CN117034926A - 一种针对多领域文本分类模型的模型训练的方法及装置 - Google Patents
一种针对多领域文本分类模型的模型训练的方法及装置 Download PDFInfo
- Publication number
- CN117034926A CN117034926A CN202311038789.5A CN202311038789A CN117034926A CN 117034926 A CN117034926 A CN 117034926A CN 202311038789 A CN202311038789 A CN 202311038789A CN 117034926 A CN117034926 A CN 117034926A
- Authority
- CN
- China
- Prior art keywords
- classification
- layer
- sub
- text
- text data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 143
- 238000012549 training Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 96
- 238000009826 distribution Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种针对多领域文本分类模型的模型训练的方法及装置。由于先由多个专家网络层给出各自的第二编码向量,然后再将每个专家网络层给出的第二编码向量分别输入到各个子分类层中,并通过使每个子分类层给出的分类结果与每个子分类层各自对应的分类标签之间的偏差最小为目标,对文本分类模型进行训练,这使得在模型训练过程中,文本分类模型可以学习到各分类领域下的潜在关联,从而可以使得文本分类模型能够给出更为准确的分类结果,并且,由于该文本分类模型中包含有多个子分类层,这使得训练出该文本分类模型后,可以实现对各个分类领域下的文本数据进行分类的目的,从而极大的节省了训练成本。
Description
技术领域
本说明书涉及计算机技术领域以及文本处理领域,尤其涉及一种针对多领域文本分类模型的模型训练的方法及装置。
背景技术
随着计算机技术的不断发展,人工智能已经广泛应用到各个业务场景中,其通过使用预训练的模型,将业务场景所涉及的业务数据输入到该模型中,从而基于模型输出的结果进行业务执行,极大的提高了各种业务场景中的业务执行效率。
例如,在文本分类的场景中,通常需要将文本数据输入到预训练的文本分类模型中,通过文本分类模型输出的结果,可以实现诸如信息推荐、安全预警等目的。
然而,目前只是使用单一分类场景下的样本文本数据对文本分类模型进行训练,这就导致训练后的文本分类模型通常也只能对输入的文本数据给出一种分类场景下的分类结果。而如果想要得到多种分类场景下的分类结果,则需要分别对构建出各个分类场景下所使用的文本分类模型并对其进行训练,极大的提高了训练成本。并且,由于一个文本数据可能会包含多个分类领域下的内容,而文本分类模型往往不会关注各分类领域之间所存在的潜在联系,从而导致文本分类模型给出的分类结果的准确性也较低。
发明内容
本说明书提供一种针对多领域文本分类模型的模型训练的方法及装置,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针对多领域文本分类模型的模型训练的方法,包括:
获取样本文本数据;
将所述样本文本数据输入到待训练的文本分类模型中的编码层,以通过所述编码层对所述样本文本数据进行编码,得到所述样本文本数据对应的第一编码向量;
将所述第一编码向量分别输入到所述文本分类模型中所包含的每个专家网络层中,以针对每个专家网络层,确定该专家网络层针对所述第一编码向量所输出的第二编码向量;
将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果;
以最小化每个子分类层对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型进行训练。
可选地,针对每个子分类层,所述文本分类模型中还包含有针对该子分类层的权重分配层;
将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果,具体包括:
将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过针对该子分类层所设置的权重分配层,对每个专家网络层所输出的第二编码向量进行加权,得到每个专家网络层的加权编码向量,并将每个专家网络层的加权编码向量输入到该子分类层中,以通过该子分类层输出针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果。
可选地,获取样本文本数据,具体包括:
获取初始样本文本数据;
对所述初始样本文本数据中所包含的无效词语进行识别,并将所述无效词语从所述初始样本文本数据中剔除,得到过渡样本文本数据;
将所述过渡样本文本数据按照指定文本长度进行截取,以获取到输入到所述文本分类模型中的样本文本数据。
可选地,以最小化每个子分类层对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型进行训练,具体包括:
针对每轮训练,从所述文本分类模型中确定出部分网络层,并将所述部分网络层的网络参数在该轮训练中固定;
以最小化该轮训练中每个子分类层所对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型中包含的除所述部分网络层以外的其他网络层的网络参数进行调整,以执行所述文本分类模型的该轮训练。
本说明书提供了一种针对多领域文本分类模型的模型训练的装置,包括:
获取模块,用于获取样本文本数据;
第一编码模块,用于将所述样本文本数据输入到待训练的文本分类模型中的编码层,以通过所述编码层对所述样本文本数据进行编码,得到所述样本文本数据对应的第一编码向量;
第二编码模块,用于将所述第一编码向量分别输入到所述文本分类模型中所包含的每个专家网络层中,以针对每个专家网络层,确定该专家网络层针对所述第一编码向量所输出的第二编码向量;
输出模块,用于将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果;
训练模块,用于以最小化每个子分类层对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型进行训练。
可选地,针对每个子分类层,所述文本分类模型中还包含有针对该子分类层的权重分配层;
所述输出模块具体用于,将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过针对该子分类层所设置的权重分配层,对每个专家网络层所输出的第二编码向量进行加权,得到每个专家网络层的加权编码向量,并将每个专家网络层的加权编码向量输入到该子分类层中,以通过该子分类层输出针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果。
可选地,所述获取模块具体用于,获取初始样本文本数据;对所述初始样本文本数据中所包含的无效词语进行识别,并将所述无效词语从所述初始样本文本数据中剔除,得到过渡样本文本数据;将所述过渡样本文本数据按照指定文本长度进行截取,以获取到输入到所述文本分类模型中的样本文本数据。
可选地,所述训练模块具体用于,针对每轮训练,从所述文本分类模型中确定出部分网络层,并将所述部分网络层的网络参数在该轮训练中固定;以最小化该轮训练中每个子分类层所对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型中包含的除所述部分网络层以外的其他网络层的网络参数进行调整,以执行所述文本分类模型的该轮训练。
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针对多领域文本分类模型的模型训练的方法。
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针对多领域文本分类模型的模型训练的方法。
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:
在本说明书提供的针对多领域文本分类模型的模型训练的方法中,文本分类模型中包含有编码层,多个专家网络层以及多个子分类层,每个子分类层用于分别给出一种分类领域下的分类结果,所以,在获取到样本文本数据后,可以将该样本文本数据输入到文本分类模型中的编码层,以得到样本文本数据对应的第一编码向量,而后,可以将该第一编码向量分别输入到文本分类模型中所包含的每个专家网络层中,由每个专家网络层分别给出各第二编码向量。进一步的,将每个专家网络层输出的第二编码向量分别输入到文本分类模型中所包含的每个子分类层中,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果。最后,可以最小化每个子分类层对应的分类结果与样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对文本分类模型进行训练。
从上述的针对多领域文本分类模型的模型训练的方法中可以看出,由于先由多个专家网络层给出各自的第二编码向量,然后再将每个专家网络层给出的第二编码向量分别输入到各个子分类层中,并通过使每个子分类层给出的分类结果与每个子分类层各自对应的分类标签之间的偏差最小为目标,对文本分类模型进行训练,这使得在模型训练过程中,文本分类模型可以学习到各分类领域下的潜在关联,从而可以使得文本分类模型能够给出更为准确的分类结果,并且,由于该文本分类模型中包含有多个子分类层,这使得训练出该文本分类模型后,可以实现对各个分类领域下的文本数据进行分类的目的,从而极大的节省了训练成本。
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为本说明书实施例提供的针对多领域文本分类模型的模型训练的方法的流程示意图;
图2为本说明书实施例提供的一种文本分类模型的网络示意图;
图3为本说明书实施例提供的一种文本分类模型的网络示意图;
图4为本说明书实施例提供的针对多领域文本分类模型的模型训练的装置的结构示意图;
图5为本说明书实施例提供的电子设备的结构示意图。
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为本说明书实施例提供的针对多领域文本分类模型的模型训练的方法的流程示意图,具体包括以下步骤:
S101:获取样本文本数据。
在本说明书实施例中,本说明书提供的模型训练的方法的执行主体可以是服务器,也可以诸如笔记本电脑、台式电脑等终端设备,为了便于描述,下面仅以终端设备为执行主体,对本说明书提供的模型训练的方法进行说明。
为了训练出一个能够对多种分类领域均能进行文本分类的模型,在本说明书中,终端设备需要获取到样本文本数据,其中,该样本文本数据可以是从预先构建出的训练样本集中获取。而获取到的样本文本数据可以针对多种实际应用场景,例如,在信息推荐领域中,可以通过获取到的用户的文本数据,确定用户在诸如旅游、美食、娱乐等业务场景的偏好分类结果,这一偏好分类结果可以用于表示用户在一个业务场景下所包含的各种业务对象的偏好程度。如,对于美食这一业务场景,该业务场景下的偏好分类结果可以用于表示用户对哪种菜系的美食更为感兴趣。进而,在后续过程中,可以根据确定出的偏好分类结果,在各个业务场景中向用户进行信息推荐。而在这一场景中,在明确获知用户具体偏好的情况下,获取到的用户的文本数据即可作为训练所需的样本文本数据。
再例如,对于信息预警领域中,用户可以针对遇到的问题提交问题文本,而终端设备可以通过文本分类模型,对该问题文本进行分类,以确定出在不同的分类标准下,该问题文本的分类结果。其中,该问题文本在一个分类标准下的分类结果即用于表示在问题文本具体应该属于该分类标准下的哪种问题类别。进而,在后续过程中,可以根据确定出的分类结果,将该问题文本转发给用于处理指定问题的工作人员,并由该工作人员为用户进行问题解答。而在这一场景中,在明确获知该问题文本所归属的问题类别的情况下,获取到的用户的问题文本即可作为训练所需的样本文本数据。
需要说明的是,在实际应用中,涉及文本分类的场景较多,上述只是示例性的列举了两种涉及文本分类的具体应用领域,其他领域在此就不一一举例说明了。
进一步地,终端设备获取到的样本文本数据中可能会出现一些语法错误、或是无用的词语,而为了保证模型的训练效率以及训练效果,则可以对获取到的样本文本数据进行数据清洗,并将清洗后的样本文本数据作为训练样本对文本分类模型进行训练。
具体的,在本说明书中,终端设备可以获取初始样本文本数据,而后,可以对获取到的初始样本文本数据中所包含的无效词语进行识别,并将识别出的无效词语从该初始样本文本数据中剔除,得到过渡样本文本数据。
其中,终端设备具体可以采用诸如正则处理、停用词处理的方式,对初始样本文本数据中所包含的无效词语进行识别并剔除。
进一步地,由于待训练的文本分类模型往往会规定输入数据的长度,为此,终端设备需要将上述过渡样本文本数据按照指定文本长度进行截取,从而获取到输入到文本分类模型中的样本文本数据。
S102:将所述样本文本数据输入到待训练的文本分类模型中的编码层,以通过所述编码层对所述样本文本数据进行编码,得到所述样本文本数据对应的第一编码向量。
S103:将所述第一编码向量分别输入到所述文本分类模型中所包含的每个专家网络层中,以针对每个专家网络层,确定该专家网络层针对所述第一编码向量所输出的第二编码向量。
S104:将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果。
在本说明书中,文本分类模型中包含有一个编码层,该编码层主要的作用在于将输入的样本文本数据进行编码,以得到文本分类模型中的其他网络层能够进行处理的编码向量。除此之外,文本分类模型中包含有多个子分类层,每个子分类层即视为对应一种分类领域,所以,本说明书提供的文本分类模型实际上可以对多种分类领域下的文本数据进行分类,相比于现有技术来说,只需训练一个文本分类模型,即可实现对多领域的文本的分类,从而有效的降低了模型的训练以及维护成本。
进一步地,本说明书中的文本分类模型还设有若干专家网络层,这些专家网络层可以理解为对于输入到文本分类模型中的文本数据,都会给出各自的分类建议,而专家网络层给出的分类建议由都会汇总到每个子分类层中,每个子分类层结合自身对应的分类领域的分类特点,参考各个专家网络层给出的分类建议,进而输出相应的分类结果。
而这些专家网络层给出的所谓的分类建议,实际上是通过对编码层输出的编码向量所进一步地处理,处理所得到的数据隐含有这些专家网络层在模型训练过程中所学习到的分类知识。
基于此,在本说明书中,终端设备将获取到的样本文本数据输入到待训练的文本分类模型中的编码层后,该编码层可以对样本文本数据进行编码,以得到该样本文本数据对应的第一编码向量。
而后,编码层会将输出的第一编码向量再分别输入到文本分类模型中所包含的每个专家网络层中,而针对每个专家网络层,该专家网络层则会结合自身在训练过程中所学习到的知识(这一知识具体通过训练过程中对专家网络层中的网络参数进行调整而实现),对该第一编码向量作进一步地处理,以确定该专家网络层针对第一编码向量所输出的第二编码向量。
每个专家网络层可以将各自输出的第二编码向量再进一步地分别输入到每个子分类层中,即,每个子分类层都会接收到所有专家网络层所输出的各第二编码向量。而针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,从而可以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果。
从上述可以看出,每个子分类层都会根据所有专家网络层所输出的第二编码向量,来给出自身的分类结果,则这种模型结构的设定相比于单一专家网络层的结构来说,可以保证每个子分类层输出的分类结果尽可能的准确。
S105:以最小化每个子分类层对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型进行训练。
每个子分类层各自输出分类结果后,终端设备可以根据每个子分类层对应的分类结果与样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差,分别确定出每个子分类层所对应的损失值,并进一步地将这些损失值进行加和,得到总损失。最后,终端设备可以最小化该总损失的方式,对文本分类模型进行训练,如图2所示。
图2为本说明书实施例提供的一种文本分类模型的网络示意图。
在图2所示的文本分类模型中设有一个编码层、三个专家网络层以及三个子分类层,这三个子分类层即对应三个不同的分类领域。而需要指出的是,专家网络层的数量与子分类层的数量之间没有严格的对应关系。
终端设备通过编码层得到样本文本数据的第一编码向量后,编码层则会将该第一编码向量分别输入到这三个专家网络层中。而这三个专家网络层则会将各种输出的第二编码向量再输入到三个子分类层中,例如,专家网络层1、专家网络层2和专家网络层3各自输出的第二编码向量均汇总到了子分类层A中。
而对于每个子分类层来说,该子分类层将给出在自身所属的分类领域下的分类结果,终端设备则会根据该子分类层所给出的分类结果以及预先确定出的样本文本数据在该子分类层所属的分类领域下的实际分类结果(在该分类领域下的分类标签),确定出该子分类层对应的损失值,例如,基于子分类层A所输出的分类结果,可以确定出损失值a。
终端设备最终将损失值a、损失值b和损失值c进行加和,得到总损失,并以最小化该总损失为优化目标,对文本分类模型进行训练。
从上述内容可以看出,首先,对于任意一个子分类层来说,该子分类层的输入是有多个专家网络层的输出给出的,可以保证子分类层输出结果的准确性,其次,由于最后会将所有子分类层对应的损失值进行加和,并通过损失和值,来对文本分类模型进行训练,则可以使得文本分类模型在模型训练过程中能够学习到各个分类领域之间的潜在的关联性,从而使得无论是文本分类模型中的编码层、各专家网络层还是每个子分类层,均不会站在一个单一的分类领域下输出结果,也就说是,文本分类模型中的每个网络层均会全方位的考虑各分类领域下的特性以及各分类领域之间的潜在联系,给出更为准确的、合理的结果。
进一步地,为了保证文本分类模型的训练效果,使得训练后的文本分类模型能够给出更为精确合理的分类结果,在本说明书中,文本分类模型还可以设有多个权重分配层,权重分配层设置的数量可以与子分类层的数量相对应,即,在文本分类模型中设置与子分类层的数量相同的权重分配层。
而权重分配层主要的作用则是给出子分类层在自身所属的分类领域下应该分别参考每个专家网络层输出结果的占比(即权重),从而使得子分类层能够给出更为符合自身所属分类领域下的分类结果。
具体的,在得到每个专家网络层输出的各第二编码向量后,可以将每个专家网络层输出的第二编码向量输入到文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过针对该子分类层所设置的权重分配层,对每个专家网络层所输出的第二编码向量进行加权,得到每个专家网络层的加权编码向量,并将每个专家网络层的加权编码向量输入到该子分类层中,以通过该子分类层输出针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果,如图3所示。
图3为本说明书实施例提供的一种文本分类模型的网络示意图。
从图3中可以看出,文本分类模型中设有针对子分类层A的一个权重分配层A,编码层输出的第一编码向量可以输入到该权重分配层A中,该权重分配层A则根据第一编码向量,给出在子分类层A所对应的分类领域下,参考每个专家网络层所输出的第二编码向量的权重分别为多少,进而将确定出的权重分别加权到每个专家网络层所输出的第二编码向量,得到每个专家网络层的加权编码向量,使得子分类层A可以根据每个专家网络层的加权编码向量,给出相应的分类结果。
需要指出的是,图3中只是示出了一个子分类层对应的权重分配层,而实际上,在文本分类模型中,也分别设有子分类层B所对应的权重分配层,以及子分类层C所对应的权重分配层,只是在图3中没有示出而已,而具体的作用与子分类层A对应的权重分配层A相同,在此就不详细赘述了。
进一步地,针对任意一个分类领域下的权重分配层,该权重分配层输出的在该分类领域下分别参考每个专家网络层输出的第二编码向量的权重的能力,是通过对文本分类模型进行训练得到的,也就是说,通过上述训练方式,实际上也需要对文本分类模型中的权重分配层所包含的网络参数进行不断的调整,以使得对于训练后的文本分类模型中所包含的权重分配层,能够给出准确且合理的权重,以保证各个子分类层输出分类结果的准确性。
还需说明的是,由于文本分类模型中包含有多个分类领域下的子分类层,所以,如果采用常规的方式则可能难以做到网络参数的较快收敛,为此,在本说明书中,可以对部分网络层中的网络参数进行固定,并调整其余网络的网络参数,以提高文本分类模型的训练效率。
具体的,通常情况下,终端设备会执行多轮次迭代式的训练方式执行模型训练任务,那么,针对每轮训练,可以先从文本分类模型中确定出部分网络层,并将这部分网络层的网络参数在该轮训练中固定。
而后,终端设备可以最小化该轮训练中每个子分类层所对应的分类结果与样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对文本分类模型中包含的除上述部分网络层以外的其他网络层的网络参数进行调整,以执行文本分类模型的该轮训练。
而需要指出的是,终端设备可以在前期的训练轮次中固定较多网络层的网络参数,而随着训练轮次的增加,可以不断减少每轮训练中需要固定网络层参数的网络层数量。
从上述方法可以看出,由于先由多个专家网络层给出各自的第二编码向量,然后再将每个专家网络层给出的第二编码向量分别输入到各个子分类层中,并通过使每个子分类层给出的分类结果与每个子分类层各自对应的分类标签之间的偏差最小为目标,对文本分类模型进行训练,这使得在模型训练过程中,文本分类模型可以学习到各分类领域下的潜在关联,从而可以使得文本分类模型能够给出更为准确的分类结果,并且,由于该文本分类模型中包含有多个子分类层,这使得训练出该文本分类模型后,可以实现对各个分类领域下的文本数据进行分类的目的,从而极大的节省了训练成本。
以上为本说明书的一个或多个实施例提供的针对多领域文本分类模型的模型训练的方法,基于同样的思路,本说明书还提供了相应的针对多领域文本分类模型的模型训练的装置,如图4所示。
图4为本说明书实施例提供的针对多领域文本分类模型的模型训练的装置的结构示意图,具体包括:
获取模块401,用于获取样本文本数据;
第一编码模块402,用于将所述样本文本数据输入到待训练的文本分类模型中的编码层,以通过所述编码层对所述样本文本数据进行编码,得到所述样本文本数据对应的第一编码向量;
第二编码模块403,用于将所述第一编码向量分别输入到所述文本分类模型中所包含的每个专家网络层中,以针对每个专家网络层,确定该专家网络层针对所述第一编码向量所输出的第二编码向量;
输出模块404,用于将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果;
训练模块405,用于以最小化每个子分类层对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型进行训练。
可选地,针对每个子分类层,所述文本分类模型中还包含有针对该子分类层的权重分配层;
所述输出模块404具体用于,将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过针对该子分类层所设置的权重分配层,对每个专家网络层所输出的第二编码向量进行加权,得到每个专家网络层的加权编码向量,并将每个专家网络层的加权编码向量输入到该子分类层中,以通过该子分类层输出针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果。
可选地,所述获取模块401具体用于,获取初始样本文本数据;对所述初始样本文本数据中所包含的无效词语进行识别,并将所述无效词语从所述初始样本文本数据中剔除,得到过渡样本文本数据;将所述过渡样本文本数据按照指定文本长度进行截取,以获取到输入到所述文本分类模型中的样本文本数据。
可选地,所述训练模块405具体用于,针对每轮训练,从所述文本分类模型中确定出部分网络层,并将所述部分网络层的网络参数在该轮训练中固定;以最小化该轮训练中每个子分类层所对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型中包含的除所述部分网络层以外的其他网络层的网络参数进行调整,以执行所述文本分类模型的该轮训练。
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图1提供的针对多领域文本分类模型的模型训练的方法。
本说明书还提供了图5所示的电子设备的结构示意图。如图5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,以实现上述图1提供的针对多领域文本分类模型的模型训练的方法。
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。
本说明书是参照根据本说明书实施例的方法、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 (10)
1.一种针对多领域文本分类模型的模型训练的方法,其特征在于,包括:
获取样本文本数据;
将所述样本文本数据输入到待训练的文本分类模型中的编码层,以通过所述编码层对所述样本文本数据进行编码,得到所述样本文本数据对应的第一编码向量;
将所述第一编码向量分别输入到所述文本分类模型中所包含的每个专家网络层中,以针对每个专家网络层,确定该专家网络层针对所述第一编码向量所输出的第二编码向量;
将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果;
以最小化每个子分类层对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型进行训练。
2.如权利要求1所述的方法,其特征在于,针对每个子分类层,所述文本分类模型中还包含有针对该子分类层的权重分配层;
将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果,具体包括:
将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过针对该子分类层所设置的权重分配层,对每个专家网络层所输出的第二编码向量进行加权,得到每个专家网络层的加权编码向量,并将每个专家网络层的加权编码向量输入到该子分类层中,以通过该子分类层输出针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果。
3.如权利要求1所述的方法,其特征在于,获取样本文本数据,具体包括:
获取初始样本文本数据;
对所述初始样本文本数据中所包含的无效词语进行识别,并将所述无效词语从所述初始样本文本数据中剔除,得到过渡样本文本数据;
将所述过渡样本文本数据按照指定文本长度进行截取,以获取到输入到所述文本分类模型中的样本文本数据。
4.如权利要求1所述的方法,其特征在于,以最小化每个子分类层对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型进行训练,具体包括:
针对每轮训练,从所述文本分类模型中确定出部分网络层,并将所述部分网络层的网络参数在该轮训练中固定;
以最小化该轮训练中每个子分类层所对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型中包含的除所述部分网络层以外的其他网络层的网络参数进行调整,以执行所述文本分类模型的该轮训练。
5.一种针对多领域文本分类模型的模型训练的装置,其特征在于,包括:
获取模块,用于获取样本文本数据;
第一编码模块,用于将所述样本文本数据输入到待训练的文本分类模型中的编码层,以通过所述编码层对所述样本文本数据进行编码,得到所述样本文本数据对应的第一编码向量;
第二编码模块,用于将所述第一编码向量分别输入到所述文本分类模型中所包含的每个专家网络层中,以针对每个专家网络层,确定该专家网络层针对所述第一编码向量所输出的第二编码向量;
输出模块,用于将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过该子分类层对输入到该子分类层中的每个专家网络层所输出的第二编码向量进行处理,以得到针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果;
训练模块,用于以最小化每个子分类层对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型进行训练。
6.如权利要求5所述的装置,其特征在于,针对每个子分类层,所述文本分类模型中还包含有针对该子分类层的权重分配层;
所述输出模块具体用于,将每个专家网络层输出的第二编码向量输入到所述文本分类模型中所包含的每个子分类层,以针对每个子分类层,通过针对该子分类层所设置的权重分配层,对每个专家网络层所输出的第二编码向量进行加权,得到每个专家网络层的加权编码向量,并将每个专家网络层的加权编码向量输入到该子分类层中,以通过该子分类层输出针对该子分类层对应分类领域下的分类结果,作为该子分类层对应的分类结果。
7.如权利要求5所述的装置,其特征在于,所述获取模块具体用于,获取初始样本文本数据;对所述初始样本文本数据中所包含的无效词语进行识别,并将所述无效词语从所述初始样本文本数据中剔除,得到过渡样本文本数据;将所述过渡样本文本数据按照指定文本长度进行截取,以获取到输入到所述文本分类模型中的样本文本数据。
8.如权利要求5所述的装置,其特征在于,所述训练模块具体用于,针对每轮训练,从所述文本分类模型中确定出部分网络层,并将所述部分网络层的网络参数在该轮训练中固定;以最小化该轮训练中每个子分类层所对应的分类结果与所述样本文本数据在每个子分类层对应的分类领域下所对应的实际分类结果之间的偏差为优化目标,对所述文本分类模型中包含的除所述部分网络层以外的其他网络层的网络参数进行调整,以执行所述文本分类模型的该轮训练。
9.一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1~4任一项所述的方法。
10.一种电子设备,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1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311038789.5A CN117034926A (zh) | 2023-08-16 | 2023-08-16 | 一种针对多领域文本分类模型的模型训练的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311038789.5A CN117034926A (zh) | 2023-08-16 | 2023-08-16 | 一种针对多领域文本分类模型的模型训练的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034926A true CN117034926A (zh) | 2023-11-10 |
Family
ID=88644595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311038789.5A Pending CN117034926A (zh) | 2023-08-16 | 2023-08-16 | 一种针对多领域文本分类模型的模型训练的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034926A (zh) |
-
2023
- 2023-08-16 CN CN202311038789.5A patent/CN117034926A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109062782B (zh) | 一种回归测试用例的选择方法、装置及设备 | |
CN110516915B (zh) | 业务节点训练、评估方法、装置及电子设备 | |
CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN116402113A (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN117034926A (zh) | 一种针对多领域文本分类模型的模型训练的方法及装置 | |
CN114997277A (zh) | 一种模型训练的方法、任务执行的方法及装置 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN114120273A (zh) | 一种模型训练的方法及装置 | |
CN113205377A (zh) | 一种信息推荐的方法及装置 | |
CN116996397B (zh) | 一种网络丢包优化的方法、装置、存储介质及电子设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN117786061B (zh) | 一种基于时空注意力机制的大语言模型预测方法及装置 | |
CN117194992B (zh) | 一种模型训练、任务执行方法、装置、存储介质及设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN111461352B (zh) | 模型训练、业务节点识别方法、装置及电子设备 | |
CN115712734B (zh) | 一种基于元学习的稀疏知识图谱嵌入方法和装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
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 | |
CN116342974A (zh) | 模型训练方法、膝关节分割方法、装置及设备 | |
CN117592998A (zh) | 一种风控的方法、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 |