CN115017915B - 一种模型训练、任务执行的方法及装置 - Google Patents

Abstract

本说明书公开了一种模型训练、任务执行的方法及装置，可以根据目标语句的以字粒度划分得到的字序列和以词粒度划分得到的词序列，共同对模型进行训练，以使模型在训练过程中能够学习到目标语句的字序列和词序列的特征信息，以及目标语句所包含的字和词之间的关联关系，从而，可以使训练后的模型针对目标语句输出的特征表示中，融合有目标语句的词特征表示和字特征表示的优点，进而可以提高模型输出的特征表示的准确性。

Description

一种模型训练、任务执行的方法及装置

技术领域

本说明书涉及计算机技术领域，尤其涉及一种模型训练、任务执行的方法及装置。

背景技术

目前，各个语言模型成为了自然语言处理领域中常用的模型，被广泛的应用于搜索、推荐、广告等领域中，而当前语言模型的预训练方法通常会采用字粒度输入的方式(即，将输入的句子拆分为单个的字，再输入到模型中)，但是在中文的语言环境中，词粒度输入(即，将输入的句子拆分为一个个基本的词语，再输入到模型中)相比于字粒度输入是更常见的表达语句基本含义的输入方式，例如：“洗衣机”是一个名词，只有三个字联合作为词时才能表达原本的含义，当将其拆分为字后，就丧失了这种联合表达能力，其中，“洗衣机”中的“衣”字，单个字是指衣服，而并不是指名词的一部分，但是在模型中，“洗衣机”中的“衣”和单个“衣”字，均使用相同的标识信息来标识，就导致这种差异不能被表达出来。

因此，如何提高语言模型输出的特征表示的准确性，则是一个亟待解决的问题。

发明内容

本说明书提供一种模型训练、任务执行的方法及装置，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模型训练的方法，包括：

获取目标语句对应的词序列和字序列；

将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，并将所述词特征表示和所述字特征表示作为所述目标语句的特征表示对；

以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练所述模型，其中，所述目标语句与所述其他语句为不同语句。

可选地，所述词序列中包含有所述目标语句中的所有词语，所述字序列包含有所述目标语句中的所有字；

将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：

将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述目标语句的整体语义，得到所述词序列对应的词特征表示，以及所述字序列对应的字特征表示。

可选地，所述词序列中包含有所述目标语句中的任意一个词，所述字序列中包含所述词序列中包含的词所对应的字；

将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：

将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述词序列中包含的词的语义，得到所述词序列对应的词特征表示，以及所述字序列对应的字特征表示。

可选地，将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：

将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述目标语句的整体语义，得到所述词序列对应的词特征表示，和所述字序列对应的字特征表示，以及，针对所述目标语句中包含的每个词，基于该词的语义，确定出该词对应的词特征表示，并基于该词的语义，确定出该词所包含的字对应的字特征表示。

可选地，以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练所述模型，具体包括：

根据所述词序列对应的词特征表示和所述字序列对应的字特征表示之间的相似度，以及所述字序列对应的字特征表示和其他语句的特征表示对中的字特征表示，确定第一比对损失；

针对所述目标语句中的每个词，根据该词对应的词特征表示和该词所包含的字对应的字特征表示之间的相似度，以及该词所包含的字对应的字特征表示与其他语句包含的字对应的字特征表示之间的相似度，确定第二比对损失；

根据所述第一比对损失和所述第二比对损失，确定总损失；

以所述总损失最小为优化目标，训练所述模型。

可选地，将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：

查询所述词序列中包含的词对应的基础表示，以及所述字序列中包含的字对应的基础表示；

将所述词序列中包含的词对应的基础表示，以及所述字序列中包含的字对应的基础表示输入到预设模型的嵌入层中，以通过所述嵌入层，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示；

以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练所述模型，具体包括：

以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，对所述嵌入层进行训练。

可选地，所述方法还包括：

获取用于处理目标业务的指定模型；

将训练后的所述嵌入层部署到所述指定模型中，并根据部署所述嵌入层后的所述指定模型执行任务。

本说明书提供了一种任务执行的方法，包括：

获取文本数据；

从所述文本数据中提取出指定粒度的信息序列，所述指定粒度包括：字粒度或词粒度；

将所述信息序列输入到预先训练的模型中，得到针对所述信息序列的输出结果，所述模型是通过上述模型训练的方法训练得到的；

根据所述输出结果，执行任务。

本说明书提供了一种模型训练的装置，包括：

获取模块，用于获取目标语句对应的词序列和字序列；

特征提取模块，用于将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，并将所述词特征表示和所述字特征表示作为所述目标语句的特征表示对；

训练模块，用于以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练所述模型，其中，所述目标语句与所述其他语句为不同语句。

本说明书提供了一种任务执行的装置，包括：

文本获取模块，用于获取文本数据；

提取模块，用于从所述文本数据中提取出指定粒度的信息序列，所述指定粒度包括：字粒度或词粒度；

输出模块，用于将所述信息序列输入到预先训练的模型中，得到针对所述信息序列的输出结果，所述模型是通过上述模型训练的方法训练得到的；

执行模块，用于根据所述输出结果，执行任务。

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模型训练、任务执行的方法。

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模型训练、任务执行的方法。

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：

在本说明书提供的模型训练的方法中，可以先获取目标语句对应的词序列和字序列，然后将词序列和字序列输入到预设模型中，得到模型基于词序列输出的词特征表示，以及模型基于字序列输出的字特征表示，并将词特征表示和字特征表示作为目标语句的特征表示对，进而，以特征表示对中两个特征表示之间的相似度，相比于特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练模型，其中，目标语句与其他语句为不同语句。

从上述方法中可以看出，可以根据目标语句的以字粒度划分得到的字序列和以词粒度划分得到的词序列，共同对模型进行训练，以使模型在训练过程中能够学习到目标语句的字序列和词序列的特征信息，以及目标语句的所包含的字和词之间的关联关系，从而，可以使训练后的模型针对目标语句输出的特征表示中，融合有目标语句的词特征表示和字特征表示的特征，进而可以提高模型输出的特征表示的准确性。

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为本说明书中提供的一种模型训练的方法的流程示意图；

图2为本说明书中提供的训练模型的过程示意图；

图3为本说明书中提供的一种任务执行的方法的流程示意图；

图4为本说明书提供的一种模型训练的装置的示意图；

图5为本说明书提供的一种任务执行的装置的示意图；

图6为本说明书提供的对应于图1的电子设备示意图。

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，都属于本申请保护的范围。

目前，针对于语言模型的训练方法通常会采用在输入层，将训练语言模型所需的文本，分别划分为字粒度和词粒度之后，将每个字映射为独立的特征表示(仅用于表征该字的唯一标识)，以及将每个词映射为独立的特征表示(仅用于表征该词的唯一标识)，进而在输入层，针对每个字，将该字的特征表示与该字所对应的词的特征表示拼接后，输入到语言模型中，以对语言模型进行训练。

但是，由于在实际应用中，下游的任务往往是需要基于语言模型的嵌入层输出的文本的特征表示来进行的，而在上述方法中，在向嵌入层输入特征之前，已经将字粒度文本的特征表示和词粒度文本的特征表示进行拼接融合，这就使得嵌入层并不能根据融合后的特征，对字粒度文本和词粒度文本进行有效的区分，也无法学习到字粒度文本和词粒度文本之间的关联关系。

除此之外，还有一种常用的方法是通过全词掩码的方法，将文本划分为字粒度输入到语言模型中，对语言模型进行训练，再将文本划分为词粒度输入到语言模型中，对语言模型进行训练，以使语言模型能够通过两次融合文本的字粒度输入和词粒度输入的特征。但是在实际应用中，下游的任务需要将语言模型针对文本的字粒度输入，得到的文本的特征表示，和针对文本的词粒度输入，得到的文本的特征表示拼接，这样导致最终得到的特征表示会占用更多的维度，进而导致下游任务的执行难度上升。

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为本说明书中提供的一种模型训练的方法的流程示意图，具体包括以下步骤：

S101：获取目标语句对应的词序列和字序列。

在实际应用中，业务平台可以将用户输入的文本信息，发送到模型中，以使模型能够提取文本信息所对应的文本特征表示，进而使业务平台能够基于提取出文本特征表示，执行相应的下游业务(例如：为用户推荐商品、预测用户的行为等)，而为了保证下游业务的顺利执行，就使得通过模型所得到文本特征表示的准确性显得尤为重要。

基于此，本说明书提供了一种模型训练的方法，通过将用于训练模型的目标语句的字序列和词序列，输入到模型中，通过在对模型进行训练的过程中，使得模型的嵌入层能够学习到目标语句的字序列和词序列的文本特征，进而能够提升模型提取的特征表示的准确性，这里的模型可以是指语言模型。

其中，目标语句的字序列(即，字粒度输入)是通过将目标语句所包含的全部字分割开得到的，并且，字序列中所包含的每个字都按照目标语句中的顺序排序的，例如：若目标语句为“烽火连三月”，则目标语句的字序列为“烽”，“火”，“连”，“三”，“月”。

目标语句的词序列(即，词粒度输入)是通过将目标语句所包含的全部词分割开得到的，并且，词序列中所包含的每个词都按照目标语句中的顺序排序的，例如：若目标语句为“烽火连三月”，则目标语句的词序列为“烽火”，“连”，“三月”。

进一步地，为了使模型能够学习到在目标语句整句的语义背景下目标语句所包含的全部的字和词之间的关联关系，以及，使模型能够学习到目标语句的单个词和单个词对应的字之间的关联关系，服务器可以将获取的目标语句的词序列和字序列分为两种，以使语言能够针对不同的语义环境进行学习，以下分别针对这两种词序列和字序列进行详细说明。

具体地，第一种是词序列中包含有目标语句中的所有词语，字序列包含有目标语句中的所有字，例如：目标语句为“烽火连三月”，则这种情况下的目标语句的词序列为“烽火”，“连”，“三月”，字序列为“烽”，“火”，“连”，“三”，“月”。

第二种是词序列中包含有目标语句中的任意一个词，字序列中包含词序列中包含的词所对应的字，例如：目标语句为“烽火连三月”，则这种情况下的目标语句的词序列可以为“烽火”，则对应的字序列为“烽”，“火”。

上述内容中，将目标语句分割为字序列或词序列的方式可以有很多种，例如：通过分词器jieba进行分词等。

需要说明的是，在实际应用中，服务器将目标语句的词序列和字序列输入到模型中的方式可以是，针对词序列中的每个词，查询出该词对应的一个起到唯一标识作用的基础表示(可以理解为一个唯一标识ID)，以及针对字序列中的每个字，查询出该字对应的一个起到唯一标识作用的基础表示，进而可以将词序列中所包含的每个词对应的基础表示，以及字序列中的每个字对应的基础表示，输入到模型中。

在本说明书中，用于实现模型训练、任务执行的方法的执行主体，可以是指服务器等设置于业务平台的指定设备，也可以是指诸如台式电脑、笔记本电脑等指定设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的模型训练、任务执行的方法进行说明。

S102：将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，并将所述词特征表示和所述字特征表示作为所述目标语句的特征表示对。

服务器可以将通过上述方法获取到的目标语句的词序列和字序列，输入到预设模型中，以得到预设模型基于词序列输出的词特征表示，以及预设模型基于字序列输出的字特征表示，并将得到的词特征表示和字特征表示，作为目标语句的特征表示对，进而可以通过目标语句的特征表示对，对模型进行训练。

从上述内容中可知，服务器获取的词序列和字序列可以有两种，并且两种目标语句的词序列和字序列分别针对不同的语义环境，其中，第一种可以针对目标语句整句的语义环境对模型进行训练，第二种可以针对目标语句中的任意一个词的语义环境对模型进行训练，以下将分别针对这两种词序列和字序列在上述模型训练的方法中的应用进行详细说明。

若目标语句的词序列中包含有目标语句中的所有词语，字序列包含有目标语句中的所有字，则服务器可以将获取到的字序列和词序列输入到预设模型中，以使模型基于目标语句的整体语义，得到词序列对应的词特征表示，以及字序列对应的字特征表示，作为目标语句的特征表示对。

若目标语句的词序列中包含有目标语句中的任意一个词，字序列中包含词序列中包含的词所对应的字，则服务器可以将获取到的词序列和字序列输入到预设模型中，以使模型基于词序列中包含的词的语义，得到词序列对应的词特征表示，以及字序列对应的字特征表示，作为目标语句的特征表示对。

从上述内容中可以看出，两种词序列和字序列是针对不同的语义环境的，因此，服务器可以将这两种词序列和字序列一起使用。具体地，服务器可以将将词序列和字序列输入到预设模型中，以使模型基于目标语句的整体语义，得到词序列对应的词特征表示，和字序列对应的字特征表示，以及，针对目标语句中包含的每个词，基于该词的语义，确定出该词对应的词特征表示，并基于该词的语义，确定出该词所包含的字对应的字特征表示，作为目标语句的特征表示对。

S103：以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练所述模型，其中，所述目标语句与所述其他语句为不同语句。

在本说明书中，服务器可以以特征表示对中两个特征表示之间的相似度，相比于目标语句的特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练模型，其中，目标语句与其他语句为不同语句，如图2所示。

图2为本说明书中提供的训练模型的过程示意图。

从图2中可以看出，服务器可以将目标语句划分为字序列和词序列，并输入到预设模型中，进而可以根据模型基于字序列和词序列输出的字特征表示，和词特征表示，以及其他语句的特征表示对中的特征表示，对模型进行训练，

其中，目标语句的特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度，是指目标语句的特征表示对中的任意一个特征表示，和其他语句的特征表示对中的任意一个特征表示之间的相似度，例如：目标语句的特征表示对中的字特征表示，和其他语句的特征表示对中的字特征表示之间的相似度，再例如：目标语句的特征表示对中的字特征表示，和其他语句的特征表示对中的词特征表示之间的相似度等。

进一步地，服务器以特征表示对中两个特征表示之间的相似度，相比于目标语句的特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，对模型进行训练的方法可以是，根据特征表示对中两个特征表示之间的相似度，以及目标语句的特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度，确定比对损失，进而可以以最小化比对损失为目标，对模型进行训练。

根据上述内容可知，服务器通过确定比对损失，对模型进行训练的过程中，具体有三种情况，以下分别针对这三种情况进行详细说明。

第一种情况：若特征表示对中包含有基于目标语句的整体语义，得到的词序列对应的词特征表示，以及字序列对应的字特征表示，则服务器可以根据基于目标语句的整体语义得到的特征表示对中两个特征表示之间的相似度，以及特征表示对中的特征表示和其他语句的基于其他语句的整体语义得到的特征表示对中的特征表示之间的相似度，确定比对损失，进而可以以上述的比对损失越小为优化目标，训练模型，其中如果特征表示对中两个特征表示之间的相似度，相比于特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大，则比对损失越小。

第二种情况：若特征表示对中包含有基于词序列中包含的词的语义，得到词序列对应的词特征表示，以及字序列对应的字特征表示，则服务器可以根据基于词序列中包含的词的语义得到的特征表示对中两个特征表示之间的相似度，以及特征表示对中的特征表示和其他语句的基于其他语句的词序列中包含的词的语义得到的特征表示对中的特征表示之间的相似度，确定比对损失，进而可以以上述的比对损失越小为优化目标，训练模型，其中如果特征表示对中两个特征表示之间的相似度，相比于特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大，则比对损失越小。

第三种情况：若特征表示对中包含有，基于目标语句的整体语义，得到的词序列对应的词特征表示，和字序列对应的字特征表示，以及基于词序列中包含的词的语义，得到词序列对应的词特征表示，和字序列对应的字特征表示，则服务器可以根据基于目标语句的整体语义，得到的词序列对应的词特征表示，和字序列对应的字特征表示之间的相似度，以及基于目标语句的整体语义，得到的字序列对应的字特征表示和其他语句的特征表示对中的基于目标语句的整体语义，得到的字序列对应的字特征表示，确定第一比对损失。以及，针对目标语句中的任意一个词，根据该词对应的词特征表示和该词所包含的字对应的字特征表示之间的相似度，以及该词所包含的字对应的字特征表示与其他语句中的任意一个词所包含的字对应的字特征表示之间的相似度，确定第二比对损失，并根据第一比对损失和第二比对损失，确定总损失，以总损失最小为优化目标，训练模型。

上述内容中，第二比对损失的确定方法可以是，针对目标语句中的每个词，根据该词对应的词特征表示和该词所包含的字对应的字特征表示，以及该词所包含的字对应的字特征表示与其他语句中的任意一个词所包含的字对应的字特征表示之间的相似度，确定该词对应的子比对损失，进而可以对目标语句中所包含的每个词对应的子比对损失进行加权，确定第二比对损失。

例如：目标语句为如烽火连三月”，则目标语句的词序列为“烽火”，“连”，“三月”，其中，目标语句的第二比对损失是根据，“烽火”对应子比对损失，“连”对应子比对损失，“三月”对应子比对损失加权得到的。

需要说明的是，上述内容中的模型训练的方法可以是针对一个模型整体进行训练，也可以是针对模型的嵌入层进行训练，具体地，若是针对模型的嵌入层进行训练，则可以将词序列中包含的词对应的基础表示，以及字序列中包含的字对应的基础表示，将词序列中包含的词对应的基础表示，以及字序列中包含的字对应的基础表示输入到模型的嵌入层中，以通过模型的嵌入层，得到模型基于词序列输出的词特征表示，以及模型基于字序列输出的字特征表示，进而以特征表示对中两个特征表示之间的相似度，相比于特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，对模型的嵌入层进行训练。

另外，在完成上述嵌入层的训练后，即可将训练后的嵌入层灵活的部署到其他模型中，具体的部署的方法可以是，服务器获取用于处理目标业务的指定模型，进而可以将训练后的模型部署到指定模型中，并根据部署嵌入层后的指定模型执行任务。

其中，执行任务的形式可以有两种，第一种为将训练后的嵌入层部署到指定模型中后，执行指定模型对应的目标业务，例如：服务器可以获取用于处理为用户推荐商品的推荐模型，进而可以将训练后的模型部署到推荐模型中，作为推荐模型的嵌入层，进而可以根据部署嵌入层后的推荐模型，执行根据用户输入的搜索内容文本，提取对应的文本特征表示，以使推荐模型能够基于文本特征表示为用户推荐商品的任务。

第二种为将训练后的嵌入层部署到待训练的模型中，进而可以在基于嵌入层输出的文本特征表示，对待训练的模型进行训练，并且，在待训练的模型的训练过程中，嵌入层的参数可以保持不变，也可以根据待训练模型的训练结果进行微调，例如：服务器可以获取待训练的用于预测用户行为的预测模型，进而可以将训练后的嵌入层部署到待训练的预测模型中，进而可以将嵌入层加入到待训练的预测模型的训练过程中。

从上述内容中可以看出，服务器可以基于目标语句整句的语义，对模型进行训练，以及基于目标语句中所包含的单个词的语义，对模型进行训练，以使模型在训练过程中能够学习到目标语句的字序列和词序列的特征信息，以及，目标语句的字序列和词序列之间的关联关系，从而，可以使训练后的模型针对目标语句输出的特征表示中，融合有目标语句的词特征表示和字特征表示的优点，进而可以提高模型输出的特征表示的准确性。

为了进一步地对本说明书进行说明，下面详细描述通过上述方法训练的模型进行任务执行的方法，如图3所示。

图3为本说明书中提供的一种任务执行的方法的流程示意图，包括以下步骤：

S301:获取文本数据。

在本说明书中，服务器在通过经上述模型训练的方法训练后的模型，进行任务执行时，需要先获取到执行任务所需的文本数据，例如：若通过训练后的模型执行商品推荐任务，则需要先获取用户输入的商品名称，进而基于商品名称对应的文本特征表示，为用户推荐对应的商品。

S302：从所述文本数据中提取出指定粒度的信息序列，所述指定粒度包括：字粒度或词粒度。

S303：将所述信息序列输入到预先训练的模型中，得到针对所述信息序列的输出结果，所述模型是通过上述模型训练的方法训练得到的。

S304：根据所述输出结果，执行任务。

在本说明书中，由于模型在使用上述模型训练的方法进行训练的过程中，已经针对输入的目标语句的字粒度和词粒度的特征进行了学习，并且，针对目标语句的字粒度和词粒度之间的关联也进行了学习，因此，在模型的实际应用过程中，只需要输入文本数据的字粒度或词粒度的信息序列即可，并且模型基于文本数据的字粒度或词粒度的信息序列提取的文本数据的特征表示，同时具有文本数据的字粒度特征和词粒度特征。

基于此，服务器可以从文本数据中提取出指定粒度的信息序列，其中，指定粒度可以是字粒度或者词粒度，然后将信息序列输入到预先训练的模型(通过上述的模型训练的方法训练的模型)中，得到针对信息序列的输出结果(可以是指文本数据对应的特征表示，也可以是根据模型所对应的业务得到的具体结果，例如：搜索推荐业务中的文本数据相匹配的推荐内容等)，并根据输出结果，执行任务，这里所要执行的任务具体可以根据实际需求而定，例如：根据训练后的模型针对用户输入的商品信息，得到的与用户输入的商品信息相匹配的商品(即，输出结果)，进而可以为该用户推荐相应的商品。

从上述内容中可以看出，由于模型在训练过程中学习到了文本数据的字粒度的特征、词粒度的特征，以及文本数据中所包含的字和词之间的关联关系，所以模型在任务执行的过程中仅需要获取输入的文本数据的字粒度或者词粒度就可以得到文本数据对应的输出结果，因为输出的特征表示中隐含了文本数据中词与字之间的关联关系，并且，由于模型提取的文本数据的特征表示，兼具了文本数据的字粒度特征和词粒度特征，因此，模型得到的输出结果的准确性也得到了有效提升。

需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家响应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

以上为本说明书的一个或多个实施例提供的模型训练、任务执行的方法，基于同样的思路，本说明书还提供了相应的模型训练、任务执行的装置，如图4、图5所示。

图4为本说明书提供的一种模型训练的装置示意图，具体包括：

获取模块401，用于获取目标语句对应的词序列和字序列；

特征提取模块402，用于将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，并将所述词特征表示和所述字特征表示作为所述目标语句的特征表示对；

训练模块403，用于以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练所述模型，其中，所述目标语句与所述其他语句为不同语句。

可选地，所述词序列中包含有所述目标语句中的所有词语，所述字序列包含有所述目标语句中的所有字；

所述特征提取模块402具体用于，将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述目标语句的整体语义，得到所述词序列对应的词特征表示，以及所述字序列对应的字特征表示。

可选地，所述词序列中包含有所述目标语句中的任意一个词，所述字序列中包含所述词序列中包含的词所对应的字；

所述特征提取模块402具体用于，将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述词序列中包含的词的语义，得到所述词序列对应的词特征表示，以及所述字序列对应的字特征表示。

可选地，所述特征提取模块402具体用于，将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述目标语句的整体语义，得到所述词序列对应的词特征表示，和所述字序列对应的字特征表示，以及，针对所述目标语句中包含的每个词，基于该词的语义，确定出该词对应的词特征表示，并基于该词的语义，确定出该词所包含的字对应的字特征表示。

可选地，所述训练模块403具体用于，根据所述词序列对应的词特征表示和所述字序列对应的字特征表示之间的相似度，以及所述字序列对应的字特征表示和其他语句的特征表示对中的字特征表示，确定第一比对损失；针对所述目标语句中的每个词，根据该词对应的词特征表示和该词所包含的字对应的字特征表示之间的相似度，以及该词所包含的字对应的字特征表示与其他语句包含的字对应的字特征表示之间的相似度，确定第二比对损失；根据所述第一比对损失和所述第二比对损失，确定总损失；以所述总损失最小为优化目标，训练所述模型。

可选地，所述特征提取模块402具体用于，查询所述词序列中包含的词对应的基础表示，以及所述字序列中包含的字对应的基础表示；将所述词序列中包含的词对应的基础表示，以及所述字序列中包含的字对应的基础表示输入到预设模型的嵌入层中，以通过所述嵌入层，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示；

所述训练模块403具体用于，以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，对所述嵌入层进行训练。

可选地，所述装置还包括：

部署模块404，用于获取用于处理目标业务的指定模型；将训练后的所述嵌入层部署到所述指定模型中，并根据部署所述嵌入层后的所述指定模型执行任务。

图5为本说明书提供的一种任务执行的装置示意图，具体包括：

文本获取模块501，用于获取文本数据；

提取模块502，用于从所述文本数据中提取出指定粒度的信息序列，所述指定粒度包括：字粒度或词粒度；

输出模块503，用于将所述信息序列输入到预先训练的模型中，得到针对所述信息序列的输出结果，所述模型是通过上述模型训练的方法训练得到的；

执行模块504，用于根据所述输出结果，执行任务。

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提供的模型训练、任务执行的方法。

本说明书还提供了图6所示的电子设备的示意结构图。如图6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所述的模型训练、任务执行的方法。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系统“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。

上述实施例阐明的系统、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，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、设备(系统)、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、系统或计算机程序产品。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，对于系统实施例而言，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，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种模型训练的方法，其特征在于，包括：

获取目标语句对应的词序列和字序列；

将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，并将所述词特征表示和所述字特征表示作为所述目标语句的特征表示对，其中，所述将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述目标语句的整体语义，得到所述词序列对应的词特征表示，和所述字序列对应的字特征表示，以及，针对所述目标语句中包含的每个词，基于该词的语义，确定出该词对应的词特征表示，并基于该词的语义，确定出该词所包含的字对应的字特征表示；

根据所述词序列对应的词特征表示和所述字序列对应的字特征表示之间的相似度，以及所述字序列对应的字特征表示和其他语句的特征表示对中的字特征表示，确定第一比对损失；针对所述目标语句中的每个词，根据该词对应的词特征表示和该词所包含的字对应的字特征表示之间的相似度，以及该词所包含的字对应的字特征表示与其他语句包含的字对应的字特征表示之间的相似度，确定第二比对损失；根据所述第一比对损失和所述第二比对损失，确定总损失；以所述总损失最小为优化目标，训练所述模型。

2.如权利要求1所述的方法，其特征在于，所述词序列中包含有所述目标语句中的所有词语，所述字序列包含有所述目标语句中的所有字；

将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：

将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述目标语句的整体语义，得到所述词序列对应的词特征表示，以及所述字序列对应的字特征表示。

3.如权利要求1所述的方法，其特征在于，所述词序列中包含有所述目标语句中的任意一个词，所述字序列中包含所述词序列中包含的词所对应的字；

将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：

将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述词序列中包含的词的语义，得到所述词序列对应的词特征表示，以及所述字序列对应的字特征表示。

4.如权利要求1所述的方法，其特征在于，将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：

查询所述词序列中包含的词对应的基础表示，以及所述字序列中包含的字对应的基础表示；

将所述词序列中包含的词对应的基础表示，以及所述字序列中包含的字对应的基础表示输入到预设模型的嵌入层中，以通过所述嵌入层，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示；

以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，训练所述模型，具体包括：

以所述特征表示对中两个特征表示之间的相似度，相比于所述特征表示对中的特征表示和其他语句的特征表示对中的特征表示之间的相似度越大为优化目标，对所述嵌入层进行训练。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

获取用于处理目标业务的指定模型；

将训练后的所述嵌入层部署到所述指定模型中，并根据部署所述嵌入层后的所述指定模型执行任务。

6.一种任务执行的方法，其特征在于，包括：

获取文本数据；

从所述文本数据中提取出指定粒度的信息序列，所述指定粒度包括：字粒度或词粒度；

将所述信息序列输入到预先训练的模型中，得到针对所述信息序列的输出结果，所述模型是通过上述权利要求1～5任一项所述的方法训练得到的；

根据所述输出结果，执行任务。

7.一种模型训练的装置，其特征在于，包括：

获取模块，用于获取目标语句对应的词序列和字序列；

特征提取模块，用于将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，并将所述词特征表示和所述字特征表示作为所述目标语句的特征表示对，其中，所述将所述词序列和所述字序列输入到预设模型中，得到所述模型基于所述词序列输出的词特征表示，以及所述模型基于字序列输出的字特征表示，具体包括：将所述词序列和所述字序列输入到预设模型中，以使所述模型基于所述目标语句的整体语义，得到所述词序列对应的词特征表示，和所述字序列对应的字特征表示，以及，针对所述目标语句中包含的每个词，基于该词的语义，确定出该词对应的词特征表示，并基于该词的语义，确定出该词所包含的字对应的字特征表示；

训练模块，用于根据所述词序列对应的词特征表示和所述字序列对应的字特征表示之间的相似度，以及所述字序列对应的字特征表示和其他语句的特征表示对中的字特征表示，确定第一比对损失；针对所述目标语句中的每个词，根据该词对应的词特征表示和该词所包含的字对应的字特征表示之间的相似度，以及该词所包含的字对应的字特征表示与其他语句包含的字对应的字特征表示之间的相似度，确定第二比对损失；根据所述第一比对损失和所述第二比对损失，确定总损失；以所述总损失最小为优化目标，训练所述模型。

8.一种任务执行的装置，其特征在于，包括：

文本获取模块，用于获取文本数据；

提取模块，用于从所述文本数据中提取出指定粒度的信息序列，所述指定粒度包括：字粒度或词粒度；

输出模块，用于将所述信息序列输入到预先训练的模型中，得到针对所述信息序列的输出结果，所述模型是通过上述权利要求1～5任一项所述的方法训练得到的；

执行模块，用于根据所述输出结果，执行任务。

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1～6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1～6任一项所述的方法。

Images