用于处理文本的神经网络的训练方法和处理文本的方法

摘要

本公开提供了用于处理文本的神经网络的训练方法、处理文本的方法、装置和设备，涉及人工智能领域，具体为深度学习、机器学习、自然语言处理技术领域。用于处理文本的神经网络的训练方法包括：基于多个改写模板对至少一个第一样本文本句进行改写，以得到多个第一改写文本句，其中，多个改写模板被配置为使用不同的自然语言表达描述对待改写的第一样本文本句的句向量表示的抽取，以得到对应的第一改写文本句；利用神经网络对多个第一改写文本句中的每一个第一改写文本句进行处理，以得到与该第一改写文本句对应的第一样本文本句的句向量表示；以及基于至少一个第一样本文本句各自的句向量表示，调整神经网络的参数，以得到预训练的神经网络。

说明书

技术领域

本公开涉及人工智能领域，具体为深度学习、机器学习、自然语言处理技术领域，特别涉及一种用于处理文本的神经网络的训练方法、利用神经网络处理文本的方法、用于处理文本的神经网络的训练装置、利用神经网络处理文本的装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

近年来随着自然语言处理技术的不断发展，基于Transformer架构的预训练语言模型已逐渐成为了经典的框架，产生了BERT、ERNIE和XLNet等优秀预训练语言模型。“预训练+微调”的范式使得预训练模型大幅提升了各类自然语言处理理解任务的效果(例如文本匹配、情感分类、检索等)。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于处理文本的神经网络的训练方法、利用神经网络处理文本的方法、用于处理文本的神经网络的训练装置、利用神经网络处理文本的装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于处理文本的神经网络的训练方法，包括：基于多个改写模板对至少一个第一样本文本句进行改写，以得到多个第一改写文本句，其中，多个改写模板被配置为使用不同的自然语言表达描述对待改写的第一样本文本句的句向量表示的抽取，以得到对应的第一改写文本句；利用神经网络对多个第一改写文本句中的每一个第一改写文本句进行处理，以得到与该第一改写文本句对应的第一样本文本句的句向量表示；以及基于至少一个第一样本文本句各自的句向量表示，调整神经网络的参数，以得到预训练的神经网络。

根据本公开的另一方面，提供了一种利用神经网络处理文本的方法，神经网络是利用上述神经网络的训练方法进行训练而得到的，该方法包括：获取文本句；从神经网络在训练阶段所使用的多个改写模板中确定至少一部分改写模板；基于至少一部分改写模板对文本句进行改写，以得到至少一个改写文本句；利用神经网络对至少一个改写文本句中的每一个改写文本句进行处理，以得到文本句的句向量表示。

根据本公开的一方面，提供了一种用于处理文本的神经网络的训练装置，包括：第一改写单元，被配置为基于多个改写模板对至少一个第一样本文本句进行改写，以得到多个第一改写文本句，其中，多个改写模板被配置为使用不同的自然语言表达描述对待改写的第一样本文本句的句向量表示的抽取，以得到对应的第一改写文本句；第一处理单元，被配置为利用神经网络对多个第一改写文本句中的每一个第一改写文本句进行处理，以得到与该第一改写文本句对应的第一样本文本句的句向量表示；以及调参单元，被配置为基于至少一个第一样本文本句各自的句向量表示，调整神经网络的参数，以得到预训练的神经网络。

根据本公开的一方面，提供了一种利用神经网络处理文本的装置，神经网络是利用上述神经网络的训练装置进行训练而得到的，该处理文本的装置包括：获取单元，被配置为获取文本句；确定单元，被配置为从神经网络在训练阶段所使用的多个改写模板中确定至少一部分改写模板；第二改写单元，被配置为基于至少一部分改写模板对文本句进行改写，以得到至少一个改写文本句；第二处理单元，被配置为利用神经网络对至少一个改写文本句中的每一个改写文本句进行处理，以得到文本句的句向量表示。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。

根据本公开的另一方面，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，其中，计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，通过使用基于多个改写模板对样本文本句进行改写而得到的改写文本句对神经网络进行预训练，丰富了训练数据的多样性，提升了神经网络进行句向量表示抽取的效果，并且使得神经网络更鲁棒。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开示例性实施例的用于处理文本的神经网络的训练方法的流程图；

图3示出了根据本公开示例性实施例的用于处理文本的神经网络的训练方法的流程图；

图4示出了根据本公开示例性实施例的在多个改写模板中确定用于文本处理任务的至少一部分改写模板的流程图；

图5示出了根据本公开示例性实施例的利用神经网络处理文本的方法的流程图；

图6示出了根据本公开示例性实施例的用于处理文本的神经网络的训练装置的结构框图；

图7示出了根据本公开示例性实施例的利用神经网络处理文本的装置的结构框图；以及

图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，直接应用预训练模型生成句向量表示时，语言模型输出的与[CLS]符号对应的特征向量的表现较差。

为解决上述问题，本公开通过使用基于多个改写模板对样本文本句进行改写而得到的改写文本句对神经网络进行预训练，丰富了训练数据的多样性，提升了神经网络进行句向量表示抽取的效果，并且使得神经网络更鲁棒。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行用于处理文本的神经网络的训练方法和/或处理文本的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)网络下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来输入包括文本句。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息，例如，客户端可以输出基于用户输入的文本句的文本处理结果。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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120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。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的一方面，提供了一种用于处理文本的神经网络的训练方法。如图2所示，训练方法包括：步骤S201、基于多个改写模板对至少一个第一样本文本句进行改写，以得到多个第一改写文本句，其中，多个改写模板被配置为使用不同的自然语言表达描述对待改写的第一样本文本句的句向量表示的抽取，以得到对应的第一改写文本句；步骤S202、利用神经网络对多个第一改写文本句中的每一个第一改写文本句进行处理，以得到与该第一改写文本句对应的第一样本文本句的句向量表示；以及步骤S203、基于至少一个第一样本文本句各自的句向量表示，调整神经网络的参数，以得到预训练的神经网络。

由此，通过使用基于多个改写模板对样本文本句进行改写而得到的改写文本句对神经网络进行预训练，丰富了训练数据的多样性，提升了神经网络进行句向量表示抽取的效果，并且使得神经网络更鲁棒。

在一些实施例中，在神经网络(在本文中也可以称为“模型”)的预训练和推理阶段，也可以使用单一的改写模板对原始数据进行改写，虽然能在一定程度上提升神经网络的训练效率(对模板的熟悉程度)，但是由于模板本身具备不稳定性，数据对其敏感性较高，很容易造成模型效果不稳定。此外，受限于模型在预训练和微调阶段时都是采用的单一模版，这导致模型在推理阶段也只能基于同一个模版，无法进行有效的集成策略加成。

需要注意的是，本公开的方法用于对文本句的句向量表示进行抽取，而句向量抽取场景与自然语言处理中的下游文本处理任务(例如，上文提到的文本匹配、情感分类、检索等任务)不同。通过使用本公开的方法得到的预训练的神经网络是用于下游具体的文本处理任务的基础。在预训练模型的基础上，可以进一步使用与下游任务相关的数据进行微调，从而使得神经网络具备处理下游任务的能力，如下文将要描述的。

在步骤S201，基于多个改写模版对原始训练数据进行改写。在一些实施例中，针对至少一个第一样本文本句中的每一个第一样本文本句，可以使用多个改写模板中的部分或全部对其进行改写。在一些实施例中，针对多个改写模板中的每一个改写模板，可以在至少一个第一样本文本句中选择部分或全部文本句使用该改写模板进行改写。可以理解的是，还可以采用其他方式基于多个改写模板对至少一个第一样本文本句进行改写，以得到多个改写文本句，在此不作限定。

根据一些实施例，步骤S201、基于多个改写模板对至少一个第一样本文本句进行改写，以得到多个第一改写文本句可以包括：重复在至少一个第一样本文本句中进行随机采样，并在多个改写模板中随机选择一个改写模板对采样到的第一样本文本句进行改写。由此，随着训练的进行，同一个训练数据会以不同的改写形式参与神经网络训练，从而提升神经网络的鲁棒性，并且使得模型能够生成更有效的句向量表示。此外，相比于将对每一个样本均进行不同改写，这样的方式能够降低训练样本的数量，提升训练速度。

在一些实施例中，可以采用批训练的方式对神经网络进行训练，也即，可以通过上述方式得到每一批所需的多个样本数据(即多个第一改写文本句)。

根据一些实施例，多个改写模板中的每一个改写模板可以包括用于填入待改写的第一样本文本句的空位、表征待改写的第一样本文本句的句向量表示的符号、以及描述待改写的第一样本文本句和对应的符号之间的关系的自然语言表达。在一个示例性实施例中，多个改写模板如表1所示。从表1可以看出，不同的改写模板使用了不同的自然语言表达描述了提取抽取待改写的文本句“XX是一家互联网公司”的句向量表征，也即，描述了待改写的文本句和对应的符号[MASK]之间的关系。

表1

在一个示例性实施例中，神经网络使用[MASK]字符的表征作为句向量表示。可以理解的是，也可以使用其他方式来对样本文本句进行改写，在此不作限定。

根据一些实施例，步骤S202、利用神经网络对多个第一改写文本句中的每一个第一改写文本句进行处理，以得到与该第一改写文本句对应的第一样本文本句的句向量表示可以包括：针对多个第一改写文本句中的每一个第一改写文本句，利用神经网络对该第一改写文本句中的第一样本文本句所包括的多个分词、表征该第一样本文本句的句向量表示的符号、以及描述该第一样本文本句和对应的符号之间的关系的自然语言表达所包括的至少一个分词进行处理，以得到与表征该第一样本文本句的句向量表示的符号对应的输出特征向量；以及将该输出特征向量确定为与该第一改写文本句对应的第一样本文本句的句向量表示。通过这样的方式，可以使得得到的句向量表示融合了输入的第一改写文本句中的全部信息，并且可以使得与表征句向量表示的符号对应的输出特征向量即为输入的第一改写文本句中包含的第一样本文本句的句向量。

在一些实施例中，神经网络可以是语言模型(例如，BERT、ERNIE等预训练语言模型)。这些语言模型利用自注意力机制对所有的输入(token，可以包括分词和各类符号)进行处理，并输出与每一个token对应的输出特征向量。在一个示例性实施例中，第一改写文本句中与句向量表示对应的符号为[MASK]，则可以将[MASK]对应的输出特征向量确定为第一改写文本句中的第一样本文本句的句向量表示。

根据一些实施例，步骤S203、基于至少一个第一样本文本句各自的句向量表示，调整神经网络的参数，以得到预训练的神经网络可以包括：在至少一个第一样本文本句各自的句向量表示中，将与基于两个不同改写模板对同一第一样本文本句进行改写而得到的两个第一改写文本句对应的两个句向量表示确定为正样本；以及基于正样本的对比损失值，调整神经网络的参数。由此，通过利用不同的改写模板生成的改写句进行对比学习，实现了对神经网络的无监督学习，使得神经网络能够输出更有效的句向量表示。

根据一些实施例，如图3所示，神经网络的训练方法还可以包括：步骤S304、获取与下游的文本处理任务对应的至少一个第二样本文本句和与至少一个第二样本文本句对应的至少一个真实文本处理结果；步骤S305、在多个改写模板中确定用于文本处理任务的至少一部分改写模板；步骤S306、针对至少一个第二样本文本句中的每一个第二样本文本句，分别基于至少一部分改写模板中的每一个改写模板对该第二样本文本句进行改写，以得到与该第二样本文本句对应的至少一个第二改写文本句；步骤S307、利用预训练的神经网络对至少一个第二改写文本句中的每一个第二改写文本句进行处理，以得到该第二样本文本句的句向量表示；以及步骤S308、基于该第二样本文本句的句向量表示，确定与该第二样本文本句对应的预测文本处理结果；以及步骤S309、基于与至少一个第二样本文本句对应的至少一个预测文本处理结果和至少一个真实文本处理结果，对预训练的神经网络进行微调，以得到用于文本处理任务的微调后的神经网络。可以理解的是，图3中的步骤S301-步骤S303的操作分别和图2中的步骤S201-步骤S203的操作类似，在此不做赘述。

由此，通过使用用于下游的文本处理任务的目标改写模板对第二样本文本句进行改写，并使用相应的改写文本句对神经网络进行微调，可以得到能够用于下游任务的神经网络。

真实文本处理结果例如可以是与具体的文本处理任务对应的结果，例如文本匹配结果、情感分类结果、检索结果等等。

根据一些实施例，如图4所示，步骤S305在多个改写模板中确定用于文本处理任务的至少一部分改写模板包括：步骤S401、获取与文本处理任务对应的至少一个第三样本文本句和与至少一个第三样本文本句对应的至少一个真实文本处理结果，其中，至少一个第三样本文本句的数量小于至少一个第二样本文本句的数量；步骤S402、针对多个改写模板中的每一个改写模板，基于该改写模板对至少一个第三样本文本句进行改写，以得到与该改写模板对应的至少一个第三改写文本句；步骤S403、利用预训练的神经网络对至少一个第三改写文本句中的每一个第三改写文本句进行处理，以得到与该第三改写文本句对应的第三样本文本句的句向量表示；步骤S404、基于至少一个第三样本文本句各自的句向量表示，确定与至少一个第三样本文本句对应的至少一个预测文本处理结果；以及步骤S405、基于至少一个第三样本文本句对应的至少一个预测文本处理结果和至少一个真实文本处理结果，对预训练的神经网络进行微调，以得到与该改写模板对应的中间神经网络；以及步骤S406、利用与文本处理任务对应的测试文本句和与测试文本句对应的真实文本处理结果对多个改写模板各自对应的中间神经网络进行评估，以在多个改写模板中确定至少一部分改写模板。

由此，通过在比第二样本文本句的数量更少的第三样本文本句中利用多个改写模板进行改写，并使用不同模板改写的改写句对神经网络进行微调，以得到与每一个改写模板对应的中间神经网络，进而评估这些神经网络对于下游文本处理任务的预测能力，从而可以在多个改写模板中确定效果最佳的至少一个改写模板，以进行微调训练。

可以理解的是，至少一个第一样本文本句、至少一个第二样本文本句、至少一个第三样本文本句和测试文本句之间可以部分或完全相同，也可以完全不同，在此不作限定。

回到图3，通过使用多个改写模板中的至少一部分改写模板进行微调，可以实现集成策略加成。在步骤S309，可以分别利用使用至少一部分改写模板中的每一个改写模板得到的句向量表示对神经网络进行微调，以得到与该改写模板对应的微调后的神经网络。也就是说，可以通过微调得到至少一部分改写模板各自对应的微调后的神经网络。此外，也可以确定这些神经网络之间的权重参数，用于将不同的神经网络生成的句向量表示进行集成加成。可以理解的是，也可以采用其他的方式对这些改写模板进行集成，在此不作限定。

根据本公开的另一方面，提供了一种利用神经网络处理文本的方法。神经网络可以是利用上述神经网络的训练方法进行训练而得到的。如图5所示，处理文本的方法包括：步骤S501、获取文本句；步骤S502、从神经网络在训练阶段所使用的多个改写模板中确定至少一部分改写模板；步骤S503、基于至少一部分改写模板对文本句进行改写，以得到至少一个改写文本句；步骤S504、利用神经网络对至少一个改写文本句中的每一个改写文本句进行处理，以得到文本句的句向量表示。

由此，通过对文本句进行改写，并使用经训练的神经网络对改写后的改写文本句进行处理，能够得到准确的句向量表示。需要注意的是，在推理阶段使用的改写模板应该与在训练阶段使用的改写模板一致。

在一些实施例中，可以利用至少一部分改写模板实现句向量表示的集成。在一个示例性实施例中，经训练的神经网络包括与至少一部分改写模板中的每一个改写模板对应的微调后的神经网络，则可以利用这些神经网络对至少一个改写文本句进行处理，以得到多个句向量表示，进而根据预先确定的(例如，通过学习得到的)组合或集成方式将这些句向量表示进行融合，以得到最终的句向量表示。

根据一些实施例，处理文本的方法还可以包括：基于文本句的句向量表示，确定文本处理结果。由此，通过利用上述句向量表示能够得到准确的下游任务的文本处理结果。

根据本公开的另一方面，提供了一种用于处理文本的神经网络的训练装置。如图6所示，装置600包括：第一改写单元610，被配置为基于多个改写模板对至少一个第一样本文本句进行改写，以得到多个第一改写文本句，其中，多个改写模板被配置为使用不同的自然语言表达描述对待改写的第一样本文本句的句向量表示的抽取，以得到对应的第一改写文本句；第一处理单元620，被配置为利用神经网络对多个第一改写文本句中的每一个第一改写文本句进行处理，以得到与该第一改写文本句对应的第一样本文本句的句向量表示；以及调参单元630，被配置为基于至少一个第一样本文本句各自的句向量表示，调整神经网络的参数，以得到预训练的神经网络。

可以理解的是，装置600中的单元610-单元630的操作分别和图2中的步骤S201-步骤S203的操作类似，在此不做赘述。

根据一些实施例，多个改写模板中的每一个改写模板可以包括用于填入待改写的第一样本文本句的空位、表征待改写的第一样本文本句的句向量表示的符号、以及描述待改写的第一样本文本句和对应的符号之间的关系的自然语言表达。

根据一些实施例，第一处理单元可以包括：处理子单元，被配置为针对多个第一改写文本句中的每一个第一改写文本句，利用神经网络对该第一改写文本句中的第一样本文本句所包括的多个分词、表征该第一样本文本句的句向量表示的符号、以及描述该第一样本文本句和对应的符号之间的关系的自然语言表达所包括的至少一个分词进行处理，以得到与表征该第一样本文本句的句向量表示的符号对应的输出特征向量；以及第一确定子单元，被配置为将该输出特征向量确定为与该第一改写文本句对应的第一样本文本句的句向量表示。

根据一些实施例，调参单元可以包括：第二确定子单元，被配置为在至少一个第一样本文本句各自的句向量表示中，将与基于两个不同改写模板对同一第一样本文本句进行改写而得到的两个第一改写文本句对应的两个句向量表示确定为正样本；以及调参子单元，被配置为基于正样本的对比损失值，调整神经网络的参数。

根据一些实施例，第一改写单元可以被配置为重复多次在至少一个第一样本文本句中进行随机采样，并在多个改写模板中随机选择一个改写模板对采样到的第一样本文本句进行改写。

根据一些实施例，用于处理文本的神经网络的训练装置还可以包括：第一获取单元，被配置为获取与下游的文本处理任务对应的至少一个第二样本文本句和与至少一个第二样本文本句对应的至少一个真实文本处理结果；第一确定单元，被配置为在多个改写模板中确定用于文本处理任务的至少一部分改写模板；第二确定单元，被配置为针对至少一个第二样本文本句中的每一个第二样本文本句，分别基于至少一部分改写模板中的每一个改写模板对该第二样本文本句进行改写，以得到与该第二样本文本句对应的至少一个第二改写文本句；利用预训练的神经网络对至少一个第二改写文本句中的每一个第二改写文本句进行处理，以得到该第二样本文本句的句向量表示；以及基于第二样本文本句的句向量表示，确定与该第二样本文本句对应的预测文本处理结果；以及微调单元，被配置为基于与至少一个第二样本文本句对应的至少一个预测文本处理结果和至少一个真实文本处理结果，对预训练的神经网络进行微调，以得到用于文本处理任务的微调后的神经网络。

根据一些实施例，第一确定单元可以包括：获取子单元，被配置为获取与文本处理任务对应的至少一个第三样本文本句和与至少一个第三样本文本句对应的至少一个真实文本处理结果，其中，至少一个第三样本文本句的数量小于至少一个第二样本文本句的数量；微调子单元，被配置为针对多个改写模板中的每一个改写模板，基于该改写模板对至少一个第三样本文本句进行改写，以得到与该改写模板对应的至少一个第三改写文本句；利用预训练的神经网络对至少一个第三改写文本句中的每一个第三改写文本句进行处理，以得到与该第三改写文本句对应的第三样本文本句的句向量表示；基于至少一个第三样本文本句各自的句向量表示，确定与至少一个第三样本文本句对应的至少一个预测文本处理结果；以及基于至少一个第三样本文本句对应的至少一个预测文本处理结果和至少一个真实文本处理结果，对预训练的神经网络进行微调，以得到与该改写模板对应的中间神经网络；以及评估子单元，被配置为利用与文本处理任务对应的测试文本句和与测试文本句对应的真实文本处理结果对多个改写模板各自对应的中间神经网络进行评估，以在多个改写模板中确定至少一部分改写模板。

根据本公开的另一方面，提供了一种利用神经网络处理文本的装置。神经网络可以是利用上述装置600进行训练而得到的。如图7所示，处理文本的装置700包括：获取单元710，被配置为获取文本句；确定单元720，被配置为从神经网络在训练阶段所使用的多个改写模板中确定至少一部分改写模板；第二改写单元730，被配置为基于至少一部分改写模板对文本句进行改写，以得到至少一个改写文本句；以及第二处理单元740，被配置为利用神经网络对至少一个改写文本句中的每一个改写文本句进行处理，以得到文本句的句向量表示。

可以理解的是，装置700中的单元710-单元740的操作分别和图5中的步骤S501-步骤S504的操作类似，在此不做赘述。

根据一些实施例，处理文本的装置还可以包括：第四确定单元，被配置为基于文本句的句向量表示，确定文本处理结果。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，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。

参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许设备800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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元801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801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、各种运行机器学习网络算法的计算单元、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801执行上文所描述的各个方法和处理，例如用于处理文本的神经网络的训练方法和/或处理文本的方法。例如，在一些实施例中，用于处理文本的神经网络的训练方法和/或处理文本的方法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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的用于处理文本的神经网络的训练方法和/或处理文本的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于处理文本的神经网络的训练方法和/或处理文本的方法。

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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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。

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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。