模型训练方法和装置、文本预测方法和装置与流程

1.本公开涉及计算机技术领域，具体涉及自然语言处理、深度学习等技术领域，尤其涉及一种模型训练方法和装置、文本预测方法和装置、电子设备、计算机可读介质以及计算机程序产品。


背景技术：

2.在掩膜语言模型(masked language modeling，简称mlm)中，不同掩码位置之间相互独立，对于采用连续掩码方式的模型，如ernie(enhanced representation from knowledge integration，知识增强语义表示模型)、bert
‑
wwm(bidirectional encoder representation from transformers
‑
whole word masking)等，对于一个连续词汇，内部所包含字符的预测是相互独立的，因此只能训练掩膜语言模型记住几个字符的组合模式，并不能很好的学会该连续词汇本身的语义，连续词汇的语义紧密程度不高。


技术实现要素：

3.提供了一种模型训练方法和装置、文本预测方法和装置、电子设备、计算机可读介质以及计算机程序产品。
4.根据第一方面，提供了一种模型训练方法，该方法包括：获取至少一个段落文本，每个段落文本包括多个细粒度样本；对每个段落文本中的细粒度样本进行处理，得到粗粒度样本；标注各个段落文本中的粗粒度样本，并采用一个细粒度样本的掩码遮挡一个粗粒度样本，得到训练样本集，训练样本集包括多个标注文本，每个标注文本包括细粒度样本、被标注的粗粒度样本中的至少一项；采用训练样本集训练细粒度模型，得到训练完成的细粒度模型，细粒度模型用于学习上一个细粒度的内容，并预测相邻的粗粒度的内容。
5.根据第二方面，提供了一种文本预测方法，该方法包括：获取待预测文本；将待预测文本输入采用如第一方面任一实现方式描述的方法生成的细粒度模型，得到待预测文本中粗粒度以及粗粒度的类型。
6.根据第三方面，提供了一种模型训练装置，该装置包括：样本获取单元，被配置成获取至少一个段落文本，每个段落文本包括多个细粒度样本；处理单元，被配置成对每个段落文本中的细粒度样本进行处理，得到粗粒度样本；得到单元，被配置成标注各个段落文本中的粗粒度样本，并采用一个细粒度样本的掩码遮挡一个粗粒度样本，得到训练样本集，训练样本集包括多个标注文本，每个标注文本包括细粒度样本、被标注的粗粒度样本中的至少一项；训练单元，被配置成采用训练样本集训练细粒度模型，得到训练完成的细粒度模型，细粒度模型用于学习上一个细粒度的内容，并预测相邻的粗粒度的内容。
7.根据第四方面，提供了一种文本预测装置，该装置包括：获取单元，被配置成获取待预测文本；得到单元，被配置成将待预测文本输入如第一方面任一实现方式描述的方法生成的细粒度模型，得到待预测文本中粗粒度以及粗粒度的类型。
8.根据第五方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与
至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面任一实现方式描述的方法。
9.根据第六方面，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，计算机指令用于使计算机执行如第一方面或第二方面任一实现方式描述的方法。
10.根据第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面任一实现方式描述的方法。
11.本公开的实施例提供的模型训练方法和装置，首先，获取至少一个段落文本，每个段落文本多个细粒度样本；其次，对每个段落文本中的细粒度样本进行处理，得到粗粒度样本；再次，标注各个段落文本中的粗粒度样本，并采用一个细粒度样本的掩码遮挡一个粗粒度样本，得到训练样本集；最后，采用训练样本集训练细粒度模型，得到训练完成的细粒度模型，细粒度模型用于学习上一个细粒度的内容，并预测相邻的粗粒度的内容。由此，采用一个细粒度样本的掩码遮挡一个粗粒度样本，相当于将粗粒度作为一个细粒度，在对模型进行训练时只需要对粗粒度样本进行一次预测便可以得到粗粒度的完整表示，并且该预测并不是预测粗粒度中的所有细粒度，有利于细粒度模型的收敛，节省了模型的计算量的同时可以使模型有效地学习粗粒度的整体语义。
12.本公开的实施例提供的文本预测方法和装置，获取待预测文本；将待预测文本输入采用本实施例的模型训练方法生成的细粒度模型，得到待预测文本中粗粒度以及粗粒度的类型。由此，细粒度模型可以针对多个细粒度进行粗粒度区分，并且还可以对粗粒度进行整体区分，有助于粗粒度本身的语义学习。
13.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
14.附图用于更好地理解本方案，不构成对本公开的限定。其中：
15.图1是根据本公开模型训练方法的一个实施例的流程图；
16.图2是本公开实施例中细粒度模型训练的结构示意图；
17.图3是根据本公开文本预测方法的一个实施例的流程图；
18.图4是根据本公开模型训练装置的一个实施例的结构示意图；
19.图5是根据本公开文本预测装置的一个实施例的结构示意图；
20.图6是用来实现本公开实施例的模型训练方法或文本预测方法的电子设备的框图。
具体实施方式
21.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。
22.图1示出了根据本公开模型训练方法的一个实施例的流程100，上述模型训练方法
包括以下步骤：
23.步骤101，获取至少一个段落文本。
24.其中，每个段落文本包括多个细粒度样本。
25.本实施例中，模型训练方法运行于其上的执行主体可以通过多种手段获取段落文本，例如，实时从终端获取段落文本，或者在数据存储库中选取多个文本作为段落文本。
26.本实施例中，段落文本以细粒度为最小单元，而细粒度可以组合成粗粒度，通过本实施例提供的模型训练方法生成的细粒度模型，可以预测待测文本中的细粒度，可选地，还可以预测出待预测文本中细粒度以及预测得到的预测细粒度之外的粗粒度。
27.本实施例中，细粒度和粗粒度是相对的概念，若定义的细粒度的内容不同，则相应地粗粒度也会相应的不同。例如，细粒度为字符，则粗粒度可以是单词、词语等。再如，细粒度为词语，则粗粒度可以是短句，文本片段等。
28.本实施例中，为了实现对细粒度模型的训练，需要对细粒度进行处理后得到细粒度样本，对粗粒度进行处理得到粗粒度样本。而细粒度样本和粗粒度样本均是构建的细粒度模型可以识别到的样本，细粒度样本和粗粒度样本可以仅仅是细粒度和粗粒度，细粒度样本和粗粒度样本中还可以包括细粒度和粗粒度的含义、结构、位置、向量、类型等信息。
29.步骤102，对每个段落文本中的细粒度样本进行处理，得到粗粒度样本。
30.本实施例中，在一整段文本以细粒度为最小单元，为了实现对粗粒度的预测，需要组合细粒度得到粗粒度；而在获取细粒度模型的训练样本集时，需要充分挖掘段落文本中的粗粒度样本，以使细粒度模型可以在学习细粒度样本的内容的基础上，预测粗粒度样本的内容。
31.本实施例中，定义的细粒度样本不同，组合得到的粗粒度样本也可以不同，例如，在细粒度样本为字样本时，粗粒度样本可以是词语样本或实体样本；在细粒度样本为词语样本时，粗粒度样本可以是短语样本。
32.步骤103，标注各个段落文本中的粗粒度样本，并采用一个细粒度样本的掩码遮挡一个粗粒度样本，得到训练样本集。
33.其中，训练样本集包括多个标注文本，每个标注文本包括细粒度样本、被标注的粗粒度样本中的至少一项。
34.本实施例中，标注文本与段落文本相对应，并且标注文本是由段落文本通过标注以及掩码得到的。每个标注文本中的细粒度样本与被标注的粗粒度的关系可以相邻或者间隔设置(如图2所示)。可选地，标注文本还可以包括：被标注的细粒度样本，该标注的细粒度样本被细粒度的掩码遮挡，且标注有细粒度的内容。需要说明的是，被标注的粗粒度样本包括：粗粒度样本和粗粒度样本的标注信息，通过粗粒度的标注信息可以对细粒度模型进行调参。
35.本实施例中，在对传统的细粒度模型训练之前，首先通过细粒度样本的掩码对待预测的细粒度样本进行遮挡，也是对待预测的细粒度样本进行屏蔽，通过细粒度模型对屏蔽后的细粒度样本的预测调节细粒度模型的参数，直至细粒度模型的参数调整到细粒度模型对待预测的细粒度的预测结果达到要求为止。而本实施例中，如图2所示，采用细粒度样本的掩码x对得到的粗粒度样本进行屏蔽，从而使细粒度模型对粗粒度进行整体预测，得到粗粒度的预测结果(细粒度表示结果)。
36.本实施例中，利用单一的细粒度样本的掩码去遮挡一个粗粒度样本，从而对于每个遮挡的粗粒度样本，只需要做一次预测便可以得到粗粒度样本的完整表示(粗粒度的预测结果)，而不是预测出粗粒度中的所有细粒度表示。
37.可选地，在采用一个细粒度样本的掩码遮挡一个粗粒度样本的同时，还可以采用细粒度样本的掩码遮挡一个细粒度样本(如图2中的“的”)，从而得到的训练样本集中可以包括细粒度样本、被标注的粗粒度样本和被标注的细粒度样本。
38.步骤104，采用训练样本集训练细粒度模型，得到训练完成的细粒度模型。
39.其中，细粒度模型用于学习上一个细粒度的内容，并预测相邻的粗粒度的内容。本实施例中，粗粒度是通过组合一个或多个细粒度得到，细粒度模型可以学习段落文本中与粗粒度相邻的上一个细粒度，并给出对粗粒度的预测结果，该预测结果即为粗粒度的内容，粗粒度的内容与模型学习的细粒度的内容相关，当细粒度模型学习细粒度的类型、含义、结构、位置、向量等信息时，预测的粗粒度的内容也可以是粗粒度的类型、含义、结构、位置、向量等信息。
40.本实施例中，细粒度模型是一种掩码语言模型，该掩码语言模型可以包括上下文无关的语义表示模型word2vec(词向量相关模型)、glove等，或者包括与上下文相关的语义表示elmo(deep contextualized word representation，深度语境化词表征模型)、bert(bidirectional encoder representation from transformers,双向编码器模型)等。
41.具体地，采用训练样本集训练细粒度模型，得到训练完成的细粒度模型包括：
42.采用上述模型结构构建细粒度网络，采用训练样本集对细粒度网络进行训练。在训练过程中，可以根据细粒度网络对训练样本集中训练样本的粗粒度样本的预测结果与训练样本集中训练样本的粗粒度的标注信息之间的差异确定细粒度网络的误差，利用误差反向传播的方式迭代调整细粒度网络的参数，使其误差逐步缩小。在细粒度网络的误差收敛至一定的范围内或迭代的次数达到预设的次数阈值时可以停止调整参数，得到训练完成的细粒度模型。
43.可选地，采用训练样本集训练细粒度模型，得到训练完成的细粒度模型还可以包括：
44.采用上述模型结构构建细粒度网络，采用训练样本集对细粒度网络进行训练。在训练过程中，可以根据细粒度网络对训练样本集中训练样本的细粒度样本的预测结果与训练样本集中训练样本的细粒度的标注信息之间的第一差异，和细粒度网络对训练样本集中训练样本的粗粒度样本的预测结果与训练样本集中训练样本的粗粒度的标注信息之间的第二差异，由第一差异与第二差异的和确定细粒度网络的误差，利用误差反向传播的方式迭代调整细粒度网络的参数，使其误差逐步缩小。在细粒度网络的误差收敛至一定的范围内或迭代的次数达到预设的次数阈值时可以停止调整参数，得到训练完成的细粒度模型。
45.作为一个示例，对于地点实体“黑龙江”，采用传统的细粒度模型的连续掩码方式的预测公式是p(“黑”|上下文)p(“龙”|上下文)p(“江”|上下文)，令词典大小为3e4，其预测的候选空间大小为(3e4)3＝3e
12
，数值非常大且稀疏，无法充分的建模词汇内部字符间的依赖性和相关性，不利于建模词汇本身的完整语义。
46.采用本实施例的训练完成的细粒度模型，粗粒度“黑龙江”的预测概率为p(“黑龙江”|上下文)，令粗粒度的词典大小为3e6，其预测空间为3e6＜＜3e
12
，粗粒度的预测空间变
得更小和稠密，有利于粗粒度的本身的语义学习，有利于细粒度模型的收敛。
47.本公开的实施例提供的模型训练方法，首先，获取至少一个段落文本，每个段落文本多个细粒度样本；其次，对每个段落文本中的细粒度样本进行处理，得到粗粒度样本；再次，标注各个段落文本中的粗粒度样本，并采用一个细粒度样本的掩码遮挡一个粗粒度样本，得到训练样本集；最后，采用训练样本集训练细粒度模型，得到训练完成的细粒度模型，细粒度模型用于学习上一个细粒度的内容，并预测相邻的粗粒度的内容。由此，采用一个细粒度样本的掩码遮挡一个粗粒度样本，相当于将粗粒度作为一个细粒度，在对模型进行训练时只需要对粗粒度样本进行一次预测便可以得到粗粒度的完整表示，并且该预测并不是预测粗粒度中的所有细粒度，有利于细粒度模型的收敛，节省了模型的计算量的同时可以使模型有效地学习粗粒度的整体语义。
48.在本实施例的一些可选实现方式中，上述细粒度样本为字样本，粗粒度样本包括：词语样本或实体样本；对每个段落文本中的细粒度样本进行处理，得到粗粒度样本，包括：获取每个段落文本中的所有字样本的语义；基于各个字样本的语义，检测当前段落文本中相邻的至少两个字样本是否符合词语组合规则或者实体命名规则；响应于检测到相邻的至少两个字样本组合符合词语组合规则或者实体命名规则，组合所有符合词语规则或者实体命名规则的字样本，得到词语样本或者实体样本。
49.具体地，如图2所示，细粒度模型对段落文本“x是某企业x领导，他连续三年被评为x”进行预测，得到对段落文本中的字(如图2中“的”)的预测结果和对段落文本中的词语(如图2中的“劳模”)或实体(如图2中的“张某某”)的预测结果。
50.在图2中，采用细粒度的掩码x对粗粒度进行遮挡，实现细粒度模型对粗粒度的整体预测，得到粗粒度和细粒度的预测结果。
51.本可选实现方式中，至少两个字可以组成词语或实体，词语包括单词、词组和整个词汇；细粒度样本为组成段落文本的最小单元，当细粒度样本为字样本时，为了确定段落文本中的词语样本和实体样本，需要获取各个字的语义，判断相邻的至少两个字样本是否可以组词得到词语样本，或者是否满足实体命名要求，将满足实体命名要求的字样本组合在一起得到实体样本。而本实施例中，词语规则包括：获取各个字的语义，判断相邻的至少两个字样本是否可以组词得到词语样本。实体命名规则包括：获取各个字的语义，判断相邻的至少两个字样本是否满足实体命名要求，若满足命名要求，将满足实体命名要求的字样本组合在一起得到实体样本。
52.本可选实现方式中，在细粒度样本为字样本时，选取满足词语规则或者实体命名规则的字样本，以使粗粒度样本为词语样本或实体样本，可以使训练完成的细粒度模型在以字为单位的文本中的预测词语或者实体的内容。
53.在本实施例的一些可选实现方式中，上述细粒度样本为字样本，粗粒度样本还包括：短语样本；对每个段落文本中的细粒度样本进行处理，得到粗粒度样本，还包括：基于各个字样本的语义和各个字样本的结构，检测当前段落文本中所有字样本是否符合短语组合规则；响应于检测到当前段落文本中字样本符合短语组合规则，组合所有符合短语组合规则的字样本，得到短语样本。
54.本可选实现方式中，短语样本可以由至少一个词语样本或者实体样本基于词语样本或实体样本的结构组成，短语组合规则包括：获取满足词语组合规则和实体命名规则的
词语样本或者实体样本，基于各个词语样本或者实体样本中字样本的结构，确定各个词语样本或者实体样本的结构，在相邻的至少两个词语样本或实体样本具有对称、相似等特征时，组合该相邻的至少两个词语样本或实体样本，得到短语样本。
55.本可选实现方式中，在字样本的基础上，组合词语样本或实体样本，进一步组合短语样本，为细粒度模型识别多样的粗粒度提供了可靠的样本基础，保证了细粒度模型识别的可靠性。
56.可选地，上述细粒度样本为字样本，粗粒度样本还包括：短语样本；对每个段落文本中的细粒度样本进行处理，得到粗粒度样本，还包括：检测当前段落文本中所有词语样本或实体样本是否符合短语组合规则；响应于检测到当前段落文本中词语样本或实体样本符合短语组合规则，组合所有符合短语组合规则的词语样本或实体样本，得到短语样本。
57.在本实施例的一些可选实现方式中，上述细粒度样本包括：词语样本或实体样本，粗粒度样本包括：短语样本；对每个段落文本中的细粒度样本进行处理，得到粗粒度样本，包括：获取每个段落文本中的所有词语样本或实体样本的语义和结构；基于各个词语样本或实体样本的语义和结构，检测当前段落文本中相邻的至少两个词语样本或实体样本是否符合短语组合规则；响应于检测到当前段落文本中相邻的至少两个词语样本或实体样本符合短语组合规则，组合所有符合短语组合规则的词语样本或实体样本，得到短语样本。
58.本可选实现方式中，在词语样本或实体样本的基础上，组合词语样本或实体样本得到短语样本，为细粒度模型识别多样的粗粒度提供了可靠的样本基础，保证了细粒度模型识别的可靠性。
59.在本实施例的一些可选实现方式中，上述细粒度样本为字样本，粗粒度样本包括：短语样本；对每个段落文本中的细粒度样本进行处理，得到粗粒度样本，包括：获取每个段落文本中的所有字样本的语义和结构；基于各个字样本的语义和各个字样本的结构，依次检测当前段落文本中预设相邻个字样本是否符合短语组合规则；响应于检测到当前段落文本中预设相邻个字样本有符合短语组合规则的多个字样本，组合符合短语组合规则的多个字样本，得到短语样本。
60.本可选实现方式中，在字样本的基础上，组合字样本得到组合短语样本，为细粒度模型识别多样的粗粒度提供了可靠的样本基础，保证了细粒度模型识别的可靠性。
61.在本实施例的一些可选实现方式中，上述标注各个段落文本中的粗粒度样本，并采用细粒度样本的掩码遮挡各个段落文本中的粗粒度样本，得到训练样本集，包括：标注各个段落文本中的粗粒度样本的内容和类型；采用与细粒度模型对应的细粒度样本的掩码遮挡各个段落文本中的粗粒度样本，得到被标注的粗粒度样本；按各个细粒度样本和各个粗粒度样本在各自段落文本中的顺序排序所有细粒度样本和被标注的粗粒度样本，得到训练样本集。
62.本实施例的可选实现方式中，粗粒度样本的内容即是粗粒度本身，粗粒度样本的类型可以是粗粒度所属的领域、行业以及种类等。例如，粗粒度样本为“高楼”则该粗粒度的类型为建筑学。
63.本可选实现方式中，按各个细粒度样本和各个粗粒度样本在各自段落文本中的顺序排序所有细粒度样本和被标注的粗粒度样本，可以在训练样本集输入至细粒度模型之后，细粒度模型通过分析各个细粒度样本的内容，预测得到粗粒度的内容，便于细粒度模型
的收敛。
64.本可选实现方式中，在对粗粒度进行内容和类型标注之后，采用掩码遮挡粗粒度样本，并在各个段落文本的顺序排序各个细粒度和粗粒度为细粒度模型更好的学习细粒度和粗粒度的内容提供了可靠的基础，保证了细粒度模型训练的准确度。
65.图3示出了根据文本预测方法的一个实施例的流程图300，上述模型训练方法包括以下步骤：
66.步骤301，获取待预测文本。
67.本实施例中，待预测文本可以包括至少一种不同格式文本，文本以细粒度为最小单元，而粗粒度为由细粒度组合的单元，通过本实施例提供的模型训练方法生成的细粒度模型，可以预测出待预测文本中的细粒度之外的粗粒度的内容。可选地，细粒度模型还可以同时预测待预测文本中的细粒度和粗粒度。
68.本实施例中，在段落文本中可以通过组合细粒度得到粗粒度，多种不同格式文本是指组成段落文本的粗粒度、细粒度的格式不同，例如一种格式的段落文本可以识别到的细粒度为字，可以识别到的粗粒度为短语；另一种格式的段落文本可以识别到的细粒度为词语，可以识别到的粗粒度为短语。
69.本实施例中，细粒度可以包括：字符、文字、词语、短语、短句、数字等，相应地，粗粒度可以包括：词语、短语、短句等。
70.步骤302，将待测文本输入细粒度模型，得到待预测文本中粗粒度以及粗粒度的类型。
71.本实施例中，细粒度模型经过训练，可以根据文本，给出文本中的粗粒度的内容和类型。该粗粒度的内容可以来自待预测文本。具体地，细粒度模型可以采用由步骤101
‑
104训练生成的细粒度模型。
72.在本实施例中，细粒度模型可以是采用如上述图1实施例所描述的方法而生成的。具体生成过程可以参见图1实施例的相关描述，在此不再赘述。
73.需要说明的是，本实施例的文本预测方法可以用于测试上述各实施例所生成的细粒度模型。进而根据转换结果可以不断地优化细粒度模型。该方法也可以是上述各实施例所生成的细粒度模型的实际应用方法。采用上述各实施例所生成的细粒度模型，对待测文本进行预测，有助于提高得到的预测结果的准确度。
74.本公开的实施例提供的文本预测方法，获取待预测文本；将待预测文本输入采用本实施例的模型训练方法生成的细粒度模型，得到待预测文本中粗粒度以及粗粒度的类型。由此，细粒度模型可以针对多个细粒度进行粗粒度区分，并且还可以对粗粒度进行整体区分，有助于粗粒度本身的语义学习。
75.进一步参考图4，作为对上述各图所示方法的实现，本公开提供了模型训练装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可应用于各种电子设备中。
76.如图4所示，本实施例提供的模型训练装置400包括：样本获取单元401，处理单元402，得到单元403，训练单元404。其中，上述样本获取单元401，可以被配置成获取至少一个段落文本，每个段落文本包括多个细粒度样本。上述处理单元402，可以被配置成对每个段落文本中的细粒度样本进行处理，得到粗粒度样本。上述得到单元403，可以被配置成标注
各个段落文本中的粗粒度样本，并采用一个细粒度样本的掩码遮挡一个粗粒度样本，得到训练样本集，训练样本集包括多个标注文本，每个标注文本包括细粒度样本、被标注的粗粒度样本中的至少一项。上述训练单元404，可以被配置成采用训练样本集训练细粒度模型，得到训练完成的细粒度模型，细粒度模型用于学习上一个细粒度的内容，并预测相邻的粗粒度的内容。
77.在本实施例中，模型训练装置400中：样本获取单元401，处理单元402，得到单元403，训练单元404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103、步骤104的相关说明，在此不再赘述。
78.在本实施例的一些可选的实现方式中，上述细粒度样本为字样本，粗粒度样本包括：词语样本或实体样本；上述处理单元402包括：字语义获取模块(图中未示出)，字检测模块(图中未示出)，词组合模块(图中未示出)。其中，上述字语义获取模块，可以被配置成获取每个段落文本中的所有字样本的语义。上述字检测模块，可以被配置成基于各个字样本的语义，检测当前段落文本中相邻的至少两个字样本是否符合词语组合规则或者实体命名规则。上述词组合模块，可以被配置成响应于检测到相邻的至少两个字样本组合符合词语组合规则或者实体命名规则，组合所有符合词语规则或者实体命名规则的字样本，得到词语样本或者实体样本。
79.在本实施例的一些可选的实现方式中，上述处理单元402还包括：第一短语检测模块(图中未示出)，第一短语组合模块(图中未示出)。其中，上述第一短语检测模块，被配置成基于各个字样本的语义和各个字样本的结构，检测当前段落文本中所有字样本是否符合短语组合规则。上述第一短语组合模块，被配置成响应于检测到当前段落文本中字样本符合短语组合规则，组合所有符合短语组合规则的字样本，得到短语样本。
80.在本实施例的一些可选的实现方式中，上述细粒度样本包括：词语样本或实体样本，粗粒度样本包括：短语样本；上述处理单元402包括：词语义获取模块(图中未示出)，第二短语检测模块(图中未示出)，第二短语组合模块(图中未示出)。其中，上述词语义获取模块，可以被配置成获取每个段落文本中的所有词语样本或实体样本的语义和结构。上述第二短语检测模块，可以被配置成基于各个词语样本或实体样本的语义和结构，检测当前段落文本中相邻的至少两个词语样本或实体样本是否符合短语组合规则。上述第二短语组合模块，可以被配置成响应于检测到当前段落文本中相邻的至少两个词语样本或实体样本符合短语组合规则，组合所有符合短语组合规则的词语样本或实体样本，得到短语样本。
81.在本实施例的一些可选的实现方式中，上述细粒度样本为字样本，粗粒度样本包括：短语样本；处理单元包括：字结构获取模块(图中未示出)，第三短语检测模块(图中未示出)，第三短语组合模块(图中未示出)。其中，上述字结构获取模块，可以被配置成获取每个段落文本中的所有字样本的语义和结构。上述第三短语检测模块，可以被配置成基于各个字样本的语义和各个字样本的结构，依次检测当前段落文本中预设相邻个字样本是否符合短语组合规则。上述第三短语组合模块，可以被配置成响应于检测到当前段落文本中预设相邻个字样本有符合短语组合规则的多个字样本，组合符合短语组合规则的多个字样本，得到短语样本。
82.在本实施例的一些可选实现方式中，上述得到单元403包括：标注模块(图中未示出)，遮挡模块(图中未示出)，排序模块(图中未示出)。其中，上述标注模块，可以被配置成
标注各个段落文本中的粗粒度样本的内容和类型。上述遮挡模块，可以被配置成采用与细粒度模型对应的细粒度样本的掩码遮挡各个段落文本中的粗粒度样本，得到被标注的粗粒度样本。上述排序模块，可以被配置成按各个细粒度样本和各个粗粒度样本在各自段落文本中的顺序排序所有细粒度样本和被标注的粗粒度样本，得到训练样本集。
83.本公开的实施例提供的模型训练装置，首先，样本获取单元401获取至少一个段落文本，每个段落文本多个细粒度样本；其次，处理单元402对每个段落文本中的细粒度样本进行处理，得到粗粒度样本；再次，得到单元403标注各个段落文本中的粗粒度样本，并采用一个细粒度样本的掩码遮挡一个粗粒度样本，得到训练样本集；最后，训练单元404采用训练样本集训练细粒度模型，得到训练完成的细粒度模型，细粒度模型用于学习上一个细粒度的内容，并预测相邻的粗粒度的内容。由此，采用一个细粒度样本的掩码遮挡一个粗粒度样本，相当于将粗粒度作为一个细粒度，在对模型进行训练时只需要对粗粒度样本进行一次预测便可以得到粗粒度的完整表示，并且该预测并不是预测粗粒度中的所有细粒度，有利于细粒度模型的收敛，节省了模型的计算量的同时可以使模型有效地学习粗粒度的整体语义。
84.进一步参考图5，作为对上述各图所示方法的实现，本公开提供了文本预测装置的一个实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可应用于各种电子设备中。
85.如图5所示，本实施例提供的文本预测装置500包括：获取单元501，得到单元502。其中，上述获取单元501，可以被配置成获取待预测文本。上述得到单元502，可以被配置成将待预测文本输入采用如上述模型训练方法生成的细粒度模型，得到待预测文本中粗粒度以及粗粒度的类型。
86.在本实施例中，文本预测装置500中：获取单元501，得到单元502的具体处理及其所带来的技术效果可分别参考图3对应实施例中的步骤301、步骤302的相关说明，在此不再赘述。
87.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。
88.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。
89.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。
90.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ram603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。
91.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。
92.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，例如模型训练方法或文本预测方法。例如，在一些实施例中，模型训练方法或文本预测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模型训练方法或文本预测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)而被配置为执行模型训练方法或文本预测方法。
93.本文中以上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、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(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。
94.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模型训练装置、文本预测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。
95.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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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。
96.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。
97.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。
98.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，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。
99.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。
100.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。