CN111104514B - 文档标签模型的训练方法及装置 - Google Patents

Abstract

本申请公开了文档标签模型的训练方法及装置，涉及文档标签预测技术领域。具体实现方案为：获取经过预训练的文档标签模型，文档标签模型采用各个应用场景的通用训练数据进行预训练得到；获取待适用的应用场景的场景训练数据，场景训练数据包括：待适用的应用场景下的多个文档以及对应的标签信息；获取文档标签模型中与待适用的应用场景相关的子模型；采用场景训练数据对子模型进行训练，得到训练好的文档标签模型，从而能够减少待适用的应用场景下训练文档标签模型所需要的训练数据，在确保文档标签模型的准确度的情况下降低训练成本。

Description

文档标签模型的训练方法及装置

技术领域

本申请涉及数据处理技术领域，具体涉及文档标签预测技术领域，尤其涉及文档标签模型的训练方法及装置。

背景技术

目前，文档的标签预测技术是文档内容理解的重要工作。对于新的文档标签预测场景，主要的解决思路有以下两种，一种是训练通用的文档标签模型：训练模型时不考虑各个场景间的差别，在所有场景都使用通用的文档标签模型。另一种是单独训练文档标签模型：单独为新的场景准备训练数据进行训练。

第一种方法中，训练得到的模型，缺乏场景或者领域针对性，在单个场景下的预测准确度低。第二种方法中，需要准备的训练数据需求量大，训练成本高。

发明内容

本申请提出一种文档标签模型的训练方法及装置，根据待适用的应用场景的场景训练数据，对经过预训练的文档标签模型中与待适用的应用场景相关的子模型进行训练，从而在确保文档标签模型的准确度的前提下，降低待适用的应用场景下文档标签模型的训练成本。

本申请一方面实施例提出了一种文档标签模型的训练方法，包括：

获取经过预训练的文档标签模型，所述文档标签模型采用各个应用场景的通用训练数据进行预训练得到；

获取待适用的应用场景的场景训练数据，所述场景训练数据包括：所述待适用的应用场景下的多个文档以及对应的标签信息；

获取所述文档标签模型中与所述待适用的应用场景相关的子模型；

采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型。

在本申请一个实施例中，所述文档标签模型包括：预处理层、候选召回层、粗排层和精排层；

所述候选召回层包括：并联的关键词召回子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型；

所述粗排层包括：并联的规则子模型和语义匹配子模型；

与所述待适用的应用场景相关的子模型包括：语义匹配子模型，以及以下子模型中的任意一个或者多个：多标签分类召回子模型、显式召回子模型和隐式召回子模型。

在本申请一个实施例中，在与所述待适用的应用场景相关的子模型包括：语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型时，所述采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型，包括：

针对所述场景训练数据中的每个文档，将所述文档分别输入多标签分类召回子模型、显式召回子模型和隐式召回子模型，并将各个输出结果进行合并，得到候选标签结果；

将所述文档以及所述候选标签结果输入所述语义匹配子模型，获取所述文档与所述候选标签结果中各个候选标签的相关度；

根据所述文档与所述候选标签结果中各个候选标签的相关度，以及所述文档对应的标签信息，对语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行调整，得到训练好的文档标签模型。

在本申请一个实施例中，所述场景训练数据还包括：标签集合，所述标签集合包括：文档标签模型可以预测的标签，以便文档标签模型结合所述标签集合对场景训练数据中的文档进行标签预测。

在本申请一个实施例中，所述采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型之前，还包括：

对所述文档标签模型中的多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行初始化操作。

本申请实施例的文档标签模型的训练方法，通过获取经过预训练的文档标签模型，文档标签模型采用各个应用场景的通用训练数据进行预训练得到；获取待适用的应用场景的场景训练数据，场景训练数据包括：待适用的应用场景下的多个文档以及对应的标签信息；获取文档标签模型中与待适用的应用场景相关的子模型；采用场景训练数据对子模型进行训练，得到训练好的文档标签模型，从而能够减少待适用的应用场景下训练文档标签模型所需要的训练数据，在确保文档标签模型的准确度的情况下降低训练成本。

本申请另一方面实施例提出了一种文档标签模型的训练装置，包括：

获取模块，用于获取经过预训练的文档标签模型，所述文档标签模型采用各个应用场景的通用训练数据进行预训练得到；

所述获取模块，还用于获取待适用的应用场景的场景训练数据，所述场景训练数据包括：所述待适用的应用场景下的多个文档以及对应的标签信息；

所述获取模块，还用于获取所述文档标签模型中与所述待适用的应用场景相关的子模型；

训练模块，用于采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型。

在本申请一个实施例中，所述文档标签模型包括：预处理层、候选召回层、粗排层和精排层；

所述候选召回层包括：并联的关键词召回子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型；

所述粗排层包括：并联的规则子模型和语义匹配子模型；

与所述待适用的应用场景相关的子模型包括：语义匹配子模型，以及以下子模型中的任意一个或者多个：多标签分类召回子模型、显式召回子模型和隐式召回子模型。

在本申请一个实施例中，在与所述待适用的应用场景相关的子模型包括：语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型时，所述训练模块具体用于，

针对所述场景训练数据中的每个文档，将所述文档分别输入多标签分类召回子模型、显式召回子模型和隐式召回子模型，并将各个输出结果进行合并，得到候选标签结果；

将所述文档以及所述候选标签结果输入所述语义匹配子模型，获取所述文档与所述候选标签结果中各个候选标签的相关度；

根据所述文档与所述候选标签结果中各个候选标签的相关度，以及所述文档对应的标签信息，对语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行调整，得到训练好的文档标签模型。

在本申请一个实施例中，所述场景训练数据还包括：标签集合，所述标签集合包括：文档标签模型可以预测的标签，以便文档标签模型结合所述标签集合对场景训练数据中的文档进行标签预测。

在本申请一个实施例中，所述的装置还包括：初始化模块，用于对所述文档标签模型中的多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行初始化操作。

本申请实施例的文档标签模型的训练装置，通过获取经过预训练的文档标签模型，文档标签模型采用各个应用场景的通用训练数据进行预训练得到；获取待适用的应用场景的场景训练数据，场景训练数据包括：待适用的应用场景下的多个文档以及对应的标签信息；获取文档标签模型中与待适用的应用场景相关的子模型；采用场景训练数据对子模型进行训练，得到训练好的文档标签模型，从而能够减少待适用的应用场景下训练文档标签模型所需要的训练数据，在确保文档标签模型的准确度的情况下降低训练成本。

本申请另一方面实施例提出了一种电子设备，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本申请实施例的文档标签模型的训练方法。

本申请另一方面实施例提出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本申请实施例的文档标签模型的训练方法。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

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是文档标签模型结构的示意图。

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文档标签模型的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文档标签模型的训练方法及装置。

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，本实施例提供的文档标签模型的训练方法的执行主体为文档标签模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在终端设备或者服务器中，该实施例对此不作具体限定。

如图1所示，该文档标签模型的训练方法可以包括：

步骤101，获取经过预训练的文档标签模型，文档标签模型采用各个应用场景的通用训练数据进行预训练得到。

本申请中，文档标签模型结构的示意图可以如图2所示，在图2中，文档标签模型包括：预处理层、候选召回层、粗排层和精排层。其中，预处理层用于对文档进行分段、分句、分词、词性标注POS、命名实体识别NER等处理，获取预处理结果；所述预处理结果包括：分段结果、分句结果、分词结果、词性标注结果以及命名实体识别结果。

其中，候选召回层包括：并联的关键词召回子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型。这4个召回子模型的输入为文档以及文档对应的预处理结果；输出结果为多个候选标签。将4个召回子模型的输出结果进行合并，得到候选标签结果。其中，关键词召回子模型，用于通过分析文档的语义结构并统计特征来确定候选标签。多标签分类召回子模型，用于基于NN的multi-label classification来确定候选标签。显式召回子模型，基于字面匹配和频次筛选来确定候选标签。隐式召回子模型，基于主次要成分分析来确定候选标签。

其中，粗排层包括：并联的规则子模型和语义匹配子模型。规则子模型用于根据预设规则确定候选标签结果中待过滤的候选标签。语义匹配子模型用于确定文档与候选标签结果中各个候选标签的文本相关度，根据文本相关度确定待过滤的候选标签。对候选标签结果中待过滤的候选标签进行过滤，得到过滤后的候选标签结果。其中，文本相关度指的是文本与候选标签之间语义层面的相似度。

其中，精排层用于根据过滤后的候选标签结果中各个候选标签的文本相关度、标签热度以及标签粒度，对各个候选标签进行排序，根据排序结果，预测与文档对应的标签信息。其中，标签热度指的是用户对候选标签的关注热度，例如候选标签的搜索热度等。标签粒度基于候选标签的组成词类型和长度计算确定。候选标签的内容越详细，则标签粒度越小。例如以标签粒度排序，则百度->百度联盟->百度联盟峰会；娱乐->娱乐明星。

本申请中，应用场景例如对长文档进行重实体的标签预测、对问答进行重准确的标签预测、对用户原创内容进行重召回的标签预测等等。其中，预测对象可以包括：长文档、问答、用户原创内容等。预测需求例如重召回、重准确、重实体、重分类、重高商业价值等。

本申请中，各个应用场景的通用训练数据，例如可以指各个应用场景的训练数据进行组合得到的训练数据。本申请中，在确定待适用的应用场景前，可以采用各个应用场景的大量通用训练数据对初始的文档标签模型进行预训练，以在确定待适用的应用场景后，减少待适用的应用场景下的训练数据的数量。

步骤102，获取待适用的应用场景的场景训练数据，场景训练数据包括：所述待适用的应用场景下的多个文档以及对应的标签信息。

步骤103，获取文档标签模型中与待适用的应用场景相关的子模型。

本申请中，与待适用的应用场景相关的子模型包括：语义匹配子模型，以及以下子模型中的任意一个或者多个：多标签分类召回子模型、显式召回子模型和隐式召回子模型。本申请中，可以根据具体的待适用应用场景从上述子模型中选择子模型进行重训练或者微调。

步骤104，采用场景训练数据对子模型进行训练，得到训练好的文档标签模型。

本申请中，在与待适用的应用场景相关的子模型包括：语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型时，文档标签模型的训练装置执行步骤104的过程具体可以为，针对场景训练数据中的每个文档，将文档分别输入多标签分类召回子模型、显式召回子模型和隐式召回子模型，并将各个输出结果进行合并，得到候选标签结果；将文档以及候选标签结果输入语义匹配子模型，获取文档与候选标签结果中各个候选标签的相关度；根据文档与候选标签结果中各个候选标签的相关度，以及文档对应的标签信息，对语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行调整，得到训练好的文档标签模型。

本申请中，为了提高训练好的文档标签模型的准确度，场景训练数据中还可以包括：标签集合，标签集合包括：文档标签模型可以预测的标签，以便文档标签模型结合标签集合对场景训练数据中的文档进行标签预测。

本申请中，步骤104之前，所述的方法还可以包括以下步骤：对文档标签模型中的多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行初始化操作，以避免预训练的文档标签模型中上述子模型的系数对待适用的应用场景下训练时的干扰，进一步提高文档标签模型在待适用的应用场景下的准确度。

本申请实施例的文档标签模型的训练方法，通过获取经过预训练的文档标签模型，文档标签模型采用各个应用场景的通用训练数据进行预训练得到；获取待适用的应用场景的场景训练数据，场景训练数据包括：待适用的应用场景下的多个文档以及对应的标签信息；获取文档标签模型中与待适用的应用场景相关的子模型；采用场景训练数据对子模型进行训练，得到训练好的文档标签模型，从而能够减少待适用的应用场景下训练文档标签模型所需要的训练数据，在确保文档标签模型的准确度的情况下降低训练成本。

为了实现上述实施例，本申请实施例还提供一种文档标签模型的训练装置。

图3是根据本申请第二实施例的示意图。如图3所示，该文档标签模型的训练装置100包括：

获取模块110，用于获取经过预训练的文档标签模型，所述文档标签模型采用各个应用场景的通用训练数据进行预训练得到；

所述获取模块110，还用于获取待适用的应用场景的场景训练数据，所述场景训练数据包括：所述待适用的应用场景下的多个文档以及对应的标签信息；

所述获取模块110，还用于获取所述文档标签模型中与所述待适用的应用场景相关的子模型；

训练模块120，用于采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型。

在本申请一个实施例中，所述文档标签模型包括：预处理层、候选召回层、粗排层和精排层；

所述候选召回层包括：并联的关键词召回子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型；

所述粗排层包括：并联的规则子模型和语义匹配子模型；

与所述待适用的应用场景相关的子模型包括：语义匹配子模型，以及以下子模型中的任意一个或者多个：多标签分类召回子模型、显式召回子模型和隐式召回子模型。

在本申请一个实施例中，在与所述待适用的应用场景相关的子模型包括：语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型时，所述训练模块120具体用于，

针对所述场景训练数据中的每个文档，将所述文档分别输入多标签分类召回子模型、显式召回子模型和隐式召回子模型，并将各个输出结果进行合并，得到候选标签结果；

将所述文档以及所述候选标签结果输入所述语义匹配子模型，获取所述文档与所述候选标签结果中各个候选标签的相关度；

根据所述文档与所述候选标签结果中各个候选标签的相关度，以及所述文档对应的标签信息，对语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行调整，得到训练好的文档标签模型。

在本申请一个实施例中，所述场景训练数据还包括：标签集合，所述标签集合包括：文档标签模型可以预测的标签，以便文档标签模型结合所述标签集合对场景训练数据中的文档进行标签预测。

在本申请一个实施例中，结合参考图4，所述的装置还包括：初始化模块130，对所述文档标签模型中的多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行初始化操作。

其中，需要说明的是，前述对文档标签模型的训练方法的解释说明也适用于本实施例的文档标签模型的训练装置，此处不再赘述。

本申请实施例的文档标签模型的训练装置，通过获取经过预训练的文档标签模型，文档标签模型采用各个应用场景的通用训练数据进行预训练得到；获取待适用的应用场景的场景训练数据，场景训练数据包括：待适用的应用场景下的多个文档以及对应的标签信息；获取文档标签模型中与待适用的应用场景相关的子模型；采用场景训练数据对子模型进行训练，得到训练好的文档标签模型，从而能够减少待适用的应用场景下训练文档标签模型所需要的训练数据，在确保文档标签模型的准确度的情况下降低训练成本。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的文档标签模型的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301、存储器302，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301为例。

存储器302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文档标签模型的训练方法。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文档标签模型的训练方法。

存储器302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文档标签模型的训练方法对应的程序指令/模块(例如，附图3所示的获取模块110、训练模块120，附图4所示的初始化模块130)。处理器301通过运行存储在存储器302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文档标签模型的训练方法。

存储器302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文本标签模型的训练的电子设备的使用所创建的数据等。此外，存储器302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302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至文档标签模型的训练的电子设备。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。

文档标签模型的训练的方法的电子设备还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304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303可接收输入的数字或字符信息，以及产生与文档标签模型的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304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。

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。

Claims (10)

1.一种文档标签模型的训练方法，其特征在于，包括：

获取经过预训练的文档标签模型，所述文档标签模型采用各个应用场景的通用训练数据进行预训练得到；

获取待适用的应用场景的场景训练数据，所述场景训练数据包括：所述待适用的应用场景下的多个文档以及对应的标签信息；

获取所述文档标签模型中与所述待适用的应用场景相关的子模型；

采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型；

其中，在与所述待适用的应用场景相关的子模型包括：语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型时，所述采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型，包括：

针对所述场景训练数据中的每个文档，将所述文档分别输入多标签分类召回子模型、显式召回子模型和隐式召回子模型，并将各个输出结果进行合并，得到候选标签结果；

将所述文档以及所述候选标签结果输入所述语义匹配子模型，获取所述文档与所述候选标签结果中各个候选标签的相关度；

根据所述文档与所述候选标签结果中各个候选标签的相关度，以及所述文档对应的标签信息，对语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行调整，得到训练好的文档标签模型。

2.根据权利要求1所述的方法，其特征在于，所述文档标签模型包括：预处理层、候选召回层、粗排层和精排层；

所述候选召回层包括：并联的关键词召回子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型；

所述粗排层包括：并联的规则子模型和语义匹配子模型；

与所述待适用的应用场景相关的子模型包括：语义匹配子模型，以及以下子模型中的任意一个或者多个：多标签分类召回子模型、显式召回子模型和隐式召回子模型。

3.根据权利要求1所述的方法，其特征在于，所述场景训练数据还包括：标签集合，所述标签集合包括：文档标签模型可以预测的标签，以便文档标签模型结合所述标签集合对场景训练数据中的文档进行标签预测。

4.根据权利要求1所述的方法，其特征在于，所述采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型之前，还包括：

对所述文档标签模型中的多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行初始化操作。

5.一种文档标签模型的训练装置，其特征在于，包括：

获取模块，用于获取经过预训练的文档标签模型，所述文档标签模型采用各个应用场景的通用训练数据进行预训练得到；

所述获取模块，还用于获取待适用的应用场景的场景训练数据，所述场景训练数据包括：所述待适用的应用场景下的多个文档以及对应的标签信息；

所述获取模块，还用于获取所述文档标签模型中与所述待适用的应用场景相关的子模型；

训练模块，用于采用所述场景训练数据对所述子模型进行训练，得到训练好的文档标签模型；

其中，在与所述待适用的应用场景相关的子模型包括：语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型时，所述训练模块具体用于，

针对所述场景训练数据中的每个文档，将所述文档分别输入多标签分类召回子模型、显式召回子模型和隐式召回子模型，并将各个输出结果进行合并，得到候选标签结果；

将所述文档以及所述候选标签结果输入所述语义匹配子模型，获取所述文档与所述候选标签结果中各个候选标签的相关度；

根据所述文档与所述候选标签结果中各个候选标签的相关度，以及所述文档对应的标签信息，对语义匹配子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行调整，得到训练好的文档标签模型。

6.根据权利要求5所述的装置，其特征在于，所述文档标签模型包括：预处理层、候选召回层、粗排层和精排层；

所述候选召回层包括：并联的关键词召回子模型、多标签分类召回子模型、显式召回子模型和隐式召回子模型；

所述粗排层包括：并联的规则子模型和语义匹配子模型；

与所述待适用的应用场景相关的子模型包括：语义匹配子模型，以及以下子模型中的任意一个或者多个：多标签分类召回子模型、显式召回子模型和隐式召回子模型。

7.根据权利要求5所述的装置，其特征在于，所述场景训练数据还包括：标签集合，所述标签集合包括：文档标签模型可以预测的标签，以便文档标签模型结合所述标签集合对场景训练数据中的文档进行标签预测。

8.根据权利要求5所述的装置，其特征在于，还包括：初始化模块，用于对所述文档标签模型中的多标签分类召回子模型、显式召回子模型和隐式召回子模型的系数进行初始化操作。

9.一种电子设备，其特征在于，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权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。

Images