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。

本公开提供一种模型训练方法、品牌词识别方法、装置及电子设备，应用于人工智能技术领域的自然语言处理技术领域，以达到提高品牌词的识别准确率的目的。

在互联网平台投放内容时，许多场景下需要对内容中的品牌词进行精准识别，例如在投放广告时，需要对广告中的品牌词进行识别，以避免广告存在侵权行为。目前，相关技术中的品牌词识别方法通常是预先人工收集并整理品牌词，将收集的品牌词添加到品牌词库中,内容投放者提供待投放内容时，将待投放内容与品牌词库进行匹配，从而识别待投放内容中的品牌词。然而，这种方法依赖于预先收集的品牌词库，准确率较低，对于新出现的品牌词无法进行识别，并且对于一些存在歧义的内容语句，也容易识别错误。

为了提高品牌词的识别准确率，本公开实施例提供一种基于品牌词识别模型的品牌词识别方法，该品牌词识别模型为深度学习模型，利用深度学习模型可以学习到待识别内容中的词法、语法、语义等信息，从而提高品牌词的识别准确率。在以下实施例中，首先对如何训练得到品牌词识别模型进行说明，之后再进一步对如何利用该品牌词识别模型进行品牌词识别进行说明。

图1是根据本公开实施例提供的模型训练方法的流程示意图。如图1中所示，该方法包括：

S101、采用第一内容样本对第一知识增强语义表示(Enhanced Representationfrom kNowledge IntEgration，ERNIE)模型进行训练得到第一品牌词识别模型。

其中，第一品牌词识别模型的输出为第一内容样本中每个字的品牌词属性，品牌词属性为品牌词起始字、品牌词中间或结尾字、或非品牌词。

第一ERNIE模型为预训练模型，采用第一内容样本对第一ERNIE模型进行训练，更新第一ERNIE模型的参数，得到训练好的第一品牌词识别模型。对于输入至第一品牌词识别模型的第一内容样本，第一品牌词识别内容可以输出其中的每个字的品牌词属性。示例的，第一内容样本为“微笑口腔补牙”，将其输入至第一品牌词识别模型，得到的输出为：B-微，I-笑，I-口，I-腔，O-补，O-牙。其中，B、I、O表示每个字的品牌词属性，B表示品牌词起始字，I表示品牌词中间或结尾字，O表示非品牌词。

S102、将第一品牌词识别模型作为知识蒸馏中的教师模型，将第二知ERNIE模型作为知识蒸馏中的学生模型，采用知识蒸馏的方法对第二ERNIE模型进行训练，得到第二品牌词识别模型。

其中，第二品牌词识别模型的输出和第一品牌词识别模型的输出一致，第二ERNIE模型的模型参数少于第一ERNIE模型的模型参数。

知识蒸馏是指将一个大网络作为教师模型，一个小网络作为学生模型，利用教师模型对学生模型进行训练，将教师模型的能力转移到学生模型，使得学生模型能够保留接近于教师模型的性能。

本公开实施例中，将S101训练得到的第一品牌词识别模型作为知识蒸馏中的教师模型，利用一个模型参数少于第一ERNIE模型的第二ERNIE模型作为学生模型，利用第一品牌词识别模型对第二ERNIE模型进行训练，使得训练得到的第二品牌词识别模型的输出和第一品牌词识别模型的输出一致，即通过知识蒸馏使得第二品牌词识别模型的识别能力接近第一品牌词识别模型，但第二品牌词识别模型的结构相对于第一品牌词识别模型却更简单。示例的，经过上述知识蒸馏的训练后，将待识别内容“微笑口腔补牙”输入至第二品牌词识别模型，同样可以得到的输出为：B-微，I-笑，I-口，I-腔，O-补，O-牙。示例的，如图2中所示，通过知识蒸馏使得学生模型，第二品牌词识别模型202具备与教师模型，第一品牌词识别模型201相同的输出。

本公开实施例提供的模型训练方法，利用一个结构较复杂的ERNIE模型先训练得到一个第一品牌词识别模型，进一步通过知识蒸馏的方法，将第一品牌词识别模型的识别能力转移到一个结构较简单的ERNIE模型，最终得到所需的第二品牌词识别模型。由于第二品牌词模型是采用ERNIE模型训练得到的，而ERNIE模型可以有效学习到待识别内容中的词法信息和语法信息，从而可以准确识别出待识别内容中的品牌词的边界，提高品牌词识别的准确率。并且，ERNIE模型可以学习到待识别内容中的语义信息，具备较高的泛化能力，因此可以识别出待识别内容中的新增品牌词，从而可以解决新增品牌词未召回的问题，具备较高的模型召回率。此外，由于第二品牌词识别模型结构较简单，模型参数所占内存较少，计算速度较快，因此具备较高的识别性能。

以下进一步对上述实施例中采用知识蒸馏的方法对第二ERNIE模型进行训练，得到第二品牌词识别模型进行说明。

在知识蒸馏的过程中，利用第一品牌词识别模型和第二ERNIE模型之间的损失函数对第二ERNIE模型进行更新，即，将内容样本分别输入至第一品牌词识别模型和第二ERNIE模型，并根据第一品牌词识别模型和第二ERNIE模型之间的损失函数，对第二ERNIE模型的模型参数进行更新，得到第二品牌词识别模型。利用第一品牌词识别模型和第二ERNIE模型之间的损失函数，使得训练得到的第二品牌词识别模型的识别能力接近第一品牌词识别模型，提高识别准确率。

在一种实施方式中，上述对第二ERNIE模型的模型参数进行更新的过程可以分为两个阶段。即，内容样本包括第二内容样本和第三内容样本，损失函数包括第一损失函数和第二损失函数；在第一个阶段，将第二内容样本分别输入至第一品牌词识别模型和第二ERNIE模型，根据第二ERNIE模型的中间层的输出与第一品牌词识别模型的中间层的输出之间的第一损失函数，对第二ERNIE模型的模型参数进行更新，得到初始品牌词识别模型；在第二个阶段，将第三内容样本分别输入至第一品牌词识别模型和初始品牌词识别模型，根据第一品牌词识别模型的输出、初始品牌词识别模型的输出以及第三内容样本的真实品牌标签的第二损失函数，对初始品牌词识别模型的模型参数进行更新，得到第二品牌词识别模型。

在前述已经说明，第二ERNIE模型的模型参数少于第一ERNIE模型的模型参数，即第二ERNIE模型的结构相对于第一品牌词识别模型更简单。示例的，第二ERNIE模型的中间层的层数为M，第一品牌词识别模型的中间层的层数是n*M，M为大于或等于1的整数，n为大于1的整数。

第一损失函数为第二ERNIE模型的第m层中间层的输出，与第一品牌词识别模型的第n*m层中间层的输出之间的均方误差(Mean Square Error，MSE)损失在m的取值遍历1至M之间的整数时的和。

例如，第一ERNIE模型的Transformer层的层数为24层，即第一品牌词识别模型的Transformer层的层数为24层，第二ERNIE模型的Transformer层的层数为4层，即M为4，n为6。

示例的，如图3中所示，第一阶段损失，即第一损失函数为第二ERNIE模型的第1层Transformer层的输出与第一品牌词识别模型的第6层Transformer层的输出之间的均方误差损失，第二ERNIE模型的第2层Transformer层的输出与第一品牌词识别模型的第12层Transformer层的输出之间的均方误差损失，第二ERNIE模型的第3层Transformer层的输出与第一品牌词识别模型的第18层Transformer层的输出之间的均方误差损失，第4层Transformer层的输出与第一品牌词识别模型的第24层Transformer层的输出之间的均方误差损失，这四者的和。

在第一阶段，利用上述第一损失函数对第二ERNIE模型的参数进行更新，得到一个初始品牌词识别模型，该初始品牌词识别模型的Transformer层的输出与第一品牌词识别模型的Transformer层的输出接近，即，该初始品牌词识别模型获得了第一品牌词识别模型的Transformer层的能力。

在第二阶段，示例的，如图4所示，第二阶段损失，即第二损失函数包括两部分，其中一部分为教师模型和学生模型之间的教师学生损失，另一部分学生模型和第三内容样本的真实品牌标签之间的学生标签损失。示例的，第二损失函数为第一品牌词识别模型的输出与初始品牌词识别模型的输出之间的交叉熵损失，以及初始品牌词识别模型的输出与第三内容样本的真实品牌标签之间的交叉熵损失的和。该第二损失函数中，第一品牌词识别模型的输出与初始品牌词识别模型的输出之间的交叉熵损失，可以保证得到的第二品牌词识别模型具备与第一品牌词识别模型接近的识别能力，初始品牌词识别模型的输出与第三内容样本的真实品牌标签之间的交叉熵损失，可以保证得到的第二品牌词识别模型的识别准确率较高。

本公开实施例提供的模型训练方法，通过两个阶段的知识蒸馏，使得得到的第二品牌词识别模型的输出以及中间层的特性均接近第一品牌词识别模型，从而实现了利用一个结构较为简单的模型进行品牌词识别，并得到较高的识别准确率。

图5是根据本公开实施例提供的品牌词识别方法的流程示意图。如图5中所示，该方法包括：

S501、将待识别内容输入品牌词识别模型，得到待识别内容中每个字的品牌词属性。

其中，品牌词属性为品牌词起始字、品牌词中间或结尾字、或非品牌词。品牌词识别模型为采用前述实施例中的方法训练得到的品牌词识别模型，例如前述实施例中的第二品牌词识别模型。

示例的，如图6中所示，待识别内容为“微笑口腔补牙”，将其输入至品牌词识别模型，得到的输出为：B-微，I-笑，I-口，I-腔，O-补，O-牙。其中，B、I、O表示每个字的品牌词属性，B表示品牌词起始字，I表示品牌词中间或结尾字，O表示非品牌词。

S502、根据待识别内容中每个字的品牌词属性确定待识别内容中的品牌词。

由于待识别内容中每个字的品牌词属性指示了每个字是否为品牌词中的字，以及在品牌词中的位置，因此根据每个字的品牌词属性即可确定待识别内容中的品牌词。

本公开实施例的品牌词识别方法，采用品牌词识别模型对待识别内容中的品牌词进行识别，由于品牌词识别模型是采用ERNIE模型训练得到的，而ERNIE模型可以有效学习到待识别内容中的词法信息和语法信息，从而可以准确识别出待识别内容中的品牌词的边界，提高品牌词识别的准确率。并且，ERNIE模型可以学习到待识别内容中的语义信息，具备较高的泛化能力，因此可以识别出待识别内容中的新增品牌词，从而可以解决新增品牌词未召回的问题，具备较高的模型召回率。此外，由于品牌词识别模型结构较简单，模型参数所占内存较少，计算速度较快，因此具备较高的识别性能。

在上述实施例的基础上，对如何确定品牌词进行说明。在得到待识别内容中每个字的品牌词属性后，按照待识别内容中每个字的顺序，将品牌词属性为品牌词起始字的字以及品牌词属性为品牌词中间或结尾字的字依次组合为待识别内容中的品牌词。示例的，对于，待识别内容“微笑口腔补牙”，在得到输出结果：B-微，I-笑，I-口，I-腔，O-补，O-牙之后，按照“微笑口腔补牙”的顺序，将其中品牌词起始字“微”以及，品牌词中间或结尾字“笑”、“口”、“腔”组合为待识别内容中的品牌词“微笑口腔”。利用该方法可以准确识别待识别内容中的品牌词，提高了准确率。

图7是根据本公开实施例提供的模型训练装置的结构示意图。如图7所示，模型训练装置700包括：

第一训练模块701，用于采用第一内容样本对第一知识增强语义表示模型进行训练得到第一品牌词识别模型，第一品牌词识别模型的输出为第一内容样本中每个字的品牌词属性，品牌词属性为品牌词起始字、品牌词中间或结尾字、或非品牌词；

第二训练模块702，用于将第一品牌词识别模型作为知识蒸馏中的教师模型，将第二知识增强语义表示模型作为知识蒸馏中的学生模型，采用知识蒸馏的方法对第二知识增强语义表示模型进行训练，得到第二品牌词识别模型，第二品牌词识别模型的输出和第一品牌词识别模型的输出一致，第二知识增强语义表示模型的模型参数少于第一知识增强语义表示模型的模型参数。

在一种实施方式中，第二训练模块702包括：

训练单元，用于将内容样本分别输入至第一品牌词识别模型和第二知识增强语义表示模型，并根据第一品牌词识别模型和第二知识增强语义表示模型之间的损失函数，对第二知识增强语义表示模型的模型参数进行更新，得到第二品牌词识别模型。

在一种实施方式中，内容样本包括第二内容样本和第三内容样本，损失函数包括第一损失函数和第二损失函数；训练单元包括：

第一训练单元，用于将第二内容样本分别输入至第一品牌词识别模型和第二知识增强语义表示模型，根据第二知识增强语义表示模型的中间层的输出与第一品牌词识别模型的中间层的输出之间的第一损失函数，对第二知识增强语义表示模型的模型参数进行更新，得到初始品牌词识别模型；

第二训练单元，用于将第三内容样本分别输入至第一品牌词识别模型和初始品牌词识别模型，根据第一品牌词识别模型的输出、初始品牌词识别模型的输出以及第三内容样本的真实品牌标签的第二损失函数，对初始品牌词识别模型的模型参数进行更新，得到第二品牌词识别模型。

在一种实施方式中，第二知识增强语义表示模型的中间层的层数为M，第一品牌词识别模型的中间层的层数是n*M，M为大于或等于1的整数，n为大于1的整数；

第一损失函数为第二知识增强语义表示模型的第m层中间层的输出，与第一品牌词识别模型的第n*m层中间层的输出之间的均方误差损失在m的取值遍历1至M之间的整数时的和。

在一种实施方式中，第二损失函数为第一品牌词识别模型的输出与初始品牌词识别模型的输出之间的交叉熵损失，以及初始品牌词识别模型的输出与第三内容样本的真实品牌标签之间的交叉熵损失的和。

本公开实施例的装置可用于执行上述方法实施例中的模型训练方法，其实现原理和技术效果类似，此处不再赘述。

图8是根据本公开实施例提供的品牌词识别装置的结构示意图。如图8所示，模型训练装置800包括：

输入模块801，用于将待识别内容输入品牌词识别模型，得到待识别内容中每个字的品牌词属性，品牌词属性为品牌词起始字、品牌词中间或结尾字、或非品牌词，品牌词识别模型为采用前述实施例中的方法训练得到的品牌词识别模型。

输出模块802，用于根据待识别内容中每个字的品牌词属性确定待识别内容中的品牌词。

在一种实施方式中，输出模块802包括：

输出单元，用于按照待识别内容中每个字的顺序，将品牌词属性为品牌词起始字的字以及品牌词属性为品牌词中间或结尾字的字依次组合为待识别内容中的品牌词。

本公开实施例的装置可用于执行上述方法实施例中的品牌词识别方法，其实现原理和技术效果类似，此处不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备和存储有计算机指令的非瞬时计算机可读存储介质。

根据本公开的实施例，本公开还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图9是用来实现本公开实施例的模型训练方法的电子设备的示意性框图。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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。

计算单元901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901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、各种运行机器学习模型算法的计算单元、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901执行上文所描述的各个方法和处理，例如模型训练方法。例如，在一些实施例中，模型训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。

图10是用来实现本公开实施例的品牌词识别方法的电子设备的示意性框图。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10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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。

计算单元1001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1001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、各种运行机器学习模型算法的计算单元、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1001执行上文所描述的各个方法和处理，例如品牌词识别方法。例如，在一些实施例中，品牌词识别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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的品牌词识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行品牌词识别方法。

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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。