问答阅读理解模型获取方法、装置、电子设备及存储介质.pdf

《问答阅读理解模型获取方法、装置、电子设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《问答阅读理解模型获取方法、装置、电子设备及存储介质.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911189653.8 (22)申请日 2019.11.28 (71)申请人 百度在线网络技术 （北京） 有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦 (72)发明人 李弘宇刘璟 (74)专利代理机构 北京鸿德海业知识产权代理 事务所(普通合伙) 11412 代理人 田宏宾 (51)Int.Cl. G06N 20/00(2019.01) G06F 16/30(2019.01) (54)发明名称 问答阅读理解模型获取方法、 装置、 电子设 备及存储介质 。

2、(57)摘要 本申请公开了问答阅读理解模型获取方法、 装置、 电子设备及存储介质， 涉及深度学习领域， 其中方法可包括： 针对N个不同结构的模型， N为 大于一的正整数， 分别利用无监督训练数据进行 预训练， 得到N个预训练模型， 不同模型分别对应 于不同的预训练任务； 分别以问答阅读理解任务 为主任务， 以预定的其它自然语言处理任务为辅 助任务， 利用有监督训练数据对各预训练模型进 行微调， 得到N个微调模型； 根据N个微调模型确 定出最终所需的问答阅读理解模型。 应用本申请 所述方案， 可提升模型的泛化能力等。 权利要求书2页 说明书8页 附图3页 CN 111079938 A 2020.。

3、04.28 CN 111079938 A 1.一种问答阅读理解模型获取方法， 其特征在于， 包括： 针对N个不同结构的模型， N为大于一的正整数， 分别利用无监督训练数据进行预训练， 得到N个预训练模型， 不同模型分别对应于不同的预训练任务； 分别以问答阅读理解任务为主任务， 以预定的其它自然语言处理任务为辅助任务， 利 用有监督训练数据对各预训练模型进行微调， 得到N个微调模型； 根据所述N个微调模型确定出所述问答阅读理解模型。 2.根据权利要求1所述的方法， 其特征在于， 所述分别利用无监督训练数据进行预训练包括： 针对任一模型， 分别利用至少来自两个不同预定领域的无监督训练数据进行预训练。

4、。 3.根据权利要求1所述的方法， 其特征在于， 该方法进一步包括： 针对任一预训练模型， 分别按照所述预训练模型对应的训练任务， 利用来自至少一个 预定领域的无监督训练数据， 对所述预训练模型进行深度预训练， 得到强化后的预训练模 型； 其中， 所述深度预训练时所用无监督训练数据与所述预训练时所用无监督训练数据来 自不同领域。 4.根据权利要求1所述的方法， 其特征在于， 所述进行微调包括： 针对任一预训练模型， 在微调的每一步中， 分别从所述主任务以及所述辅助任务中选 出一个任务进行训练， 并更新模型参数； 其中， 所述主任务被选出的次数多于任一辅助任务被选出的次数。 5.根据权利要求1所。

5、述的方法， 其特征在于， 所述根据所述N个微调模型确定出所述问答阅读理解模型包括： 利用知识蒸馏技术， 将所述N个微调模型压缩为一个单模型， 将所述单模型作为所述问 答阅读理解模型。 6.一种问答阅读理解模型获取装置， 其特征在于， 包括： 第一预训练单元、 微调单元以 及融合单元； 所述第一预训练单元， 用于针对N个不同结构的模型， N为大于一的正整数， 分别利用无 监督训练数据进行预训练， 得到N个预训练模型， 不同模型分别对应于不同的预训练任务； 所述微调单元， 用于分别以问答阅读理解任务为主任务， 以预定的其它自然语言处理 任务为辅助任务， 利用有监督训练数据对各预训练模型进行微调， 。

6、得到N个微调模型； 所述融合单元， 用于根据所述N个微调模型确定出所述问答阅读理解模型。 7.根据权利要求6所述的装置， 其特征在于， 所述第一预训练单元针对任一模型， 分别利用至少来自两个不同预定领域的无监督训 练数据进行预训练。 8.根据权利要求6所述的装置， 其特征在于， 所述装置中进一步包括： 第二预训练单元； 所述第二预训练单元， 用于针对任一预训练模型， 分别按照所述预训练模型对应的训 练任务， 利用来自至少一个预定领域的无监督训练数据， 对所述预训练模型进行深度预训 权利要求书 1/2 页 2 CN 111079938 A 2 练， 得到强化后的预训练模型； 其中， 所述深度预训。

7、练时所用无监督训练数据与所述预训练 时所用无监督训练数据来自不同领域。 9.根据权利要求6所述的装置， 其特征在于， 针对任一预训练模型， 所述微调单元在微调的每一步中， 分别从所述主任务以及所述 辅助任务中选出一个任务进行训练， 并更新模型参数， 其中， 所述主任务被选出的次数多于 任一辅助任务被选出的次数。 10.根据权利要求6所述的装置， 其特征在于， 所述融合单元利用知识蒸馏技术， 将所述N个微调模型压缩为一个单模型， 将所述单模 型作为所述问答阅读理解模型。 11.一种电子设备， 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。

8、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权利要求1-5中任一项所述的方法。 12.一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权利要求1-5中任一项所述的方法。 权利要求书 2/2 页 3 CN 111079938 A 3 问答阅读理解模型获取方法、 装置、 电子设备及存储介质 技术领域 0001 本申请涉及计算机应用技术， 特别涉及深度学习领域的问答阅读理解模型获取方 法、 装置、 电子设备及存储介质。 背景技术 0002 问答阅读理解技术是指给定一个或多个段落(P)。

9、以及一个问题(Q)， 利用机器学习 的方法让模型预测出答案(A)。 0003 当前的问答阅读理解模型多基于预训练-微调的方式获取， 即首先选定一种模型 结构， 然后在大量来源单一的无监督训练数据上进行预训练， 之后使用有监督训练数据， 在 单一的问答阅读理解任务上进行微调， 从而得到最终所需的问答阅读理解模型。 0004 但上述方式的模型结构及训练任务单一， 导致模型难以学到一些通用的特征， 从 而导致模型的泛化能力较弱等。 发明内容 0005 有鉴于此， 本申请提供了问答阅读理解模型获取方法、 装置、 电子设备及存储介 质。 0006 一种问答阅读理解模型获取方法， 包括： 0007 针对N。

10、个不同结构的模型， N为大于一的正整数， 分别利用无监督训练数据进行预 训练， 得到N个预训练模型， 不同模型分别对应于不同的预训练任务； 0008 分别以问答阅读理解任务为主任务， 以预定的其它自然语言处理任务为辅助任 务， 利用有监督训练数据对各预训练模型进行微调， 得到N个微调模型； 0009 根据所述N个微调模型确定出所述问答阅读理解模型。 0010 根据本申请一优选实施例， 所述分别利用无监督训练数据进行预训练包括： 0011 针对任一模型， 分别利用至少来自两个不同预定领域的无监督训练数据进行预训 练。 0012 根据本申请一优选实施例， 该方法进一步包括： 0013 针对任一预训。

11、练模型， 分别按照所述预训练模型对应的训练任务， 利用来自至少 一个预定领域的无监督训练数据， 对所述预训练模型进行深度预训练， 得到强化后的预训 练模型； 0014 其中， 所述深度预训练时所用无监督训练数据与所述预训练时所用无监督训练数 据来自不同领域。 0015 根据本申请一优选实施例， 所述进行微调包括： 0016 针对任一预训练模型， 在微调的每一步中， 分别从所述主任务以及所述辅助任务 中选出一个任务进行训练， 并更新模型参数； 0017 其中， 所述主任务被选出的次数多于任一辅助任务被选出的次数。 0018 根据本申请一优选实施例， 所述根据所述N个微调模型确定出所述问答阅读理解。

12、 说明书 1/8 页 4 CN 111079938 A 4 模型包括： 0019 利用知识蒸馏技术， 将所述N个微调模型压缩为一个单模型， 将所述单模型作为所 述问答阅读理解模型。 0020 一种问答阅读理解模型获取装置， 包括： 第一预训练单元、 微调单元以及融合单 元； 0021 所述第一预训练单元， 用于针对N个不同结构的模型， N为大于一的正整数， 分别利 用无监督训练数据进行预训练， 得到N个预训练模型， 不同模型分别对应于不同的预训练任 务； 0022 所述微调单元， 用于分别以问答阅读理解任务为主任务， 以预定的其它自然语言 处理任务为辅助任务， 利用有监督训练数据对各预训练模型。

13、进行微调， 得到N个微调模型； 0023 所述融合单元， 用于根据所述N个微调模型确定出所述问答阅读理解模型。 0024 根据本申请一优选实施例， 所述第一预训练单元针对任一模型， 分别利用至少来 自两个不同预定领域的无监督训练数据进行预训练。 0025 根据本申请一优选实施例， 所述装置中进一步包括： 第二预训练单元； 0026 所述第二预训练单元， 用于针对任一预训练模型， 分别按照所述预训练模型对应 的训练任务， 利用来自至少一个预定领域的无监督训练数据， 对所述预训练模型进行深度 预训练， 得到强化后的预训练模型； 其中， 所述深度预训练时所用无监督训练数据与所述预 训练时所用无监督训。

14、练数据来自不同领域。 0027 根据本申请一优选实施例， 针对任一预训练模型， 所述微调单元在微调的每一步 中， 分别从所述主任务以及所述辅助任务中选出一个任务进行训练， 并更新模型参数， 其 中， 所述主任务被选出的次数多于任一辅助任务被选出的次数。 0028 根据本申请一优选实施例， 所述融合单元利用知识蒸馏技术， 将所述N个微调模型 压缩为一个单模型， 将所述单模型作为所述问答阅读理解模型。 0029 一种电子设备， 包括： 0030 至少一个处理器； 以及 0031 与所述至少一个处理器通信连接的存储器； 其中， 0032 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。

15、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如以上所述的方法。 0033 一种存储有计算机指令的非瞬时计算机可读存储介质， 所述计算机指令用于使所 述计算机执行如以上所述的方法。 0034 上述申请中的一个实施例具有如下优点或有益效果： 采用多种不同结构的模型进 行预训练， 避免了模型结构单一的问题， 在微调阶段， 在问答阅读理解任务之外， 还加入了 其它自然语言处理任务作为辅助任务， 既丰富了训练任务， 又利用了更多的训练数据， 从而 使得最终得到的问答阅读理解模型能够学习到更为通用的特征， 提升了模型的泛化能力 等； 此外， 在预训练阶段， 还可利用来自不同领域的无监督训练数。

16、据对模型进行预训练， 从 而丰富了数据来源， 增强了模型的领域适应性等； 另外， 由于预训练的计算成本大， 耗时长， 因此训练数据难以全面的覆盖各个领域， 为了弥补预训练阶段所欠缺的数据领域， 还可针 对性的在若干领域上对预训练模型进行进一步的深度预训练， 从而进一步增强模型在这些 领域的适应性等； 上述可选方式所具有的其它效果将在下文中结合具体实施例加以说明。 说明书 2/8 页 5 CN 111079938 A 5 附图说明 0035 附图用于更好地理解本方案， 不构成对本申请的限定。 其中： 0036 图1为本申请所述问答阅读理解模型获取方法第一实施例的流程图； 0037 图2为本申请所。

17、述问答阅读理解模型获取方法第二实施例的流程图； 0038 图3为本申请所述问答阅读理解模型获取装置300实施例的组成结构示意图； 0039 图4为根据本申请实施例所述方法的电子设备的框图。 具体实施方式 0040 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。 0041 另外， 应理解， 本文中术语 “和/或” ， 仅仅是一种描述关。

18、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： 单独存在A， 同时存在A和B， 单独存在B这三种情 况。 另外， 本文中字符 “/” ， 一般表示前后关联对象是一种 “或” 的关系。 0042 图1为本申请所述问答阅读理解模型获取方法第一实施例的流程图。 如图1所示， 包括以下具体实现方式。 0043 在101中， 针对N个不同结构的模型， N为大于一的正整数， 分别利用无监督训练数 据进行预训练， 得到N个预训练模型， 不同模型分别对应于不同的预训练任务。 0044 在102中， 分别以问答阅读理解任务为主任务， 以预定的其它自然语言处理任务为 辅助任务， 利。

19、用有监督训练数据对各预训练模型进行微调， 得到N个微调模型。 0045 在103中， 根据N个微调模型确定出最终所需的问答阅读理解模型。 0046 本实施例中， 在预训练阶段， 可采用多个不同结构的模型， 包括但不限于： 来自转 换器的双向编码表示(BERT， Bidirectional Encoder Representations from Transformers)模型、 XL-Net模型以及知识整合中的增强表示(ERNIE， Enhanced Representation from kNowledge IntEgration)模型等。 所述N个不同结构的模型分别为 何种模型可根据实际需。

20、要而定， N的具体取值也可根据实际需要而定。 0047 优选地， 针对任一模型， 可分别利用至少来自两个不同预定领域的无监督训练数 据进行预训练。 所述不同预定领域可包括但不限于： 网络、 教科书、 小说、 财报等， 从而丰富 了数据来源， 增强了模型的领域适应性等。 0048 不同模型可分别对应于不同的预训练任务， 所述预训练任务可包括但不限于： 相 关性预测、 语言模型等。 0049 在进行预训练时， 针对任一模型， 可首先随机初始化模型参数， 然后按照对应的预 训练任务， 利用对应的无监督训练数据训练一定的轮数， 从而得到多个预训练模型， 具体实 现为现有技术。 0050 比如， 模型a。

21、对应的预训练任务为预训练任务a， 可利用来自领域1、 领域2及领域3 的无监督训练数据， 对模型a进行预训练， 从而得到预训练模型a； 模型b对应的预训练任务 为预训练任务b， 可利用来自领域1、 领域2及领域3的无监督训练数据， 对模型b进行预训练， 从而得到预训练模型b； 模型c对应的预训练任务为预训练任务c， 可利用来自领域1、 领域2 说明书 3/8 页 6 CN 111079938 A 6 及领域3的无监督训练数据， 对模型c进行预训练， 从而得到预训练模型c； 相应地， 共可得到 3个预训练模型。 0051 由于预训练的计算成本大， 耗时长， 因此训练数据难以全面的覆盖各个领域， 。

22、为了 弥补预训练阶段所欠缺的数据领域， 还可针对性的在若干领域上对预训练模型进行进一步 的深度预训练， 从而进一步增强模型在这些领域的适应性等。 0052 相应地， 针对任一预训练模型， 可分别按照该预训练模型对应的训练任务(即预训 练时对应的预训练任务)， 利用来自至少一个预定领域的无监督训练数据， 对该预训练模型 进行深度预训练， 从而得到强化后的预训练模型， 其中， 深度预训练时所用无监督训练数据 与预训练时所用无监督训练数据来自不同领域。 0053 比如， 对于预训练模型a， 预训练时所用无监督训练数据来自领域1、 领域2及领域 3， 深度预训练时所用无监督训练数据来自领域4， 领域4。

23、可以是指最终得到的问答阅读理解 模型所要应用的领域等， 预训练阶段需要大量的无监督训练数据， 但可能由于某种原因， 无 法针对领域4获取到足够多的无监督训练数据用于预训练， 而领域1、 领域2和领域3均可获 取到足够多的无监督训练数据用于预训练， 那么则可按照上述处理方式， 在利用来自领域 1、 领域2及领域3的无监督训练数据对模型a进行预训练得到预训练模型a后， 再利用来自领 域4的无监督训练数据对预训练模型a进行深度预训练， 从而得到强化后的预训练模型a。 0054 按照上述方式， 可得到N个强化后的预训练模型。 在实际应用中， 针对任一预训练 模型， 可以同样的预训练任务， 利用来自至少。

24、一个预定领域(如前述领域4)的无监督训练数 据训练一定的轮数， 从而得到强化后的预训练模型。 0055 针对N个预训练模型， 可进一步对其进行微调处理。 优选地， 可分别以问答阅读理 解任务为主任务， 以预定的其它自然语言处理任务为辅助任务， 利用有监督训练数据对各 预训练模型进行微调， 从而得到N个微调模型。 0056 所述辅助任务具体包括哪些任务可根据实际需要而定， 比如可包括但不限于： 分 类任务、 匹配任务等。 0057 针对任一预训练模型， 在微调的每一步中， 可分别从主任务以及辅助任务中随机 地选出一个任务进行训练， 并更新模型参数。 其中， 主任务被选出的次数多于任一辅助任务 被。

25、选出的次数。 0058 主任务及辅助任务被选出的次数比例可预先设定。 比如， 假设共包括两个辅助任 务， 分别为辅助任务1和辅助任务2， 那么主任务、 辅助任务1以及辅助任务2被选出的次数比 例可为5： 2： 3。 0059 可以看出， 微调的每一步分别对应于一个任务， 任务不同所用的训练数据也会不 同。 0060 经过微调处理后， 可得到N个微调模型， 进一步地， 可根据N个微调模型确定出最终 所需的问答阅读理解模型。 0061 得到的N个微调模型即为问答阅读理解模型， 按照传统方式， 通常会直接采用模型 集成方式， 将N个微调模型的输出概率进行平均得到最终输出， 但这样会导致系统的效率低 。

26、下， 消耗的硬件资源上升等。 为克服这些问题， 本实施例中提出可使用知识蒸馏技术， 将N个 微调模型进行融合， 压缩为一个单模型， 将该单模型作为最终所需的问答阅读理解模型。 知 识蒸馏技术的具体实现为现有技术。 说明书 4/8 页 7 CN 111079938 A 7 0062 基于得到的问答阅读理解模型， 后续可用其来进行问答阅读理解。 0063 基于上述介绍， 图2为本申请所述问答阅读理解模型获取方法第二实施例的流程 图。 如图2所示， 包括以下具体实现方式。 0064 在201中， 针对N个不同结构的模型， N为大于一的正整数， 分别利用无监督训练数 据进行预训练， 得到N个预训练模型。

27、， 不同模型分别对应于不同的预训练任务。 0065 其中， 针对任一模型， 可分别利用至少来自两个不同预定领域的无监督训练数据 进行预训练。 0066 在202中， 针对每个预训练模型， 分别按照该预训练模型对应的训练任务， 利用来 自至少一个预定领域的无监督训练数据， 对该预训练模型进行深度预训练， 得到强化后的 预训练模型； 其中， 深度预训练时所用无监督训练数据与预训练时所用无监督训练数据来 自不同领域。 0067 在203中， 针对每个强化后的预训练模型， 分别以问答阅读理解任务为主任务， 以 预定的其它自然语言处理任务为辅助任务， 利用有监督训练数据对该模型进行微调， 得到 微调模型。

28、。 0068 针对每个强化后的预训练模型， 在微调的每一步中， 可分别从主任务以及辅助任 务中随机地选出一个任务进行训练， 并更新模型参数。 主任务被选出的次数可多于任一辅 助任务被选出的次数。 0069 在204中， 利用知识蒸馏技术， 将各微调模型压缩为一个单模型， 将该单模型作为 最终所需的问答阅读理解模型。 0070 需要说明的是， 对于前述的各方法实施例， 为了简单描述， 将其都表述为一系列的 动作组合， 但是本领域技术人员应该知悉， 本申请并不受所描述的动作顺序的限制， 因为依 据本申请， 某些步骤可以采用其它顺序或者同时进行。 其次， 本领域技术人员也应该知悉， 说明书中所描述的。

29、实施例均属于优选实施例， 所涉及的动作和模块并不一定是本申请所必 须的。 0071 在上述实施例中， 对各个实施例的描述都各有侧重， 某个实施例中没有详述的部 分， 可以参见其它实施例的相关描述。 0072 总之， 采用本申请方法实施例所述方案， 可采用多种不同结构的模型进行预训练， 避免了模型结构单一的问题， 在微调阶段， 在问答阅读理解任务之外， 还加入了其它自然语 言处理任务作为辅助任务， 既丰富了训练任务， 又利用了更多的训练数据， 从而使得最终得 到的问答阅读理解模型能够学习到更为通用的特征， 提升了模型的泛化能力等； 此外， 在预 训练阶段， 还可利用来自不同领域的无监督训练数据对。

30、模型进行预训练， 从而丰富了数据 来源， 增强了模型的领域适应性等； 另外， 由于预训练的计算成本大， 耗时长， 因此训练数据 难以全面的覆盖各个领域， 为了弥补预训练阶段所欠缺的数据领域， 还可针对性的在若干 领域上对预训练模型进行进一步的深度预训练， 从而进一步增强模型在这些领域的适应性 等。 0073 以上是关于方法实施例的介绍， 以下通过装置实施例， 对本申请所述方案进行进 一步说明。 0074 图3为本申请所述问答阅读理解模型获取装置300实施例的组成结构示意图。 如图 3所示， 包括： 第一预训练单元301、 微调单元303以及融合单元304。 说明书 5/8 页 8 CN 111。

31、079938 A 8 0075 第一预训练单元301， 用于针对N个不同结构的模型， N为大于一的正整数， 分别利 用无监督训练数据进行预训练， 得到N个预训练模型， 不同模型分别对应于不同的预训练任 务。 0076 微调单元303， 用于分别以问答阅读理解任务为主任务， 以预定的其它自然语言处 理任务为辅助任务， 利用有监督训练数据对各预训练模型进行微调， 得到N个微调模型。 0077 融合单元304， 用于根据N个微调模型确定出最终所需的问答阅读理解模型。 0078 本实施例中可采用多个不同结构的模型。 第一预训练单元301针对任一模型， 可分 别利用至少来自两个不同预定领域的无监督训练数。

32、据对其进行预训练。 0079 所述不同预定领域可包括但不限于： 网络、 教科书、 小说、 财报等。 不同模型可分别 对应于不同的预训练任务， 所述预训练任务可包括但不限于： 相关性预测、 语言模型等。 0080 图3所示装置中还可进一步包括： 第二预训练单元302， 用于针对任一预训练模型， 分别按照该预训练模型对应的训练任务， 利用来自至少一个预定领域的无监督训练数据， 对该预训练模型进行深度预训练， 得到强化后的预训练模型； 其中， 深度预训练时所用无监 督训练数据与预训练时所用无监督训练数据来自不同领域。 0081 微调单元303可对得到的N个预训练模型进行进一步微调， 如可分别以问答阅。

33、读理 解任务为主任务， 以预定的其它自然语言处理任务为辅助任务， 利用有监督训练数据对各 预训练模型进行微调， 从而得到N个微调模型。 0082 优选地， 针对任一预训练模型， 微调单元303可在微调的每一步中， 分别从主任务 以及辅助任务中选出一个任务进行训练， 并更新模型参数， 其中， 主任务被选出的次数多于 任一辅助任务被选出的次数。 所述辅助任务具体包括哪些任务可根据实际需要而定， 比如 可包括但不限于： 分类任务、 匹配任务等。 0083 进一步地， 融合单元304可利用知识蒸馏技术， 将N个微调模型压缩为一个单模型， 将该单模型作为最终所需的问答阅读理解模型。 0084 图3所示装。

34、置实施例的具体工作流程请参照前述方法实施例中的相关说明， 不再 赘述。 0085 总之， 采用本申请装置实施例所述方案， 可采用多种不同结构的模型进行预训练， 避免了模型结构单一的问题， 在微调阶段， 在问答阅读理解任务之外， 还加入了其它自然语 言处理任务作为辅助任务， 既丰富了训练任务， 又利用了更多的训练数据， 从而使得最终得 到的问答阅读理解模型能够学习到更为通用的特征， 提升了模型的泛化能力等； 此外， 在预 训练阶段， 还可利用来自不同领域的无监督训练数据对模型进行预训练， 从而丰富了数据 来源， 增强了模型的领域适应性等； 另外， 由于预训练的计算成本大， 耗时长， 因此训练数据。

35、 难以全面的覆盖各个领域， 为了弥补预训练阶段所欠缺的数据领域， 还可针对性的在若干 领域上对预训练模型进行进一步的深度预训练， 从而进一步增强模型在这些领域的适应性 等。 0086 根据本申请的实施例， 本申请还提供了一种电子设备和一种可读存储介质。 0087 如图4所示， 是根据本申请实施例所述方法的电子设备的框图。 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。

36、似的计算装置。 本文所 说明书 6/8 页 9 CN 111079938 A 9 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/或者要求的本申请的实现。 0088 如图4所示， 该电子设备包括： 一个或多个处理器Y01、 存储器Y02， 以及用于连接各 部件的接口， 包括高速接口和低速接口。 各个部件利用不同的总线互相连接， 并且可以被安 装在公共主板上或者根据需要以其它方式安装。 处理器可以对在电子设备内执行的指令进 行处理， 包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如， 耦合至接口的 显示设备)上显示图形用户界面的图形信息的指。

37、令。 在其它实施方式中， 若需要， 可以将多 个处理器和/或多条总线与多个存储器和多个存储器一起使用。 同样， 可以连接多个电子设 备， 各个设备提供部分必要的操作(例如， 作为服务器阵列、 一组刀片式服务器、 或者多处理 器系统)。 图4中以一个处理器Y01为例。 0089 存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。 其中， 所述存储器存 储有可由至少一个处理器执行的指令， 以使所述至少一个处理器执行本申请所提供的方 法。 本申请的非瞬时计算机可读存储介质存储计算机指令， 该计算机指令用于使计算机执 行本申请所提供的方法。 0090 存储器Y02作为一种非瞬时计算机可读存储介质。

38、， 可用于存储非瞬时软件程序、 非 瞬时计算机可执行程序以及模块， 如本申请实施例中的方法对应的程序指令/模块(例如， 附图X所示的xx模块X01、 xx模块x02和xx模块x03)。 处理器Y01通过运行存储在存储器Y02中 的非瞬时软件程序、 指令以及模块， 从而执行服务器的各种功能应用以及数据处理， 即实现 上述方法实施例中的方法。 0091 存储器Y02可以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、 至少一个功能所需要的应用程序； 存储数据区可存储根据电子设备的使用所创建的数 据等。 此外， 存储器Y02可以包括高速随机存取存储器， 还可以包括非瞬时存储器， 例。

39、如至少 一个磁盘存储器件、 闪存器件、 或其他非瞬时固态存储器件。 在一些实施例中， 存储器Y02可 选包括相对于处理器Y01远程设置的存储器， 这些远程存储器可以通过网络连接至电子设 备。 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。 0092 电子设备还可以包括： 输入装置Y03和输出装置Y04。 处理器Y01、 存储器Y02、 输入 装置Y03和输出装置Y04可以通过总线或者其他方式连接， 图4中以通过总线连接为例。 0093 输入装置Y03可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以 及功能控制有关的键信号输入， 例如触摸屏、 小键盘。

40、、 鼠标、 轨迹板、 触摸板、 指示杆、 一个或 者多个鼠标按钮、 轨迹球、 操纵杆等输入装置。 输出装置Y04可以包括显示设备、 辅助照明装 置和触觉反馈装置(例如， 振动电机)等。 该显示设备可以包括但不限于， 液晶显示器、 发光 二极管显示器和等离子体显示器。 在一些实施方式中， 显示设备可以是触摸屏。 0094 此处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、 专用集成电路、 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。

41、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。 0095 这些计算程序(也称作程序、 软件、 软件应用、 或者代码)包括可编程处理器的机器 说明书 7/8 页 10 CN 111079938 A 10 指令， 并且可以利用高级过程和/或面向对象的编程语言、 和/或汇编/机器语言来实施这些 计算程序。 如本文使用的， 术语 “机器可读介质” 和 “计算机可读介质” 指的是用于将机器指 令和/或数据提供给可编程处理器的任。

42、何计算机程序产品、 设备、 和/或装置(例如， 磁盘、 光 盘、 存储器、 可编程逻辑装置)， 包括， 接收作为机器可读信号的机器指令的机器可读介质。 术语 “机器可读信号” 指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。 0096 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， 阴极射线管或者液晶显示器监视器)； 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。

43、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。 0097 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。

44、络)来将系统的部件相互连接。 通信网络的示例包括： 局域网、 广 域网和互联网。 0098 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。 0099 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， 本发申请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， 只要能够实现本申请公开的技术方案所期望的结果， 本文在此不进行限制。 0100 上述具体实施方式， 并不构成对本申请保护范围的限制。 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。 任何在本申请 的精神和原则之内所作的修改、 等同替换和改进等， 均应包含在本申请保护范围之内。 说明书 8/8 页 11 CN 111079938 A 11 图1 说明书附图 1/3 页 12 CN 111079938 A 12 图2 说明书附图 2/3 页 13 CN 111079938 A 13 图3 图4 说明书附图 3/3 页 14 CN 111079938 A 14 。