用于生成多任务模型的方法、装置、设备、介质和程序

摘要

本申请公开了用于生成多任务模型的方法、装置、设备、存储介质和计算机程序，涉及人工智能技术领域，具体为深度学习和自然语言处理技术，可用于知识图谱领域。具体实现方案为：获取多任务模型的配置文件，其中，配置文件包括共享配置信息、任务说明、每个任务的配置信息；根据每个任务的任务配置信息确定多任务模型的输入层和任务层；根据共享配置信息确定多任务模型的共享层；根据确定出的输入层、共享层和任务层构建多任务模型；按照任务说明中任务的顺序选取样本，训练多任务模型。该实施方式实现了自动化调参，大量减轻调参成本，降低多任务模型的训练难度。提升已有模型的复用率、降低新任务的训练成本。

说明书

技术领域

本申请涉及人工智能技术领域，具体为深度学习和自然语言处理技术，可用于知识图谱领域。

背景技术

预训练语言模型在学术界和工业界都有着非常广泛的应用。针对常见的任务，基于预训练语言模型的研发不仅成本低且能取得更好的效果，预训练语言模型加针对不同任务的精调已逐渐成为解决很多任务的基本范式。

预训练语言模型在事件图谱中的应用也非常普遍，整个事件图谱核心技术都是在预训练语言模型的基础上搭建的，目前有超过20个算子使用了预训练语言模型。由于当前事件图谱各任务是独立训练的，每新增一个任务都需要搭建一次模型、开展一次训练，且无法在当前任务的训练过程中引入其他任务包含的知识和信息，这种模式导致了训练成本较大、训练效果也不够理想。此外，各任务完成训练后也是独立上线部署，这导致线上GPU(Graphics Processing Unit，图形处理器)使用量较大，但GPU利用率确很低。

发明内容

本公开提供了一种用于生成多任务模型的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种用于生成多任务模型的方法，包括：获取多任务模型的配置文件，其中，所述配置文件包括共享配置信息、任务说明、每个任务的配置信息；根据每个任务的任务配置信息确定所述多任务模型的输入层和任务层；根据共享配置信息确定所述多任务模型的共享层；根据确定出的输入层、共享层和任务层构建多任务模型；按照所述任务说明中任务的顺序选取样本，训练所述多任务模型。

根据本公开的第二方面，提供了一种用于生成多任务模型的装置，包括：获取单元，被配置成获取多任务模型的配置文件，其中，所述配置文件包括共享配置信息、任务说明、每个任务的配置信息；第一确定单元，被配置成根据每个任务的任务配置信息确定所述多任务模型的输入层和任务层；第二确定单元，被配置成根据共享配置信息确定所述多任务模型的共享层；构建单元，被配置成根据确定出的输入层、共享层和任务层构建多任务模型；训练单元，被配置成按照所述任务说明中任务的顺序选取样本，训练所述多任务模型。

根据本公开的第三方面，提供了一种用于生成多任务模型的电子设备，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第一方面中任一项所述的方法。

根据本公开的第四方面，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，其特征在于，所述计算机指令用于使所述计算机执行第一方面中任一项所述的方法。

根据本公开的第五方面，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第一方面中任一项所述的方法。

根据本申请的技术，可以方便快速的对构建事件图谱的多个任务进行融合训练，节省大量人工调参成本。同时多个任务用一个模型部署上线，也大大节省了GPU使用量，提高GPU利用率。此外，本申请的技术方案特别支持新增任务功能，新增任务时，任务层可以从预置的任务层结构中任选，也可以定制化开发，采用新增任务的训练模式后，其他已融合任务的效果均保持不变。

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

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是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成多任务模型的方法的一个实施例的流程图；

图3a-3b是根据本公开的用于生成多任务模型的方法的一个应用场景的示意图；

图4是根据本公开的用于生成多任务模型的方法的又一个实施例的流程图；

图5是根据本公开的用于生成多任务模型的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于生成多任务模型的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。

图1示出了可以应用本公开的用于生成多任务模型的方法或用于生成多任务模型的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如人机对话类应用、模型训练类应用、文本处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持文本浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上使用的模型提供支持的后台训练服务器。后台训练服务器可以对接收到的多任务模型的配置文件等数据进行分析等处理，并将处理结果(例如多任务模型)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

需要说明的是，本公开的实施例所提供的用于生成多任务模型的方法一般由服务器105执行，相应地，用于生成多任务模型的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于生成多任务模型的方法的一个实施例的流程200。该用于生成多任务模型的方法，包括以下步骤：

步骤201，获取多任务模型的配置文件。

在本实施例中，用于生成多任务模型的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行模型训练的终端接收配置文件。其中，配置文件包括共享配置信息、任务说明、每个任务的配置信息。

配置文件可包括共享配置信息、任务说明、每个任务的配置信息。其中共享配置信息是所有任务共享的，包含预训练模型的选择、学习率、是否更新共享参数等。任务说明是本次多任务训练包含的所有任务名列表。每个任务的配置信息包括任务类型、数据采样比例、是否更新任务参数等。

本申请包含了以下5种训练模式，可通过“是否更新共享参数”和“是否更新任务参数”控制训练模式：

1)基于多个任务训练base模型：一般用于基于多个任务首次训练的场景，此时需设置共享层参数更新，各个任务层参数都更新。

2)基于base模型依次训练各个任务：完成base模型训练后，各任务基本都能有一定的效果，但一般不及单任务模型训练的效果，因此还需对各个任务依次训练。为了在训练下一个任务的时候不影响上一个任务的效果，共享层参数需固定。

3)单独训练指定任务：完成模式2)的训练后，很多任务都能有接近甚至超越单任务模型的效果，但是个别数据差异较大的任务可能效果不理想，需要单独再训练。此时，只有单独训练的这个任务的任务层参数可以更新，共享层参数和其他任务层参数都要保持不变。

4)增加一个新任务：对于一个数据相关性较高的任务，我们可以把它加入已经训练好的多任务模型中一起训练。为了不影响已有任务的效果，需设置共享层参数和已有任务的任务层参数都保持不变，只更新当前任务的任务层参数，如图3b所示。虽然共享层没有根据当前任务的数据进行学习，但由于数据相关性高，共享层在之前训练过程中学习到的语义知识可以直接应用于当前任务，所以一般新增任务模式也能达到匹配单任务训练的效果。

5)遍历主要参数的组合训练指定任务

可对共享配置信息的参数和每个任务的配置信息的参数进行遍历组合，得到不同的任务。

1、共享配置信息可包括以下至少一项参数：

training_base_model(是否更新共享层参数)

pretrain_model(选择预训练模型)

checkpoint_path(是否加载已训练好的模型参数)

max_seg_len(输入文本的最大长度，如果每个任务的配置信息中未设置此参数，则按共享配置信息中的长度，否则按每个任务的配置信息设置的最大长度，如果超过最大长度则文本会被截断)

batch_size(每次迭代时抽取出来的一批数据被称为一个min-batch

一个min-batch所包含的样本数目被称为batch_size)

learning_rate(学习率)

weight_decay(权重衰减)

epoch(迭代次数)

save-path(模型保存地址)

optimizer(选择优化器)

print_steps(打印间隔)

validation_steps(验证间隔)

2、任务说明包括任务名称，按名称的先后顺序训练

3、每个任务的配置信息包括任务名，和任务名对应的以下至少一项参数：

task_type(任务类型)

task_head(选择任务层结构)

max_seq_len(最大文本长度)

batch_size(同共享层参数，如果与共享层冲突则以单任务的配置信息中为准)

is_finetune(是否更新任务层参数)

sample_ratio(当前任务采样比例)

is_main_task(保存最佳模型时是否评估当前任务的F1)

labels(任务的全部标签)

步骤202，根据每个任务的任务配置信息确定多任务模型的输入层和任务层。

在本实施例中，如图3a所示，本申请的生成多任务模型包含数据读入层(也叫输入层)、共享层、任务层三个部分：

数据读入层：预置了分类、匹配、序列标注三种任务的数据读入方法，同时支持继承base数据读入方法开发其他类型任务的数据读入方法。可在任务的配置信息中指定数据读入方法，例如，分类、匹配、序列标注中的任一种。

任务层：预置了分类、匹配、序列标注三种任务的任务层，每种任务的任务层也预置了不同结构供选择，比如匹配任务有三种任务层结构：预训练模型输出的[CLS]向量接一层fc、[CLS]向量级联上[SEP]向量再接一层fc、2layer4head的类transformer结构，这些都是经过实验证明有效的任务层结构，同样支持自定义。可在任务的配置信息中指定任务层的结构，例如用cls_base表示分类模型的基本结构。

步骤203，根据共享配置信息确定多任务模型的共享层。

在本实施例中，共享层：预置了BERT和ERNIE两种预训练模型供任意选择，同时支持添加其他预训练模型。例如，共享配置信息中设置了预训练模型的结构为“RoBERTa-zh-base”。共享配置信息还可包括其它的网络参数和训练参数，从而确定出共享层的网络结构。

可选地，可根据不同的任务的共同结构来确定共享层，例如，对于分类、匹配、序列标注任务的共享层的网络结构可以是BERT或ERNIE。对于序列标注和阅读理解的共享层的网络结构可以是BERT/ERNIE+自注意力层。

步骤204，根据确定出的输入层、共享层和任务层构建多任务模型。

在本实施例中，如图3b所示，输入层中的input A+共享层+任务层中的task A就组成了执行任务A的模型，同理，输入层中的input B+共享层+任务层中的task B就组成了执行任务B的模型。可随意新增任务，只需要在配置文件中的任务说明中增加任务C的名字，再增加任务C的配置信息，任务C的配置信息中指示了任务C的输入层input C和任务层taskC，则可训练出A+B+C的多任务模型。

步骤205，按照任务说明中任务的顺序选取样本，训练多任务模型。

在本实施例中，不同任务对应的样本不同，例如分类任务的样本中包括文本和类别，匹配任务的样本中包括两个句子和语义匹配标识，序列标注任务的样本中包括一个句子和句子中每个词的标签。任务说明中按顺序列了任务的名称。训练时按任务的名称的先后训练进行训练。

本申请的上述实施方式，实现了自动化调参，大量减轻调参成本，降低多任务模型的训练难度。提升已有模型的复用率、降低新任务的训练成本。

在本实施例的一些可选的实现方式中，根据每个任务的任务配置信息确定多任务模型的输入层和任务层，包括：根据每个任务的任务配置信息中的任务类型确定多任务模型的数据读入方法，其中，任务类型包括以下至少一种：分类、匹配、序列标注。根据数据读入方法选择输入层的网络结构。根据每个任务的任务类型选择每个任务的任务层的网络结构。例如，用“task_type:cls”表示任务类型为分类任务，因此可选择分类任务的输入层。任务层相应的设置为“task_head:cls_base”，表示任务层采用分类任务的任务层的基本结构。从而可以方便添加、修改、删除输入层和任务层，能够根据训练目标进行自适应调整。

在本实施例的一些可选的实现方式中，根据共享配置信息确定多任务模型的共享层，包括：根据共享配置信息选择预训练模型，其中，预训练模型包括：BERT或ERNIE。例如“pretrain_model:’RoBERTa-zh-base”。从而可以方便添加、修改、删除预训练模型，能够根据训练目标进行自适应调整基础模型，方便扩充模型。

在本实施例的一些可选的实现方式中，根据共享配置信息确定多任务模型的共享层，包括：根据共享配置信息设置多任务模型的学习率。通过共享配置信息的方式可以设置训练时的学习率，学习率由多个任务共享。不同的学习率得到的模型的性能不同。

在本实施例的一些可选的实现方式中，该方法还包括：设置至少一种学习率，得到至少一种多任务模型。将模型质量最好的多任务模型保存到共享配置信息指定的地址。可设置一定的学习率范围，得到多种学习率下的模型。然后通过验证评估出模型的质量。将模型质量最好的多任务模型保存到共享配置信息指定的地址。从而能够挑选出性能最好的模型进行发布。

在本实施例的一些可选的实现方式中，训练多任务模型，包括：根据共享配置信息中的是否更新共享层参数选项控制训练过程中共享层的参数更新。通过是否更新共享层参数选项可以控制训练模式。如前文所述，训练基础模型时需要更新共享层参数和各个任务层参数，基于base模型依次训练各个任务时需要固定共享层参数但更新各个任务层参数，单独训练指定任务时需要固定共享层参数和其它任务的任务层参数，增加一个新任务时需要固定共享层参数和已有任务的任务层参数，遍历主要参数的组合训练指定任务时需要固定共享参数。从而可通过修改参数的方式调整训练任务的模式，实现更方便、灵活地任务训练。

在本实施例的一些可选的实现方式中，训练多任务模型，包括：根据每个任务的配置信息中的是否更新任务层参数选项控制训练过程中每个任务层的参数更新。通过是否更新任务层参数选项可以控制训练模式。如前文所述，训练基础模型时需要更新共享层参数和各个任务层参数，基于base模型依次训练各个任务时需要固定共享层参数但更新各个任务层参数，单独训练指定任务时需要固定共享层参数和其它任务的任务层参数，增加一个新任务时需要固定共享层参数和已有任务的任务层参数，遍历主要参数的组合训练指定任务时需要固定共享参数。从而可通过修改参数的方式调整训练任务的模式，实现更方便、灵活地任务训练

进一步参考图4，其示出了用于生成多任务模型的方法的又一个实施例的流程400。该用于生成多任务模型的方法的流程400，包括以下步骤：

步骤401，获取多任务模型的配置文件。

步骤402，根据每个任务的任务配置信息确定多任务模型的输入层和任务层。

步骤403，根据共享配置信息确定多任务模型的共享层。

步骤404，根据确定出的输入层、共享层和任务层构建多任务模型。

步骤405，按照任务说明中任务的顺序选取样本，训练多任务模型。

步骤401-405与步骤201-205基本相同，因此不再赘述。

步骤406，根据共享配置信息中的验证配置信息选择验证数据，对训练完成的多任务模型进行评估。

在本实施例中，验证数据与训练样本没有交集。可根据共享配置信息中的验证选项设置验证间隔，例如，每10个批次的样本训练后对多任务模型进行评估。可通过准确率(Precision)、召回率(Recall)、F1、ROC曲线、AUC面积等指标来评估模型效果。评估指标也可通过共享配置信息来设置，还可以在每个任务的配置信息。每个任务的配置信息如果共享配置信息冲突，则以每个任务的配置信息为准。

步骤407，根据评估结果调整多任务模型的超参数。

在本实施例中，在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。超参数可以包括以下至少一项：树的数量或树的深度、矩阵分解中潜在因素的数量、学习率(多种模式)、深层神经网络隐藏层数、k均值聚类中的簇数。通过优化超参数提升了多任务模型的性能。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成多任务模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成多任务模型的装置500包括：获取单元501、第一确定单元502、第二确定单元503、构建单元504、训练单元505。其中，获取单元501，被配置成获取多任务模型的配置文件，其中，配置文件包括共享配置信息、任务说明、每个任务的配置信息。第一确定单元502，被配置成根据每个任务的任务配置信息确定多任务模型的输入层和任务层。第二确定单元503，被配置成根据共享配置信息确定多任务模型的共享层。构建单元504，被配置成根据确定出的输入层、共享层和任务层构建多任务模型。训练单元505，被配置成按照任务说明中任务的顺序选取样本，训练多任务模型。

在本实施例中，用于生成多任务模型的装置500的获取单元501、第一确定单元502、第二确定单元503、构建单元504、训练单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。

在本实施例的一些可选的实现方式中，第一确定单元502进一步被配置成：根据每个任务的任务配置信息中的任务类型确定多任务模型的数据读入装置，其中，任务类型包括以下至少一种：分类、匹配、序列标注。根据数据读入装置选择输入层的网络结构。根据每个任务的任务类型选择每个任务的任务层的网络结构。

在本实施例的一些可选的实现方式中，第二确定单元503进一步被配置成：根据共享配置信息选择预训练模型，其中，预训练模型包括：BERT或ERNIE。

在本实施例的一些可选的实现方式中，第二确定单元503进一步被配置成：根据共享配置信息设置多任务模型的学习率。

在本实施例的一些可选的实现方式中，装置500还包括保存单元(附图中未示出)，被配置成：设置至少一种学习率，得到至少一种多任务模型。将模型质量最好的多任务模型保存到共享配置信息指定的地址。

在本实施例的一些可选的实现方式中，训练单元505进一步被配置成：根据共享配置信息中的是否更新共享层参数选项控制训练过程中共享层的参数更新。

在本实施例的一些可选的实现方式中，训练单元505进一步被配置成：根据每个任务的配置信息中的是否更新任务层参数选项控制训练过程中每个任务层的参数更新。

在本实施例的一些可选的实现方式中，装置还包括验证单元(附图中未示出)，被配置成：根据共享配置信息中的验证配置信息选择验证数据，对训练完成的多任务模型进行评估。根据评估结果调整多任务模型的超参数。

根据本申请的实施例，本申请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。

图6示出了可以用来实施本公开的实施例的示例电子设备600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。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。

计算单元601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601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601执行上文所描述的各个方法和处理，例如方法用于输出信息。例如，在一些实施例中，方法用于输出信息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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法用于输出信息的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法用于输出信息。

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)、负载可编程逻辑设备(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。

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。

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。

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。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

根据本申请实施例的技术方案，可以方便快速的对构建事件图谱的多个任务进行融合训练，节省大量人工调参成本。同时多个任务用一个模型部署上线，也大大节省了GPU使用量，提高GPU利用率。此外，本装置特别支持新增任务功能，新增任务时，任务层可以从预置的任务层结构中任选，也可以定制化开发，采用新增任务的训练模式后，其他已融合任务的效果均保持不变。

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。

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。