摘要提取模型的训练方法、文本摘要生成方法及相关设备与流程

1.本技术属于计算机技术领域，具体涉及一种摘要提取模型的训练方法、文本摘要生成方法、装置、介质及设备。


背景技术：

2.随着互联网的不断发展，网络中的文本数据呈爆发式增长，人们若想从互联网中搜索自己需要的资料，则需要耗费巨大的精力和时间。如何快速地从文本中获取有效信息，这就需要文本摘要自动生成技术。
3.现有的文本摘要生成方法，在对原始文本进行特征提取时可能会出现信息丢失，导致最终生成的文本摘要不准确。生成的文本摘要不准确会给读者带来阅读困难或者错误信息，直接限缩了机器文本摘要提取的应用场景和应用效果。因此，如何提高生成的摘要文本的准确性，是亟需解决的技术问题。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本技术的目的在于提供一种摘要提取模型的训练方法、装置、介质及电子设备，至少在一定程度上克服相关技术中如何提高生成的摘要文本的准确性的技术问题。
6.本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。
7.根据本技术实施例的一个方面，提供一种摘要提取模型的训练方法，所述摘要提取模型包括编码器和解码器，所述摘要提取模型用于通过编码器对待处理文本或文本样本进行语义编码生成文本编码，并通过解码器对所述文本编码进行解码得到文本摘要，所述方法包括：
8.根据训练数据集对所述摘要提取模型进行训练，得到第一损失函数和所述编码器的训练参数，所述训练数据集包括多个文本样本和各个所述文本样本分别对应的摘要样本；
9.根据所述编码器的训练参数对辅助编码器进行参数初始化，并根据所述编码器的训练参数周期性地更新所述辅助编码器的训练参数，所述辅助编码器用于辅助所述摘要提取模型的训练；
10.将各个所述摘要样本输入到所述辅助编码器中进行语义编码，得到所述摘要样本的摘要编码；
11.计算所述文本样本的文本编码与所述文本样本对应的摘要样本的摘要编码的第一相似度，计算所述文本样本的文本编码与所述训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据所述第一相似度和所述第二相似度确定第二损失函数；
12.通过所述第一损失函数和所述第二损失函数共同对所述摘要提取模型进行训练。
13.根据本技术实施例的一个方面，提供一种摘要提取模型的训练装置，所述摘要提取模型包括编码器和解码器，所述摘要提取模型用于通过编码器对待处理文本或文本样本进行语义编码生成文本编码，并通过解码器对所述文本编码进行解码得到文本摘要，所述装置包括：
14.第一损失函数确定模块，被配置为根据训练数据集对所述摘要提取模型进行训练，得到第一损失函数和所述编码器的训练参数，所述训练数据集包括多个文本样本和各个所述文本样本分别对应的摘要样本；
15.训练参数更新模块，被配置为根据所述编码器的训练参数对辅助编码器进行参数初始化，并根据所述编码器的训练参数周期性地更新所述辅助编码器的训练参数，所述辅助编码器用于辅助所述摘要提取模型的训练；
16.辅助编码器编码模块，被配置为将各个所述摘要样本输入到所述辅助编码器中进行语义编码，得到所述摘要样本的摘要编码；
17.第二损失函数确定模块，被配置为计算所述文本样本的文本编码与所述文本样本对应的摘要样本的摘要编码的第一相似度，计算所述文本样本的文本编码与所述训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据所述第一相似度和所述第二相似度确定第二损失函数；
18.模型训练模块，被配置为通过所述第一损失函数和所述第二损失函数共同对所述摘要提取模型进行训练。
19.在本技术的一些实施例中，基于以上技术方案，所述辅助编码器编码模块包括：
20.辅助编码单元，被配置为将当前训练轮次的摘要样本输入到所述辅助编码器中，得到所述当前训练轮次的摘要样本对应的样本编码。
21.在本技术的一些实施例中，基于以上技术方案，所述第二损失函数确定模块包括：
22.第一相似度计算单元，被配置为计算当前训练轮次的文本样本的文本编码与当前训练轮次的摘要样本的摘要编码的第一相似度；
23.摘要编码存入单元，被配置为将当前训练轮次的摘要样本的摘要编码存入存储队列。
24.在本技术的一些实施例中，基于以上技术方案，所述第二损失函数确定模块还包括：
25.摘要编码取出单元，被配置为从所述存储队列中选取当前训练轮次之前的训练轮次中存入所述存储队列的多个摘要编码；
26.第二相似度计算单元，被配置为计算所述当前训练轮次的文本样本的文本编码分别与当前训练轮次之前的训练轮次中存入所述存储队列的多个摘要编码的第二相似度。
27.在本技术的一些实施例中，基于以上技术方案，所述训练参数更新模块包括：
28.训练参数读取单元，被配置为周期性地读取所述编码器的训练参数；
29.参数更新值获取单元，被配置为将所述编码器的训练参数与所述辅助编码器的训练参数进行加权求和，得到参数更新值；
30.参数更新单元，被配置为根据所述参数更新值更新所述辅助编码器的训练参数。
31.在本技术的一些实施例中，基于以上技术方案，所述模型训练模块包括：
32.综合损失函数获取单元，被配置为对所述第一损失函数和所述第二损失函数进行加权求和得到综合损失函数；
33.模型训练单元，被配置为通过所述综合损失函数对所述摘要提取模型进行训练。
34.在本技术的一些实施例中，基于以上技术方案，所述第二损失函数确定模块还包括：
35.求和数值获取单元，被配置为对所述第一相似度与多个所述第二相似度进行求和运算，得到求和数值；
36.比值获取单元，被配置为获取所述第一相似度与所述求和数值的比值；
37.第二损失函数确定单元，被配置为根据所述比值确定所述第二损失函数，其中，所述第二损失函数与所述比值具有负相关的关系。
38.根据本技术实施例的一个方面，提供一种摘要生成方法，所述方法包括：
39.初始化摘要提取模型，所述摘要提取模型包括编码器和解码器，所述摘要提取模型用于通过编码器对待处理文本或文本样本进行语义编码生成文本编码，并通过解码器对所述文本编码进行解码得到文本摘要；
40.根据训练数据集对所述摘要提取模型进行训练，得到第一损失函数和所述编码器的训练参数，所述训练数据集包括多个文本样本和各个所述文本样本分别对应的摘要样本；
41.根据所述编码器的训练参数对辅助编码器进行参数初始化，并根据所述编码器的训练参数周期性地更新所述辅助编码器的训练参数，所述辅助编码器用于辅助所述摘要提取模型的训练；
42.将各个所述摘要样本输入到所述辅助编码器中进行语义编码，得到所述摘要样本的摘要编码；
43.计算所述文本样本的文本编码与所述文本样本对应的摘要样本的摘要编码的第一相似度，计算所述文本样本的文本编码与所述训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据所述第一相似度和所述第二相似度确定第二损失函数；
44.通过所述第一损失函数和所述第二损失函数共同对所述摘要提取模型进行训练；
45.将待处理文本输入到训练完成的摘要提取模型中，得到所述待处理文本对应的文本摘要。
46.根据本技术实施例的一个方面，提供一种摘要生成装置，所述装置包括：
47.模型初始化模块，被配置为初始化摘要提取模型，所述摘要提取模型包括编码器和解码器，所述摘要提取模型用于通过编码器对待处理文本或文本样本进行语义编码生成文本编码，并通过解码器对所述文本编码进行解码得到文本摘要；
48.第一损失函数确定模块，被配置为根据训练数据集对所述摘要提取模型进行训练，得到第一损失函数和所述编码器的训练参数，所述训练数据集包括多个文本样本和各个所述文本样本分别对应的摘要样本；
49.训练参数更新模块，被配置为根据所述编码器的训练参数对辅助编码器进行参数初始化，并根据所述编码器的训练参数周期性地更新所述辅助编码器的训练参数，所述辅助编码器用于辅助所述摘要提取模型的训练；
50.辅助编码器编码模块，被配置为将各个所述摘要样本输入到所述辅助编码器中进行语义编码，得到所述摘要样本的摘要编码；
51.第二损失函数确定模块，被配置为计算所述文本样本的文本编码与所述文本样本对应的摘要样本的摘要编码的第一相似度，计算所述文本样本的文本编码与所述训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据所述第一相似度和所述第二相似度确定第二损失函数；
52.模型训练模块，被配置为通过所述第一损失函数和所述第二损失函数共同对所述摘要提取模型进行训练；
53.文本摘要生成模块，被配置为将待处理文本输入到训练完成的摘要提取模型中，得到所述待处理文本对应的文本摘要。
54.根据本技术实施例的一个方面，提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如以上技术方案中的摘要提取模型的训练方法或摘要生成方法。
55.根据本技术实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器被配置为经由执行可执行指令来执行如以上技术方案中的摘要提取模型的训练方法或摘要生成方法。
56.根据本技术实施例的一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如以上技术方案中的摘要提取模型的训练方法。
57.在本技术实施例提供的技术方案中，根据训练数据集对摘要提取模型进行训练，得到第一损失函数和编码器的训练参数；计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度，计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据第一相似度和第二相似度确定第二损失函数；通过第一损失函数和第二损失函数共同对摘要提取模型进行训练；能够使得本技术在无需额外增加训练样本的情况下，通过计算样本之间的第一相似度、第二相似度并确定第二损失函数，实现减少文本和对应摘要文本的语义距离，增大文本和其他摘要文本的语义距离的效果，从而能够提升摘要提取模型的编码准确性，进而能够提升该摘要提取模型的文本摘要生成准确性，使得生成的文本摘要与原始的待处理文本的语义更为贴合。
58.并且，本技术根据编码器的训练参数周期性地更新辅助编码器的训练参数，能够使得辅助编码器和编码器对文本的表征相似，从而能够提升模型的训练效果，从而进一步提升摘要提取模型的编码准确性。
59.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
60.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术
的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
61.图1示意性地示出了应用本技术技术方案的示例性装置架构框图。
62.图2示意性地示出了本技术某些实施方式的摘要提取模型的训练方法的步骤流程图。
63.图3示意性地示出了本技术某实施例中根据编码器的训练参数周期性地更新辅助编码器的训练参数的步骤流程图。
64.图4示意性地示出了本技术某实施例的摘要提取模型的训练方法的训练流程的示意图。
65.图5示意性地示出了本技术某实施例中计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度的步骤流程图。
66.图6示意性地示出了本技术某实施例中计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度的步骤流程图。
67.图7示意性地示出了本技术某实施例中根据第一相似度和第二相似度确定第二损失函数的步骤流程图。
68.图8示意性地示出了本技术某实施例计算第一相似度和计算第二相似度之间的辅助步骤的流程示意图。
69.图9示意性地示出了本技术某实施例中通过第一损失函数和第二损失函数共同对摘要提取模型进行训练的步骤流程图。
70.图10示意性地示出了本技术某些实施方式的摘要提取模型的训练方法的步骤流程图。
71.图11示意性地示出了本技术实施例提供的摘要提取模型的训练装置的结构框图。
72.图12示意性地示出了本技术实施例提供的摘要生成装置的结构框图。
73.图13示意性地示出了用于实现本技术实施例的电子设备的计算机系统结构框图。
具体实施方式
74.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
75.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
76.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
77.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合
并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
78.在对本技术实施例提供的摘要提取模型的训练方法、摘要提取模型的训练装置等技术方案作出详细说明之前，先对本技术部分实施例中涉及的人工智能技术进行简单介绍。
79.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
80.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互装置、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
81.自然语言处理(nature language processing,nlp)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
82.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
83.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
84.本技术实施例涉及的系统可以是由客户端、多个节点(接入网络中的任意形式的计算设备，如服务器、用户终端)通过网络通信的形式连接形成的分布式系统。
85.下面结合具体实施方式对本技术提供的摘要提取模型的训练方法、摘要生成方法以及对应的装置等做出详细说明。
86.图1示意性地示出了应用本技术技术方案的示例性装置架构框图。
87.如图1所示，装置架构100可以包括终端设备110、网络120和服务器130。终端设备110可以包括智能手机、平板电脑、笔记本电脑、台式电脑等各种电子设备。服务器130可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式装置，还可以是提供云计算服务的云服务器。网络120可以是能够在终端设备110和服务器130之间提供通信链路的各种连接类型的通信介质，例如可以是有线通信链路或者无线通信链路。
88.根据实现需要，本技术实施例中的装置架构可以具有任意数目的终端设备、网络和服务器。例如，服务器130可以是由多个服务器设备组成的服务器群组。另外，本技术实施例提供的技术方案可以应用于终端设备110，也可以应用于服务器130，或者可以由终端设备110和服务器130共同实施，本技术对此不做特殊限定。
89.举例而言，服务器130可以执行本技术提供的摘要提取模型的训练方法，根据训练数据集对摘要提取模型进行训练，得到第一损失函数和编码器的训练参数；计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度，计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据第一相似度和第二相似度确定第二损失函数；通过第一损失函数和第二损失函数共同对摘要提取模型进行训练；能够使得本技术在无需额外增加训练样本的情况下，通过计算样本之间的第一相似度、第二相似度并确定第二损失函数，实现减少文本和对应摘要文本的语义距离，增大文本和其他摘要文本的语义距离的效果，从而能够提升摘要提取模型的编码准确性，进而能够提升该摘要提取模型的文本摘要生成准确性，使得生成的文本摘要与原始的待处理文本的语义更为贴合。
90.并且，本技术根据编码器的训练参数周期性地更新辅助编码器的训练参数，能够使得辅助编码器和编码器对文本的表征相似，从而能够提升模型的训练效果，从而进一步提升摘要提取模型的编码准确性。
91.下面结合具体实施方式对本技术提供的摘要提取模型的训练方法做出详细说明。
92.图2示意性地示出了本技术某些实施方式的摘要提取模型的训练方法的步骤流程图。该摘要提取模型的训练方法的执行主体可以是终端设备，也可以是服务器等，本技术对此不设限。终端设备包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。本发明实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
93.如图2所示，该摘要提取模型的训练方法主要可以包括如下步骤s210至s250。
94.s210.根据训练数据集对摘要提取模型进行训练，得到第一损失函数和编码器的训练参数，训练数据集包括多个文本样本和各个文本样本分别对应的摘要样本。
95.具体地，文本样本可以包括新闻原文、文章原文、网页文本等。摘要样本是对文本样本具有概括性的简洁的文本。
96.例如，文本样本可以为新闻原文：“昨晚，中联的成都飞北京一架航班被发现有多人吸烟。后因天气原因，飞机备降太原机场。几名乘客在舱门边吸烟被发现。有乘客要求重新安检，机长决定继续飞行，引起机组人员与未吸烟乘客冲突。目前中联正联系机组进行核实。”摘要样本可以是新闻摘要：“成都飞北京航班多人吸烟机组人员与未吸烟乘客冲突”。
97.在一些实施方式中，可以采用交叉熵损失函数作为对摘要提取模型进行训练得到的第一损失函数。或者，也可以采用三元组损失函数(triplet loss)作为对摘要提取模型进行训练得到的第一损失函数。
98.s220.根据编码器的训练参数对辅助编码器进行参数初始化，并根据编码器的训练参数周期性地更新辅助编码器的训练参数，辅助编码器用于辅助摘要提取模型的训练。
99.具体地，辅助编码器可以是动量编码器(momentum encoder)。在一些实施方式中，辅助编码器也可以是其他编码器，本技术对此不作限制。
100.具体地，在模型初始化阶段，可以根据摘要提取模型的编码器的初始化时的训练参数对辅助编码器进行参数初始化，使得辅助编码器的初始化与编码器的初始化相同。然后，在模型训练阶段，可以根据编码器的训练参数周期性地更新辅助编码器的训练参数。由此，能够使得辅助编码器和编码器对文本的表征相似，从而能够使得对文本样本的语义编码过程与对摘要样本的语义编码过程的处理相似，能够更好地拉近文本编码和对应的摘要样本的语义向量的空间距离，拉远文本编码和其他摘要样本的语义向量的空间距离，实现提升模型的训练效果。
101.图3示意性地示出了本技术某实施例中根据编码器的训练参数周期性地更新辅助编码器的训练参数的步骤流程图。如图3所示，在以上实施例的基础上，步骤s220的根据编码器的训练参数周期性地更新辅助编码器的训练参数，可以进一步包括以下步骤s310至s330。
102.s310.周期性地读取编码器的训练参数；
103.s320.将编码器的训练参数与辅助编码器的训练参数进行加权求和，得到参数更新值；
104.s330.根据参数更新值更新辅助编码器的训练参数。
105.s230.将各个摘要样本输入到辅助编码器中进行语义编码，得到摘要样本的摘要编码。
106.具体地，周期性可以是每隔预设个训练轮次，或者每隔预设时间长度。
107.将编码器的训练参数与辅助编码器的训练参数进行加权求和，得到参数更新值，并根据参数更新值更新辅助编码器的训练参数，在一些实施例中，可以表示为如下算式：
108.(1)：θk←
mθk (1-m)θq109.其中，θk是辅助编码器的训练参数，θq是编码器的训练参数。m可以是0.999、0.998、0.990等小于1的预设常数。由此，通过mθk (1-m)θq对θk的赋值更新，能够使得辅助编码器在每个训练轮次中均进行更新，能够使得辅助编码器的参数在训练过程中趋于与编码器的参数相似，能够使得辅助编码器和编码器对文本的表征相似，从而能够使得对文本样本的语义编码过程与对摘要样本的语义编码过程的处理相似，能够更好地拉近文本编码和对应的摘要样本的语义向量的空间距离，拉远文本编码和其他摘要样本的语义向量的空间距离，实现提升模型的训练效果。
110.在一些实施方式中，算式(1)中的m可以为趋近1但又小于1的预设常数。由此，能够使得辅助编码器的参数更新迭代过程缓慢，从而使得相邻的训练轮次中，辅助编码器的语义编码处理过程变化较小，能够保证模型的稳定性。
111.在某些实施方式中，在以上实施例的基础上，步骤s230的将各个摘要样本输入到辅助编码器中进行语义编码，得到摘要样本的摘要编码，可以进一步包括以下步骤：
112.将当前训练轮次的摘要样本输入到辅助编码器中，得到当前训练轮次的摘要样本对应的样本编码；
113.图4示意性地示出了本技术某实施例的摘要提取模型的训练方法的训练流程的示意图。请参阅图4，在每个训练轮次中，将训练数据集中的“文本-摘要”样本对y-y'中的文本样本y输入到编码器中对文本样本y进行语义编码，得到文本编码y。然后，将文本编码y输入到解码器中对文本样本编码进行解码，得到解码器的实际文本输出。将样本对y-y'中的摘
要文本y'作为解码器的目标文本输出。对实际文本输出和目标文本输出进行计算得到第一损失函数l1。并且，在训练过程中，第一损失函数在模型中对编码器和解码器进行参数反向传播，使得编码器的参数和解码器的参数在模型训练中不断更新。然后，以一个训练轮次为周期，或者以预设时间长度为周期，将编码器的训练参数推送到辅助编码器中，对辅助编码器的训练参数进行更新。
114.在每个训练轮次中，将训练数据集中的“文本-摘要”样本对y-y'中的摘要样本y'输入到辅助编码器中，对摘要文本y'进行语义编码，得到摘要编码y'，并将摘要编码y'推送到计算单元b中。然后，从存储队列中选取当前训练轮次之前的训练轮次中存入存储队列的多个摘要编码并推送到计算单元b中。然后，将当前训练轮次的摘要样本的摘要编码y'存入存储队列中。需要说明的是，存储队列的存储空间可以为预设大小，当存储队列中的预设大小的存储空间用尽时，在摘要编码y'存入存储队列时，可以将存储队列中的训练轮次最早的摘要编码弹出队列并丢弃。并且，文本样本y的文本编码y也推送至计算单元b中。由此，计算单元b根据文本编码y、摘要编码y'以及存储队列推送的多个摘要编码计算得到第二损失函数l2。
115.然后，可以根据第一损失函数l1和第二损失函数l2确定综合损失函数l
总
，并通过综合损失函数对摘要提取模型进行训练。
116.s240.计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度，计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据第一相似度和第二相似度确定第二损失函数。
117.具体地，当第一损失函数采用交叉熵损失函数时，可以采用交叉熵损失函数的函数形式，并根据第一相似度和第二相似度确定对摘要提取模型进行训练得到的第二损失函数。或者，当第一损失函数采用三元组损失函数时，也可以采用三元组损失函数(triplet loss)的函数形式，并根据第一相似度和第二相似度确定对摘要提取模型进行训练得到的第二损失函数。由此，能够提高模型的训练效果。
118.图5示意性地示出了本技术某实施例中计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度的步骤流程图。如图5所示，在以上实施例的基础上，步骤s240的计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度，可以进一步包括以下步骤s510和s520。
119.s510.计算当前训练轮次的文本样本的文本编码与当前训练轮次的摘要样本的摘要编码的第一相似度；
120.s520.将当前训练轮次的摘要样本的摘要编码存入存储队列。
121.其中，第一相似度可以是语义相似度，或者，第一相似度可以是对语义相似度进行数学计算后的关于相似度的数学表达式。
122.在一些实施方式中，存储队列的存储空间可以远大于摘要编码的数据大小，从而，存储队列中可以存储大量摘要编码，结合将文本样本对应的摘要样本之外的其他摘要样本作为该文本样本对应的负样本，能够使得负样本的数量足够多，能够通过拉近文本样本和正样本的向量表征的空间距离、拉远文本样本和负样本的向量表征的空间距离，使得文本的编码空间分布更为均匀，语义编码能够更为准确，从而能够提高摘要提取模型的编码准确度乃至生成的摘要的准确性。
123.图6示意性地示出了本技术某实施例中计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度的步骤流程图。如图6所示，在以上实施例的基础上，步骤s240的计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，可以进一步包括以下步骤s610和s620。
124.s610.从存储队列中选取当前训练轮次之前的训练轮次中存入存储队列的多个摘要编码；
125.s620.计算当前训练轮次的文本样本的文本编码分别与当前训练轮次之前的训练轮次中存入存储队列的多个摘要编码的第二相似度。
126.其中，第二相似度可以是语义相似度，或者，第二相似度可以是对语义相似度进行数学计算后的关于相似度的数学表达式。
127.在一些实施方式中，可以在从存储队列中选取当前训练轮次之前的训练轮次中存入存储队列的大于预设数量个摘要编码，从而，能够使得摘要编码的数量大于预设数量，结合使得文本样本对应的摘要样本之外的其他摘要样本作为该文本样本对应的负样本，使得负样本的数量能够足够多，同时文本样本对应的摘要样本作为该文本样本的正样本，能够通过拉近文本样本和正样本的向量表征的空间距离、拉远文本样本和负样本的向量表征的空间距离，使得文本的编码空间分布更为均匀，语义编码能够更为准确，从而能够提高摘要提取模型的编码准确度乃至生成的摘要的准确性。
128.图7示意性地示出了本技术某实施例中根据第一相似度和第二相似度确定第二损失函数的步骤流程图。如图7所示，在以上实施例的基础上，步骤s240的根据第一相似度和第二相似度确定第二损失函数，可以进一步包括以下步骤s710至s730。
129.s710.对第一相似度与多个第二相似度进行求和运算，得到求和数值；
130.s720.获取第一相似度与求和数值的比值；
131.s730.根据比值确定第二损失函数，其中，第二损失函数与比值具有负相关的关系。
132.可以理解，第二损失函数与比值具有负相关的关系，也就是说，当第一相似度与求和数值的比值增大时，第二损失函数会相应地减小；当第一相似度与求和数值的比值减小时，第二损失函数会相应地增大。在一些实施方式中，可以以降低第二损失函数的数值为目标对模型和辅助编码器进行训练。由此，能够使得随着模型的训练，提升第一相似度与求和数值的比值。也就是说，能够拉近文本样本的文本编码和文本样本对应的摘要样本的摘要编码的在向量空间中的距离，并且拉远文本样本的文本编码和其他摘要样本的这样编码在向量空间中的距离；增大文本样本的文本编码和文本样本对应的摘要样本的摘要编码的语义相似度，并且减小文本样本的文本编码和其他摘要样本的摘要编码的语义相似度；实现拉近文本样本和正样本的向量表征的空间距离，并且拉远文本样本和负样本的向量表征的空间距离。
133.在某些实施方式中，可以根据如下算式(2)计算得到第二损失函数l2：
134.(2)：
135.其中，exp(mi/t)可以用于表示对文本编码和对应的摘要编码之间的语义相似度mi进行数学计算后得到的第一相似度，exp(n
ij
/t)可以用于表示对文本编码和对应的摘要编码之外的其他多个摘要编码分别求得的语义相似度n
ij
进行数学计算后得到的第二相似度n
ij
，n用于表示引入的负样本的个数，也就是第二相似度的总个数，t是预设的常数。
136.图8示意性地示出了本技术某实施例计算第一相似度和计算第二相似度之间的辅助步骤的流程示意图。如图8所示，在根据4个“文本-摘要”样本对得到4组文本编码和摘要编码(y0,y0')、(y1,y1')、(y2,y2')、(y3,y3')后，可以生成图8所示的矩阵。此时，除了矩阵的对角线所得的m0、m1、m2、m3为文本编码和对应的摘要编码第一相似度外，矩阵中的n
01
、n
02
、n
03
、n
11
、n
12
、n
13
、n
21
、n
22
、n
23
、n
31
、n
32
、n
33
是文本编码和对应的摘要编码之外的摘要编码分别求得的第二相似度。在一些实施方式中，可以将根据多组文本编码和摘要编码计算得到对应的多个第一相似度和第二相似度以矩阵排列的形式展示在展示界面上。由此，能够直观地展示各个文本编码和摘要编码之间的相似度，有利于在模型训练过程中直观地看到训练效果，发现问题，从而能够及时发现问题提升开发效率，并且有利于及时训练过程的问题以提升模型训练效果。
137.在某些实施方式中，也可以对算式(2)进行优化得到算式(3)，从而根据如下算式(3)计算得到第二损失函数l2：
138.(3)：
139.其中，sim(y,y')用于表示文本编码y和对应的摘要编码y'之间的第一相似度。用于表示文本编码y和对应的摘要编码y'以及对应的摘要编码之外的摘要编码y'分别的相似度的求和，其中，包括文本编码y和对应的摘要编码y'的第一相似度，以及文本编码y和对应的摘要编码之外的摘要编码y'分别求得的多个第二相似度。n为文本编码y对应的摘要编码之外的摘要编码y'的数量，也即求得的第二相似度的数量。
140.s250.通过第一损失函数和第二损失函数共同对摘要提取模型进行训练。
141.图9示意性地示出了本技术某实施例中通过第一损失函数和第二损失函数共同对摘要提取模型进行训练的步骤流程图。如图9所示，在以上实施例的基础上，步骤s250的通过第一损失函数和第二损失函数共同对摘要提取模型进行训练，可以进一步包括以下步骤s910和步骤s920。
142.s910.对第一损失函数和第二损失函数进行加权求和得到综合损失函数；
143.s920.通过综合损失函数对摘要提取模型进行训练。
144.具体地，对第一损失函数和第二损失函数进行加权求和得到综合损失函数，可以如以下算式(4)所示：
145.(4)：l
总
＝l1 l2146.也即，第一损失函数l1的权重和第二损失函数l2的权重可以均为1。在一些实施方式中，也可以采用其他权重对第一损失函数l1和第二损失函数l2进行加权求和得到综合损失函数l
总
。或者，也可以对第一损失函数l1和第二损失函数l2进行其他数学运算，得到综合损失函数l
总
。
147.本技术还提供一种摘要生成方法，图10示意性地示出了本技术某些实施方式的摘要提取模型的训练方法的步骤流程图。如图10所示，该摘要提取模型的训练方法主要可以包括如下步骤s1010至s1070。
148.s1010.初始化摘要提取模型，摘要提取模型包括编码器和解码器，摘要提取模型用于通过编码器对待处理文本或文本样本进行语义编码生成文本编码，并通过解码器对文本编码进行解码得到文本摘要；
149.s1020.根据训练数据集对摘要提取模型进行训练，得到第一损失函数和编码器的训练参数，训练数据集包括多个文本样本和各个文本样本分别对应的摘要样本；
150.s1030.根据编码器的训练参数对辅助编码器进行参数初始化，并根据编码器的训练参数周期性地更新辅助编码器的训练参数，辅助编码器用于辅助摘要提取模型的训练；
151.s1040.将各个摘要样本输入到辅助编码器中进行语义编码，得到摘要样本的摘要编码；
152.s1050.计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度，计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据第一相似度和第二相似度确定第二损失函数；
153.s1060.通过第一损失函数和第二损失函数共同对摘要提取模型进行训练；
154.s1070.将待处理文本输入到训练完成的摘要提取模型中，得到待处理文本对应的文本摘要。
155.具体地，待处理文本可以包括新闻原文、文章原文、网页文本等。摘要提取模型可以是机器学习模型、神经网络模型等。
156.在完成对摘要提取模型的训练后，将待处理文本输入到训练完成的摘要提取模型中，得到待处理文本对应的文本摘要，能够通过拉近文本编码和对应的摘要样本的语义向量的空间距离，拉远文本编码和其他摘要样本的语义向量的空间距离，提升模型的训练效果，实现提高生成的文本摘要的准确性。
157.本技术各实施例中提供的摘要生成方法的具体实施例的细节已经在对应的摘要提取模型训练方法的实施例中进行了详细的描述，此处不再展开说明。
158.应当注意，尽管在附图中以特定顺序描述了本技术中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
159.以下介绍本技术的装置实施例，可以用于执行本技术上述实施例中的摘要提取模型的训练方法。图11示意性地示出了本技术实施例提供的摘要提取模型的训练装置的结构框图。其中，摘要提取模型包括编码器和解码器，摘要提取模型用于通过编码器对待处理文本或文本样本进行语义编码生成文本编码，并通过解码器对文本编码进行解码得到文本摘要。如图11所示，摘要提取模型的训练装置1100包括：
160.第一损失函数确定模块1110，被配置为根据训练数据集对摘要提取模型进行训练，得到第一损失函数和编码器的训练参数，训练数据集包括多个文本样本和各个文本样本分别对应的摘要样本；
161.训练参数更新模块1120，被配置为根据编码器的训练参数对辅助编码器进行参数初始化，并根据编码器的训练参数周期性地更新辅助编码器的训练参数，辅助编码器用于辅助摘要提取模型的训练；
162.辅助编码器编码模块1130，被配置为将各个摘要样本输入到辅助编码器中进行语
义编码，得到摘要样本的摘要编码；
163.第二损失函数确定模块1140，被配置为计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度，计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据第一相似度和第二相似度确定第二损失函数；
164.模型训练模块1150，被配置为通过第一损失函数和第二损失函数共同对摘要提取模型进行训练。
165.在本技术的一些实施例中，基于以上各实施例，辅助编码器编码模块包括：
166.辅助编码单元，被配置为将当前训练轮次的摘要样本输入到辅助编码器中，得到当前训练轮次的摘要样本对应的样本编码。
167.在本技术的一些实施例中，基于以上各实施例，第二损失函数确定模块包括：
168.第一相似度计算单元，被配置为计算当前训练轮次的文本样本的文本编码与当前训练轮次的摘要样本的摘要编码的第一相似度；
169.摘要编码存入单元，被配置为将当前训练轮次的摘要样本的摘要编码存入存储队列。
170.在本技术的一些实施例中，基于以上各实施例，第二损失函数确定模块还包括：
171.摘要编码取出单元，被配置为从存储队列中选取当前训练轮次之前的训练轮次中存入存储队列的多个摘要编码；
172.第二相似度计算单元，被配置为计算当前训练轮次的文本样本的文本编码分别与当前训练轮次之前的训练轮次中存入存储队列的多个摘要编码的第二相似度。
173.在本技术的一些实施例中，基于以上各实施例，训练参数更新模块包括：
174.训练参数读取单元，被配置为周期性地读取编码器的训练参数；
175.参数更新值获取单元，被配置为将编码器的训练参数与辅助编码器的训练参数进行加权求和，得到参数更新值；
176.参数更新单元，被配置为根据参数更新值更新辅助编码器的训练参数。
177.在本技术的一些实施例中，基于以上各实施例，模型训练模块包括：
178.综合损失函数获取单元，被配置为对第一损失函数和第二损失函数进行加权求和得到综合损失函数；
179.模型训练单元，被配置为通过综合损失函数对摘要提取模型进行训练。
180.在本技术的一些实施例中，基于以上各实施例，第二损失函数确定模块还包括：
181.求和数值获取单元，被配置为对第一相似度与多个第二相似度进行求和运算，得到求和数值；
182.比值获取单元，被配置为获取第一相似度与求和数值的比值；
183.第二损失函数确定单元，被配置为根据比值确定第二损失函数，其中，第二损失函数与比值具有负相关的关系。
184.本技术各实施例中提供的摘要提取模型的训练装置的具体细节已经在对应的方法实施例中进行了详细的描述，此处不再赘述。
185.以下介绍本技术的装置实施例，可以用于执行本技术上述实施例中的摘要生成方法。图12示意性地示出了本技术实施例提供的摘要生成装置的结构框图。如图12所示，摘要
生成装置1200包括：
186.模型初始化模块1210，被配置为初始化摘要提取模型，摘要提取模型包括编码器和解码器，摘要提取模型用于通过编码器对待处理文本或文本样本进行语义编码生成文本编码，并通过解码器对文本编码进行解码得到文本摘要；
187.第一损失函数确定模块1220，被配置为根据训练数据集对摘要提取模型进行训练，得到第一损失函数和编码器的训练参数，训练数据集包括多个文本样本和各个文本样本分别对应的摘要样本；
188.训练参数更新模块1230，被配置为根据编码器的训练参数对辅助编码器进行参数初始化，并根据编码器的训练参数周期性地更新辅助编码器的训练参数，辅助编码器用于辅助摘要提取模型的训练；
189.辅助编码器编码模块1240，被配置为将各个摘要样本输入到辅助编码器中进行语义编码，得到摘要样本的摘要编码；
190.第二损失函数确定模块1250，被配置为计算文本样本的文本编码与文本样本对应的摘要样本的摘要编码的第一相似度，计算文本样本的文本编码与训练数据集中的多个其他文本样本分别对应的摘要样本的摘要编码的第二相似度，并根据第一相似度和第二相似度确定第二损失函数；
191.模型训练模块1260，被配置为通过第一损失函数和第二损失函数共同对摘要提取模型进行训练；
192.文本摘要生成模块1270，被配置为将待处理文本输入到训练完成的摘要提取模型中，得到待处理文本对应的文本摘要。
193.本技术各实施例中提供的摘要生成装置的具体细节已经在对应的相关方法实施例中进行了详细的描述，此处不再赘述。
194.图13示意性地示出了用于实现本技术实施例的电子设备的计算机系统结构框图。
195.需要说明的是，图13示出的电子设备的计算机系统1300仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
196.如图13所示，计算机系统1300包括中央处理器1301(central processing unit，cpu)，其可以根据存储在只读存储器1302(read-only memory，rom)中的程序或者从存储部分1308加载到随机访问存储器1303(random access memory，ram)中的程序而执行各种适当的动作和处理。在随机访问存储器1303中，还存储有系统操作所需的各种程序和数据。中央处理器1301、在只读存储器1302以及随机访问存储器1303通过总线1304彼此相连。输入/输出接口1305(input/output接口，即i/o接口)也连接至总线1304。
197.以下部件连接至输入/输出接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至输入/输出接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
198.特别地，根据本技术的实施例，各个方法流程图中所描述的过程可以被实现为计
算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被中央处理器1301执行时，执行本技术的系统中限定的各种功能。
199.需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
200.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
201.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
202.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本技术实施方式的
方法。
203.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
204.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。