CN116244432B - 语言模型的预训练方法、装置及电子设备 - Google Patents
语言模型的预训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116244432B CN116244432B CN202211703408.6A CN202211703408A CN116244432B CN 116244432 B CN116244432 B CN 116244432B CN 202211703408 A CN202211703408 A CN 202211703408A CN 116244432 B CN116244432 B CN 116244432B
- Authority
- CN
- China
- Prior art keywords
- word
- mask
- sample text
- words
- word segmentation
- 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 70
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000011218 segmentation Effects 0.000 claims abstract description 211
- 239000013598 vector Substances 0.000 claims abstract description 139
- 230000006870 function Effects 0.000 claims abstract description 76
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 64
- 230000000873 masking effect Effects 0.000 claims description 37
- 238000010276 construction Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 19
- 240000007087 Apium graveolens Species 0.000 description 11
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 11
- 235000010591 Appio Nutrition 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 7
- 240000000599 Lentinula edodes Species 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- YNAVUWVOSKDBBP-UHFFFAOYSA-N Morpholine Chemical compound C1COCCN1 YNAVUWVOSKDBBP-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000001715 Lentinula edodes Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003064 k means clustering 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
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了语言模型的预训练方法、装置及电子设备，涉及人工智能技术领域，尤其涉及深度学习、自然语言处理、智能搜索技术领域。具体实现方案为：获取至少一个掩码样本文本、掩码样本文本中掩码位置的参考词语以及掩码样本文本中分词词语的参考类别；将掩码样本文本输入语言模型中的特征提取网络，获取掩码位置的特征向量以及分词词语的特征向量；进而输入语言模型中的预测网络，获取掩码位置的预测词语以及分词词语的预测类别；根据掩码位置的预测词语和参考词语、分词词语的预测类别和参考类别，构建语言模型的损失函数，对语言模型进行预训练处理，从而使得语言模型能够学习到词语类别能力，提高语言模型的准确度。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习、自然语言处理、智能搜索技术领域，尤其涉及一种语言模型的预训练方法、装置及电子设备。
背景技术
目前，常见的语言模型的预训练方法主要为，对样本文本中的部分词语进行掩码处理，然后基于上下文对掩码位置进行词语预测处理，得到预测词语，结合预测词语以及掩码位置的原始词语，构建损失函数，对语言模型进行训练，从而使得语言模型能够学习到文本理解能力。
然而，基于上述预训练方法训练得到的语言模型，在实际应用中，若输入的文本中存在新词，即语言模型训练过程中未接触过的词语，会严重干扰语言模型的最终输出结果，降低输出结果的准确度，导致语言模型的准确度差。
发明内容
本公开提供了一种语言模型的预训练方法、装置及电子设备。
根据本公开的一方面，提供了一种语言模型的预训练方法，所述方法包括：获取至少一个掩码样本文本、所述掩码样本文本中掩码位置的参考词语以及所述掩码样本文本中分词词语的参考类别；将所述掩码样本文本输入语言模型中的特征提取网络，获取所述掩码位置的特征向量以及所述分词词语的特征向量；将所述掩码位置的特征向量以及所述分词词语的特征向量输入所述语言模型中的预测网络，获取所述掩码位置的预测词语以及所述分词词语的预测类别；根据所述掩码位置的预测词语和参考词语、所述分词词语的预测类别和参考类别，构建所述语言模型的损失函数，对所述语言模型进行预训练处理。
根据本公开的另一方面，提供了一种语言模型的预训练装置，所述装置包括：第一获取模块，用于获取至少一个掩码样本文本、所述掩码样本文本中掩码位置的参考词语以及所述掩码样本文本中分词词语的参考类别；第二获取模块，用于将所述掩码样本文本输入语言模型中的特征提取网络，获取所述掩码位置的特征向量以及所述分词词语的特征向量；第三获取模块，用于将所述掩码位置的特征向量以及所述分词词语的特征向量输入所述语言模型中的预测网络，获取所述掩码位置的预测词语以及所述分词词语的预测类别；训练模块，用于根据所述掩码位置的预测词语和参考词语、所述分词词语的预测类别和参考类别，构建所述语言模型的损失函数，对所述语言模型进行预训练处理。
根据本公开的另一方面，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本公开上述提出的语言模型的预训练方法。
根据本公开的另一方面，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计算机执行本公开上述提出的语言模型的预训练方法。
根据本公开的另一方面，提供了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本公开上述提出的语言模型的预训练方法的步骤。
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是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是语言模型的预训练示意图；
图5是根据本公开第四实施例的示意图；
图6是用来实现本公开实施例的语言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。
目前，常见的语言模型的预训练方法主要为，对样本文本中的部分词语进行掩码处理，然后基于上下文对掩码位置进行词语预测处理，得到预测词语，结合预测词语以及掩码位置的原始词语，构建损失函数，对语言模型进行训练，从而使得语言模型能够学习到文本理解能力。
然而，基于上述预训练方法训练得到的语言模型，在实际应用中，若输入的文本中存在新词，即语言模型训练过程中未接触过的词语，会严重干扰语言模型的最终输出结果，降低输出结果的准确度，导致语言模型的准确度差。
针对上述问题，本公开提出一种语言模型的预训练方法、装置及电子设备。
图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的语言模型的预训练方法可应用于语言模型的预训练装置，该装置可被配置于电子设备中，以使该电子设备可以执行语言模型的预训练功能。以下实施例中以执行主体为电子设备为例进行说明。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作***、触摸屏和/或显示屏的硬件设备。
如图1所示，该语言模型的预训练方法可以包括如下步骤：
步骤101，获取至少一个掩码样本文本、掩码样本文本中掩码位置的参考词语以及掩码样本文本中分词词语的参考类别。
在本公开实施例中，掩码样本文本，可以为对样本文本中部分词语进行掩码得到的。其中，针对样本文本中部分词语中的每个词语，对该词语的掩码处理的方式可以有两种，一种是采用一个掩码字符对该词语进行替换处理；另一种是对该词语中的每个字符，分别采用一个掩码字符进行替换处理。
其中，掩码位置，为掩码样本文本中被掩码词语所在的位置。其中，词语中可以包括一个字符或者多个字符。
例如，样本文本可以为“香菇可以炒芹菜吗”，其中的词语分别可以为“香菇”、“可以”、“炒”、“芹菜”、“吗”。可以对该样本文本中的“香菇”进行掩码处理，对该样本文本中“芹菜”中的每个字符进行掩码处理，得到的掩码样本文本例如可以为“mask可以炒mask mask吗”。其中，每个“mask”表示一个掩码字符。
在本公开实施例中，分词词语的参考类别，可以为分词词语的上位概念，或者，可以为没有实际意义的编号等，可以根据实际需要进行设定。
步骤102，将掩码样本文本输入语言模型中的特征提取网络，获取掩码位置的特征向量以及分词词语的特征向量。
步骤103，将掩码位置的特征向量以及分词词语的特征向量输入语言模型中的预测网络，获取掩码位置的预测词语以及分词词语的预测类别。
在本公开实施例中，语言模型中可以包括：特征提取网络以及预测网络。预测网络可以包括：词语预测网络和类别预测网络。特征提取网络，用于提取掩码样本文本中各个掩码位置的特征向量，以及掩码样本文本中各个分词词语的特征向量。其中，特征提取网络例如可以为ERNIE网络；词语预测网络和类别预测网络例如可以为全连接(Fully Connected，FC)网络。
其中，词语预测网络，用于结合掩码样本文本中各个掩码位置的特征向量以及各个分词词语的特征向量，确定掩码位置的预测词语。类别预测网络，用于结合各个分词词语的特征向量，确定各个分词词语的预测类别。
在本公开实施例中，电子设备执行步骤103的过程例如可以为，将掩码位置的特征向量以及分词词语的特征向量，输入词语预测网络中，获取词语预测网络输出的掩码位置的预测词语；将分词词语的特征向量输入类别预测网络中，获取类别预测网络输出的分词词语的预测类别。
其中，采用词语预测网络进行词语预测处理，采用类别预测网络进行类别预测处理，可以对词语预测网络以及类别预测网络进行不同的系数调整，使得词语预测网络以及类别预测网络具有不同的网络系数，避免词语预测和类别预测之间的相互干扰，进而提高词语预测的准确度，提高类别预测的准确度。
步骤104，根据掩码位置的预测词语和参考词语、分词词语的预测类别和参考类别，构建语言模型的损失函数，对语言模型进行预训练处理。
在本公开实施例中，电子设备可以根据掩码位置的预测词语和参考词语、分词词语的预测类别和参考类别，构建语言模型的损失函数；根据损失函数的数值对语言模型的系数进行调整，得到经过预训练的语言模型。
其中，得到经过预训练的语言模型之后，可以针对具体的下游任务，结合经过预训练的语言模型中的特征提取网络，构建下游任务的任务处理模型；进而结合下游任务的训练数据对任务处理模型进行训练，得到可以适用于下游任务的任务处理模型。
其中，下游任务例如，翻译任务、关键词提取任务、问答任务、意图识别任务等，可以根据实际需要进行设定。
本公开实施例的语言模型的预训练方法，通过获取至少一个掩码样本文本、掩码样本文本中掩码位置的参考词语以及掩码样本文本中分词词语的参考类别；将掩码样本文本输入语言模型中的特征提取网络，获取掩码位置的特征向量以及分词词语的特征向量；将掩码位置的特征向量以及分词词语的特征向量输入语言模型中的预测网络，获取掩码位置的预测词语以及分词词语的预测类别；根据掩码位置的预测词语和参考词语、分词词语的预测类别和参考类别，构建语言模型的损失函数，对语言模型进行预训练处理，从而使得语言模型能够学习到词语类别能力，进而针对新词语，可以结合同类别的其它词语进行理解处理，避免新词语对语言模型输出结果的干扰，提高语言模型的准确度。
其中，为了准确获取掩码样本文本，降低掩码样本文本的获取成本，可以对样本文本中的部分词语进行掩码处理。如图2所示，图2是根据本公开第二实施例的示意图，图2所示实施例可以包括以下步骤：
步骤201，获取至少一个样本文本。
在本公开实施例中，一种示例中，样本文本中可以包括一个语句或者多个语句。另一种示例中，样本文本中可以包括一个短语或者多个短语。
其中，需要说明的是，样本文本可以为中文、英文等，此处不做具体限定，可以根据实际需要进行设定。
步骤202，针对每个样本文本，对样本文本中的部分词语进行掩码处理，得到样本文本对应的掩码样本文本。
在本公开实施例中，针对样本文本中部分词语中的每个词语，对该词语的掩码处理的方式可以有两种，一种是采用一个掩码字符对该词语进行替换处理；另一种是对该词语中的每个字符，分别采用一个掩码字符进行替换处理。
对应的，一种示例中，电子设备执行步骤202的过程例如可以为，针对每个样本文本，对样本文本进行分词处理，获取样本文本中的多个分词词语；从多个分词词语中选择第一分词词语；对样本文本中第一分词词语的所在位置进行掩码处理，得到样本文本对应的掩码样本文本。
在该示例中，电子设备可以将样本文本输入分词模型，获取分词模型输出的多个分词词语。以样本文本为“香菇可以炒芹菜吗”为例，其中的分词词语例如可以为“香菇”、“可以”、“炒”、“芹菜”、“吗”。
在该示例中，电子设备可以将样本文本中的每个第一分词词语分别采用一个掩码字符进行替换处理，得到掩码样本文本。其中，第一分词词语例如可以为“香菇”。
其中，电子设备可以按照第一预设比例从样本文本的多个分词词语中选择第一分词词语。第一预设比例，表示选择的第一分词词语中字符数量与样本文本中字符数量的最大占比。
其中，电子设备对样本文本进行分词处理，并对分词得到的部分词语，采用掩码字符进行替换处理，能够快速得到掩码样本文本，且以词语为单位进行掩码处理，确保掩码位置需要预测的词语的含义完整性；结合该掩码样本文本对语言模型进行预训练，能够进一步提高训练得到的语言模型的准确度。
另一种示例中，电子设备执行步骤202的过程例如可以为，针对每个样本文本，对样本文本进行分词处理，获取样本文本中的多个分词词语；从多个分词词语中选择第一分词词语和第二分词词语；对第二分词词语进行拆分处理，获取第二分词词语中的第二字符；对样本文本中第一分词词语的所在位置以及第二字符的所在位置进行掩码处理，得到样本文本对应的掩码样本文本。
其中，在该示例中，电子设备可以按照第一预设比例从样本文本的多个分词词语中选择第一分词词语，并按照第二预设比例从样本文本的多个分词词语中选择第二分词词语。其中，第二预设比例，表示选择的第二分词词语中字符数量与样本文本中字符数量的最大占比。
其中，第一预设比例和第二预设比例，可以相同或者不同。第一分词词语与第二分词词语，需要不同。也就是说，样本文本中的同一个分词词语，不同同时作为第一分词词语和第二分词词语。
其中，以样本文本为“香菇可以炒芹菜吗”为例，其中的第二分词词语例如可以为“芹菜”。
其中，电子设备对样本文本中第一分词词语的所在位置以及第二字符的所在位置进行掩码处理，得到样本文本对应的掩码样本文本的过程例如可以为，对每个第一分词词语，分别采用一个掩码字符进行替换处理；对每个第二字符，分别采用一个掩码字符进行替换处理，进而得到样本文本对应的掩码样本文本。
其中，电子设备对样本文本进行分词处理，并对分词得到的第一分词词语，采用掩码字符进行替换处理；对分词得到的第二分词词语中的每个字符，采用掩码字符进行替换处理；结合该掩码样本文本对语言模型进行预训练，使得语言模型能够学习到样本文本中字符的信息，以及各个第二字符之间的关联关系，能够进一步提高训练得到的语言模型的准确度。
步骤203，根据样本文本，确定掩码样本文本中的掩码位置以及掩码位置的参考词语。
在本公开实施例中，电子设备执行步骤203的过程例如可以为，确定掩码样本文本中的掩码位置；将样本文本中掩码位置上的词语，作为掩码位置的参考词语。
其中，电子设备可以获取掩码样本文本中的掩码字符，将掩码字符所替换的词语在样本文本中的位置，作为掩码位置。例如，以样本文本为“香菇可以炒芹菜吗”为例，被掩码字符替换的分词词语可以为“香菇”“芹”和“菜”，则第一个掩码位置，可以为样本文本中第一个字符和第二个字符的所在位置；第二个掩码位置，可以为样本文本中第六个字符的所在位置；第三个掩码位置，可以为样本文本中第七个字符的所在位置。
其中，电子设备将样本文本中掩码位置上的词语，作为掩码位置的参考词语，方便确定掩码位置的后续预测词语与参考词语的对应关系，进而构建损失函数对语言模型进行预训练，提高训练得到的语言模型的准确度。
步骤204，根据掩码样本文本中的分词词语查询类别词表，获取分词词语的参考类别。
在本公开实施例中，类别词表中可以包括多个词语，以及每个词语的类别。电子设备执行步骤204的过程例如可以为，根据掩码样本文本中的分词词语查询类别词表，获取类别词表中与该分词词语匹配的词语；将类别词表中匹配的词语的类别，作为分词词语的参考类别。
在本公开实施例中，步骤204之前，电子设备可以先获取类别词表。电子设备获取类别词表的过程例如可以为，获取预设词表，所述预设词表中包括大于预设数量的词语；确定各个词语的编码向量；根据各个词语的编码向量，对各个词语进行聚类处理，得到至少一个聚类结果；根据至少一个聚类结果的类别，确定各个词语的参考类别；根据各个词语以及各个词语的参考类别，生成类别词表。
其中，电子设备确定各个词语的编码向量的过程例如可以为，将各个词语依次输入词袋模型，获取词袋模型输出的各个词语的编码向量。
其中，电子设备根据各个词语的编码向量，对各个词语进行聚类处理的过程例如可以为，针对任意两个词语，确定该两个词语的编码向量之间的向量相似度；根据向量相似度对各个词语进行聚类处理，得到至少一个聚类结果；其中，同一个聚类结果中任意两个词语之间的向量相似度较大；不同聚类结果中两个词语之间的向量相似度较小。
其中，至少一个聚类结果的类别，可以为对至少一个聚类结果的编号。其中，不同的聚类结果的编号不同。其中，编号例如0，1，2，3等数字，可以根据实际需要进行设定。其中，聚类结果的数量例如可以为256等。聚类方法例如可以为k-means聚类方法。
其中，电子设备根据各个词语的编码向量，对各个词语进行聚类处理，进而确定各个词语的类别；能够使得含义类似的词语具有相同的类别；根据生成的类别词表，确定掩码样本文本中分词词语的参考类别，能够准确确定分词词语的参考类别，进而进一步提高训练得到的语言模型的准确度。
步骤205，将掩码样本文本输入语言模型中的特征提取网络，获取掩码位置的特征向量以及分词词语的特征向量。
步骤206，将掩码位置的特征向量以及分词词语的特征向量输入语言模型中的预测网络，获取掩码位置的预测词语以及分词词语的预测类别。
步骤207，根据掩码位置的预测词语和参考词语、分词词语的预测类别和参考类别，构建语言模型的损失函数，对语言模型进行预训练处理。
其中，需要说明的是，步骤205至步骤207的详细内容，可以参考图1所示实施例中的步骤102至步骤104，此处不再进行详细说明。
本公开实施例的语言模型的预训练方法，通过获取至少一个样本文本；针对每个样本文本，对样本文本中的部分词语进行掩码处理，得到样本文本对应的掩码样本文本；根据样本文本，确定掩码样本文本中的掩码位置以及掩码位置的参考词语；根据掩码样本文本中的分词词语查询类别词表，获取分词词语的参考类别；将掩码样本文本输入语言模型中的特征提取网络，获取掩码位置的特征向量以及分词词语的特征向量；将掩码位置的特征向量以及分词词语的特征向量输入语言模型中的预测网络，获取掩码位置的预测词语以及分词词语的预测类别；根据掩码位置的预测词语和参考词语、分词词语的预测类别和参考类别，构建语言模型的损失函数，对语言模型进行预训练处理，从而使得语言模型能够学习到词语类别能力，进而针对新词语，可以结合同类别的其它词语进行理解处理，避免新词语对语言模型输出结果的干扰，提高语言模型的准确度。
其中，为了准确结合掩码位置的预测词语和参考词语、分词词语的预测类别和参考类别，构建语言模型的损失函数，进而对语言模型进行系数调整，实现训练，可以结合掩码位置的预测词语和参考词语构建一个词语预测损失函数，结合分词词语的预测类别和参考类别构建一个类别预测损失函数；进而构建语言模型的损失函数。如图3所示，图3是根据本公开第三实施例的示意图，图3所示实施例可以包括以下步骤：
步骤301，获取至少一个掩码样本文本、掩码样本文本中掩码位置的参考词语以及掩码样本文本中分词词语的参考类别。
步骤302，将掩码样本文本输入语言模型中的特征提取网络，获取掩码位置的特征向量以及分词词语的特征向量。
步骤303，将掩码位置的特征向量以及分词词语的特征向量输入语言模型中的预测网络，获取掩码位置的预测词语以及分词词语的预测类别。
步骤304，根据掩码位置的预测词语和参考词语，构建词语预测损失函数。
在本公开实施例中，掩码位置的参考词语，可以为掩码样本文本对应的样本文本中的分词词语，或者，为分词词语拆分得到的。
其中，一种示例中，掩码位置的参考词语，可以为掩码样本文本对应的样本文本中的分词词语。对应的，电子设备执行步骤304的过程例如可以为，针对每个掩码位置，确定掩码位置的预测词语的特征向量；确定掩码位置的参考词语的特征向量；根据掩码位置的预测词语的特征向量以及参考词语的特征向量，构建一个词语预测损失项；根据各个掩码位置的词语预测损失项，构建词语预测损失函数。
其中，掩码位置的预测词语的特征向量，可以为将掩码样本文本输入特征提取网络后，得到的掩码位置的特征向量。其中，掩码位置的参考词语的特征向量，可以为将参考词语或者包括参考词语的文本输入特征提取网络后，得到的参考词语的特征向量。
其中，在掩码位置的参考词语为掩码样本文本对应的样本文本中的分词词语的情形下，根据各个掩码位置的预测词语的特征向量以及参考词语的特征向量，构建词语预测损失函数，能够提高构建得到的词语预测损失函数的准确度，进而提高构建得到的损失函数的准确度，提高训练得到的语言模型的准确度。
另一种示例中，部分掩码位置的参考词语，可以为掩码样本文本对应的样本文本中的分词词语；部分掩码位置的参考词语，可以为掩码样本文本对应的样本文本中分词词语拆分得到的。对应的，电子设备执行步骤304的过程例如可以为，确定至少一个掩码位置与样本文本中分词词语的所在位置之间的对应关系，其中，在对应关系中，至少一个掩码位置的参考词语，由对应的所在位置的分词词语拆分处理得到；针对样本文本中每个分词词语的所在位置，根据对应的至少一个掩码位置的参考词语的特征向量，以及分词词语的特征向量，构建一个词语预测损失项；根据各个词语预测损失项，构建词语预测损失函数。
其中，至少一个掩码位置与样本文本中分词词语的所在位置之间的对应关系，也就是说，样本文本中分词词语的所在位置，可以对应一个或者多个掩码位置。例如，以样本文本为“香菇可以炒芹菜吗”为例，对应的掩码样本文本可以为“mask可以炒mask mask吗”。其中，样本文本中的分词词语“香菇”可以对应掩码样本文本中第一个掩码字符“mask”所在的掩码位置；样本文本中的分词词语“芹菜”可以对应掩码样本文本中第二个掩码字符的所在位置和第三个掩码字符的所在位置。
其中，在部分掩码位置的参考词语，可以为掩码样本文本对应的样本文本中分词词语拆分得到的情形下，确定至少一个掩码位置与样本文本中分词词语的所在位置之间的对应关系，进而结合对应关系中至少一个掩码位置的参考词语的特征向量以及分词词语的特征向量，构建词语预测损失函数，能够提高构建得到的词语预测损失函数的准确度，进而提高构建得到的损失函数的准确度，提高训练得到的语言模型的准确度。
其中，电子设备针对样本文本中每个分词词语的所在位置，构建词语预测损失项的过程例如可以为，针对样本文本中每个分词词语的所在位置，
对对应的至少一个掩码位置的参考词语的特征向量进行加和处理，得到所5在位置的预测特征向量；根据预测特征向量以及分词词语的特征向量，构
建一个词语预测损失项。
其中，电子设备针对样本文本中每个分词词语的所在位置，对对应的至少一个掩码位置的参考词语的特征向量进行加和处理，得到所在位置的预测特征向量，进而构建词语预测损失项，可以提高构建得到的词语预测0损失项的准确度，进而提高构建得到的词语预测损失函数的准确度。
步骤305，根据分词词语的预测类别和参考类别，构建类别预测损失函数。
在本公开实施例中，电子设备执行步骤305的过程例如可以为，针对
掩码样本文本中的每个分词词语，根据该分词词语的预测类别和参考类别，5构建一个类别预测损失项；根据各个类别预测损失项，构建类别预测损失
函数。
步骤306，根据词语预测损失函数和类别预测损失函数，构建损失函数。
其中，损失函数可以为词语预测损失函数和类别预测损失函数的加和。0步骤307，根据损失函数的数值，对语言模型进行系数调整，实现对
语言模型的预训练处理。
其中，需要说明的是，步骤301至步骤303的详细内容，可以参考图1所示实施例中的步骤101至步骤103，此处不再进行详细说明。
本公开实施例的语言模型的预训练方法，通过获取至少一个掩码样本5文本、掩码样本文本中掩码位置的参考词语以及掩码样本文本中分词词语
的参考类别；将掩码样本文本输入语言模型中的特征提取网络，获取掩码位置的特征向量以及分词词语的特征向量；将掩码位置的特征向量以及分词词语的特征向量输入语言模型中的预测网络，获取掩码位置的预测词语以及分词词语的预测类别；根据掩码位置的预测词语和参考词语，构建词语预测损失函数；根据分词词语的预测类别和参考类别，构建类别预测损失函数；根据词语预测损失函数和类别预测损失函数，构建损失函数；根据损失函数的数值，对语言模型进行系数调整，实现对语言模型的预训练处理，从而使得语言模型能够学习到词语类别能力以及词语关联能力，进而针对新词语，可以结合同类别的其它词语以及关联词语进行理解处理，避免新词语对语言模型输出结果的干扰，提高语言模型的准确度。
以下举例进行说明。语言模型的预训练示意图可以如图4所示，在图4中，语言模型中可以包括：特征提取网络以及预测网络。预测网络可以包括：词语预测网络和类别预测网络。其中，词语预测网络(图4中未示出)，根据特征提取网络的输出结果执行词语预测任务(词预测任务)；类别预测网络(图4中未示出)，根据特征提取网络的输出结果执行类别预测任务(词分类任务)。其中，特征提取网络(ERNIE预训练模型)的输入可以为掩码样本文本(采样掩码)，输出可以为掩码样本文本中掩码位置的特征向量以及分词词语的特征向量。
其中，在图4中，类别预测任务中用到的类别词表(聚类词表)的生成过程例如可以为，获取大量词语的编码向量(开源词编码)，进行开源词聚类处理(k-mean聚类)以及类别映射(词类映射)，得到聚类词表。
为了实现上述实施例，本公开还提供一种语言模型的预训练装置。如图5所示，图5是根据本公开第四实施例的示意图。该语言模型的预训练装置50可以包括：第一获取模块501、第二获取模块502、第三获取模块503和训练模块504。
其中，第一获取模块501，用于获取至少一个掩码样本文本、所述掩码样本文本中掩码位置的参考词语以及所述掩码样本文本中分词词语的参考类别；
第二获取模块502，用于将所述掩码样本文本输入语言模型中的特征提取网络，获取所述掩码位置的特征向量以及所述分词词语的特征向量；
第三获取模块503，用于将所述掩码位置的特征向量以及所述分词词语的特征向量输入所述语言模型中的预测网络，获取所述掩码位置的预测词语以及所述分词词语的预测类别；
训练模块504，用于根据所述掩码位置的预测词语和参考词语、所述分词词语的预测类别和参考类别，构建所述语言模型的损失函数，对所述语言模型进行预训练处理。
作为本公开实施例的一种可能实现方式，所述第一获取模块501包括：第一获取单元、掩码处理单元、确定单元和第二获取单元；所述第一获取单元，用于获取至少一个样本文本；所述掩码处理单元，用于针对每个样本文本，对所述样本文本中的部分词语进行掩码处理，得到所述样本文本对应的掩码样本文本；所述确定单元，用于根据所述样本文本，确定所述掩码样本文本中的掩码位置以及所述掩码位置的参考词语；所述第二获取单元，用于根据所述掩码样本文本中的分词词语查询类别词表，获取所述分词词语的参考类别。
作为本公开实施例的一种可能实现方式，所述掩码处理单元具体用于，针对每个样本文本，对所述样本文本进行分词处理，获取所述样本文本中的多个分词词语；从多个所述分词词语中选择第一分词词语；对所述样本文本中所述第一分词词语的所在位置进行掩码处理，得到所述样本文本对应的掩码样本文本。
作为本公开实施例的一种可能实现方式，所述掩码处理单元具体用于，针对每个样本文本，对所述样本文本进行分词处理，获取所述样本文本中的多个分词词语；从多个所述分词词语中选择第一分词词语和第二分词词语；对所述第二分词词语进行拆分处理，获取所述第二分词词语中的第二字符；对所述样本文本中所述第一分词词语的所在位置以及所述第二字符的所在位置进行掩码处理，得到所述样本文本对应的掩码样本文本。
作为本公开实施例的一种可能实现方式，所述确定单元具体用于，确定所述掩码样本文本中的掩码位置；将所述样本文本中所述掩码位置上的词语，作为所述掩码位置的参考词语。
作为本公开实施例的一种可能实现方式，所述第二获取单元具体用于，获取预设词表，所述预设词表中包括大于预设数量的词语；确定各个所述词语的编码向量；根据各个所述词语的编码向量，对各个所述词语进行聚类处理，得到至少一个聚类结果；根据至少一个所述聚类结果的类别，确定各个所述词语的参考类别；根据各个所述词语以及各个所述词语的参考类别，生成所述类别词表。
作为本公开实施例的一种可能实现方式，所述预测网络包括：词语预测网络和类别预测网络，所述第三获取模块503具体用于，将所述掩码位置的特征向量以及所述分词词语的特征向量，输入所述词语预测网络中，获取所述词语预测网络输出的所述掩码位置的预测词语；将所述分词词语的特征向量输入所述类别预测网络中，获取所述类别预测网络输出的所述分词词语的预测类别。
作为本公开实施例的一种可能实现方式，所述训练模块504包括：第一构建单元、第二构建单元、第三构建单元和训练单元；所述第一构建单元，用于根据所述掩码位置的预测词语和参考词语，构建词语预测损失函数；所述第二构建单元，用于根据所述分词词语的预测类别和参考类别，构建类别预测损失函数；所述第三构建单元，用于根据所述词语预测损失函数和所述类别预测损失函数，构建所述损失函数；所述训练单元，用于根据所述损失函数的数值，对所述语言模型进行系数调整，实现对所述语言模型的预训练处理。
作为本公开实施例的一种可能实现方式，所述掩码位置的参考词语，为所述掩码样本文本对应的样本文本中的分词词语，所述第一构建单元具体用于，针对每个掩码位置，确定所述掩码位置的预测词语的特征向量；确定所述掩码位置的参考词语的特征向量；根据所述掩码位置的预测词语的特征向量以及参考词语的特征向量，构建一个词语预测损失项；根据各个所述掩码位置的词语预测损失项，构建所述词语预测损失函数。
作为本公开实施例的一种可能实现方式，至少一个所述掩码位置的参考词语，为所述掩码样本文本对应的样本文本中分词词语拆分得到的，所述第一构建单元具体用于，确定至少一个所述掩码位置与所述样本文本中分词词语的所在位置之间的对应关系，其中，在所述对应关系中，至少一个所述掩码位置的参考词语，由对应的所在位置的分词词语拆分处理得到；针对所述样本文本中每个分词词语的所在位置，根据对应的至少一个所述掩码位置的参考词语的特征向量，以及所述分词词语的特征向量，构建一个词语预测损失项；根据各个所述词语预测损失项，构建所述词语预测损失函数。
作为本公开实施例的一种可能实现方式，所述第一构建单元具体用于，针对所述样本文本中每个分词词语的所在位置，对对应的至少一个所述掩码位置的参考词语的特征向量进行加和处理，得到所述所在位置的预测特征向量；根据所述预测特征向量以及所述分词词语的特征向量，构建一个词语预测损失项。
本公开实施例的语言模型的预训练装置，通过获取至少一个掩码样本文本、掩码样本文本中掩码位置的参考词语以及掩码样本文本中分词词语的参考类别；将掩码样本文本输入语言模型中的特征提取网络，获取掩码位置的特征向量以及分词词语的特征向量；将掩码位置的特征向量以及分词词语的特征向量输入语言模型中的预测网络，获取掩码位置的预测词语以及分词词语的预测类别；根据掩码位置的预测词语和参考词语、分词词语的预测类别和参考类别，构建语言模型的损失函数，对语言模型进行预训练处理，从而使得语言模型能够学习到词语类别能力，进而针对新词语，可以结合同类别的其它词语进行理解处理，避免新词语对语言模型输出结果的干扰，提高语言模型的准确度。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且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中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，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，例如键盘、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，例如语言模型的预训练方法。例如，在一些实施例中，语言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608。在一些实施例中，计算机程序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。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的语言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)而被配置为执行语言模型的预训练方法。
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5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)和互联网。
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0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，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5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、0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 (20)
1.一种语言模型的预训练方法，包括：
获取至少一个掩码样本文本、所述掩码样本文本中掩码位置的参考词语以及所述掩码样本文本中分词词语的参考类别，其中，所述参考词语为样本文本中，与所述掩码样本文本中的掩码位置所对应的词语；
将所述掩码样本文本输入语言模型中的特征提取网络，获取所述掩码位置的特征向量以及所述分词词语的特征向量；
将所述掩码位置的特征向量以及所述分词词语的特征向量输入所述语言模型中的预测网络，所述预测网络包括：词语预测网络和类别预测网络；
将所述掩码位置的特征向量以及所述分词词语的特征向量，输入所述词语预测网络中，获取所述词语预测网络输出的所述掩码位置的预测词语；
将所述分词词语的特征向量输入所述类别预测网络中，获取所述类别预测网络输出的所述分词词语的预测类别；
根据所述掩码位置的预测词语和参考词语、所述分词词语的预测类别和参考类别，构建所述语言模型的损失函数，对所述语言模型进行预训练处理。
2.根据权利要求1所述的方法，其中，所述获取至少一个掩码样本文本、所述掩码样本文本中掩码位置的参考词语以及所述掩码样本文本中分词词语的参考类别，包括：
获取至少一个样本文本；
针对每个样本文本，对所述样本文本中的部分词语进行掩码处理，得到所述样本文本对应的掩码样本文本；
根据所述样本文本，确定所述掩码样本文本中的掩码位置以及所述掩码位置的参考词语；
根据所述掩码样本文本中的分词词语查询类别词表，获取所述分词词语的参考类别。
3.根据权利要求2所述的方法，其中，所述针对每个样本文本，对所述样本文本中的部分词语进行掩码处理，得到所述样本文本对应的掩码样本文本，包括：
针对每个样本文本，对所述样本文本进行分词处理，获取所述样本文本中的多个分词词语；
从多个所述分词词语中选择第一分词词语；
对所述样本文本中所述第一分词词语的所在位置进行掩码处理，得到所述样本文本对应的掩码样本文本。
4.根据权利要求2所述的方法，其中，所述针对每个样本文本，对所述样本文本中的部分词语进行掩码处理，得到所述样本文本对应的掩码样本文本，包括：
针对每个样本文本，对所述样本文本进行分词处理，获取所述样本文本中的多个分词词语；
从多个所述分词词语中选择第一分词词语和第二分词词语；
对所述第二分词词语进行拆分处理，获取所述第二分词词语中的第二字符；
对所述样本文本中所述第一分词词语的所在位置以及所述第二字符的所在位置进行掩码处理，得到所述样本文本对应的掩码样本文本。
5.根据权利要求2所述的方法，其中，在根据所述掩码样本文本中的分词词语查询类别词表，获取所述分词词语的参考类别之前，所述方法还包括：
获取预设词表，所述预设词表中包括大于预设数量的词语；
确定各个所述词语的编码向量；
根据各个所述词语的编码向量，对各个所述词语进行聚类处理，得到至少一个聚类结果；
根据至少一个所述聚类结果的类别，确定各个所述词语的参考类别；
根据各个所述词语以及各个所述词语的参考类别，生成所述类别词表。
6.根据权利要求1所述的方法，其中，所述根据所述掩码位置的预测词语和参考词语、所述分词词语的预测类别和参考类别，构建所述语言模型的损失函数，对所述语言模型进行预训练处理，包括：
根据所述掩码位置的预测词语和参考词语，构建词语预测损失函数；
根据所述分词词语的预测类别和参考类别，构建类别预测损失函数；
根据所述词语预测损失函数和所述类别预测损失函数，构建所述损失函数；
根据所述损失函数的数值，对所述语言模型进行系数调整，实现对所述语言模型的预训练处理。
7.根据权利要求6所述的方法，其中，所述掩码位置的参考词语，为所述掩码样本文本对应的样本文本中的分词词语，所述根据所述掩码位置的预测词语和参考词语，构建词语预测损失函数，包括：
针对每个掩码位置，确定所述掩码位置的预测词语的特征向量；
确定所述掩码位置的参考词语的特征向量；
根据所述掩码位置的预测词语的特征向量以及参考词语的特征向量，构建一个词语预测损失项；
根据各个所述掩码位置的词语预测损失项，构建所述词语预测损失函数。
8.根据权利要求6所述的方法，其中，至少一个所述掩码位置的参考词语，为所述掩码样本文本对应的样本文本中分词词语拆分得到的，所述根据所述掩码位置的预测词语和参考词语，构建词语预测损失函数，包括：
确定至少一个所述掩码位置与所述样本文本中分词词语的所在位置之间的对应关系，其中，在所述对应关系中，至少一个所述掩码位置的参考词语，由对应的所在位置的分词词语拆分处理得到；
针对所述样本文本中每个分词词语的所在位置，根据对应的至少一个所述掩码位置的参考词语的特征向量，以及所述分词词语的特征向量，构建一个词语预测损失项；
根据各个所述词语预测损失项，构建所述词语预测损失函数。
9.根据权利要求8所述的方法，其中，所述针对所述样本文本中每个分词词语的所在位置，根据对应的至少一个所述掩码位置的参考词语的特征向量，以及所述分词词语的特征向量，构建一个词语预测损失项，包括：
针对所述样本文本中每个分词词语的所在位置，对对应的至少一个所述掩码位置的参考词语的特征向量进行加和处理，得到所述所在位置的预测特征向量；
根据所述预测特征向量以及所述分词词语的特征向量，构建一个词语预测损失项。
10.一种语言模型的预训练装置，包括：
第一获取模块，用于获取至少一个掩码样本文本、所述掩码样本文本中掩码位置的参考词语以及所述掩码样本文本中分词词语的参考类别，其中，所述参考词语为样本文本中，与所述掩码样本文本中的掩码位置所对应的词语；
第二获取模块，用于将所述掩码样本文本输入语言模型中的特征提取网络，获取所述掩码位置的特征向量以及所述分词词语的特征向量；
第三获取模块，用于将所述掩码位置的特征向量以及所述分词词语的特征向量输入所述语言模型中的预测网络，获取所述掩码位置的预测词语以及所述分词词语的预测类别；
训练模块，用于根据所述掩码位置的预测词语和参考词语、所述分词词语的预测类别和参考类别，构建所述语言模型的损失函数，对所述语言模型进行预训练处理；
所述预测网络包括：词语预测网络和类别预测网络，所述第三获取模块具体用于，
将所述掩码位置的特征向量以及所述分词词语的特征向量，输入所述词语预测网络中，获取所述词语预测网络输出的所述掩码位置的预测词语；
将所述分词词语的特征向量输入所述类别预测网络中，获取所述类别预测网络输出的所述分词词语的预测类别。
11.根据权利要求10所述的装置，其中，所述第一获取模块包括：第一获取单元、掩码处理单元、确定单元和第二获取单元；
所述第一获取单元，用于获取至少一个样本文本；
所述掩码处理单元，用于针对每个样本文本，对所述样本文本中的部分词语进行掩码处理，得到所述样本文本对应的掩码样本文本；
所述确定单元，用于根据所述样本文本，确定所述掩码样本文本中的掩码位置以及所述掩码位置的参考词语；
所述第二获取单元，用于根据所述掩码样本文本中的分词词语查询类别词表，获取所述分词词语的参考类别。
12.根据权利要求11所述的装置，其中，所述掩码处理单元具体用于，
针对每个样本文本，对所述样本文本进行分词处理，获取所述样本文本中的多个分词词语；
从多个所述分词词语中选择第一分词词语；
对所述样本文本中所述第一分词词语的所在位置进行掩码处理，得到所述样本文本对应的掩码样本文本。
13.根据权利要求11所述的装置，其中，所述掩码处理单元具体用于，
针对每个样本文本，对所述样本文本进行分词处理，获取所述样本文本中的多个分词词语；
从多个所述分词词语中选择第一分词词语和第二分词词语；
对所述第二分词词语进行拆分处理，获取所述第二分词词语中的第二字符；
对所述样本文本中所述第一分词词语的所在位置以及所述第二字符的所在位置进行掩码处理，得到所述样本文本对应的掩码样本文本。
14.根据权利要求11所述的装置，其中，所述第二获取单元具体用于，
获取预设词表，所述预设词表中包括大于预设数量的词语；
确定各个所述词语的编码向量；
根据各个所述词语的编码向量，对各个所述词语进行聚类处理，得到至少一个聚类结果；
根据至少一个所述聚类结果的类别，确定各个所述词语的参考类别；
根据各个所述词语以及各个所述词语的参考类别，生成所述类别词表。
15.根据权利要求10所述的装置，其中，所述训练模块包括：第一构建单元、第二构建单元、第三构建单元和训练单元；
所述第一构建单元，用于根据所述掩码位置的预测词语和参考词语，构建词语预测损失函数；
所述第二构建单元，用于根据所述分词词语的预测类别和参考类别，构建类别预测损失函数；
所述第三构建单元，用于根据所述词语预测损失函数和所述类别预测损失函数，构建所述损失函数；
所述训练单元，用于根据所述损失函数的数值，对所述语言模型进行系数调整，实现对所述语言模型的预训练处理。
16.根据权利要求15所述的装置，其中，所述掩码位置的参考词语，为所述掩码样本文本对应的样本文本中的分词词语，所述第一构建单元具体用于，
针对每个掩码位置，确定所述掩码位置的预测词语的特征向量；
确定所述掩码位置的参考词语的特征向量；
根据所述掩码位置的预测词语的特征向量以及参考词语的特征向量，构建一个词语预测损失项；
根据各个所述掩码位置的词语预测损失项，构建所述词语预测损失函数。
17.根据权利要求15所述的装置，其中，至少一个所述掩码位置的参考词语，为所述掩码样本文本对应的样本文本中分词词语拆分得到的，所述第一构建单元具体用于，
确定至少一个所述掩码位置与所述样本文本中分词词语的所在位置之间的对应关系，其中，在所述对应关系中，至少一个所述掩码位置的参考词语，由对应的所在位置的分词词语拆分处理得到；
针对所述样本文本中每个分词词语的所在位置，根据对应的至少一个所述掩码位置的参考词语的特征向量，以及所述分词词语的特征向量，构建一个词语预测损失项；
根据各个所述词语预测损失项，构建所述词语预测损失函数。
18.根据权利要求17所述的装置，其中，所述第一构建单元具体用于，
针对所述样本文本中每个分词词语的所在位置，对对应的至少一个所述掩码位置的参考词语的特征向量进行加和处理，得到所述所在位置的预测特征向量；
根据所述预测特征向量以及所述分词词语的特征向量，构建一个词语预测损失项。
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至9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至9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211703408.6A CN116244432B (zh) | 2022-12-28 | 2022-12-28 | 语言模型的预训练方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211703408.6A CN116244432B (zh) | 2022-12-28 | 2022-12-28 | 语言模型的预训练方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116244432A CN116244432A (zh) | 2023-06-09 |
| CN116244432B true CN116244432B (zh) | 2023-11-14 |
Family
ID=86628755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211703408.6A Active CN116244432B (zh) | 2022-12-28 | 2022-12-28 | 语言模型的预训练方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116244432B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539223A (zh) * | 2020-05-29 | 2020-08-14 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
| CN111737995A (zh) * | 2020-05-29 | 2020-10-02 | 北京百度网讯科技有限公司 | 基于多种词向量训练语言模型的方法、装置、设备及介质 |
| CN114565104A (zh) * | 2022-03-01 | 2022-05-31 | 腾讯科技（深圳）有限公司 | 语言模型的预训练方法、结果推荐方法及相关装置 |
| WO2022121178A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技（深圳）有限公司 | 文本纠错模型训练方法、识别方法、装置及计算机设备 |
| CN114638220A (zh) * | 2022-03-31 | 2022-06-17 | 阿里巴巴（中国）有限公司 | 任务处理模型的训练方法、任务处理方法以及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737996B (zh) * | 2020-05-29 | 2024-03-26 | 北京百度网讯科技有限公司 | 基于语言模型获取词向量的方法、装置、设备及存储介质 |
-
2022
- 2022-12-28 CN CN202211703408.6A patent/CN116244432B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539223A (zh) * | 2020-05-29 | 2020-08-14 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、电子设备及可读存储介质 |
| CN111737995A (zh) * | 2020-05-29 | 2020-10-02 | 北京百度网讯科技有限公司 | 基于多种词向量训练语言模型的方法、装置、设备及介质 |
| WO2022121178A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技（深圳）有限公司 | 文本纠错模型训练方法、识别方法、装置及计算机设备 |
| CN114565104A (zh) * | 2022-03-01 | 2022-05-31 | 腾讯科技（深圳）有限公司 | 语言模型的预训练方法、结果推荐方法及相关装置 |
| CN114638220A (zh) * | 2022-03-31 | 2022-06-17 | 阿里巴巴（中国）有限公司 | 任务处理模型的训练方法、任务处理方法以及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 徐菲菲 ; 冯东升 ; .文本词向量与预训练语言模型研究.上海电力大学学报.2020,(04),全文. * |
| 文本词向量与预训练语言模型研究;徐菲菲;冯东升;;上海电力大学学报(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116244432A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220383190A1 (en) | Method of training classification model, method of classifying sample, and device | |
| US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
| CN112926306B (zh) | 文本纠错方法、装置、设备以及存储介质 | |
| CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
| CN112507706B (zh) | 知识预训练模型的训练方法、装置和电子设备 | |
| CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| CN112163405A (zh) | 问题的生成方法和装置 | |
| CN114840671A (zh) | 对话生成方法、模型的训练方法、装置、设备及介质 | |
| CN113806552A (zh) | 信息提取方法、装置、电子设备和存储介质 | |
| CN113053367A (zh) | 语音识别方法、语音识别的模型训练方法以及装置 | |
| CN113220835A (zh) | 文本信息处理方法、装置、电子设备以及存储介质 | |
| US20230103728A1 (en) | Method for sample augmentation | |
| CN114861637B (zh) | 拼写纠错模型生成方法和装置、拼写纠错方法和装置 | |
| CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
| CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
| CN117421403A (zh) | 智能对话方法、装置及电子设备 | |
| CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
| CN113792230B (zh) | 服务链接方法、装置、电子设备和存储介质 | |
| CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
| CN112784599B (zh) | 诗句的生成方法、装置、电子设备和存储介质 | |
| CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
| CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
| CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN114330345B (zh) | 命名实体识别方法、训练方法、装置、电子设备及介质 |
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 |