Authority
- CN
- China
- Prior art keywords
- webpage
- web page
- model
- training
- task model
- 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 106
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000000007 visual effect Effects 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种网页的多任务模型的预训练方法、装置及电子设备,开涉及计算机技术领域。具体实施方案为:基于网页的超文本标记语言HTML源码和网页图像,获取网页的文本信息、结构信息和视觉信息;基于预训练语言模型对网页的文本信息、结构信息和视觉信息进行多模态关注,得到网页的多模态向量标识;基于多模态向量标识,对预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型。通过对网页进行处理,得到网页的多模态向量标识,进而对多个网页任务模型进行预训练,得到最终的目标任务模型,通过目标任务模型可以对网页任务进行有效捕捉,提升网页进行多模态分析的效率和准确率。
Description
技术领域
本公开涉及计算机技术领域,具体涉及图像处理、自然语言处理和深度学习等人工智能技术领域,尤其涉及一种网页的多任务模型的预训练方法、装置及电子设备。
背景技术
互联网网页中蕴藏着大量的多模态信息,长久以来,一直是信息产业应用中重要的数据来源,充分高效地挖掘网页蕴含的信息,对网页进行理解,对下游的信息抽取、分类、审核等互联网任务至关重要。
发明内容
本公开提供了一种用于网页的多任务模型的预训练方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种网页的多任务模型的预训练方法,包括:基于网页的超文本标记语言HTML源码和网页图像,获取网页的文本信息、结构信息和视觉信息;基于预训练语言模型对网页的文本信息、结构信息和视觉信息进行多模态关注,得到网页的多模态向量标识;基于多模态向量标识,对预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型。
根据本公开的第二方面,提供了一种网页的多任务模型的预训练装置,包括:获取模块,用于基于网页的超文本标记语言HTML源码和网页图像,获取网页的文本信息、结构信息和视觉信息;解析模块,用于基于预训练语言模型对网页的文本信息、结构信息和视觉信息进行多模态关注,得到网页的多模态向量标识;训练模块,用于基于多模态向量标识,对预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型。
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上述一方面实施例所述的网页的多任务模型的预训练方法。
根据本公开第四方面,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,其上存储有计算机程序/指令,所述计算机指令用于使所述计算机执行上述一方面实施例所述的网页的多任务模型的预训练方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现上述一方面实施例所述的网页的多任务模型的预训练方法。
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。
通过对网页进行处理,得到网页的多模态向量标识,进而对多个网页任务模型进行预训练,得到最终的目标任务模型,通过目标任务模型可以对网页任务进行有效捕捉,提升网页进行多模态分析的效率和准确率。
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为本公开实施例提供的一网页的多任务模型的预训练方法的流程示意图;
图2为本公开实施例提供的另一网页的多任务模型的预训练方法的流程示意图;
图3为本公开实施例提供的一种DOM树的结构示意简图;
图4为本公开实施例提供的另一网页的多任务模型的预训练方法的流程示意图;
图5为本公开实施例提供的一网页的多任务模型的预训练装置的结构示意图;
图6为根据本公开实施例的网页的多任务模型的预训练方法的电子设备的框图。
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。
下面参考附图描述本公开实施例的网页的多任务模型的预训练方法、装置和电子设备。
人工智能(Artificial Intelligence,简称AI),是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术,也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
自然语言处理(Natural Language Processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别等方面。
深度学习(Deep Learning,简称DL),是机器学习(Machine Learning,简称ML)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
图像处理(image processing)技术,用计算机对图像进行分析,以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值。图像处理技术一般包括图像压缩,增强和复原,匹配、描述和识别3个部分。
传统基于模板的网页信息抽取,在面对海量不同结构的网页时,实用价值不高,无法维护海量模板。当前大部分基于深度学习的网页预训练模型,可以解决网页表示、理解的泛化问题,但随着网页内容模态的丰富和设计的多样化,当前的预训练模型未能对网页中的复杂布局和视觉信息进行有效捕捉,从而影响了下游任务的应用效果。
图1为本公开实施例提供的一种网页的多任务模型的预训练方法的流程示意图。
如图1所示,该网页的多任务模型的预训练方法,可包括:
S101,基于网页的超文本标记语言HTML源码和网页图像,获取网页的文本信息、结构信息和视觉信息。
本发明提供的网页的多任务模型的预训练方法的执行主体为网页的多任务模型的预训练装置,网页的多任务模型的预训练装置可以为终端设备、服务器等硬件设备,或者为硬件设备上安装的软件。
在本公开实施例中,可通过获取网页的超文本标记语言(Hyper Text MarkupLanguage,HTML)源码,并对HTML源码和网页图像进行解析,以获取网页的文本信息、结构信息和视觉信息。
其中,文本信息为网页的文本数据,可以为文本中的所有词语、有实际含义的词语、或者文本中与当前的多模态任务相关的词语,可包括网页上的文字、标题等,此处不作任何限定。
视觉信息为网页的图片信息,该图片可包括网页的截图、网页中的网页图像等,此处不作任何限定。
结构信息可包括多种,此处不作任何限定,举例来说,可包括网页元素的路径,也可为元素的位置坐标。
S102,基于预训练语言模型对网页的文本信息、结构信息和视觉信息进行多模态关注,得到网页的多模态向量标识。
需要说明的是,多模态指的是通过文字、语音、视频、动作、环境等多种方式进行人机交互,模拟人与人之间的交互方式。
在本公开实施例中,可通过将文本信息、结构信息和视觉信息书输入至多模态向量生成模型中,以获取网页的多模态向量标识。需要说明的是,不同的模态对应的多模态向量标识可为不同,由此,可以将文本信息、结构信息和视觉信息进行多模态关注,得到不同种类的多模态向量标识,为后续的模型训练提供基础。
其中,多模态向量生成模型为提前训练好的,并可根据实际的实际需要进行变更,不同模态对应的多模态向量生成模型可为不同,此处不作任何限定。例如多模态向量生成模型可以为卷积神经网络模型(Convolutional Neural Networks,CNN)或者为词袋模型(Bag-of-words model,BOW)等。
S103,基于多模态向量标识,对预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型。
在本公开实施例中,网页任务为提前设定好的,用以实现不同的功能,网页任务可根据实际的设计需要进行变更,此处不作任何限定。不同的网页任务对应的网页任务模型可为不同,通过不同的网页任务模型进行组合,生成最终的目标任务模型。
能够理解的是,模型的训练是个重复迭代的过程,通过不断地调整模型的网络参数进行训练,直到模型整体的损失函数值小于预设值,或者模型整体的损失函数值不再变化或变化幅度缓慢,模型收敛,得到训练好的模型。
在本公开实施例中,不同的模态对应的网页任务模型可为不同,用以实现不同的功能。举例来说,视觉问答任务(VisualQuestion Answering,VQA)中,首先获取输入的图像以及问题文本,获取图像对应的图像向量以及问题文本对应的文本向量,将图像对应的图像向量以及问题文本输入至网页任务模型中,确定问题文本对应的答案;或者,在看图说话任务(Image Caption,IC)中,首先获取输入的图像以及图像对应的图像向量,将图像对应的图像向量输入网页任务模型中,获取输出的第一个词语,然后将第一个词语对应的文本向量以及图像对应的图像向量输入图像描述模型中,获取第二个词语;将第一个词语对应的文本向量、第二个词语对应的文本向量以及图像对应的图像向量输入图像描述模型中,依次进行,得到图像描述语句;或者,还可通过网页任务模型随机抽取DOM结点和分割的图片,预测图片是否为DOM结点的图片,训练模型对网页视觉信息和布局信息之间的关联能力。
可选地,可以在每次迭代训练过程中,将网页任务模型的输出结果和网页的文本信息、结构信息和视觉信息输入至损失函数模型中进行计算,从而获取模型输出的损失函数值,进而将计算得到的损失函数值与预设值进行比较,若损失函数值大于预设值,则网页任务模型的网络参数,并进行迭代处理,直至损失函数值小于预设值,得到最终的目标任务模型。
在本公开实施例中,首先基于网页的超文本标记语言HTML源码和网页图像,获取网页的文本信息、结构信息和视觉信息,然后基于预训练语言模型对网页的文本信息、结构信息和视觉信息进行多模态关注,得到网页的多模态向量标识,最后基于多模态向量标识,对预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型。由此,通过对网页进行处理,得到网页的多模态向量标识,进而对多个网页任务模型进行预训练,得到最终的目标任务模型,从而可以方便对网页中的复杂布局和视觉信息进行有效捕捉,提升网页进行多模态分析的效率和准确率。
在本公开的一个实施例中,网页任务可为网页识别任务,(Maksed MarkupLanguage Modeling,MMLM),基于HTML标签和文本的masked语言模型任务、对html源码中的标签、文本进行遮蔽,训练过程中,让模型预测被遮住部分的内容,进行语言生成解码,训练模型对网页内容理解的能力。
可选地,网页任务还可为网页标题与网页匹配任务(Title Page Matching,TPM),遮挡html中的网页标题部分,让模型判断某个标题是否属于某个html网页,进行二分类判断,训练模型对网页主题理解的能力。
可选地,网页任务还可为网页节点关系预测任务(Node Realtion Prediction,NRP),定义父子、近邻、祖孙等多个拓扑关系,基于xpath和dom树结构,选取一定范围的网页子内容,让模型预测给定的2个节点之间,属于以上关系集合中的那种关系,训练模型对网页拓扑结构的理解能力。
可选地,网页任务还可为随机抽取DOM结点和分割的图片(Vision Dom Matching,VDM),预测图片是否为DOM结点的图片,训练模型对网页视觉信息和布局信息之间的关联能力。
可选地,网页任务还可为通过图神经网络的节点表示网页(graph NodeClassification,NCLS),图的边表示超链接,并基于此对网页进行分类(可以是:索引页/内容页分类;网页层级分类等),训练模型对网页类型的区分能力。
可选地,网页任务还可为网页布局解析任务(Web Block Parsing,WBP),对给定网页进行布局块的分块(比如导航栏、正文、侧边栏、底栏等等),并对每个布局块进行分类,训练模型对整体布局的解析能力。
在本公开实施例中,基于多模态向量标识,对预训练语言模型下游的多个网页任务模型进行预训练,可通过获取网页的第一链接,并根据第一链接,确定网页的邻近网页,然后基于网页和第一链接,以及邻近网页和邻近网页的第二链接,构建网页的关系图结构,而后基于图神经网络对网页关系图结构进行处理,得到网页与邻近网页之间的依赖关系向量表示,最后基于多模态向量标识和关系依赖关系向量表示,对多个网页任务模型中的特定网页任务模型进行预训练,得到特定网页任务模型的目标任务模型。以此,可以实现对多网页之间的关系解析,并生成关系依赖关系向量,可以使生成的模型对多网页具备分析能力。
在本公开实施例中,可通过HTML源码进行解析,以获取第一链接,该第一链接为网页的地址。通过对第一链接和其他网页的链接进行解析,可以确定网页的邻近网页。
在获取到网页和第一链接和邻近网页的第二链接后,可通过神经网络模型构建网页的关系图结构。需要说明的是,该神经网络模型可为提前设定好的,并可根据实际的设计需要进行变更,此处不作任何限定。
上述实施例中,基于网页的HTML源码和网页图像,获取网页的文本信息、结构信息和视觉信息,还可通过图2进一步解释,该方法包括:
S201,对HTML源码进行分析,从HTML源码中提取网页的文档对象模型DOM树。
需要说明的是,文档对象模型(Document Object Model,DOM)树是W3C组织推荐的处理可扩展置标语言的标准编程接口。它是一种与平台和语言无关的应用程序接口(API),它可以动态地访问程序和脚本,更新其内容、结构和www文档的风格。
需要说明的是,在生成DOM树后,可将DOM树存储至电子设备的存储空间中,以方便在需要时调取使用。
在本公开实施例中,可通过DOM树生成程序从HTML源码中提取网页的文档对象模型DOM树,该DOM树生成程序可为提前设计好的,并存储在电子设备的存储空间中,以方便在需要时调取使用。
S202,对网页的DOM树中的节点进行遍历,得到网页的文本标记路径语言Xpath和文本信息,其中,DOM树和Xpath为结构信息。
在本公开实施例中,如图3所示的,DOM树可包括多个子树,每个子树可分别叶子节点,每个叶子节点可包括该节点对应的路径语言(XML Path Language,Xpath)和文本信息。其中路径语言包括叶子节点的路径信息,可通过Xpath确定叶子节点对应的信息的位置。
S203,基于DOM树上的节点,对网页图像进行截图,得到局部网页截图,并对网页图像和局部网页截图进行卷积处理,得到节点的视觉二维特征和DOM视觉特征,其中,视觉二维特征和DOM视觉特征为视觉信息。
在本公开实施例中,可通过对DOM树中的节点进行遍历,确定DOM树的叶子节点,基于叶子节点对网页图像进行截图,得到叶子节点的局部网页截图。由此,通过对DOM树进行遍历,可以准确的定位叶子节点,并基于叶子节点的信息进行截图,为后续的图像处理提供准确的数据基础。
需要说明的是,可根据预设截图范围,确定叶子节点所在的待截图的DOM子树,然后根据DOM子树对应的位置范围,在网页图像上定位DOM子树的图像内容进行截图,得到叶子节点的局部网页截图。需要说明的是,截图范围可为提前设定好的,并可根据实际的设计需要进行变更,此处不作任何限定。
可选地,还可根据叶子节点的位置,在网页图像上定位叶子节点的图像内容并进行截图,得到叶子节点的局部网页截图。
以此,通过设定截图范围,可以对训练样本的大小精度进行把控,从而可以根据实际的设计需要进行调整,以训练生成不同设计需要的目标任务模型。
在本公开实施例中,首先对HTML源码进行分析,从HTML源码中提取网页的文档对象模型DOM树,然后对网页的DOM树中的节点进行遍历,得到网页的文本标记路径语言Xpath和文本信息,其中,DOM树和Xpath为结构信息,最后基于DOM树上的节点,对网页图像进行截图,得到局部网页截图,并对网页图像和局部网页截图进行卷积处理,得到节点的视觉二维特征和DOM视觉特征,其中,视觉二维特征和DOM视觉特征为视觉信息。由此,通过生成DOM树,对网页的全部信息进行局部图的截取,可以实现每个节点对应一个局部网页截图。
需要说明的是,基于预训练语言模型对网页的文本信息、结构信息和视觉信息进行多模态关注,得到网页的多模态向量标识,还可将文本信息、结构信息和视觉信息,输入预训练语言模型中,由预训练语言模型中的多层自注意力层对文本信息、结构信息和视觉信息进行逐层的注意力权重的融合,得到多模态向量标识。由此,通过生成向量标识,可以方便后续的数据处理,提升处理效率。
上述实施例中,基于多模态向量标识,对预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型,还可通过图4进一步解释,该方法包括:
S401,将多模态向量标识输入网页任务模型中进行预测,得到网页任务模型的预测结果。
在本公开实施例中,可通过对多模态向量标识进行处理,得到处理后多模态向量标识,并将处理后多模态向量标识输入网页任务模型中进行预测,得到网页任务模型的预测结果。通过对向量标识进行处理,可以加快后续模型对样本的处理速度,提升模型的训练效果。
需要说明的是,对多模态向量标识进行处理的方法可为多种,举例来说,可为将多模态向量标识进行统一的格式处理、统一的大小处理等。
可选地,为了更好的训练效果,还可基于多模态向量标识生成负样本。在本公开实施例中,可基于网页任务模型,确定多模态向量标识中待遮挡向量标识,并对待遮挡向量标识进行遮挡,得到处理后多模态向量标识。以此,通过对多模态向量标识进行遮挡,生成负样本,可以获取更好的训练效果。
S402,基于预测结果和网页的标记结果,确定网页任务模型的损失函数,并基于损失函数对网页任务模型的模型参数进行调整。
S403,对调整后的网页任务模型继续进行预训练,直至得到目标任务模型。
在本公开实施例中,可将预测结果和网页的标记结果输入至损失函数中,以获取损失值。
在本公开实施例中,可通过将损失值与损失阈值进行比较,当损失值大于损失阈值时,此时可认为模型未达到需要的训练效果,可对模型参数进行调整。
当损失值小于损失阈值时,此时可认为模型已经达到需要的训练效果,无需对模型参数进行调整,输出目标任务模型。需要说明的是,损失阈值为提前设定好的,并可根据实际的设计需要进行变更,此处不作任何限定。
在本公实施例中,首先将多模态向量标识输入网页任务模型中进行预测,得到网页任务模型的预测结果,然后基于预测结果和网页的标记结果,确定网页任务模型的损失函数,并基于损失函数对网页任务模型的模型参数进行调整,最后对调整后的网页任务模型继续进行预训练,直至得到目标任务模型。通过设置计算损失函数,对网页任务模型进行调整并迭代训练,可以控制最终生成的目标任务模型的精度和用途。
与上述几种实施例提供的网页的多任务模型的预训练方法相对应,本公开的一个实施例还提供了一种网页的多任务模型的预训练装置,由于本公开实施例提供的网页的多任务模型的预训练装置与上述几种实施例提供的网页的多任务模型的预训练方法相对应,因此上述网页的多任务模型的预训练方法的实施方式也适用于本公开实施例提供的网页的多任务模型的预训练装置,在下述实施例中不再详细描述。
图5为本公开实施例提供的一种网页的多任务模型的预训练装置的结构示意图。如图5所示,该多任务模型的预训练装置500包括:获取模块510、解析模块520、训练模块530。
其中,获取模块510,用于基于网页的超文本标记语言HTML源码和网页图像,获取网页的文本信息、结构信息和视觉信息。
解析模块520,用于基于预训练语言模型对网页的文本信息、结构信息和视觉信息进行多模态关注,得到网页的多模态向量标识。
训练模块530,用于基于多模态向量标识,对预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型。
在本公开的一个实施例中,获取模块510,用于:对HTML源码进行分析,从HTML源码中提取网页的文档对象模型DOM树;对网页的DOM树中的节点进行遍历,得到网页的文本标记路径语言Xpath和文本信息,其中,DOM树和Xpath为结构信息;基于DOM树上的节点,对网页图像进行截图,得到局部网页截图,并对网页图像和局部网页截图进行卷积处理,得到节点的视觉二维特征和DOM视觉特征,其中,视觉二维特征和DOM视觉特征为视觉信息。
在本公开的一个实施例中,获取模块510,用于:对DOM树中的节点进行遍历,确定DOM树的叶子节点;基于叶子节点对网页图像进行截图,得到叶子节点的局部网页截图。
在本公开的一个实施例中,获取模块510,用于:根据预设截图范围,确定叶子节点所在的待截图的DOM子树;根据DOM子树对应的位置范围,在网页图像上定位DOM子树的图像内容进行截图,得到叶子节点的局部网页截图;或者,根据叶子节点的位置,在网页图像上定位叶子节点的图像内容并进行截图,得到叶子节点的局部网页截图。
在本公开的一个实施例中,解析模块520,还用于:将文本信息、结构信息和视觉信息,输入预训练语言模型中,由预训练语言模型中的多层自注意力层对文本信息、结构信息和视觉信息进行逐层的注意力权重的融合,得到多模态向量标识。
在本公开的一个实施例中,将多模态向量标识输入网页任务模型中进行预测,得到网页任务模型的预测结果;基于预测结果和网页的标记结果,确定网页任务模型的损失函数,并基于损失函数对网页任务模型的模型参数进行调整;对调整后的网页任务模型继续进行预训练,直至得到目标任务模型。
在本公开的一个实施例中,训练模块530,还用于:对多模态向量标识进行处理,得到处理后多模态向量标识,并将处理后多模态向量标识输入网页任务模型中进行预测,得到网页任务模型的预测结果。
在本公开的一个实施例中,训练模块530,还用于:基于网页任务模型,确定多模态向量标识中待遮挡向量标识,并对待遮挡向量标识进行遮挡,得到处理后多模态向量标识。
在本公开的一个实施例中,训练模块530,还用于:获取网页的第一链接,并根据第一链接,确定网页的邻近网页;基于网页和第一链接,以及邻近网页和邻近网页的第二链接,构建网页的关系图结构;基于图神经网络对网页关系图结构进行处理,得到网页与邻近网页之间的依赖关系向量表示;基于多模态向量标识和关系依赖关系向量表示,对多个网页任务模型中的特定网页任务模型进行预训练,得到特定网页任务模型的目标任务模型。
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。
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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序/指令或者从存储单元606载到随机访问存储器(RAM)603中的计算机程序/指令,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如网页的多任务模型的预训练方法。例如,在一些实施例中,网页的多任务模型的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606些实施例中,计算机程序/指令的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序/指令加载到RAM 603并由计算单元601执行时,可以执行上文描述的网页的多任务模型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601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行网页的多任务模型的预训练方法。
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/指令中,该一个或者多个计算机程序/指令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/指令来产生客户端和服务器的关系。服务器可以是云服务器,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,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)
1.一种网页的多任务模型的预训练方法,其中,包括:
基于网页的超文本标记语言HTML源码和网页图像,获取所述网页的文本信息、结构信息和视觉信息;
基于预训练语言模型对所述网页的文本信息、结构信息和视觉信息进行多模态关注,得到所述网页的多模态向量标识;
基于所述多模态向量标识,对所述预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型。
2.根据权利要求1所述的方法,其中,所述基于网页的超文本标记语言HTML源码和网页图像,获取所述网页的文本信息、结构信息和视觉信息,包括:
对所述HTML源码进行分析,从所述HTML源码中提取所述网页的文档对象模型DOM树;
对所述网页的DOM树中的节点进行遍历,得到所述网页的文本标记路径语言Xpath和所述文本信息,其中,所述DOM树和所述Xpath为所述结构信息;
基于所述DOM树上的节点,对所述网页图像进行截图,得到局部网页截图,并对所述网页图像和所述局部网页截图进行卷积处理,得到所述节点的视觉二维特征和DOM视觉特征,其中,所述视觉二维特征和所述DOM视觉特征为所述视觉信息。
3.根据权利要求2所述的方法,其中,所述基于所述DOM树上的节点,对所述网页图像进行截图,包括:
对所述DOM树中的节点进行遍历,确定所述DOM树的叶子节点;
基于所述叶子节点对所述网页图像进行截图,得到所述叶子节点的局部网页截图。
4.根据权利要求3所述的方法,其中,所述基于所述叶子节点对所述网页图像进行截图,得到所述叶子节点的局部网页截图,包括:
根据预设截图范围,确定所述叶子节点所在的待截图的DOM子树;
根据所述DOM子树对应的位置范围,在所述网页图像上定位所述DOM子树的图像内容进行截图,得到所述叶子节点的局部网页截图;或者,
根据所述叶子节点的位置,在所述网页图像上定位所述叶子节点的图像内容并进行截图,得到所述叶子节点的局部网页截图。
5.根据权利要求1-4中任一项所述的方法,其中,所述基于预训练语言模型对所述网页的文本信息、结构信息和视觉信息进行多模态关注,得到所述网页的多模态向量标识,包括:
将所述文本信息、所述结构信息和所述视觉信息,输入所述预训练语言模型中,由所述预训练语言模型中的多层自注意力层对所述文本信息、所述结构信息和所述视觉信息进行逐层的注意力权重的融合,得到所述多模态向量标识。
6.根据权利要求1-4中任一项所述的方法,其中,所述基于所述多模态向量标识,对所述预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型,包括:
将所述多模态向量标识输入所述网页任务模型中进行预测,得到所述网页任务模型的预测结果;
基于所述预测结果和所述网页的标记结果,确定所述网页任务模型的损失函数,并基于所述损失函数对所述网页任务模型的模型参数进行调整;
对调整后的网页任务模型继续进行预训练,直至得到所述目标任务模型。
7.根据权利要求6所述的方法,其中,所述将所述多模态向量标识输入所述网页任务模型中进行预测,得到所述网页任务模型的预测结果,包括:
对所述多模态向量标识进行处理,得到处理后多模态向量标识,并将所述处理后多模态向量标识输入所述网页任务模型中进行预测,得到所述网页任务模型的预测结果。
8.根据权利要求6所述的方法,其中,所述对所述多模态向量标识进行处理,得到处理后多模态向量标识,包括:
基于所述网页任务模型,确定所述多模态向量标识中待遮挡向量标识,并对所述待遮挡向量标识进行遮挡,得到所述处理后多模态向量标识。
9.根据权利要求1-4中任一项所述的方法,其中,所述基于所述多模态向量标识,对所述预训练语言模型下游的多个网页任务模型进行预训练,包括:
获取所述网页的第一链接,并根据所述第一链接,确定所述网页的邻近网页;
基于所述网页和所述第一链接,以及所述邻近网页和所述邻近网页的第二链接,构建所述网页的关系图结构;
基于图神经网络对所述网页关系图结构进行处理,得到所述网页与所述邻近网页之间的依赖关系向量表示;
基于所述多模态向量标识和所述关系依赖关系向量表示,对所述多个网页任务模型中的特定网页任务模型进行预训练,得到所述特定网页任务模型的目标任务模型。
10.一种网页的多任务模型的预训练装置,包括:
获取模块,用于基于网页的超文本标记语言HTML源码和网页图像,获取所述网页的文本信息、结构信息和视觉信息;
解析模块,用于基于预训练语言模型对所述网页的文本信息、结构信息和视觉信息进行多模态关注,得到所述网页的多模态向量标识;
训练模块,用于基于所述多模态向量标识,对所述预训练语言模型下游的多个网页任务模型进行预训练,得到最终的目标任务模型。
11.根据权利要求10所述的装置,其中,所述获取模块,还用于:
对所述HTML源码进行分析,从所述HTML源码中提取所述网页的文档对象模型DOM树;
对所述网页的DOM树中的节点进行遍历,得到所述网页的文本标记路径语言Xpath和所述文本信息,其中,所述DOM树和所述Xpath为所述结构信息;
基于所述DOM树上的节点,对所述网页图像进行截图,得到局部网页截图,并对所述网页图像和所述局部网页截图进行卷积处理,得到所述节点的视觉二维特征和DOM视觉特征,其中,所述视觉二维特征和所述DOM视觉特征为所述视觉信息。
12.根据权利要求11所述的装置,其中,所述获取模块,还用于:
对所述DOM树中的节点进行遍历,确定所述DOM树的叶子节点;
基于所述叶子节点对所述网页图像进行截图,得到所述叶子节点的局部网页截图。
13.根据权利要求12所述的装置,其中,所述获取模块,还用于:
根据预设截图范围,确定所述叶子节点所在的待截图的DOM子树;
根据所述DOM子树对应的位置范围,在所述网页图像上定位所述DOM子树的图像内容进行截图,得到所述叶子节点的局部网页截图;或者,
根据所述叶子节点的位置,在所述网页图像上定位所述叶子节点的图像内容并进行截图,得到所述叶子节点的局部网页截图。
14.根据权利要求10-13中任一项所述的装置,其中,所述解析模块,还用于:
将所述文本信息、所述结构信息和所述视觉信息,输入所述预训练语言模型中,由所述预训练语言模型中的多层自注意力层对所述文本信息、所述结构信息和所述视觉信息进行逐层的注意力权重的融合,得到所述多模态向量标识。
15.根据权利要求10-13中任一项所述的装置,其中,所述训练模块,还用于:
将所述多模态向量标识输入所述网页任务模型中进行预测,得到所述网页任务模型的预测结果;
基于所述预测结果和所述网页的标记结果,确定所述网页任务模型的损失函数,并基于所述损失函数对所述网页任务模型的模型参数进行调整;
对调整后的网页任务模型继续进行预训练,直至得到所述目标任务模型。
16.根据权利要求15所述的装置,其中,所述训练模块,还用于:
对所述多模态向量标识进行处理,得到处理后多模态向量标识,并将所述处理后多模态向量标识输入所述网页任务模型中进行预测,得到所述网页任务模型的预测结果。
17.根据权利要求15所述的装置,其中,所述训练模块,还用于:
基于所述网页任务模型,确定所述多模态向量标识中待遮挡向量标识,并对所述待遮挡向量标识进行遮挡,得到所述处理后多模态向量标识。
18.根据权利要求10-13中任一项所述的装置,其中,所述训练模块,还用于:
获取所述网页的第一链接,并根据所述第一链接,确定所述网页的邻近网页;
基于所述网页和所述第一链接,以及所述邻近网页和所述邻近网页的第二链接,构建所述网页的关系图结构;
基于图神经网络对所述网页关系图结构进行处理,得到所述网页与所述邻近网页之间的依赖关系向量表示;
基于所述多模态向量标识和所述关系依赖关系向量表示,对所述多个网页任务模型中的特定网页任务模型进行预训练,得到所述特定网页任务模型的目标任务模型。
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1-9中任一项所述的网页的多任务模型的预训练方法。
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中任一项所述的网页的多任务模型的预训练方法。
21.一种计算机程序产品,包括计算机程序/指令,其中,该计算机程序/指令被处理器执行时实现权利要求1-9中任一项所述的网页的多任务模型的预训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310031338.2A CN116049597B (zh) | 2023-01-10 | 2023-01-10 | 网页的多任务模型的预训练方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310031338.2A CN116049597B (zh) | 2023-01-10 | 2023-01-10 | 网页的多任务模型的预训练方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116049597A true CN116049597A (zh) | 2023-05-02 |
CN116049597B CN116049597B (zh) | 2024-04-19 |
Family
ID=86127025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310031338.2A Active CN116049597B (zh) | 2023-01-10 | 2023-01-10 | 网页的多任务模型的预训练方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116049597B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973392A (zh) * | 2024-03-20 | 2024-05-03 | 兴宁市云诺网络科技有限公司 | 一种基于网页标签分析的数据自动采集方法 |
CN118114742A (zh) * | 2024-03-19 | 2024-05-31 | 北京智谱华章科技有限公司 | 一种基于大语言模型的网页导航智能体的训练方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100312728A1 (en) * | 2005-10-31 | 2010-12-09 | At&T Intellectual Property Ii, L.P. Via Transfer From At&T Corp. | System and method of identifying web page semantic structures |
CN108804472A (zh) * | 2017-05-04 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 一种网页内容抽取方法、装置及服务器 |
CN108804469A (zh) * | 2017-05-04 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 一种网页识别方法以及电子设备 |
CN108959204A (zh) * | 2018-06-22 | 2018-12-07 | 中国科学院计算技术研究所 | 互联网金融项目信息抽取方法和*** |
CN109522562A (zh) * | 2018-11-30 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于文本图像融合识别的网页知识抽取方法 |
CN111652622A (zh) * | 2020-05-26 | 2020-09-11 | 支付宝(杭州)信息技术有限公司 | 一种风险网址的识别方法、装置及电子设备 |
CN111737623A (zh) * | 2020-06-19 | 2020-10-02 | 深圳市小满科技有限公司 | 网页信息提取方法及相关设备 |
CN113504906A (zh) * | 2021-05-31 | 2021-10-15 | 北京房江湖科技有限公司 | 代码生成方法、装置、电子设备及可读存储介质 |
CN113569119A (zh) * | 2021-07-02 | 2021-10-29 | 中译语通科技股份有限公司 | 一种基于多模态机器学习的新闻网页正文抽取***及方法 |
WO2021227091A1 (zh) * | 2020-05-15 | 2021-11-18 | 南京智谷人工智能研究院有限公司 | 一种基于图卷积神经网络的多模态分类方法 |
CN113688207A (zh) * | 2021-08-24 | 2021-11-23 | 思必驰科技股份有限公司 | 基于网络的结构阅读理解的建模处理方法和装置 |
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 |
CN113779356A (zh) * | 2021-09-10 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | 网页的风险检测方法、装置、计算机设备及存储介质 |
CN114491325A (zh) * | 2022-02-16 | 2022-05-13 | 平安科技(深圳)有限公司 | 网页数据的提取方法和装置、计算机设备、存储介质 |
CN115051817A (zh) * | 2022-01-05 | 2022-09-13 | 中国互联网络信息中心 | 一种基于多模态融合特征的网络钓鱼检测方法和*** |
-
2023
- 2023-01-10 CN CN202310031338.2A patent/CN116049597B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100312728A1 (en) * | 2005-10-31 | 2010-12-09 | At&T Intellectual Property Ii, L.P. Via Transfer From At&T Corp. | System and method of identifying web page semantic structures |
CN108804472A (zh) * | 2017-05-04 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 一种网页内容抽取方法、装置及服务器 |
CN108804469A (zh) * | 2017-05-04 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 一种网页识别方法以及电子设备 |
CN108959204A (zh) * | 2018-06-22 | 2018-12-07 | 中国科学院计算技术研究所 | 互联网金融项目信息抽取方法和*** |
CN109522562A (zh) * | 2018-11-30 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于文本图像融合识别的网页知识抽取方法 |
WO2021227091A1 (zh) * | 2020-05-15 | 2021-11-18 | 南京智谷人工智能研究院有限公司 | 一种基于图卷积神经网络的多模态分类方法 |
CN111652622A (zh) * | 2020-05-26 | 2020-09-11 | 支付宝(杭州)信息技术有限公司 | 一种风险网址的识别方法、装置及电子设备 |
CN111737623A (zh) * | 2020-06-19 | 2020-10-02 | 深圳市小满科技有限公司 | 网页信息提取方法及相关设备 |
CN113504906A (zh) * | 2021-05-31 | 2021-10-15 | 北京房江湖科技有限公司 | 代码生成方法、装置、电子设备及可读存储介质 |
CN113569119A (zh) * | 2021-07-02 | 2021-10-29 | 中译语通科技股份有限公司 | 一种基于多模态机器学习的新闻网页正文抽取***及方法 |
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 |
CN113688207A (zh) * | 2021-08-24 | 2021-11-23 | 思必驰科技股份有限公司 | 基于网络的结构阅读理解的建模处理方法和装置 |
CN113779356A (zh) * | 2021-09-10 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | 网页的风险检测方法、装置、计算机设备及存储介质 |
CN115051817A (zh) * | 2022-01-05 | 2022-09-13 | 中国互联网络信息中心 | 一种基于多模态融合特征的网络钓鱼检测方法和*** |
CN114491325A (zh) * | 2022-02-16 | 2022-05-13 | 平安科技(深圳)有限公司 | 网页数据的提取方法和装置、计算机设备、存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118114742A (zh) * | 2024-03-19 | 2024-05-31 | 北京智谱华章科技有限公司 | 一种基于大语言模型的网页导航智能体的训练方法 |
CN117973392A (zh) * | 2024-03-20 | 2024-05-03 | 兴宁市云诺网络科技有限公司 | 一种基于网页标签分析的数据自动采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116049597B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705187B (zh) | 预训练语言模型的生成方法、装置、电子设备和存储介质 | |
CN112560496B (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
CN116049597B (zh) | 网页的多任务模型的预训练方法、装置及电子设备 | |
CN113361578B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN115035538A (zh) | 文本识别模型的训练方法、文本识别方法及装置 | |
CN112396049A (zh) | 文本纠错方法、装置、计算机设备及存储介质 | |
CN113704460B (zh) | 一种文本分类方法、装置、电子设备和存储介质 | |
CN113836268A (zh) | 文档理解方法及装置、电子设备和介质 | |
EP4191544A1 (en) | Method and apparatus for recognizing token, electronic device and storage medium | |
CN115688920A (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
CN112580331A (zh) | 政策文本的知识图谱构建方法及*** | |
Wang et al. | Cyber threat intelligence entity extraction based on deep learning and field knowledge engineering | |
Moharil et al. | Tabasco: A transformer based contextualization toolkit | |
US20220382991A1 (en) | Training method and apparatus for document processing model, device, storage medium and program | |
WO2023137903A1 (zh) | 基于粗糙语义的回复语句确定方法、装置及电子设备 | |
CN114429106B (zh) | 页面信息处理方法、装置、电子设备和存储介质 | |
CN113361522B (zh) | 用于确定字符序列的方法、装置和电子设备 | |
CN112559713B (zh) | 文本相关性判断方法及装置、模型、电子设备、可读介质 | |
CN115563976A (zh) | 文本预测方法、用于文本预测的模型建立方法及装置 | |
CN114328936A (zh) | 建立分类模型的方法和装置 | |
CN113221566A (zh) | 实体关系抽取方法、装置、电子设备和存储介质 | |
CN116226478B (zh) | 信息处理方法、模型训练方法、装置、设备及存储介质 | |
CN116453702B (zh) | 孤独症行为特征集的数据处理方法、设备、***及介质 | |
CN113051390B (zh) | 知识库构建方法、装置、电子设备和介质 | |
CN115510872A (zh) | 谣言识别模型的训练方法和微信推文谣言识别方法 |
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 |