技术摘要：
本申请涉及一种文本处理方法、文本特征关系抽取方法及装置。文本处理方法包括：根据第一文本样本集中的第一文本样本、第一文本样本的权重训练目标模型，对目标模型进行模型参数更新，第一文本样本集中包括噪声文本样本；将目标模型的模型参数共享至参照模型；根据第二  全部
背景技术：
随着人工智能的发展，机器学习模型的使用越来越广泛。通过预先对机器学习模 型进行训练，使得机器学习模型能够进行数据处理。比如，预先训练关系抽取模型，使得关 系抽取模型能够识别文本中的实体以及实体之间的语义关系。 但是，训练所使用的样本数据大多存在噪声数据，噪声数据会引导机器学习模型 向错误的方向优化，进而影响机器学习模型的性能。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提升机器学习模型性能的文本 处理方法、文本特征关系抽取方法及装置。 一种文本处理方法，该方法包括： 获取第一文本样本集、第二文本样本集、以及模型结构相同的目标模型和参照模型；第 一文本样本集中包括噪声文本样本； 采用第一文本样本集中的第一文本样本、并根据第一文本样本的权重训练目标模型， 对目标模型进行模型参数更新； 将目标模型的模型参数共享至参照模型； 采用第二文本样本集中的第二文本样本、并根据第一文本样本的权重构建参照损失函 数训练参照模型，对第一文本样本进行权重更新； 采用第一文本样本、并根据第一文本样本更新后的权重二次训练目标模型，对目标模 型进行模型参数二次更新； 继续循环进行模型参数更新、权重更新和模型参数二次更新，直至满足训练停止条件 时结束训练；目标模型用于对文本提取特征字段及特征字段相应的语义关系。 一种文本处理装置，装置包括： 获取模块，用于获取第一文本样本集、第二文本样本集、以及模型结构相同的目标模型 和参照模型；第一文本样本集中包括噪声文本样本； 训练模块，用于采用第一文本样本集中的第一文本样本、并根据第一文本样本的权重 训练目标模型，对目标模型进行模型参数更新； 共享模块，用于将目标模型的模型参数共享至参照模型； 训练模块，还用于采用第二文本样本集中的第二文本样本、并根据第一文本样本的权 重构建参照损失函数训练参照模型，对第一文本样本进行权重更新； 训练模块，还用于采用第一文本样本、并根据第一文本样本更新后的权重二次训练目 标模型，对目标模型进行模型参数二次更新； 6 CN 111553170 A 说　明　书 2/23 页 训练模块，还用于继续循环进行模型参数更新、权重更新和模型参数二次更新，直至满 足训练停止条件时结束训练；目标模型用于对文本提取特征字段及特征字段相应的语义关 系。 一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计 算机程序时实现以下步骤： 获取第一文本样本集、第二文本样本集、以及模型结构相同的目标模型和参照模型；第 一文本样本集中包括噪声文本样本； 采用第一文本样本集中的第一文本样本、并根据第一文本样本的权重训练目标模型， 对目标模型进行模型参数更新； 将目标模型的模型参数共享至参照模型； 采用第二文本样本集中的第二文本样本、并根据第一文本样本的权重构建参照损失函 数训练参照模型，对第一文本样本进行权重更新； 采用第一文本样本、并根据第一文本样本更新后的权重二次训练目标模型，对目标模 型进行模型参数二次更新； 继续循环进行模型参数更新、权重更新和模型参数二次更新，直至满足训练停止条件 时结束训练；目标模型用于对文本提取特征字段及特征字段相应的语义关系。 一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时 实现以下步骤： 获取第一文本样本集、第二文本样本集、以及模型结构相同的目标模型和参照模型；第 一文本样本集中包括噪声文本样本； 采用第一文本样本集中的第一文本样本、并根据第一文本样本的权重训练目标模型， 对目标模型进行模型参数更新； 将目标模型的模型参数共享至参照模型； 采用第二文本样本集中的第二文本样本、并根据第一文本样本的权重构建参照损失函 数训练参照模型，对第一文本样本进行权重更新； 采用第一文本样本、并根据第一文本样本更新后的权重二次训练目标模型，对目标模 型进行模型参数二次更新； 继续循环进行模型参数更新、权重更新和模型参数二次更新，直至满足训练停止条件 时结束训练；目标模型用于对文本提取特征字段及特征字段相应的语义关系。 上述文本处理方法、装置、计算机设备和存储介质，先对目标模型进行模型参数更 新，接着将目标模型的模型参数共享至参照模型，通过参照模型调整第一文本样本的权重， 并利用第一文本样本、第一文本样本更新后的权重对目标模型进行模型参数二次更新，且 模型参数更新、权重更新和模型参数二次更新循环进行，这样，目标模型和参照模型交迭训 练，参照模型对目标模型每一步训练的样本权重进行调整，以降低噪声文本样本对目标模 型每一步训练的影响，进而提升模型性能，提高文本特征关系抽取的准确性。 一种文本特征关系抽取方法，该方法包括： 获取待处理文本； 确定待处理文本相应的文本特征向量； 将文本特征向量输入目标模型，通过目标模型输出待处理文本的特征字段及特征字段 7 CN 111553170 A 说　明　书 3/23 页 相应的语义关系； 其中，目标模型通过与参照模型交迭训练得到；训练目标模型包括采用第一文本样本 并根据第一文本样本的权重，对目标模型进行模型参数更新；训练参照模型包括共享目标 模型的模型参数，采用第二文本样本、并根据第一文本样本的权重构建参照损失函数，对第 一文本样本进行权重更新；训练目标模型还包括采用第一文本样本、并根据第一文本样本 更新后的权重，对目标模型进行模型参数二次更新。 一种文本特征关系抽取装置，装置包括： 获取模块，用于获取待处理文本； 确定模块，用于确定待处理文本相应的文本特征向量； 输出模块，用于将文本特征向量输入目标模型，通过目标模型输出待处理文本的特征 字段及特征字段相应的语义关系； 其中，目标模型通过与参照模型交迭训练得到；训练目标模型包括采用第一文本样本 并根据第一文本样本的权重，对目标模型进行模型参数更新；训练参照模型包括共享目标 模型的模型参数，采用第二文本样本、并根据第一文本样本的权重构建参照损失函数，对第 一文本样本进行权重更新；训练目标模型还包括采用第一文本样本、并根据第一文本样本 更新后的权重，对目标模型进行模型参数二次更新。 一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计 算机程序时实现以下步骤： 获取待处理文本； 确定待处理文本相应的文本特征向量； 将文本特征向量输入目标模型，通过目标模型输出待处理文本的特征字段及特征字段 相应的语义关系； 其中，目标模型通过与参照模型交迭训练得到；训练目标模型包括采用第一文本样本 并根据第一文本样本的权重，对目标模型进行模型参数更新；训练参照模型包括共享目标 模型的模型参数，采用第二文本样本、并根据第一文本样本的权重构建参照损失函数，对第 一文本样本进行权重更新；训练目标模型还包括采用第一文本样本、并根据第一文本样本 更新后的权重，对目标模型进行模型参数二次更新。 一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时 实现以下步骤： 获取待处理文本； 确定待处理文本相应的文本特征向量； 将文本特征向量输入目标模型，通过目标模型输出待处理文本的特征字段及特征字段 相应的语义关系； 其中，目标模型通过与参照模型交迭训练得到；训练目标模型包括采用第一文本样本 并根据第一文本样本的权重，对目标模型进行模型参数更新；训练参照模型包括共享目标 模型的模型参数，采用第二文本样本、并根据第一文本样本的权重构建参照损失函数，对第 一文本样本进行权重更新；训练目标模型还包括采用第一文本样本、并根据第一文本样本 更新后的权重，对目标模型进行模型参数二次更新。 上述文本特征关系抽取方法、装置、计算机设备和存储介质，通过目标模型提取待 8 CN 111553170 A 说　明　书 4/23 页 处理文本的特征字段及特征字段相应的语义关系，且该目标模型是与参照模型交迭训练得 到的，先对目标模型进行模型参数更新，接着将目标模型的模型参数共享至参照模型，通过 参照模型调整第一文本样本的权重，并利用第一文本样本、第一文本样本更新后的权重对 目标模型进行模型参数二次更新，且模型参数更新、权重更新和模型参数二次更新循环进 行，这样，参照模型对目标模型每一步训练的样本权重进行调整，以降低噪声文本样本对目 标模型每一步训练的影响，提高文本特征关系抽取的准确性。 附图说明 图1为一个实施例中文本处理方法的应用环境图； 图2为一个实施例中文本处理方法的流程示意图； 图3为一个实施例中文本处理方法的流程框图； 图4为一个实施例中更新后的权重的示意图； 图5为另一个实施例中文本处理方法的流程示意图； 图6为另一个实施例中文本处理方法的流程框图； 图7为一个实施例中文本特征关系抽取方法的流程示意图； 图8为一个实施例中医学知识图谱的示意图； 图9为一个实施例中文本处理装置的结构框图； 图10为一个实施例中文本特征关系抽取装置的结构框图； 图11为一个实施例中计算机设备的内部结构图。