奖励模型处理方法、电子设备、介质和计算机程序产品

摘要

提供了奖励模型处理方法、电子设备、介质和计算机程序产品。处理方法可以包括：获取多轮次样本对话，每轮次样本对话包括样本问句以及对应的样本答句；利用判别器模型构造奖励模型，基于每轮次样本对话，迭代地对生成器模型和判别器模型进行训练，直至两个模型满足预设平衡条件；其中，每轮次样本对话对应于一次训练回合，在每次训练回合中：利用生成器模型基于当前和先前轮次样本对话生成伪样本对话，伪样本对话包括当前轮次样本对话中的样本问句以及对应的预测答句；利用判别器模型基于当前、先前轮次样本对话和伪样本对话生成判别结果；以及基于判别结果调整生成器模型的参数以及基于生成器模型生成的伪样本对话调整判别器模型的参数。