深度学习模型的训练方法、文本数据处理方法和装置与流程

1.本公开涉及人工智能技术领域，尤其涉及自然语言处理技术领域和机器翻译技术领域。更具体地，本公开提供了一种深度学习模型的训练方法、文本数据处理方法、装置、电子设备和存储介质。


背景技术：

2.基于自然语言处理技术，可以将一种自然语言文本翻译为另一种自然语言文本。


技术实现要素：

3.本公开提供了一种深度学习模型的训练方法、文本数据处理方法、装置、设备以及存储介质。
4.根据第一方面，提供了一种深度学习模型的训练方法，该方法包括：利用深度学习模型分别处理样本源数据和对应的样本目标数据，得到第一输出值和第二输出值；根据所述第一输出值和第二输出值，确定正则化函数值；以及根据所述正则化函数值，调整所述深度学习模型的参数，得到经预训练的深度学习模型。
5.在一些实施例中，所述样本源数据包括第一语言文本数据，所述样本目标数据包括第二语言文本数据。
6.根据第二方面，提供了一种文本数据处理方法，该方法包括：将文本数据输入深度学习模型，得到处理结果，其中，所述深度学习模型是利用根据本公开提供的方法训练的。
7.根据第三方面，提供了一种深度学习模型的训练装置，该装置包括：第一获得模块，用于利用深度学习模型分别处理样本源数据和对应的样本目标数据，得到第一输出值和第二输出值；确定模块，用于根据所述第一输出值和第二输出值，确定正则化函数值；以及第一调整模块，用于根据所述正则化函数值，调整所述深度学习模型的参数，得到经预训练的深度学习模型。
8.根据第四方面，提供了一种文本数据处理装置，该装置包括：第四获得模块，用于将文本数据输入深度学习模型，得到处理结果，其中，所述深度学习模型是利用根据本公开提供的装置训练的。
9.根据第五方面，提供了一种电子设备，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根据本公开提供的方法。
10.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，该计算机指令用于使计算机执行根据本公开提供的方法。
11.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，所述计算机程序在被处理器执行时实现根据本公开提供的方法。
12.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
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开的一个实施例的深度学习模型的训练方法的流程图；
15.图2是根据本公开的一个实施例的深度学习模型的训练方法的流程图；
16.图3是根据本公开的一个实施例的深度学习模型的训练方法的流程图；
17.图4是根据本公开的一个实施例的深度学习模型的训练方法的流程图；
18.图5是根据本公开的一个实施例的深度学习模型的训练方法的原理图；
19.图6是根据本公开的一个实施例的文本数据处理方法的流程图；
20.图7是根据本公开的一个实施例的深度学习模型的训练装置的框图；
21.图8是根据本公开的一个实施例的文本处理装置的框图；以及
22.图9是根据本公开的一个实施例的可以应用深度学习模型的训练方法和/或文本数据处理方法的电子设备的框图。
具体实施方式
23.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。
24.基于自然语言处理技术，可以利用深度学习模型进行翻译。可以通过增加训练数据量的方式，提高相关深度学习模型的性能。但现有的语料训练样本的数量是有限的，深度学习模型的性能难以进一步提高。
25.图1是根据本公开的一个实施例的深度学习模型的训练方法的流程图。
26.如图1所示，该方法100可以包括操作s110～操作s130。
27.在操作s110，利用深度学习模型分别处理样本源数据和对应的样本目标数据，得到第一输出值和第二输出值
28.在本公开实施例中，样本源数据可以包括第一语言文本数据，样本目标数据可以包括第二语言文本数据。
29.例如，第一语言文本数据可以是一种自然语言的文本，第二语言文本数据可以是另一种自然语言的文本。
30.例如，样本源数据为中文文本数据，样本目标数据为英文文本数据。在一个示例中，样本源数据x为“今天天气很好”，样本目标数据y为“the weather is good today”。
31.又例如，可以将样本源数据x输入深度学习模型，得到第一基准输出值f(x，y；θ)。此外，可以将样本目标数据y输入深度学习模型，得到第二基准输出值f(y，x；θ)。可以将第一基准输出值f(x，y；θ)和第二基准输出值f(y，x；θ)，作为第一输出值。在一个示例中，θ可以表征深度学习模型的一个或多个参数。
32.在本公开实施例中，可以对样本源数据进行处理，得到处理后的样本源数据。可以对样本目标数据进行处理，得到处理后的样本目标数据。
33.例如，可以将处理后的样本源数据x_proc输入深度学习模型，得到第一处理后输出值f(x_proc，y_proc；θ)。可以将处理后的样本目标数据y_proc输入深度学习模型，得到
第二处理后输出值f(y_proc，x_proc；θ)。
34.可以将第一处理后输出值f(x_proc，y_proc；θ)和第二处理后输出值f(y_proc，x_proc；θ)，作为第二输出值。
35.在操作s120，根据第一输出值和第二输出值，确定正则化函数值。
36.例如，可以确定第一基准输出值f(x，y；θ)和第一处理后输出值f(x_proc，y_proc；θ)之间的差异，以及可以确定第二基准输出值f(y，x；θ)和第二处理后输出值f(y_proc，x_proc；θ)之间的差异。根据这两个差异，可以确定正则化函数值。在一个示例中，正则化函数值可以是一致性正则化函数值。
37.在操作s130，根据正则化函数值，调整深度学习模型的参数，得到经预训练的深度学习模型。
38.例如，可以调整深度学习模型的参数，使得正则化函数值满足预设条件，以得到经预训练的深度学习模型。
39.通过本公开实施例，可以进一步提高深度学习模型的性能。尤其可以基于双向预训练的深度学习模型的性能。
40.在一些实施例中，上文所述的预设条件可以是小于预设阈值。
41.在一些实施例中，可以利用各种文本数据增强方式，根据样本源数据或样本目标数据，得到处理后的样本源数据或处理后的样本目标数据。
42.在一些实施例中，所述样本源数据包括第一语言文本数据，所述样本目标数据包括第二语言文本数据。例如，第一语言文本数据可以为中文文本数据，第二语言文本数据可以为英文文本数据。又例如，第一语言文本数据可以为英文文本数据，第二语言文本数据可以为中文文本数据。
43.图2是根据本公开的一个实施例的深度学习模型的训练方法的流程图。
44.如图2所示，方法210可以利用深度学习模型分别处理样本源数据和对应的样本目标数据，得到第一输出值和第二输出值。下面将结合操作s211～操作s214进行详细说明。
45.在操作s211，将样本源数据和样本目标数据分别输入深度学习模型，得到第一基准输出值和第二基准输出值，作为第一输出值。
46.例如，如上文所述，可以将样本源数据x输入深度学习模型，得到第一基准输出值f(x，y；θ)。此外，可以将样本目标数据y输入深度学习模型，得到第二基准输出值f(y，x；θ)。
47.在操作s212，对样本源数据和样本目标数据分别进行切词，得到多个源数据段和多个目标数据段。
48.例如，对样本源数据x“今天天气很好”，进行切词，得到的多个源数据段。在一个示例中，多个源数据段中一个源数据段为“天气”。
49.例如，对样本目标数据y“the weather is good today”，进行切词，得到的多个目标数据段。在一个示例中，多个目标数据段中一个目标数据段为“today”。
50.在操作s213，分别遮蔽多个源数据段中的至少一部分和遮蔽多个目标数据段中的至少一部分，得到经遮蔽的源数据和经遮蔽的目标数据。
51.例如，可以遮蔽源数据段“天气”，得到经遮蔽的源数据x_cut。可以遮蔽目标数据段“today”，得到经遮蔽的目标数据y_cut。
52.在操作s214，将经遮蔽的源数据和经遮蔽的目标数据分别输入深度学习模型，得
到第一遮蔽输出值和第二遮蔽输出值，作为第二输出值。
53.例如，将经遮蔽的源数据x_cut输入深度学习模型，可以得到第一遮蔽输出值f(x_cut，y_cut；θ)。将经遮蔽的目标数据y_cut输入深度学习模型，可以得到第二遮蔽输出值f(y_cut，x_cut；θ)。
54.需要说明的是，可以先执行操作s211，再执行操作s212～操作s214。但是本公开的实施例不限于此，这两组操作也可以按照其他顺序来执行，例如操作s211与操作s212～操作s214可以是并行执行的，或者先执行操作s212～操作s214，再执行操作s211。
55.在一些实施例中，样本源数据具有第一标签。样本目标数据具有第二标签。
56.例如，样本源数据x具有第一标签又例如，样本目标数据具有第二标签
57.图3是根据本公开的另一个实施例的深度学习模型的训练方法的流程图。
58.如图3所示，方法320可以根据第一输出值和第二输出值，确定正则化函数值。下面将结合操作s321至操作s325进行详细说明。
59.在操作s321，确定第一基准输出值和第一遮蔽输出值之间的第一相对熵。
60.例如，根据上文所述的第一基准输出值f(x，y；θ)和第一遮蔽输出值f(x_cut，y_cut；θ)，可以得到第一相对熵为kl(f(x，y；θ)||f(x_cut，y_cut；θ))。
61.在一个示例中，kl(*)为kullback-leibler散度函数。
62.在操作s322，确定第二基准输出值和第二遮蔽输出值之间的第二相对熵。
63.例如，根据上文所述的第二基准输出值f(y，x；θ)和第一遮蔽输出值f(y_cut，x_cut；θ)，可以得到第二相对熵为kl(f(y，x；θ)||f(y_cut，x_cut；θ))。
64.在操作s323，确定第一基准输出值与第一标签之间的第一交叉熵。
65.例如，根据上文所述的第一基准输出值f(x，y；θ)和第一标签可以得到第一交叉熵l(f(x，y；θ)，)。l(*)为交叉熵函数。
66.在操作s324，确定第二基准输出值与第二标签之间的第二交叉熵。
67.例如，根据上文所述的第二基准输出值f(y，x；θ)和第二标签可以得到第二交叉熵l(f(y，x；θ)，)。
68.在操作s325，根据第一交叉熵、第二交叉熵、第一相对熵和第二相对熵，确定正则化函数值。
69.例如，可以通过以下公式确定正则化函数值e：
[0070][0071]
例如，α是一个超参数。s为样本数据集。上文所述的样本源数据和样本目标数据来自于该样本数据集。为正则化函数，在一个示例中，可以计算第一交叉熵、第二交叉熵、第一相对熵和第二相对熵的期望值。可以将该期望值作为正则化函数值。
[0072]
图4是根据本公开的另一个实施例的深度学习模型的训练方法的流程图。
[0073]
如图4所示，该方法400可以在上文所述的操作s130之后执行。下面将结合操作操作s440～操作s460进行详细说明。
[0074]
在操作s440，将样本源数据输入经预训练的深度学习模型，得到第三基准输出值。
[0075]
例如，将样本源数据x输入经预训练的深度学习模型，得到第三基准值f(x，y；θ
′
)。θ
′
可以表征经预训练的深度学习模型的一个或几个参数。
[0076]
在操作s450，将经遮蔽的源数据输入经预训练的深度学习模型，得到第三遮蔽输出值。
[0077]
例如，将经遮蔽的源数据x_cut输入经预训练的深度学习模型，得到第三遮蔽输出值f(x
cut
，y
cut
；θ
′
)。
[0078]
在操作s460，根据第三基准输出值和第三遮蔽输出值，调整经预训练的深度学习模型的参数，得到经训练的深度学习模型。
[0079]
例如，可以通过以下公式确定函数值e’：
[0080][0081]
通过本公开实施例，可以对经预训练的深度学习模型进行单向微调，以进一步提高模型的性能。
[0082]
图5是根据本公开的另一个实施例的深度学习模型的训练方法的原理图。
[0083]
如图5所示，深度学习模型500包括处理层510和softmax层520。处理层510可以包括自注意力层511和前馈层512。
[0084]
例如，深度学习模型500可以分别将上文所述的样本源数据x“今天天气很好”和上文所述的样本目标数据y“the weather is good today”作为输入，输出第一基准输出值f(x，y；θ)和第二基准输出值f(y，x；θ)。
[0085]
又例如，深度学习模型可以分别将上文所述的经遮蔽的源数据x_cut和上文所述的经遮蔽的目标数据y_cut作为输入，输出第一遮蔽输出值f(x_cut，y_cut；θ)和第二遮蔽输出值f(y_cut，x_cut；θ)。在一个示例中，经遮蔽的源数据x_cut例如可以是“今天《mask》很好”。经遮蔽的目标数据y_cut例如可以是“the weather is good《mask》”。
[0086]
在一个示例中，自注意力层511和前馈层512依次对样本源数据x进行处理，输出一个中间输出值。softmax层520对该中间输出值进行处理，输出第一基准输出值f(x，y；θ)。类似地，深度学习模型500可以对样本目标数据y、经遮蔽的源数据x_cut和经遮蔽的目标数据y_cut进行处理。
[0087]
图6是根据本公开的一个实施例的文本数据处理方法的流程图。
[0088]
如图6所示，该方法600可以包括操作s610。
[0089]
在操作s610，将文本数据输入深度学习模型，得到处理结果。
[0090]
例如，深度学习模型是利用根据本公开提供的方法训练的。
[0091]
例如，将中文文本数据输入深度学习模型，得到的处理结果为英文文本数据。又例如，将英文文本数据输入深度学习模型，得到处理结果为中文文本数据。
[0092]
图7是根据本公开的一个实施例的深度学习模型的训练装置的框图。
[0093]
如图7所示，该装置700可以包括第一获得模块710、确定模块720和第一调整模块730。
[0094]
第一获得模块710，用于利用深度学习模型分别处理样本源数据和对应的样本目标数据，得到第一输出值和第二输出值。
[0095]
确定模块720，用于根据所述第一输出值和第二输出值，确定正则化函数值。
[0096]
第一调整模块730，用于根据所述正则化函数值，调整所述深度学习模型的参数，
得到经预训练的深度学习模型。
[0097]
在一些实施例中，所述第一获得模块包括：第一获得子模块，用于将所述样本源数据和所述样本目标数据分别输入所述深度学习模型，得到第一基准输出值和第二基准输出值，作为第一输出值；切词子模块，用于对所述样本源数据和所述样本目标数据分别进行切词，得到多个源数据段和多个目标数据段；遮蔽模块，用于分别遮蔽所述多个源数据段中的至少一部分和遮蔽所述多个目标数据段中的至少一部分，得到经遮蔽的源数据和经遮蔽的目标数据；第二获得子模块，用于将所述经遮蔽的源数据和所述经遮蔽的目标数据分别输入所述深度学习模型，得到第一遮蔽输出值和第二遮蔽输出值，作为第二输出值。
[0098]
在一些实施例中，所述确定模块包括：第一确定子模块，用于确定所述第一基准输出值和所述第一遮蔽输出值之间的第一相对熵；第二确定子模块，用于确定所述第二基准输出值和所述第二遮蔽输出值之间的第二相对熵；以及第三确定子模块，用于根据所述第一相对熵和第二相对熵，确定所述正则化函数值。
[0099]
在一些实施例中，所述样本源数据具有第一标签，所述样本目标数据具有第二标签；所述确定模块还包括：第五确定子模块，用于确定所述第一基准输出值与所述第一标签之间的第一交叉熵；第六确定子模块，用于确定所述第二基准输出值与所述第二标签之间的第二交叉熵；以及第七确定子模块，用于根据所述第一交叉熵、所述第二交叉熵、所述第一相对熵和所述第二相对熵，确定所述正则化函数值。
[0100]
在一些实施例中，装置700还包括：第二获得模块，用于将所述样本源数据输入所述经预训练的深度学习模型，得到第三基准输出值；第三获得模块，用于将所述经遮蔽的源数据输入所述经预训练的深度学习模型，得到第三遮蔽输出值；以及第二调整模块，用于根据所述第三基准输出值和所述第三遮蔽输出值，调整所述经预训练的深度学习模型的参数，得到经训练的深度学习模型。
[0101]
在一些实施例中，所述第二调整模块包括：第八确定子模块，用于确定所述第三基准输出值与第一标签之间的第三交叉熵；第九确定子模块，用于确定所示第三基准输出值与所述第三遮蔽输出值之间的第三相对熵；以及调整子模块，用于根据所述第三交叉熵和所述第三相对熵，调整所述经预训练的深度学习模型的参数。
[0102]
图8是根据本公开的另一个实施例的文本数据处理装置的框图。
[0103]
如图8所示，该装置800可以包括第四获得模块810。
[0104]
第四获得模块810，用于将文本数据输入深度学习模型，得到处理结果，
[0105]
其中，所述深度学习模型是利用本公开提供的装置训练的。
[0106]
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，均符合相关法律法规的规定，且不违背公序良俗。
[0107]
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。
[0108]
图9示出了可以用来实施本公开的实施例的示例电子设备900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。
[0109]
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0110]
设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
[0111]
计算单元901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901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901执行上文所描述的各个方法和处理，例如深度学习模型的训练方法和/或文本数据处理方法。例如，在一些实施例中，深度学习模型的训练方法和/或文本数据处理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908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的深度学习模型的训练方法和/或文本数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行深度学习模型的训练方法和/或文本数据处理方法。
[0112]
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)、复杂可编程逻辑设备(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。
[0113]
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。
[0114]
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。
[0115]
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。
[0116]
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。
[0117]
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。
[0118]
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。
[0119]
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。