申请/专利权人：支付宝(杭州)信息技术有限公司

申请日：2024-01-11

公开（公告）日：2024-04-12

公开（公告）号：CN117875449A

主分类号：G06N20/00

分类号：G06N20/00;G06F40/20;G06F40/126;G06F16/35

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本说明书的实施例提供了一种基于持续预训练的语言模型训练方法和装置。在该基于持续预训练的语言模型训练方法中，利用当前软提示生成模型得到与当前领域的各个当前训练样本对应的软提示特征；进而利用当前语言模型根据各个文本数据和对应的软提示特征得到各个文本数据对应于当前领域的隐特征；再基于所得到的各个文本数据对应于当前领域的隐特征与相应基于所述初始当前语言模型而得到的对应于上一领域的隐特征之间的差异，确定跨域损失值；在不满足当前领域的训练结束条件时根据跨域损失值调整当模型参数；在满足当前领域的训练结束条件时继续利用下一领域的训练样本集重复执行上述模型训练过程，直至满足持续预训练的训练结束条件。

主权项：1.一种基于持续预训练的语言模型训练方法，包括：利用当前领域的训练样本集循环执行下述模型训练过程，直到满足当前领域的训练结束条件，所述训练样本集中的每个训练样本包括文本数据：将所述当前领域的当前训练样本集中的各个文本数据对应的文本隐特征提供给当前软提示生成模型，得到与各个当前训练样本对应的软提示特征；将当前训练样本集中的各个文本数据和对应的软提示特征提供给当前语言模型，得到各个文本数据对应于当前领域的隐特征，其中，初始当前语言模型基于上一领域的训练样本集训练得到；基于所得到的各个文本数据对应于当前领域的隐特征与相应基于所述初始当前语言模型而得到的对应于上一领域的隐特征之间的差异，确定跨域损失值；以及响应于不满足当前领域的训练结束条件，根据所述跨域损失值调整当前软提示生成模型和当前语言模型的模型参数，其中，经过模型参数调整后的软提示生成模型和语言模型充当下一模型训练过程的当前软提示生成模型和当前语言模型；以及响应于满足所述当前领域的训练结束条件，继续利用下一领域的训练样本集重复执行上述利用该领域的训练样本集的模型训练过程，直至满足持续预训练的训练结束条件。

全文数据：

权利要求：

百度查询： 支付宝(杭州)信息技术有限公司 基于持续预训练的语言模型训练方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD