语义表示模型的预训练方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及深度学习技术领域、自然语言处理NLP技术领域等人工智能技术领域，尤其涉及语义表示模型的预训练方法、装置、电子设备及存储介质。

背景技术

目前语义表示模型的预训练方法主要为，从篇章中抽取N句自然句构建一个总长度小于512个字的文本，分割成多个片段并随机打乱后输入ERNIE2.0模型中，基于片段顺序预测结果对模型系数进行调整，实现预训练。

上述方法中，输入限制为总长度小于512的文本，导致预训练得到的模型只能够学习到篇章的局部信息，处理效率差。

发明内容

本公开提供了一种语义表示模型的预训练方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种语义表示模型的预训练方法，包括：获取样本文本的乱序片段序列，以及所述乱序片段序列中N个片段在所述样本文本中的原始排序顺序，其中，N为正整数；针对所述乱序片段序列中的第i个片段，将所述乱序片段序列中第i-1个片段的语义融合向量以及所述第i个片段，输入语义表示模型，以获取所述第i个片段的语义融合向量，其中，i为小于或等于N的正整数，重复该步骤直至获得第N片段的语义融合向量；将所述第N片段的语义融合向量输入预测模型，以生成所述N个片段在所述样本文本中的预测排序顺序；以及根据所述原始排序顺序以及所述预测排序顺序，对所述语义表示模型和所述预测模型进行预训练。

根据本公开的另一方面，提供了一种语义表示模型的预训练装置，包括：获取模块，用于获取样本文本的乱序片段序列，以及所述乱序片段序列中N个片段在所述样本文本中的原始排序顺序，其中，N为正整数；第一输入模块，用于针对所述乱序片段序列中的第i个片段，将所述乱序片段序列中第i-1个片段的语义融合向量以及所述第i个片段，输入语义表示模型，以获取所述第i个片段的语义融合向量，其中，i为小于或等于N的正整数，重复该步骤直至获得第N片段的语义融合向量；第二输入模块，用于将所述第N片段的语义融合向量输入预测模型，以生成所述N个片段在所述样本文本中的预测排序顺序；预训练模块，用于根据所述原始排序顺序以及所述预测排序顺序，对所述语义表示模型和所述预测模型进行预训练。

根据第三方面，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如上所述的语义表示模型的预训练方法。

根据第四方面，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，所述计算机指令用于使所述计算机执行如上所述的语义表示模型的预训练方法。

根据第五方面，提供了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现如上所述的语义表示模型的预训练方法。

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。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是语义表示模型+预测模型的示意图；

图3是根据本申请第二实施例的示意图；

图4是根据本申请第三实施例的示意图；

图5是用来实现本申请实施例的语义表示模型的预训练方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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申请实施例的语义表示模型的预训练方法、装置、电子设备及存储介质。

图1是根据本申请第一实施例的示意图。其中，需要说明的是，本申请实施例的执行主体为语义表示模型的预训练装置，语义表示模型的预训练装置具体可以为硬件设备，或者硬件设备中的软件等。

如图1所示，语义表示模型的预训练方法的具体实现过程如下：

步骤101，获取样本文本的乱序片段序列，以及乱序片段序列中N个片段在样本文本中的原始排序顺序，其中，N为正整数。

在本申请实施例中，样本文本可以为通过任意方式获取的任意文本。其中，样本文本的乱序片段序列的获取方式可以为手动获取或者自动获取。为了提高样本文本的乱序片段序列的获取效率，降低获取成本，语义表示模型的预训练装置执行步骤101的过程例如可以为，获取样本文本；对样本文本进行片段划分得到N个片段；对N个片段进行乱序处理，生成样本文本的乱序片段序列；以及获取乱序片段序列中N个片段在样本文本中的原始排序顺序。

在本申请实施例中，片段的划分依据例如可以为按句子划分、按段落划分等。为了减少划分得到的片段的数量，且保证划分得到的片段的语义完整性，片段可以包括：至少一个句子。对应的，语义表示模型的预训练装置对样本文本进行片段划分得到N个片段的过程例如可以为，按照样本文本中的句子结束符以及语义表示模型的限制字符数量对样本文本进行片段划分，得到N个片段。

在本申请实施例中，在样本文本中字符数量较大的情况下，例如大于限制字符数量的预设倍数时，为了确保划分得到的片段的字符数量小于等于限制字符数量，可以先按照限制字符数量截取样本文本中的一段文本，判断该段文本的结尾是否为结束符，若是，将该段文本确定为片段；若否，获取该段文本中的最后一个结束符，将该段文本中最后一个结束符之前的所有文本组合为一个片段。然后从该结束符开始按照限制字符数量截取样本文本中的下一段文本，重复处理，直至样本文本中的字符处理完毕。

在本申请实施例中，在样本文本中字符数量较小的情况下，例如小于等于限制字符数量的预设倍数时，可以直接按照样本文本中的句子结束符对样本文本进行片段划分，得到N个片段。

在本申请实施例中，乱序片段序列中N个片段在样本文本中的原始排序顺序，可以指N个片段在样本文本中的序列号。例如，以样本文本包括4个片段，分别为A、B、C、D时，若乱序片段序列中包括：B、C、A、D，则乱序片段序列中N个片段在样本文本中的原始排序顺序可以为1、2、0、3。

步骤102，针对乱序片段序列中的第i个片段，将乱序片段序列中第i-1个片段的语义融合向量以及第i个片段，输入语义表示模型，以获取第i个片段的语义融合向量，其中，i为小于或等于N的正整数，重复该步骤直至获得第N片段的语义融合向量。

在本申请实施例中，第i-1个片段的语义融合向量，指的是乱序片段序列中第i-1个片段的语义向量，与乱序片段序列中第i-1个片段之前的所有片段的语义向量融合得到的向量。例如，以i为4为例，则第3个片段的语义融合向量，为所述乱序片段序列中第1个片段的语义向量、第2个片段的语义向量和第3个片段的语义向量融合得到的向量。

在本申请实施例中，语义表示模型获取第i个片段的语义融合向量的方式例如可以为，获取第i个片段的语义向量；对第i个片段的语义向量和第i-1个片段的语义融合向量进行融合处理，得到第i个片段的语义融合向量，从而能够获取到多个片段的语义向量融合得到的语义融合向量，提取到文本样本的全局信息。其中，语义表示模型例如可以为基于Transformer-XL架构的语义表示模型。基于Transformer-XL架构的语义表示模型，用于重排序任务时，能够依次对乱序片段序列中的前N-1个片段进行处理，获取第N-1个片段的语义融合向量，在乱序片段序列中的最后一个片段输入语义表示模型时，获取第N片段的语义融合向量，进而预测N个片段在样本文本中的排序顺序。

步骤103，将第N片段的语义融合向量输入预测模型，以生成N个片段在样本文本中的预测排序顺序。

在本申请实施例中，预测模型例如可以为分类模型，分类模型获取N个片段的所有排序顺序，预测各个排序顺序的概率，将对应的概率最大的排序顺序，确定为N个片段在样本文本中的预测排序顺序。其中，语义表示模型+预测模型的示意图可以如图2所示。

步骤104，根据原始排序顺序以及预测排序顺序，对语义表示模型和预测模型进行预训练。

在本申请实施例中，语义表示模型的预训练装置可以根据原始排序顺序、预测排序顺序以及预设的损失函数，计算损失函数值；根据损失函数值同时对语义表示模型和预测模型的参数进行调整；采用多个样本文本对语义表示模型和预测模型的参数进行多次调整，完成对语义表示模型的预训练。

综上，通过获取样本文本的乱序片段序列，以及乱序片段序列中N个片段在样本文本中的原始排序顺序，其中，N为正整数；针对乱序片段序列中的第i个片段，将乱序片段序列中第i-1个片段的语义融合向量以及第i个片段，输入语义表示模型，以获取第i个片段的语义融合向量，其中，i为小于或等于N的正整数，重复该步骤直至获得第N片段的语义融合向量；将第N片段的语义融合向量输入预测模型，以生成N个片段在样本文本中的预测排序顺序；以及根据原始排序顺序以及预测排序顺序，对语义表示模型和预测模型进行预训练，从而能够对整个样本文本进行处理，避免选择样本文本中的部分句子进行处理，从而能够学习到样本文本的全局信息，提高语义表示模型的处理效率。

图3是根据本申请第二实施例的示意图。其中，需要说明的是，本申请实施例的执行主体为语义表示模型的预训练装置，语义表示模型的预训练装置具体可以为硬件设备，或者硬件设备中的软件等。

如图3所示，语义表示模型的预训练方法的具体实现过程如下：

步骤301，获取样本文本的乱序片段序列，以及乱序片段序列中N个片段在样本文本中的原始排序顺序，其中，N为正整数。

步骤302，判断样本文本的字符数量是否超过语义表示模型的限制数量；若超过，执行步骤304，若未超过，执行步骤303。

步骤303，在字符数量未超过语义表示模型的限制数量时，将乱序片段序列输入语义表示模型，获取乱序片段序列中第N片段的语义融合向量。

在本申请实施例中，在样本文本的字符数量未超过语义表示模型的限制数量时，可以直接将乱序片段序列输入语义表示模型，使得语义表示模型可以对乱序片段序列中的多个片段进行并行处理，获取乱序片段序列中第N片段的语义融合向量，提高语义表示模型对片段的处理效率。

步骤304，在字符数量超过语义表示模型的限制数量时，针对乱序片段序列中的第i个片段，判断第i个片段是否为乱序片段序列中的首个片段，若是，执行步骤305，若否，执行步骤306。

步骤305，将第i个片段输入语义表示模型，获取第i个片段的语义向量，将第i个片段的语义向量，确定为第i个片段的语义融合向量。

在本申请实施例中，若第i个片段为乱序片段序列中的首个片段，由于首个片段之前未存在其他片段，则可以直接将第i个片段的语义向量，确定为第i个片段的语义融合向量，减少向量的融合处理过程，减少计算量。

步骤306，将乱序片段序列中第i-1个片段的语义融合向量以及第i个片段，输入语义表示模型，以获取第i个片段的语义融合向量，其中，i为小于或等于N的正整数；然后跳转至步骤304。

步骤307，重复执行步骤304至306，直至获得第N片段的语义融合向量。

步骤308，将第N片段的语义融合向量输入预测模型，以生成N个片段在样本文本中的预测排序顺序。

步骤309，根据原始排序顺序以及预测排序顺序，对语义表示模型和预测模型进行预训练。

在本申请实施例中，步骤301、步骤308和步骤309的详细描述，可以参考图1所示实施例，此处不再做详细说明。

综上，通过获取样本文本的乱序片段序列，以及乱序片段序列中N个片段在样本文本中的原始排序顺序，其中，N为正整数；判断样本文本的字符数量是否超过语义表示模型的限制数量；在字符数量未超过语义表示模型的限制数量时，将乱序片段序列输入语义表示模型，获取乱序片段序列中第N片段的语义融合向量；在字符数量超过语义表示模型的限制数量时，针对乱序片段序列中的第i个片段，在第i个片段为首个片段时，将第i个片段的语义向量作为语义融合向量；在第i个片段为非首个片段时，将乱序片段序列中第i-1个片段的语义融合向量以及第i个片段，输入语义表示模型，以获取第i个片段的语义融合向量；将第N片段的语义融合向量输入预测模型，以生成N个片段在样本文本中的预测排序顺序；根据原始排序顺序以及预测排序顺序，对语义表示模型和预测模型进行预训练，从而能够对整个样本文本进行处理，避免选择样本文本中的部分句子进行处理，从而能够学习到样本文本的全局信息，提高语义表示模型的处理效率。

为了实现上述实施例，本申请实施例还提出一种语义表示模型的预训练装置。

图4是根据本申请第三实施例的示意图。如图4所示，该语义表示模型的预训练装置400包括：获取模块410、第一输入模块420、第二输入模块430和预训练模块440。

其中，获取模块410，用于获取样本文本的乱序片段序列，以及所述乱序片段序列中N个片段在所述样本文本中的原始排序顺序，其中，N为正整数；

第一输入模块420，用于针对所述乱序片段序列中的第i个片段，将所述乱序片段序列中第i-1个片段的语义融合向量以及所述第i个片段，输入语义表示模型，以获取所述第i个片段的语义融合向量，其中，i为小于或等于N的正整数，重复该步骤直至获得第N片段的语义融合向量；

第二输入模块430，用于将所述第N片段的语义融合向量输入预测模型，以生成所述N个片段在所述样本文本中的预测排序顺序；

预训练模块440，用于根据所述原始排序顺序以及所述预测排序顺序，对所述语义表示模型和所述预测模型进行预训练。

作为本申请实施例的一种可能实现方式，所述获取模块410具体用于，获取所述样本文本；对所述样本文本进行片段划分得到N个片段；对所述N个片段进行乱序处理，生成所述样本文本的乱序片段序列；以及获取所述乱序片段序列中N个片段在所述样本文本中的原始排序顺序。

作为本申请实施例的一种可能实现方式，所述片段包括：至少一个句子；所述获取模块410具体用于，按照所述样本文本中的句子结束符以及所述语义表示模型的限制字符数量对所述样本文本进行片段划分，得到N个片段。

作为本申请实施例的一种可能实现方式，所述装置还包括：第一判断模块和第三输入模块；所述第一判断模块，用于判断所述样本文本的字符数量是否超过所述语义表示模型的限制数量；所述第三输入模块，用于在所述字符数量未超过所述语义表示模型的限制数量时，将所述乱序片段序列输入所述语义表示模型，获取所述乱序片段序列中第N片段的语义融合向量。

作为本申请实施例的一种可能实现方式，所述装置还包括：第二判断模块；所述第二判断模块，用于判断所述第i个片段是否为所述乱序片段序列中的首个片段；所述第一输入模块，还用于在所述第i个片段为所述乱序片段序列中的首个片段时，将所述第i个片段输入语义表示模型，获取所述第i个片段的语义向量；将所述第i个片段的语义向量，确定为所述第i个片段的语义融合向量。

作为本申请实施例的一种可能实现方式，所述语义表示模型获取所述第i个片段的语义融合向量的方式为，获取所述第i个片段的语义向量；对所述第i个片段的语义向量和所述第i-1个片段的语义融合向量进行融合处理，得到所述第i个片段的语义融合向量。

综上，通过获取样本文本的乱序片段序列，以及乱序片段序列中N个片段在样本文本中的原始排序顺序，其中，N为正整数；针对乱序片段序列中的第i个片段，将乱序片段序列中第i-1个片段的语义融合向量以及第i个片段，输入语义表示模型，以获取第i个片段的语义融合向量，其中，i为小于或等于N的正整数，重复该步骤直至获得第N片段的语义融合向量；将第N片段的语义融合向量输入预测模型，以生成N个片段在样本文本中的预测排序顺序；以及根据原始排序顺序以及预测排序顺序，对语义表示模型和预测模型进行预训练，从而能够对整个样本文本进行处理，避免选择样本文本中的部分句子进行处理，从而能够学习到样本文本的全局信息，提高语义表示模型的处理效率。

根据本申请的实施例，本申请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。

如图5所示，是根据本申请实施例的语义表示模型的预训练方法的电子设备的框图。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/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语义表示模型的预训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语义表示模型的预训练方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语义表示模型的预训练方法对应的程序指令/模块(例如，附图4所示的获取模块410、第一输入模块420、第二输入模块430和预训练模块440)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的语义表示模型的预训练方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据语义表示模型的预训练的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至语义表示模型的预训练的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

语义表示模型的预训练方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与语义表示模型的预训练的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、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系统上执行和/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，可以从存储系统、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系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，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。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(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系统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系统中。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)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统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("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。