多任务处理方法、装置、电子设备及存储介质与流程

1.本发明涉及人工智能领域的自然语言处理技术，尤其涉及一种多任务处理方法、装置、电子设备及存储介质。


背景技术：

2.近年来，随着人工智能的发展，为了提高任务处理的效率，多任务处理研究越来越受到人们的关注。
3.多任务处理通常是训练多任务模型实现多任务处理，由于某些任务类型的训练样本数据较少，训练的多任务模型的鲁棒性较差，导致多任务处理的准确率较差。


技术实现要素：

4.本发明提供一种多任务处理方法、装置、电子设备及存储介质，其主要目的在于提高了多任务处理的准确率。
5.获取不同任务类别对应的训练文本集，其中，所述训练文本集中每个训练文本都有对应的任务标签；
6.获取所述任务类别对应的文本转换模板，利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本；
7.根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；
8.利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型；
9.当获取待处理任务文本及对应的任务处理类别时，利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处理任务文本；
10.利用所述多任务模型对所述标准待处理文本进行处理，得到任务处理结果。
11.可选地，所述利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本，包括：
12.将所述文本转换模板对应的任务类别确定为目标任务类别；
13.将所述目标任务类别对应的训练文本集确定为目标训练文本集；
14.将所述目标训练文本集中的每个所述训练文本插入所述文本转换模板中，得到每个所述训练文本对应的所述标准训练文本。
15.可选地，所述利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型，包括：
16.将所有所述标准训练文本进行汇总，得到标准训练文本集；
17.利用所述生成模型对所述标准训练文本集中的标准训练文本进行特征提取，得到文本特征矩阵；
18.利用所述生成模型中的解码器对所述文本特征矩阵进行解码，以将所述文本特征
矩阵映射为文本，得到分析文本；
19.基于预设的损失函数，衡量所述文本特征矩阵对应的标准训练文本的训练标签与所述分析文本的差异，得到损失值；
20.当所述任务损失值大于或等于所述损失阈值，更新所述生成模型的模型参数，返回所述利用所述生成模型对所述标准训练文本集中的标准训练文本进行特征提取步骤；
21.当所述任务损失值小于所述损失阈值，输出生成模型，得到所述多任务模型。
22.可选地，所述利用所述生成模型对所述标准训练文本集中的标准训练文本进行特征提取，得到文本特征矩阵，包括：
23.选取所述标准训练文本集中任意一条训练文本，得到目标标准训练文本，并将所述标准训练文本集中的目标标准训练文本删除，以得到更新后的标准训练文本集；
24.将所述目标标准训练文本进行分词，得到多个分词词语；
25.利用所述生成模型中的编码器将所述分词词语转化为向量，得到词语向量；
26.将所有所述词语向量按照对应的分词词语在所述目标标准训练文本中的先后顺序进行组合，得到所述文本特征矩阵。
27.可选地，所述将所有所述词语向量按照对应的分词词语在所述目标标准训练文本中的先后顺序进行组合，得到所述文本特征矩阵，包括：
28.利用预设的位置编码公式计算每个所述分词词语的位置向量；
29.将每个所述分词词语的位置向量及词语向量进行组合，得到对应的特征词语向量；
30.将所有所述特征词语向量按照对应的分词词语在所述目标标准训练文本中的先后顺序进行组合，得到特征组合矩阵；
31.利用基于多头注意力机制构建的注意力机制网络对所述特征组合矩阵进行注意力加权，得到文本特征矩阵。
32.可选地，所述利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处理任务文本，包括：
33.将与所述任务处理类别相同的任务类别确定为目标类别；
34.获取所述目标类别对应的标签类型；
35.将所述目标类别对应的文本转换模板确定为目标文本转换模板；
36.将所述待处理任务文本及所述标签类型插入所述目标文本转换模板，得到所述标准待处理文本。
37.为了解决上述问题，本发明还提供一种多任务处理装置，所述装置包括：
38.文本转换模块，用于获取不同任务类别对应的训练文本集，其中，所述训练文本集中每个训练文本都有对应的任务标签；获取所述任务类别对应的文本转换模板，利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本；根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；
39.模型训练模块，用于利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型；
40.任务处理模块，用于当获取待处理任务文本及对应的任务处理类别时，利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处
理任务文本；利用所述多任务模型对所述标准待处理文本进行处理，得到任务处理结果。
41.可选地，所述利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处理任务文本，包括：
42.将与所述任务处理类别相同的任务类别确定为目标类别；
43.获取所述目标类别对应的标签类型；
44.将所述目标类别对应的文本转换模板确定为目标文本转换模板；
45.将所述待处理任务文本及所述标签类型插入所述目标文本转换模板，得到所述标准待处理文本。
46.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
47.存储器，存储至少一个计算机程序；及
48.处理器，执行所述存储器中存储的计算机程序以实现上述所述的多任务处理方法。
49.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的多任务处理方法。
50.本发明实施例利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本；根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型；通过文本转化模板将训练文本转化为具有统一类型训练标签标记的标准训练文本，从而实现训练样本数量的扩充，避免了某些任务类型的训练样本数据过少，导致训练的多任务模型在处理对应任务类型的任务时鲁棒性较差的问题，进而提高了基于训练的多任务模型进行多任务处理的准确率。因此本发明实施例提出的多任务处理方法、装置、电子设备及可读存储介质提高了多任务处理的准确率。
附图说明
51.图1为本发明一实施例提供的多任务处理方法的流程示意图；
52.图2为本发明一实施例提供的多任务处理装置的模块示意图；
53.图3为本发明一实施例提供的实现多任务处理方法的电子设备的内部结构示意图；
54.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
55.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
56.本发明实施例提供一种多任务处理方法。所述多任务处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述多任务处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发
网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
57.参照图1所示的本发明一实施例提供的多任务处理方法的流程示意图，在本发明实施例中，所述多任务处理方法包括：
58.s1、获取不同任务类别对应的训练文本集，其中，所述训练文本集中每个训练文本都有对应的任务标签；
59.本发明实施例中所述训练文本集为训练自然语言处理模型用以处理对应任务类别任务的训练数据，所述任务类别为训练自然语言处理模型可以实现的任务种类，如实现预设类别语言的阅读理解、命名实体识别、意图识别3个任务，所述训练文本集与所述任务类别是一一对应的。
60.进一步地，本发明实施例中所述训练文本集中每个训练文本都有对应的任务标签，所述任务标签为了标记了所述任务类别对应的训练文本集中训练文本经过该任务类别对应的任务处理后，得到结果标记；如：意图识别的任务类别对应的训练文本集中每个训练文本的任务标签为该训练文本对应的意图。
61.s2、获取所述任务类别对应的文本转换模板，利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本；
62.本发明实施例中存在某种任务类别的训练文本集中的样本较少，导致基于训练文本集训练的任务模型进行该任务类别的多任务处理时的准确率不高，为了解决这种情况，将不同的任务类别的训练文本转换为统一格式的标准训练文本，进而利用所有的标准训练文本进行模型训练，模型训练的样本数量更多，训练的模型的准确率更高，进而提高后续基于训练的模型进行的多任务处理的准确率。
63.具体地，本发明实施例中利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本，包括：
64.将所述文本转换模板对应的任务类别确定为目标任务类别；
65.将所述目标任务类别对应的训练文本集确定为目标训练文本集；
66.将所述目标训练文本集中的每个所述训练文本插入所述文本转换模板中，得到每个所述训练文本对应的所述标准训练文本。
67.进一步地，本发明实施例中将所述目标训练文本集中的每个所述训练文本插入所述文本转换模板中，得到每个所述训练文本对应的所述标准训练文本，包括：
68.对所述训练文本的任务标签进行文本提取，得到所述训练文本的标签文本；
69.将所述训练文本替换所述文本转换模板中的预设第一填充符号，并将该训练文本的标签文本替换所述文本转换模板中的预设第二填充符号，得到该训练文本对应的标准训练文本。
70.例如：文化转化模板为“找出【#】这篇文章中所有【*】类型的实体”，训练文本为“医疗险需要体检嘛”，标签文本为“保险”，预设第一填充符号为#，预设第二填充符号为*，那么对应的标准训练文本为“找出【医疗险需要体检嘛】这篇文章中所有【保险】类型的实体”。
71.具体地，本发明实施例中对所述训练文本的任务标签进行文本提取，得到所述训练文本的标签文本，包括：
72.当所述训练文本所属的训练文本集的任务类别为意图识别，将该训练文本所属的
训练文本集中的所有类别的任务标签进行组合，得到该训练文本的标签文本；
73.例如：训练文本为“变更保单中的车辆信息”，该训练文本所属的训练文本集中的所有类别的任务标签分别为“变更车辆信息”、“客户信息变更”、“投保人变更”，那么对应的标签文本为“变更车辆信息/客户信息变更/投保人变更”。
74.当所述训练文本所属的训练文本集的任务类别为阅读理解，提取该训练文本对应的任务标签中的问题文本，得到该训练文本的标签文本；
75.例如：训练文本为“本合同的每日津贴为100元”，该训练文本的任务标签为“问题：每日津贴的金额为多少元，答案：100元”，那么对应的标签文本为“每日津贴的金额为多少元”。
76.当所述训练文本所属的训练文本集的任务类别为实体识别，提取该训练文本对应的任务标签中的实体类型文本，得到该训练文本的标签文本。
77.例如：训练文本为“医疗险需要体检嘛”，该训练文本的任务标签为“实体类型：保险，实体类容：医疗险”，那么对应的标签文本为“保险”。
78.s3、根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；
79.具体地，本发明实施例中所述s3，包括：
80.当所述训练文本所属的训练文本集的任务类别为意图识别，将该训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；
81.当所述训练文本所属的训练文本集的任务类别为阅读理解，提取该训练文本对应的任务标签中的答案文本，得到该训练文本的训练标签；
82.当所述训练文本所属的训练文本集的任务类别为实体识别，提取该训练文本对应的任务标签中的实体内容文本，得到该训练文本的训练标签。
83.s4、利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型；
84.本发明实施例中所述生成模型为t5(text-to-text transfer transformer，文本到文本的传输变换器)模型。
85.具体地，本发明实施例中所述s4，包括：
86.将所有所述标准训练文本进行汇总，得到标准训练文本集；
87.利用所述生成模型对所述标准训练文本集中的标准训练文本进行特征提取，得到文本特征矩阵；
88.利用所述生成模型中的解码器对所述文本特征矩阵进行解码，以将所述文本特征矩阵映射为文本，得到分析文本；
89.基于预设的损失函数，衡量所述文本特征矩阵对应的标准训练文本的训练标签与所述分析文本的差异，得到损失值；
90.当所述任务损失值大于或等于所述损失阈值，更新所述生成模型的模型参数，返回所述利用所述生成模型对所述标准训练文本集中的标准训练文本进行特征提取步骤；
91.当所述任务损失值小于所述损失阈值，输出生成模型，得到所述多任务模型。
92.具体地，本发明实施例中基于梯度下降算法更新所述生成模型的模型参数。
93.具体地，本发明实施中将所述训练标签转换为向量，得到训练标签向量；将所述分
析文本转换为向量，得到分析文本向量；利用所述损失函数计算所述训练标签向量与所述分析文本向量的向量差异，得到所述损失值。
94.进一步地，本发明实施例中所述损失函数可以为指数损失函数、平方损失函数、交叉熵损失函数等，本发明实施例对所述损失函数的类型不做限制。
95.具体地，本发明实施例中利用所述生成模型对所述标准训练文本集中的标准训练文本进行特征提取，得到文本特征矩阵，包括：
96.选取所述标准训练文本集中任意一条训练文本，得到目标标准训练文本，并将所述标准训练文本集中的目标标准训练文本删除，以得到更新后的标准训练文本集；
97.将所述目标标准训练文本进行分词，得到多个分词词语；
98.利用所述生成模型中的编码器将所述分词词语转化为向量，得到词语向量；
99.将所有所述词语向量按照对应的分词词语在所述目标标准训练文本中的先后顺序进行组合，得到所述文本特征矩阵。
100.本发明实施例中所述编码器可以为所述生成模型中的embedding层。
101.具体地，本发明实施例中将所有所述词语向量按照对应的分词词语在所述目标标准训练文本中的先后顺序进行组合，得到所述文本特征矩阵。
102.利用预设的位置编码公式计算每个所述分词词语的位置向量；
103.将每个所述分词词语的位置向量及词语向量进行组合，得到对应的特征词语向量；
104.将所有所述特征词语向量按照对应的分词词语在所述目标标准训练文本中的先后顺序进行组合，得到特征组合矩阵；
105.利用基于多头注意力机制构建的注意力机制网络对所述特征组合矩阵进行注意力加权，得到文本特征矩阵。
106.本发明另一实施例中所述多任务模型可以存储在区块链节点中，利用区块链节点高吞吐的特性，提高模型加载的效率。
107.s5、当获取待处理任务文本及对应的任务处理类别时，利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处理任务文本；
108.本发明实施例中所述待处理任务文本为与所述训练文本类型相同，内容不同的文本，所述任务处理类别为任意所述任务类别。
109.具体地，本发明实施例中所述利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处理任务文本，包括：
110.将与所述任务处理类别相同的任务类别确定为目标类别；
111.获取所述目标类别对应的标签类型；
112.将所述目标类别对应的文本转换模板确定为目标文本转换模板；
113.将所述待处理任务文本及所述标签类型插入所述目标文本转换模板，得到所述标准待处理文本。
114.具体地，本发明实施例中为了更好的利用所述文本转换模板描述对所述待处理任务文本进行任务描述，需要获取目标类别对应的标签类型，当所述目标类别为实体识别，所述标签类型为需要识别的实体类型；当所述目标类别为阅读理解时，所述标签类型为需要理解的问题；当所述目标类别为意图识别时，所述标签类型为需要识别的所有意图种类。
115.进一步地，本发明实施例中将所述待处理任务文本替换所述目标文本转换模板中的预设第一填充符号，并将所述标签类型替换所述目标文本转换模板中的预设第二填充符号，得到所述标准待处理文本。
116.s6、利用所述多任务模型对所述标准待处理文本进行处理，得到任务处理结果。
117.本发明实施例中将所述标准待处理文本输入所述多任务模型，并将所述多任务模型的输出结果作为所述任务处理结果。
118.进一步地，本发明实施例中利用所述多任务模型对所述标准待处理文本进行处理，得到任务处理结果之后，将所述将所述任务处理结果发送至预设的终端设备，所述终端设备包括：手机、电脑、平板等智能终端。
119.本发明实施例利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本；根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型；通过文本转化模板将训练文本转化为具有统一类型训练标签标记的标准训练文本，从而实现训练样本数量的扩充，避免了某些任务类型的训练样本数据过少，导致训练的多任务模型在处理对应任务类型的任务时鲁棒性较差的问题，进而提高了基于训练的多任务模型进行多任务处理的准确率。
120.如图2所示，是本发明多任务处理装置的功能模块图。
121.本发明所述多任务处理装置100可以安装于电子设备中。根据实现的功能，所述多任务处理装置可以包括文本转换模块101、模型训练模块102、任务处理模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
122.在本实施例中，关于各模块/单元的功能如下：
123.所述文本转换模块101用于获取不同任务类别对应的训练文本集，其中，所述训练文本集中每个训练文本都有对应的任务标签；获取所述任务类别对应的文本转换模板，利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本；根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；
124.所述模型训练模块102用于利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型；
125.所述任务处理模块103用于当获取待处理任务文本及对应的任务处理类别时，利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处理任务文本；利用所述多任务模型对所述标准待处理文本进行处理，得到任务处理结果。
126.详细地，本发明实施例中所述多任务处理装置100中所述的各模块在使用时采用与上述图1中所述的多任务处理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
127.如图3所示，是本发明实现多任务处理方法的电子设备的结构示意图。
128.所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如多任务处理程序。
129.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括
闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如多任务处理程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
130.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如多任务处理程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
131.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
132.图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
133.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
134.可选地，所述通信接口13可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
135.可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
136.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
137.所述电子设备中的所述存储器11存储的多任务处理程序是多个计算机程序的组
合，在所述处理器10中运行时，可以实现：
138.获取不同任务类别对应的训练文本集，其中，所述训练文本集中每个训练文本都有对应的任务标签；
139.获取所述任务类别对应的文本转换模板，利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本；
140.根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；
141.利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型；
142.当获取待处理任务文本及对应的任务处理类别时，利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处理任务文本；
143.利用所述多任务模型对所述标准待处理文本进行处理，得到任务处理结果。
144.具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
145.进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
146.本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
147.获取不同任务类别对应的训练文本集，其中，所述训练文本集中每个训练文本都有对应的任务标签；
148.获取所述任务类别对应的文本转换模板，利用所述文本转换模板对所述训练文本进行格式转换，得到所述训练文本对应的标准训练文本；
149.根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签；
150.利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练，得到多任务模型；
151.当获取待处理任务文本及对应的任务处理类别时，利用所述任务处理类别筛选所述文本转换模板对所述待处理任务文本进行格式转换，得到标准待处理任务文本；
152.利用所述多任务模型对所述标准待处理文本进行处理，得到任务处理结果。
153.进一步地，所述计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
154.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
155.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
156.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
157.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
158.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
159.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
160.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
161.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
162.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。