基于人工智能的文本处理方法、装置、设备及介质与流程

1.本技术涉及人工智能技术领域，尤其涉及基于人工智能的文本处理方法、装置、设备及存储介质。


背景技术：

2.人工智能技术随着算力与数据量的提升而在近年得到蓬勃的发展，广泛应用在互联网的各个场景中。自然语言处理(natural language processing,nlp)作为人工智能的一个重要分支，在智能语音交互、在线客服、知识搜索、情感类聊天等经典问答系统场景中有着广泛的应用性。问答系统中通常采用自然语义处理模型对用户输入文本进行语义编码，再基于语义编码内容给出回答用户提出问题的答案。一般而言，在问答系统中，大型自然语言处理模型(比如bert、t5等模型)会比小型自然语言处理模型(比如word2vec、glove、fasttext等模型)有着更优的表现效果，但是，大型自然语言处理模型的模型参数量也比小型自然语言处理模型的模型参数量大得多，问答系统的落地上往往牵涉到模型的计算时效性，模型参数量的提升虽然可以伴随着问答系统的准确率与召回率的提升，但是在文本处理的时间消耗上也会随之上升，进而降低了问答系统的用户体验。因此，有必要对自然语言处理任务的时效性和准确性作出均衡。


技术实现要素：

3.本技术实施例的主要目的在于提出一种基于人工智能的文本处理方法、装置、设备及存储介质，旨在均衡自然语义处理任务的时效性和准确性。
4.第一方面，本技术实施例提出了一种基于人工智能的文本处理方法，所述方法包括以下步骤：
5.获取目标语句文本，并对所述目标语句文本进行分词处理，得到至少一个目标词组；
6.将各个所述目标词组输入预训练的小型网络模型，得到所述小型网络模型输出的所述目标词组对应的第一词组嵌入表示；
7.将各个所述目标词组对应的第一词组嵌入表示输入预训练的非线性映射模型，得到所述非线性映射模型输出的所述词组对应的第二词组嵌入表示；
8.根据各个所述目标词组对应的第二词组嵌入表示得到所述目标语句文本对应的语句嵌入表示；
9.其中，所述预训练的非线性映射模型通过以下步骤训练得到：将训练词组分别输入预训练的大型网络模型和所述预训练的小型网络模型中，得到所述预训练的大型网络模型输出的第三词组嵌入表示和所述预训练的小型网络模型输出的第四词组嵌入表示，将所述第四词组嵌入表示作为初始非线性映射模型的输入数据，将所述第三词组嵌入表示作为所述初始非线性映射模型的期望输出数据，对所述初始非线性映射模型进行训练，以得到所述预训练的非线性映射模型。
10.结合第一方面，在第一方面的一种可能实现方式中，在对所述目标语句文本进行分词处理之后，在将所述词组输入预训练的小型网络模型之前，所述方法还包括：
11.从通过所述分词处理得到的至少一个初始词组中确定停用词和非停用词；
12.将所述非停用词确定为待输入所述预训练的小型网络模型的所述目标词组。
13.结合第一方面，在第一方面的一种可能实现方式中，在将训练词组分别输入预训练的大型网络模型和所述预训练的小型网络模型中之前，所述方法还包括：
14.从预设语句文本训练集获取训练语句文本；
15.从所述训练语句文本中提取中心词，以根据所述中心词确定所述训练词组。
16.结合第一方面，在第一方面的一种可能实现方式中，所述从所述训练语句文本中提取中心词，以根据所述中心词确定所述训练词组，包括：
17.从所述训练语句文本中提取所述中心词以及所述中心词的至少一个相邻词，以将所述中心词以及所述中心词对应的所述相邻词作为所述训练词组。
18.结合第一方面，在第一方面的一种可能实现方式中，所述将所述第四词组嵌入表示作为初始非线性映射模型的输入数据，将所述第三词组嵌入表示作为所述初始非线性映射模型的期望输出数据，对所述初始非线性映射模型进行训练，包括：
19.将所述第四词组嵌入表示输入所述初始非线性映射模型，得到所述初始非线性映射模型输出的第五词组嵌入表示；
20.根据所述第三词组嵌入表示和所述第五词组嵌入表示计算得到损失值；
21.根据所述损失值确定是否满足所述初始非线性映射模型的训练结束条件；
22.若满足所述初始非线性映射模型的训练结束条件，根据所述初始非线性映射模型当前的模型参数得到所述预训练的非线性映射模型；
23.若不满足所述初始非线性映射模型的训练结束条件，调整所述初始非线性映射模型的模型参数，继续基于所述训练词组对所述初始非线性映射模型进行训练。
24.结合第一方面，在第一方面的一种可能实现方式中，所述训练词组的数量为多个，所述根据所述损失值确定是否满足所述初始非线性映射模型的训练结束条件，包括：
25.根据各个所述训练词组的损失值计算得到损失值均值；
26.若所述损失值均值小于或等于预设的损失阈值，确定满足所述初始非线性映射模型的训练结束条件；
27.若所述损失值均值大于预设的损失阈值，确定不满足所述初始非线性映射模型的训练结束条件。
28.结合第一方面，在第一方面的一种可能实现方式中，所述根据所述第三词组嵌入表示和所述第五词组嵌入表示计算得到损失值，包括：
29.计算所述第三词组嵌入表示和所述第五词组嵌入表示之间的相似度；
30.根据所述第三词组嵌入表示和所述第五词组嵌入表示之间的相似度，确定所述训练词组的损失值。
31.第二方面，本技术实施例提出了一种基于人工智能的文本处理装置，所述装置包括：
32.预处理模块，用于获取目标语句文本，并对所述目标语句文本进行分词处理，得到至少一个目标词组；
33.第一预测模块，用于将各个所述目标词组输入预训练的小型网络模型，得到所述小型网络模型输出的所述目标词组对应的第一词组嵌入表示；
34.第二预测模块，用于将各个所述目标词组对应的第一词组嵌入表示输入预训练的非线性映射模型，得到所述非线性映射模型输出的所述词组对应的第二词组嵌入表示，其中，所述预训练的非线性映射模型通过以下步骤训练得到：将训练词组分别输入预训练的大型网络模型和所述预训练的小型网络模型中，得到所述预训练的大型网络模型输出的第三词组嵌入表示和所述预训练的小型网络模型输出的第四词组嵌入表示，将所述第四词组嵌入表示作为初始非线性映射模型的输入数据，将所述第三词组嵌入表示作为所述初始非线性映射模型的期望输出数据，对所述初始非线性映射模型进行训练，以得到所述预训练的非线性映射模型；
35.确定模块，用于根据各个所述目标词组对应的第二词组嵌入表示得到所述目标语句文本对应的语句嵌入表示。
36.第三方面，本技术实施例提出了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序或指令，所述处理器执行所述计算机程序或指令时实现如上第一方面所述的基于人工智能的文本处理方法。
37.第四方面，本技术实施例提出了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序或指令，所述计算机程序或指令被处理器执行时实现如上第一方面所述的基于人工智能的文本处理方法。
38.本技术实施例提出的基于人工智能的文本处理方法、装置、设备及存储介质,首先获取目标语句文本，并对所述目标语句文本进行分词处理，得到至少一个目标词组；接着将各个所述目标词组输入预训练的小型网络模型，得到所述小型网络模型输出的所述目标词组对应的第一词组嵌入表示；再将各个所述目标词组对应的第一词组嵌入表示输入预训练的非线性映射模型，得到所述非线性映射模型输出的所述词组对应的第二词组嵌入表示；然后根据各个所述目标词组对应的第二词组嵌入表示得到所述目标语句文本对应的语句嵌入表示。本技术实施例的方案，采用小型网络模型和非线性映射模型的结合来实现文本的自然语义处理，其中，所述预训练的非线性映射模型通过以下步骤训练得到：将训练词组分别输入预训练的大型网络模型和所述预训练的小型网络模型中，得到所述预训练的大型网络模型输出的第三词组嵌入表示和所述预训练的小型网络模型输出的第四词组嵌入表示，将所述第四词组嵌入表示作为初始非线性映射模型的输入数据，将所述第三词组嵌入表示作为所述初始非线性映射模型的期望输出数据，对所述初始非线性映射模型进行训练，以得到所述预训练的非线性映射模型。如此训练得到的非线性映射模型的输出结果的准确性能够逼近预训练的大型网络模型的输出结果，弥补了小型网络模型输出结果不够准确的问题。同时，由于是采用结构简单的非线性映射模型将小型网络模型的输出结果拟合至大型网络模型的输出结果，所以整体处理的时间花费上并不会大幅上升，实现自然语言处理任务中准确性和时效性的均衡。
附图说明
39.图1是本技术实施例提供的一种基于人工智能的文本处理方法的流程示意图的流程示意图；
40.图2是本技术实施例提供的文本表示模型的架构示意图；
41.图3是本技术实施例提供的非线性映射模型的训练过程示意图；
42.图4是本技术的一个实施例中非线性映射模型的训练过程示意图；
43.图5是本技术实施例提供的基于人工智能的文本处理装置的结构示意图；
44.图6是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
45.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
46.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
47.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
48.首先，对本技术中涉及的若干名词进行解析：
49.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
50.自然语言处理(natural language processing,nlp)是以语言为对象，利用计算机技术来分析、理解和处理自然语言的一门学科,即把计算机作为语言研究的强大工具，在计算机的支持下对语言信息进行定量化的研究,并提供可供人与计算机之间能共同使用的语言描写。包括自然语言理解(naturallanguage understanding,nlu)和自然语言生成(natural languagegeneration,nlg)两部分。自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、光学字符识别(optical character recognition，ocr)等方面。
51.嵌入表示(embedding)：就是用一个数值向量“表征”一个对象(object)的方法，这里说的对象可以是一个词、一个物品，也可以是一部电影等等。一个物品能被嵌入表示，是因为这个向量跟其他物品向量之间的距离反映了这些物品的相似性。更进一步来说，两个向量间的距离向量甚至能够反映它们之间的关系。
52.问答系统(question answering,qa)：是信息检索系统的一种高级形式，它能用准确、简洁的自然语言回答用户用自然语言提出的问题。问答系统包括以下几种类型：1)检索式问答系统，答案来源于固定的文本语料库或互联网，系统通过查找相关文档并抽取答案
完成问答；2)知识库问答系统，回答问题所需的知识以数据库等结构化形式存储，问答系统首先将问题解析为结构化的查询语句，通过查询相关知识点，并结合知识推理得到答案；3)常问问题集问答系统，通过对历史积累的常问问题集进行检索，回答用户提出的类似问题；4)阅读理解式问答系统，通过抽取给定文档中的文本片段或生成一段答案来回答用户提出的问题。
53.非线性映射模型：指模型的输入到输出的映射是非线性的。作为示例，一种经典的非线性映射模型为rbf神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。rbf网络的基本思想是：用rbf作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当rbf的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。其中，隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度就可以变得线性可分了，主要就是核函数的思想。这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。
54.停用词：停用词是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词，这些字或词即被称为stop words(停用词)。称它们为停用词是因为在文本处理过程中如果遇到它们，则立即停止处理，将其扔掉。将这些词扔掉减少了索引量，增加了检索效率，并且通常都会提高检索的效果。停用词主要包括英文字符、数字、数学字符、标点符号及使用频率特高的单汉字等。
55.人工智能技术随着算力与数据量的提升而在近年得到蓬勃的发展，广泛应用在互联网的各个场景中。自然语言处理(natural language processing,nlp)作为人工智能的一个重要分支，在智能语音交互、在线客服、知识搜索、情感类聊天等经典问答系统场景中有着广泛的应用性。问答系统中通常采用自然语义处理模型对用户输入文本进行语义编码，再基于语义编码内容给出回答用户提出问题的答案。一般而言，在问答系统中，大型自然语言处理模型(比如bert、t5等模型)会比小型自然语言处理模型(比如word2vec、glove、fasttext等模型)有着更优的表现效果，但是，大型自然语言处理模型的模型参数量也比小型自然语言处理模型的模型参数量大得多，问答系统的落地上往往牵涉到模型的计算时效性，模型参数量的提升虽然可以伴随着问答系统的准确率与召回率的提升，但是在文本处理的时间消耗上也会随之上升，进而降低了用户体验。因此，有必要对自然语言处理任务的时效性和准确性作出均衡。
56.有鉴于此，本技术实施例提供了一种基于人工智能的文本处理方法、装置、设备及存储介质，旨在均衡自然语义处理任务的时效性和准确性。
57.本技术实施例提供的基于人工智能的文本处理方法、装置、设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的基于人工智能的文本处理方法。
58.本技术实施例提供的文本处理方法，涉及人工智能和自然语言处理技术领域。本技术实施例提供的基于人工智能的文本处理方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置
成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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、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；软件可以是实现基于人工智能的文本处理方法的应用等，但并不局限于以上形式。
59.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术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技术，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。
60.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
61.请参见图1，图1为本技术实施例提供的一种基于人工智能的文本处理方法的流程示意图。如图1所示，本技术实施例提供的一种基于人工智能的文本处理方法，包括但不限于步骤s110-s140，下面依次对各个步骤进行介绍。
62.步骤s110：获取目标语句文本，并对目标语句文本进行分词处理，得到至少一个目标词组。
63.可以理解的是，目标语句文本为当前自然语言处理任务的目标对象。目标语句文本可以是对用户输入的语音问题进行语音识别后得到的文本，也可以是用户直接输入的问题文本。
64.可以理解的是，在对目标语句文本进行自然语言处理之前，需要对目标语句文本进行分词处理。具体地，对目标语句文本进行分词处理，得到至少一个目标词组包括：将目标语句文本输入预训练的分词模型中，得到分词模型输出的至少一个目标词组。需说明的是，分词模型可以是通用领域的分词模型，也可以是专业领域的分词模型，本技术实施例对分词模型的具体形式或者训练过程不作过多的限定。
65.在一些实施例中，在对目标语句文本进行分词处理之后，在将词组输入预训练的小型网络模型之前，方法还包括：从通过分词处理得到的至少一个初始词组中确定停用词和非停用词；将非停用词确定为待输入预训练的小型网络模型的目标词组。
66.可以理解的是，对目标语句文本进行分词处理，得到至少一个初始词组；然后针对每个初始词组，确定该初始词组是否属于停用词，如果是停用词则去掉，如果是非停用词则保留；最终保留的初始词组作为目标词组，用于输入小型网络模型中。通过将目标语句文本中的停用词去掉，以提高文本处理的效率。
67.步骤s120：将各个目标词组输入预训练的小型网络模型，得到小型网络模型输出的目标词组对应的第一词组嵌入表示。
68.其中，小型网络模型可以是基于预测的、静态词嵌入的文本表示模型，例如word2vec、glove、fasttext等模型。这里的小型网络模型是相对大型网络模型而言，模型参数量较少、复杂度较低的模型，本技术实施例不对小型网络模型的具体类型进行限定。
69.需说明的是，步骤s120采用的小型网络模型是经过预训练的，具体可以是基于预设训练文本和标签训练所得的小型网络模型，本技术实施例不对小型网络模型的训练过程进行限定。
70.本技术实施例将对目标语句文本分词得到的目标词组输入预训练的小型网络模型之中，使得小型网络模型输出目标词组对应的第一词组嵌入表示。
71.步骤s130：将各个目标词组对应的第一词组嵌入表示输入预训练的非线性映射模型，得到非线性映射模型输出的词组对应的第二词组嵌入表示。
72.其中，非线性映射模型可以是rbf神经网络等非线性模型。本技术实施例通过预训练的非线性映射模型将小型网络模型输出的第一词组嵌入表示映射至第二词组嵌入表示，以提高目标词组对应的词嵌入的表现效果，克服小型网络模型输出的词嵌入表现效果较弱的问题，通过采用非线性映射模型作为辅助模型，使得小参数量的模型也能够获得较为逼近大参数量模型的计算效果。同时，由于是采用简单几层的非线性映射模型将小型网络模型输出的词嵌入拟合到大型网络模型输出的词嵌入，故在时间花费上并不会大幅上升，从而解决计算时效性的问题。
73.步骤s140：根据各个目标词组对应的第二词组嵌入表示得到目标语句文本对应的语句嵌入表示。
74.可以理解的是，将各个目标词组对应的第二词组嵌入表示组合形成目标语句文本对应的语句嵌入表示。
75.请参见图2，图2示出了本技术实施例提供的文本表示模型的架构示意图。如图2所示，该文本表示模型包括预处理模块、小型网络模型和非线性映射模型。下面结合图2提供的文本表示模型，对本技术实施例的文本处理方法进行示例性说明。
76.在一种可能的实现方式中，本技术实施例的文本处理方法包括以下步骤：
77.步骤s210，获取用户输入的语音语句，并该语音语句进行语音识别，得到语音语句对应的目标语句文本；
78.步骤s220，将目标语句文本输入到预处理模块，使得预处理模块基于预训练的分词模型对目标语句文本进行分词处理以获得多个初始词组，将该多个初始词组中的停用词去掉，得到多个目标词组word(n)；
79.步骤s230，将多个目标词组word(n)依次输入到小型网络模型，使得小型网络模型输出各个目标词组对应的第一词组嵌入表示word_embedding'(n)；
80.步骤s240，将各个目标词组对应的第一词组嵌入表示word_embedding'(n)输入到非线性映射模型，使得非线性映射模型输出各个目标词组对应的第二词组嵌入表示word_embedding"(n)；
81.步骤s250，根据各个目标词组对应的第二词组嵌入表示word_embedding"(n)确定目标语句文本对应的语句嵌入表示text_embedding。
82.请参见图3，图3示出了本技术实施例提供的非线性映射模型的训练过程示意图。如图3所示，本技术实施例的预训练的非线性映射模型通过以下步骤s310和s320训练得到：
83.步骤s310：将训练词组分别输入预训练的大型网络模型和预训练的小型网络模型中，得到预训练的大型网络模型输出的第三词组嵌入表示和预训练的小型网络模型输出的第四词组嵌入表示。
84.其中，大型网络模型可以是基于transformer作为编码器相关的自然语音模型，一般是基于大规模预训练的且动态词嵌入的，例如bert、elmo、gpt或者t5等模型。本技术实施例不对大型网络模型的具体类型进行限定。
85.需说明的是，步骤s310采用的大型网络模型是经过预训练的，具体可以是基于预设训练文本和标签训练所得的大型网络模型，本技术实施例不对大型网络模型的训练过程进行限定。
86.在一些实施例中，在将训练词组分别输入预训练的大型网络模型和预训练的小型网络模型中之前，方法还包括：从预设语句文本训练集获取训练语句文本；从训练语句文本中提取中心词，以根据中心词确定训练词组。其中，中心词的提取，一般是计算语句文本中每个词的相关度来衡量每个词与语句文本的相关程度，然后识别并提取语句文本的中心词。
87.具体地，从训练语句文本中提取中心词，以根据中心词确定训练词组，包括：从训练语句文本中提取中心词以及中心词的至少一个相邻词，以将中心词以及中心词对应的相邻词作为训练词组。
88.例如，可以首先设置一个固定大小的上下文窗口c，基于该上下文窗口c获取中心词附近的k个词，这k个词即为中心词的相邻词，然后将中心词及其相邻词作为训练词组。
89.步骤s320：将第四词组嵌入表示作为初始非线性映射模型的输入数据，将第三词组嵌入表示作为初始非线性映射模型的期望输出数据，对初始非线性映射模型进行训练，以得到预训练的非线性映射模型。
90.示例性的，将第四词组嵌入表示作为初始非线性映射模型的输入数据，将第三词组嵌入表示作为初始非线性映射模型的期望输出数据，对初始非线性映射模型进行训练，具体可以包括以下步骤：
91.步骤s321：将第四词组嵌入表示输入初始非线性映射模型，得到初始非线性映射模型输出的第五词组嵌入表示；
92.步骤s322：根据第三词组嵌入表示和第五词组嵌入表示计算得到损失值；
93.步骤s323：根据损失值确定是否满足初始非线性映射模型的训练结束条件；
94.步骤s324：若满足初始非线性映射模型的训练结束条件，根据初始非线性映射模型当前的模型参数得到预训练的非线性映射模型；
95.步骤s325：若不满足初始非线性映射模型的训练结束条件，调整初始非线性映射模型的模型参数，继续基于训练词组对初始非线性映射模型进行训练。
96.在一些实施例中，训练词组的数量为多个，不同的训练词组是通过预设语句文本训练集中不同的训练语句文本得到的，具体是对各个训练语句文本分别提取中心词，然后基于中心词和预设的上下文窗口确定各个训练语句文本分别对应的训练词组，这样可得到多个训练词组，每个训练词组都由中心词以及位于中心词的上下文的相邻词组成。
97.在训练词组的数量为多个的情况下，根据损失值确定是否满足初始非线性映射模型的训练结束条件，可以包括：
98.步骤s3231：根据各个训练词组的损失值计算得到损失值均值；
99.步骤s3232：若损失值均值小于或等于预设的损失阈值，确定满足初始非线性映射模型的训练结束条件；
100.步骤s3233：若损失值均值大于预设的损失阈值，确定不满足初始非线性映射模型的训练结束条件。
101.可以理解的是，首先将上述的多个训练词组作为一个batch，依次输入小型网络模型和大型网络模型中，其中小型网络模型的输出数据再输入到非线性映射模型中。针对各个训练词组，根据训练词组中同一个词在大型网络模型和非线性映射模型对应的词嵌入表示，确定这个词的损失值，然后对训练词组中所有词的损失值求平均，得到训练词组的损失值。接着对所有训练词组的损失值求平均，得到损失值均值；将损失值均值与预设的损失阈值进行比较，若损失值均值小于或等于预设的损失阈值，结束非线性映射模型的训练，否则调整非线性映射模型的模型参数，重新基于多个训练词组进行训练。
102.示例性的，根据第三词组嵌入表示和第五词组嵌入表示计算得到损失值，可以包括以下步骤：计算第三词组嵌入表示和第五词组嵌入表示之间的相似度；根据第三词组嵌入表示和第五词组嵌入表示之间的相似度，确定训练词组的损失值。
103.其中，第三词组嵌入表示和第五词组嵌入表示之间的相似度，可以通过计算第三词组嵌入表示和第五词组嵌入表示的余弦距离确定，一般来说，第三词组嵌入表示和第五词组嵌入表示之间的余弦距离越小(越接近0),二者越相似，也就是说，非线性映射模型的输出越接近大型网络模型的输出。
104.请参见图4，图4示出了一个实施例中非线性映射模型的训练过程示意图。如图4所示，非线性映射模型的训练过程可以包括：
105.步骤s410：获取训练词组，其中训练词组是通过预设上下窗口从训练语句文本提取得到的词组，该训练词组包括中心词以及中心词附近的若干个相邻词；
106.步骤s420：将训练词组中的各个词依次输入大型网络模型，以及依次输入小型网络模型，得到大型网络模型输出的词组嵌入表示large_embedding、小型网络模型输出的词组嵌入表示small_embedding；
107.步骤s430：将小型网络模型输出的词组嵌入表示small_embedding输入非线性映射模型，得到非线性映射模型输出的small_embedding’；
108.步骤s440：根据大型网络模型输出的词组嵌入表示large_embedding以及非线性映射模型输出的small_embedding’计算损失值，并根据损失值更新非线性映射模型的模型参数，直至满足预设的模型训练结束条件。
109.可以理解的是，由于一些自然语言处理的下游应用上对于模型计算时间要求较高(如：问答系统，若模型计算词嵌入的时间较长，会使得用户使用体验较差)，而若在下游任务上使用小参数量的模型虽然计算时间较短，但表现效果不如大型模型，故本技术实施例期望通过一辅助模型使得小参数量的模型也能够获得较为逼近大参数量模型的计算效果，同时因为只添加了少数几层的非线性映射层去拟合两者，故在时间花费上并不会大幅上升。
110.请参见图5，在本技术一些可能的实施例，还提供一种基于人工智能的文本处理装置800，可以实现上述基于人工智能的文本处理方法，该装置800包括：
111.预处理模块801，用于获取目标语句文本，并对目标语句文本进行分词处理，得到至少一个目标词组；
112.第一预测模块802，用于将各个目标词组输入预训练的小型网络模型，得到小型网络模型输出的目标词组对应的第一词组嵌入表示；
113.第二预测模块803，用于将各个目标词组对应的第一词组嵌入表示输入预训练的非线性映射模型，得到非线性映射模型输出的词组对应的第二词组嵌入表示，其中，预训练的非线性映射模型通过以下步骤训练得到：将训练词组分别输入预训练的大型网络模型和预训练的小型网络模型中，得到预训练的大型网络模型输出的第三词组嵌入表示和预训练的小型网络模型输出的第四词组嵌入表示，将第四词组嵌入表示作为初始非线性映射模型的输入数据，将第三词组嵌入表示作为初始非线性映射模型的期望输出数据，对初始非线性映射模型进行训练，以得到预训练的非线性映射模型；
114.确定模块804，用于根据各个目标词组对应的第二词组嵌入表示得到目标语句文本对应的语句嵌入表示。
115.需说明的是，本技术实施例提供的文本处理装置的具体实施方式与上述文本处理方法的具体实施例基本相同，在此不再赘述。
116.本技术实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述基于人工智能的文本处理方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
117.请参阅图6，图6为本技术实施例提供的一种电子设备的结构示意图。该电子设备电子设备包括：
118.处理器1010，可以采用通用的中央处理器(central processing unit，cpu)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
119.存储器1020，可以采用只读存储器(read only memory，rom)、静态存储设备、动态存储设备或者随机存取存储器(random access memory，ram)等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行本技术实施例的文本处理方法；
120.输入/输出接口1030，用于实现信息输入及输出；
121.通信接口1040，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
122.总线1050，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息；
123.其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
124.本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述基于人工智能的文本处理方法。
125.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。
126.本技术实施例提出的基于人工智能的文本处理方法、装置、设备及存储介质,首先获取目标语句文本，并对目标语句文本进行分词处理，得到至少一个目标词组；接着将各个目标词组输入预训练的小型网络模型，得到小型网络模型输出的目标词组对应的第一词组嵌入表示；再将各个目标词组对应的第一词组嵌入表示输入预训练的非线性映射模型，得到非线性映射模型输出的词组对应的第二词组嵌入表示；然后根据各个目标词组对应的第二词组嵌入表示得到目标语句文本对应的语句嵌入表示。本技术实施例的方案，采用小型网络模型和非线性映射模型的结合来实现文本的自然语义处理，其中，预训练的非线性映射模型通过以下步骤训练得到：将训练词组分别输入预训练的大型网络模型和预训练的小型网络模型中，得到预训练的大型网络模型输出的第三词组嵌入表示和预训练的小型网络模型输出的第四词组嵌入表示，将第四词组嵌入表示作为初始非线性映射模型的输入数据，将第三词组嵌入表示作为初始非线性映射模型的期望输出数据，对初始非线性映射模型进行训练，以得到预训练的非线性映射模型。如此训练得到的非线性映射模型的输出结果的准确性能够逼近预训练的大型网络模型的输出结果，弥补了小型网络模型输出结果不够准确的问题。同时，由于是采用结构简单的非线性映射模型将小型网络模型的输出结果拟合至大型网络模型的输出结果，所以整体处理的时间花费上并不会大幅上升，实现自然语言处理任务中准确性和时效性的均衡。
127.本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
128.本领域技术人员可以理解的是，图中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
129.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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。
130.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
131.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
132.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：“a”，“b”，“c”，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
133.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
134.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
135.另外，在本技术各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
136.集成的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。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
137.以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。