申请/专利权人:广州虎牙科技有限公司
申请日:2021-06-18
公开(公告)日:2024-05-17
公开(公告)号:CN113380225B
主分类号:G10L15/00
分类号:G10L15/00;G10L15/06;G10L15/183;G10L15/26
优先权:
专利状态码:有效-授权
法律状态:2024.05.17#授权;2021.09.28#实质审查的生效;2021.09.10#公开
摘要:本申请实施例提供的语言模型的训练方法、语音识别方法及相关装置,方法包括:获得口语训练语料集和业务训练语料集;其中,口语训练语料集是在任意场景下采集的文本集;业务数据集是在直播场景下采集的主播用户对应的文本集;根据口语训练语料集,对初始的语言模型进行预训练,获得预训练的语言模型;根据业务训练语料集,对预训练的语言模型进行微调训练,获得训练后的语言模型。本申请的训练样本不仅有业务训练语料,还有口语语料,在训练过程中先用口语训练语料进行预训练再用业务训练语料进行微调训练的训练,从而使得获得的语言模型不仅能够适配业务场景,还能避免出现过拟合。
主权项:1.一种语言模型的训练方法,其特征在于,所述方法包括:获得口语训练语料集和业务训练语料集;其中,所述口语训练语料集是在任意场景下采集的文本集;所述业务训练语料集是在直播场景下采集的主播用户对应的文本集;获得所述口语训练语料集中的第一待处理文本和所述业务训练语料集中的第二待处理文本;其中,所述第一待处理文本和所述第二待处理文本各自的文本长度大于预设长度;根据预设截断概率和预设截断长度,分别对所述第一待处理文本和所述第二待处理文本进行截断;将截断后的所述第一待处理文本作为所述口语训练语料集中的训练语料,将截断后的所述第二待处理文本作为所述业务训练语料集中的训练语料;根据所述口语训练语料集,对初始的语言模型进行预训练,获得预训练的所述语言模型;根据所述业务训练语料集,对所述预训练的所述语言模型进行微调训练,获得训练后的所述语言模型;在多轮训练后,所述语言模型能够学到在任意位置截断的句子,能够从所述句子的中间位置开始正常解码。
全文数据:
权利要求:
百度查询: 广州虎牙科技有限公司 语言模型的训练方法、语音识别方法及相关装置
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。