本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息处理方法和装置。
背景技术：
无论在日常的生活中还是工作中，都会接触到大量的文本信息。一篇文本信息中，可能会包含各种信息。如何对文本信息进行处理，是本领域技术人员亟待解决的技术问题。
在现有技术中，如果要处理的文本信息存在于表格中，可以通过表头以及行列信息等，确定出指定信息。而如果文本信息是成段出现的，通常需要采用自然语言处理模型来处理文本。由于训练模型采用人工标注文本需要耗费较多的人力，导致样本生成困难，通常要获得一个训练后的模型的难度较大。
技术实现要素：
本申请实施例提出了信息处理方法和装置。
第一方面，本申请实施例提供了一种信息处理方法，包括：获取文本中的两个段落经分词后得到的词序列，其中，词序列包括至少一个用于替换词的指定标识；将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量，其中，词向量用于表征词序列中的词，以及词的位置；将词向量输入待训练的自然语言处理模型中的预设处理层，其中，预设处理层包括编码器和解码器；基于预设处理层输出的处理结果，预测两个段落是否相邻，和两个段落中被替换的词，得到预测结果；获取两个段落的参考信息，并基于预测结果和参考信息，训练待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，参考信息包括用于指示两个段落是否相邻的相邻信息，和被替换的词。
在一些实施例中，方法还包括：获取第一样本信息，其中，第一样本信息包括第一目标段落经分词后得到的第一段落词序列，以及第一指定属性；将第一样本信息输入经训练的自然语言处理模型，预测出相关度信息，其中，相关度信息用于指示第一段落词序列与第一指定属性之间的相关度；基于预测出的相关度信息，和对第一样本信息标注的相关度信息，训练经训练的自然语言处理模型，得到第一模型。
在一些实施例中，方法还包括：获取第二样本信息，其中，第二样本信息包括第二目标段落经分词后得到的第二段落词序列，以及第二指定属性，在第二段落词序列中存在与第二指定属性相匹配的属性，其中，匹配包括完全匹配和/或部分匹配；将第二样本信息输入经训练的自然语言处理模型，并在第二段落词序列中，预测出第二指定属性的属性值；基于预测出的属性值，和对相匹配的属性标注的属性值，训练经训练的自然语言处理模型，得到第二模型。
在一些实施例中，在第二段落词序列中，预测出第二指定属性的属性值，包括：预测出第二指定属性的属性值在段落词序列中的位置信息，其中，位置信息包括起始位置信息和终止位置信息。
在一些实施例中，方法还包括：获取目标文本经切词后得到的文本词序列，并将文本词序列划分成多个段落词序列；从多个段落词序列中，确定与目标属性相关的段落词序列；将目标属性和所确定的段落词序列输入第一模型，预测目标属性与每个所确定的段落词序列的相关度信息，其中，相关度信息包括相关度数值；按照相关度数值由大到小的顺序，从多个段落词序列中，选取出预设数量的段落词序列；将目标属性和预设数量的段落词序列输入第二模型，在预设数量的段落词序列中，预测目标属性的属性值，以及目标属性的属性值的置信度；基于相关度数值和置信度，在所预测的目标属性的属性值中，确定目标属性的属性值。
在一些实施例中，基于相关度数值和置信度，在所预测的目标属性的属性值中，确定目标属性的属性值，包括：对于所预测的、目标属性的属性值中的每个属性值，确定该属性值所在的段落词序列与目标属性的相关度数值，与该属性值的置信度的乘积；将所预测的、目标属性的属性值中，所对应的乘积最大的属性值确定为目标属性的属性值。
在一些实施例中，从多个段落词序列中，确定与目标属性相关的段落词序列，包括：对于多个段落词序列中的每个段落词序列，确定在该段落词序列中，是否存在与目标属性相匹配的词；若确定存在，将该段落词序列确定为与目标属性相关的段落词序列。
在一些实施例中，将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量，包括：将词序列输入待训练的自然语言处理模型中的嵌入层；对于词序列中的词，通过嵌入层，将该词转换为词的标识，并将词的标识转换为第一向量；通过嵌入层，将该词在词序列中的位置信息，转换为第二向量；通过嵌入层，确定出指示该词在两个段落中所处的段落的段落位置信息，并将段落位置信息转换为第三向量；将第一向量、第二向量和第三向量进行拼接，得到该词对应的词向量。
在一些实施例中，预设处理层包括多个级联的预设处理层；将词向量输入待训练的自然语言处理模型中的预设处理层，包括：将词向量输入多个级联的预设处理层中的首级预设处理层。
在一些实施例中，预设处理层包括多个处理单元，处理单元包括编码器和解码器；在多个级联的预设处理层中，上一级预设处理层中每个处理单元的结果，输入下一级预设处理层中的各个处理单元。
第二方面，本申请实施例提供了一种信息处理装置，包括：第一获取单元，被配置成获取文本中的两个段落经分词后得到的词序列，其中，词序列包括至少一个用于替换词的指定标识；生成单元，被配置成将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量，其中，词向量用于表征词序列中的词，以及词的位置；输入单元，被配置成将词向量输入待训练的自然语言处理模型中的预设处理层，其中，预设处理层包括编码器和解码器；预测单元，被配置成基于预设处理层输出的处理结果，预测两个段落是否相邻，和两个段落中被替换的词，得到预测结果；第一训练单元，被配置成获取两个段落的参考信息，并基于预测结果和参考信息，训练待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，参考信息包括用于指示两个段落是否相邻的相邻信息，和被替换的词。
在一些实施例中，装置还包括：第二获取单元，被配置成获取第一样本信息，其中，第一样本信息包括第一目标段落经分词后得到的第一段落词序列，以及第一指定属性；信息预测单元，被配置成将第一样本信息输入经训练的自然语言处理模型，预测出相关度信息，其中，相关度信息用于指示第一段落词序列与第一指定属性之间的相关度；第二训练单元，被配置成基于预测出的相关度信息，和对第一样本信息标注的相关度信息，训练经训练的自然语言处理模型，得到第一模型。
在一些实施例中，装置还包括：第三获取单元，被配置成获取第二样本信息，其中，第二样本信息包括第二目标段落经分词后得到的第二段落词序列，以及第二指定属性，在第二段落词序列中存在与第二指定属性相匹配的属性，其中，匹配包括完全匹配和/或部分匹配；值预测单元，被配置成将第二样本信息输入经训练的自然语言处理模型，并在第二段落词序列中，预测出第二指定属性的属性值；第三训练单元，被配置成基于预测出的属性值，和对相匹配的属性标注的属性值，训练经训练的自然语言处理模型，得到第二模型。
在一些实施例中，装置还包括：划分单元，被配置成获取目标文本经切词后得到的文本词序列，并将文本词序列划分成多个段落词序列；确定单元，被配置成从多个段落词序列中，确定与目标属性相关的段落词序列；相关度预测单元，被配置成将目标属性和所确定的段落词序列输入第一模型，预测目标属性与每个所确定的段落词序列的相关度信息，其中，相关度信息包括相关度数值；选取单元，被配置成按照相关度数值由大到小的顺序，从多个段落词序列中，选取出预设数量的段落词序列；属性值预测单元，被配置成将目标属性和预设数量的段落词序列输入第二模型，在预设数量的段落词序列中，预测目标属性的属性值，以及目标属性的属性值的置信度；值确定单元，被配置成基于相关度数值和置信度，在所预测的目标属性的属性值中，确定目标属性的属性值。
在一些实施例中，值预测单元，进一步被配置成按照如下方式执行在第二段落词序列中，预测出第二指定属性的属性值：预测出第二指定属性的属性值在段落词序列中的位置信息，其中，位置信息包括起始位置信息和终止位置信息。
在一些实施例中，值确定单元，进一步被配置成按照如下方式执行基于相关度数值和置信度，在所预测的目标属性的属性值中，确定目标属性的属性值：对于所预测的、目标属性的属性值中的每个属性值，确定该属性值所在的段落词序列与目标属性的相关度数值，与该属性值的置信度的乘积；将所预测的、目标属性的属性值中，所对应的乘积最大的属性值确定为目标属性的属性值。
在一些实施例中，从多个段落词序列中，确定与目标属性相关的段落词序列，包括：对于多个段落词序列中的每个段落词序列，确定在该段落词序列中，是否存在与目标属性相匹配的词；若确定存在，将该段落词序列确定为与目标属性相关的段落词序列。
在一些实施例中，生成单元，进一步被配置成按照如下方式执行将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量：将词序列输入待训练的自然语言处理模型中的嵌入层；对于词序列中的词，通过嵌入层，将该词转换为词的标识，并将词的标识转换为第一向量；通过嵌入层，将该词在词序列中的位置信息，转换为第二向量；通过嵌入层，确定出指示该词在两个段落中所处的段落的段落位置信息，并将段落位置信息转换为第三向量；将第一向量、第二向量和第三向量进行拼接，得到该词对应的词向量。
在一些实施例中，预设处理层包括多个级联的预设处理层；输入单元，进一步被配置成按照如下方式执行将词向量输入待训练的自然语言处理模型中的预设处理层：将词向量输入多个级联的预设处理层中的首级预设处理层。
在一些实施例中，预设处理层包括多个处理单元，处理单元包括编码器和解码器；在多个级联的预设处理层中，上一级预设处理层中每个处理单元的结果，输入下一级预设处理层中的各个处理单元。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如信息处理方法中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如信息处理方法中任一实施例的方法。
本申请实施例提供的信息处理方案，首先，获取文本中的两个段落经分词后得到的词序列，其中，词序列包括至少一个用于替换词的指定标识。之后，将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量，其中，词向量用于表征词序列中的词，以及词的位置。而后，将词向量输入待训练的自然语言处理模型中的预设处理层，其中，预设处理层包括编码器和解码器。然后，基于预设处理层输出的处理结果，预测两个段落是否相邻，和两个段落中被替换的词，得到预测结果。最后，获取两个段落的参考信息，并基于预测结果和参考信息，训练待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，参考信息包括用于指示两个段落是否相邻的相邻信息，和被替换的词。本申请实施例提供的方法能够采用大量无人工标注的样本训练自然语言处理模型，在减少人力消耗的同时，还能够解决样本不足的问题，并提高模型的预测准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请一些实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的信息处理方法的一个实施例的流程图；
图3是根据本申请的信息处理方法的一个应用场景的示意图；
图4是根据本申请的信息处理方法的又一个实施例的流程图；
图5是根据本申请的信息处理装置的一个实施例的结构示意图；
图6是适于用来实现本申请一些实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的信息处理方法或信息处理装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如文档阅读应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的文本等数据进行分析等处理，并将处理结果(例如文本中目标属性的属性值)反馈给终端设备。
需要说明的是，本申请实施例所提供的信息处理方法可以由服务器105或者终端设备101、102、103执行，相应地，信息处理装置可以设置于服务器105或者终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的信息处理方法的一个实施例的流程200。该信息处理方法，包括以下步骤：
步骤201，获取文本中的两个段落经分词后得到的词序列，其中，词序列包括至少一个用于替换词的指定标识。
在本实施例中，信息处理方法的执行主体(例如图1所示的服务器或终端设备)可以从本地或者其他执行主体获取一个文本中的两个段落所对应的词序列。具体地，上述执行主体或者其他执行主体可以对文本中的这两个段落进行分词，生成初始词序列，之后，利用指定标识替换掉初始词序列中的至少一个词，从而生成上述词序列。这里的指定标识可以掩盖所替换掉的词，从而可以用于训练自然语言处理模型根据上下文来预测缺失的词。这两个段落的词序列之间，可以采用特定字符来连接。
步骤202，将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量，其中，词向量用于表征词序列中的词，以及词的位置。
在本实施例中，上述执行主体可以将词序列输入待训练的自然语言处理模型，从而利用自然语言处理模型，生成词序列中的各个词对应的词向量。这里的词的位置可以是词在词序列中的位置比如排序，也可以是词所在的段落，也即词在哪一个段落。举例来说，这里的自然语言处理模型可以是seq2seqmodels或word2vec等词嵌入模型。
在实践中，上述执行主体可以采用各种方式生成上述既表征词本身，又表征词的位置的词向量。举例来说，上述执行主体可以确定出词在词序列中的位置对应的位置信息，以及确定出该位置信息对应的向量。并且，上述执行主体可以确定出这个词对应的向量。之后，上述执行主体可以将这两个向量进行拼接，从而得到上述词向量。
在本实施例的一些可选的实现方式中，步骤202可以包括：将词序列输入待训练的自然语言处理模型中的嵌入层；对于词序列中的词，通过嵌入层，将该词转换为词的标识，并将词的标识转换为第一向量；通过嵌入层，将该词在词序列中的位置信息，转换为第二向量；通过嵌入层，确定出指示该词在两个段落中所处的段落的段落位置信息，并将段落位置信息转换为第三向量；将第一向量、第二向量和第三向量进行拼接，得到该词对应的词向量。
在这些可选的实现方式中，上述执行主体可以利用嵌入层(embeddinglayer)来生成词向量。具体地，对于词序列中的词(比如词序列中的每个词)，上述执行主体可以在嵌入层中，查找在词表中该词所对应的标识。之后，上述执行主体则可以将该词的标识转换为向量，并将该向量作为第一向量。此外，上述执行主体还可以在嵌入层中，将该词在词序列中的位置信息，转换为向量，并将该向量作为第二向量。并且，上述执行主体还可以在嵌入层中，确定该词在这两个段落中所处的段落，也即段落位置信息。具体地，可以采用指定字符作为段落位置信息来指示词所处的段落，比如，可以采用ea来表示词处在两个段落中的第一个段落，并采用eb来表示词处在第二个段落，这里的ea和eb则皆为段落位置信息。之后，上述执行主体可以将段落位置信息转换为向量，并将该向量作为第三向量。具体地，上述三种转换得到的向量可以是低维向量。之后，上述执行主体可以将得到的第一向量、第二向量和第三向量进行向量拼接，从而得到该词对应的词向量。
这些实现方式中的词向量可以表征出词、词在词序列中的位置信息以及词所在的段落，从而能够通过词向量准确而全面表达词的各种性质。
步骤203，将词向量输入待训练的自然语言处理模型中的预设处理层，其中，预设处理层包括编码器和解码器。
在本实施例中，上述执行主体可以将词向量输入待训练的自然语言处理模型中的预设处理层。这里的预设处理层可以包括编码器和解码器。上述执行主体可以利用编码器读取输入的词向量，并将其编码为中间表示形式。之后，上述执行主体可以利用解码器对上述的中间表示形式进一步地处理，输出处理后的词向量。
在本实施例的一些可选的实现方式中，预设处理层包括多个级联的预设处理层；步骤203可以包括：将词向量输入多个级联的预设处理层中的首级预设处理层。
在这些可选的实现方式中，自然语言处理模型中可以包括多个预设处理层，这些预设处理层之间可以是级联的。也即，上一级预设处理层的结果，会输入到下一级预设处理层中。上述执行主体可以将词向量输入到首个预设处理层，这样，首个预设处理层在处理后，将结果传递到下一级预设处理层中，下一级预设处理层可以基于首级预设处理层的结果进行处理。以此类推，直到最后一级预设处理层处理完毕。
这些实现方式可以利用多个级联的预设处理层，进行多步处理，从而提高处理的准确度。
在本实施例的一些可选的实现方式中，预设处理层包括多个处理单元，处理单元包括编码器和解码器；在多个级联的预设处理层中，上一级预设处理层中每个处理单元的结果，输入下一级预设处理层中的各个处理单元。
在这些可选的实现方式中，每个预设处理层可以包括多个处理单元，比如，这里的处理单元可以是变换(transformer)单元。每个处理单元可以包括编码器和解码器，比如可以包括6个编码器和6个解码器。上一级预设处理层中的每个处理单元的结果，可以输入到下一级的预设处理层中的所有处理单元中。
在这些实现方式中，下一级的预设处理层中的每个处理单元都可以获取到上一级的所有处理单元的结果，从而能够全面地对各个结果进行融合处理。
步骤204，基于预设处理层输出的处理结果，预测两个段落是否相邻，和两个段落中被替换的词，得到预测结果。
在本实施例中，上述执行主体可以在自然语言处理模型中，利用预设处理层输出的处理结果，预测这两个段落在文本中是否是相邻的，从而预测出指示两个段落是否相邻的相邻信息，并可以预测哪些词被替换为了指定标识。
步骤205，获取两个段落的参考信息，并基于预测结果和参考信息，训练待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，参考信息包括用于指示两个段落是否相邻的相邻信息，和被替换的词。
在本实施例中，上述执行主体可以获取这两个段落的参考信息，并基于上述预测得到的预测结果和该参考信息，训练待训练的自然语言处理模型。具体地，参考信息是存在于文本中的真实数据。两个段落是否相邻以及被替换的词是哪个，均是客观存在的，因而无需进行人工标注就可以得到上述参考信息。上述执行主体利用预设损失函数，该参考信息和预测结果，可以计算得到损失值。在实践中，损失值可以是两个子损失值的加和，其中一个子损失值与相邻信息相对应，另一个子损失值则与被替换的词相对应。
本申请的上述实施例提供的方法能够采用大量无人工标注的样本训练自然语言处理模型，在减少人力消耗的同时，还能够解决样本不足的问题，并提高模型的预测准确度。
在本实施例的一些可选的实现方式中，方法还可以包括：获取第二样本信息，其中，第二样本信息包括第二目标段落经分词后得到的第二段落词序列，以及第二指定属性，在第二段落词序列中存在与第二指定属性相匹配的属性，其中，匹配包括完全匹配和/或部分匹配；将第二样本信息输入经训练的自然语言处理模型，并在第二段落词序列中，预测出第二指定属性的属性值；基于预测出的属性值，和对相匹配的属性标注的属性值，训练经训练的自然语言处理模型，得到第二模型。
在这些可选的实现方式中，上述执行主体可以获取第二样本信息，并将该第二样本信息输入上述经训练的自然语言处理模型。从而利用经训练的自然语言处理模型，预测出第二指定属性在第二段落词序列中的属性值。
在实践中，第二指定属性在第二段落词序列中，所存在的相匹配的属性，与第二指定属性可以是完全匹配，也可以是部分匹配。比如，第二指定属性可以是“发行日期”，如果属性与之完全匹配，则该属性可以是“发行日期”，如果属性与之部分匹配，则该属性可以是“在xx日发行”。
这些实现方式可以训练模型准确地预测出属性值，利用完全匹配以及部分匹配，不仅能够在属性一致的情况下找到属性值，还能够在属性含义相同，但是表达不同的情况下，找到属性值，提高了预测的召回率。
继续参见图3，图3是根据本实施例的信息处理方法的应用场景的一个示意图。在图3的应用场景中，执行主体301可以获取文本中的两个段落经分词后得到的词序列302，比如“发行人：甲市a公司sep发行总额不超过人民币5亿mask”，其中，词序列包括至少一个用于替换词的指定标识mask。将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量303，其中，词向量用于表征词序列中的词，以及词的位置。将词向量输入待训练的自然语言处理模型中的预设处理层304，其中，预设处理层包括编码器和解码器。基于预设处理层输出的处理结果，预测两个段落是否相邻，和两个段落中被替换的词，得到预测结果305。获取两个段落的参考信息，并基于预测结果和参考信息，训练待训练的自然语言处理模型，得到经训练的自然语言处理模型306，其中，参考信息包括用于指示两个段落是否相邻的相邻信息，和被替换的词。
进一步参考图4，其示出了信息处理方法的又一个实施例的流程400。该信息处理方法的流程400，包括以下步骤：
步骤401，获取文本中的两个段落经分词后得到的词序列，其中，词序列包括至少一个用于替换词的指定标识。
在本实施例中，信息处理方法的执行主体(例如图1所示的服务器或终端设备)可以从本地或者其他执行主体获取一个文本中的两个段落所对应的词序列。具体地，上述执行主体或者其他执行主体可以对文本中的这两个段落进行分词，生成初始词序列。之后，利用指定标识替换掉初始词序列中的至少一个词，从而生成上述词序列。这里的指定标识用于掩盖所替换掉的词，从而可以用于训练自然语言处理模型根据上下文来预测缺失的词。这两个段落的词序列之间，可以采用特定字符来连接。
步骤402，将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量，其中，词向量用于表征词序列中的词，以及词的位置。
在本实施例中，上述执行主体可以将词序列输入待训练的自然语言处理模型，从而利用自然语言处理模型，生成词序列中的各个词对应的词向量。这里的词的位置可以是词在词序列中的位置比如排序，也可以是词所在的段落，也即词在哪一个段落。
步骤403，将词向量输入待训练的自然语言处理模型中的预设处理层，其中，预设处理层包括编码器和解码器。
在本实施例中，上述执行主体可以将词向量输入待训练的自然语言处理模型中的预设处理层。这里的预设处理层可以包括编码器和解码器。上述执行主体可以利用编码器读取输入的词向量，并将其编码为中间表示形式。之后，上述执行主体可以利用解码器对上述的中间表示形式进一步地处理，输出处理后的词向量。
步骤404，基于预设处理层输出的处理结果，预测两个段落是否相邻，和两个段落中被替换的词，得到预测结果。
在本实施例中，上述执行主体可以在自然语言处理模型中，利用预设处理层输出的处理结果，预测这两个段落在文本中是否是相邻的，从而预测出指示两个段落是否相邻的相邻信息，并可以预测哪些词被替换为了指定标识。
步骤405，获取两个段落的参考信息，并基于预测结果和参考信息，训练待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，参考信息包括用于指示两个段落是否相邻的相邻信息，和被替换的词。
在本实施例中，上述执行主体可以获取这两个段落的参考信息，并基于上述预测得到的预测结果和该参考信息，训练待训练的自然语言处理模型。
步骤406，获取第一样本信息，其中，第一样本信息包括第一目标段落经分词后得到的第一段落词序列，以及第一指定属性。
在本实施例中，信息处理方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以从本地或者其他电子设备获取第一样本信息。这里的第一样本信息可以包括第一目标段落所对应的第一段落词序列，以及第一指定属性。在第一目标段落中可以存在属性，以及属性的属性值，比如，属性是性别，所对应的属性值是女。第一指定属性与第一目标段落可能是相关的，也可能完全无关。这里的段落词序列可以不包括用于替换词的指定标识。
步骤407，将第一样本信息输入经训练的自然语言处理模型，预测出相关度信息，其中，相关度信息用于指示第一段落词序列与第一指定属性之间的相关度。
在本实施例中，上述执行主体可以将第一样本信息输入上述经训练的自然语言处理模型，从而预测出相关度信息。这里的相关度信息用于指示第一段落词序列与上述第一指定属性之间的相关度。举例来说，相关度信息可以是用于量化相关度的相关度数值，也可以是用于体现相关度级别的特定信息，比如，特定信息可以分别指示“相关”、“非相关”，或“非常相关”、“一般相关”、“不相关”等等。
在实践中，如果第一指定属性完全出现在段落中，则对应的相关度数值可以是最大值。如果第一指定属性在段落中存在含义相同的属性，则相关度数值可以相比最大值有下降。如果第一指定属性在段落中存在含义部分相同的属性，则相关度数值可以相比最大值有下降。如果第一指定属性在段落中没有相同或者相类似的词语，则相关度数值可以远低于最大值，比如，可以是最小值。
步骤408，基于预测出的相关度信息，和对第一样本信息标注的相关度信息，训练经训练的自然语言处理模型，得到第一模型。
在本实施例中，上述执行主体可以获取对第一样本信息所标注的相关度信息。这样，上述执行主体可以基于所标注的相关度信息和预测出的相关度信息，计算损失值，以实现对经训练的自然语言处理模型的进一步训练，从而得到第一模型。
本实施例能够结合有标注和无标注的样本进行综合的训练，从而进一步提高模型的准确度。
在本实施例的一些可选的实现方式中，方法还可以包括：获取第二样本信息，其中，第二样本信息包括第二目标段落经分词后得到的第二段落词序列，以及第二指定属性，在第二段落词序列中存在与第二指定属性相匹配的属性，其中，匹配包括完全匹配和/或部分匹配；将第二样本信息输入经训练的自然语言处理模型，并在第二段落词序列中，预测出第二指定属性的属性值；基于预测出的属性值，和对相匹配的属性标注的属性值，训练经训练的自然语言处理模型，得到第二模型。
在这些可选的实现方式中，上述执行主体可以获取第二样本信息，并将该第二样本信息输入上述经训练的自然语言处理模型。从而利用经训练的自然语言处理模型，预测出第二指定属性在第二段落词序列中的属性值。
在实践中，第二指定属性在第二段落词序列中，所存在的相匹配的属性，与第二指定属性可以是完全匹配，也可以是部分匹配。比如，第二指定属性可以是“发行日期”，如果属性与之完全匹配，则该属性可以是“发行日期”，如果属性与之部分匹配，则该属性可以是“在xx日发行”。
需要说明的是，训练得到第一模型和第二模型所采用的样本可以是相同或部分相同的，因而上述的“第一样本信息”和“第二样本信息”，“第一目标段落”和“第二目标段落”，“第一指定属性”和“第二指定属性”，“第一段落词序列”和“第二段落词序列”均可以是相同的。
这些实现方式可以训练模型准确地预测出属性值，并利用完全匹配以及部分匹配，不仅能够在属性一致的情况下找到属性值，还能够在属性含义相同，但是表达不同的情况下，找到属性值，提高了预测的召回率。
在这些实现方式的一些可选的应用场景中，上述实现方式中的在第二段落词序列中，预测出第二指定属性的属性值，可以包括：预测出第二指定属性的属性值在段落词序列中的位置信息，其中，位置信息包括起始位置信息和终止位置信息。
在这些可选的应用场景中，预测出的属性值，可以表示为在段落词序列中的位置信息。比如，属性值对应的词序列为“不超过人民币5亿元”，上述执行主体可以将“不”和“元”分别标注为起始位置和终止位置，并将对这两个位置分别标注的信息，作为起始位置信息和终止位置信息。
这些应用场景可以通过起始位置信息和终止位置信息，实现利用很少的信息量，准确地表示属性值。
在这些实现方式的一些可选的应用场景中，上述方法还可以包括：获取目标文本经切词后得到的文本词序列，并将文本词序列划分成多个段落词序列；从多个段落词序列中，确定与目标属性相关的段落词序列；将目标属性和所确定的段落词序列输入第一模型，预测目标属性与每个所确定的段落词序列的相关度信息，其中，相关度信息包括相关度数值；按照相关度数值由大到小的顺序，从多个段落词序列中，选取出预设数量的段落词序列；将目标属性和预设数量的段落词序列输入第二模型，在预设数量的段落词序列中，预测目标属性的属性值，以及目标属性的属性值的置信度；基于相关度数值和置信度，在所预测的目标属性的属性值中，确定目标属性的属性值。
在这些可选的应用场景中，在训练得到第一模型和第二模型之后，上述执行主体可以利用这两个模型，在文本中预测出目标属性的属性值。具体地，上述执行主体可以获取目标文本所对应的词序列作为文本词序列，并按照段落的切分粒度，将该文本词序列划分为多个段落词序列。每个段落词序列对应目标文本中的一个段落。之后，上述执行主体可以对多个段落词序列进行初筛，过滤掉与目标属性完全无关的段落词序列，确定与目标属性有关的段落词序列。
然后，上述执行主体可以将目标属性和所确定的段落词序列输入上述第一模型。以利用第一模型预测目标属性与每个(在初筛中)所确定的段落词序列的相关度信息。这里的相关度信息可以是相关度数值，数值越大，则表示相关度越大。之后，上述执行主体可以按照相关度数值由大到小的顺序，从多个段落词序列中，选取出预设数量的段落词序列。比如，在上述所确定的段落词序列中，选取相关度数值排在前三位的段落词序列。具体地，该选取步骤可以是上述执行主体在第一模型中完成的，此外，也可以是在第一模型以外完成的。
而后，上述执行主体可以将目标属性和预设数量的段落词序列输入第二模型，从而利用第二模型在预设数量的段落词序列中，预测目标属性的属性值，以及该属性值的置信度。
在得到第一模型输出的相关度数值，以及第二模型输出的置信度之后，上述执行主体可以基于这两者，在所预测的目标属性的属性值中，为目标属性确定出一个属性值。
在实践中，上述执行主体可以采用各种方式基于相关度数值和置信度，确定出一个属性值。举例来说，上述执行主体可以对于所预测的、目标属性的属性值中的每个属性值，直接获取该属性值所在的段落词序列与目标属性的相关度数值。这里所获取的相关度数值是上述执行主体在先利用第一模型预测出的。之后，确定所获取的相关度数值与该属性值的置信度的和。最后，将所预测的、目标属性的属性值中，所对应的和最大的属性值确定为目标属性的属性值。此外，上述执行主体还可以将所获取的相关度数值和目标属性输入预设的模型中，该模型可以表征相关度数值、属性这两者与属性值的对应关系，这样，上述执行主体则可以得到该模型输出的目标属性的属性值。
这些应用场景可以通过训练得到的第一模型和第二模型，在文本中准确地确定出属性值，从而实现重点信息的准确抽取。
可选地，上述应用场景中的基于相关度数值和置信度，在所预测的目标属性的属性值中，确定目标属性的属性值，可以包括：对于所预测的、目标属性的属性值中的每个属性值，确定该属性值所在的段落词序列与目标属性的相关度数值，与该属性值的置信度的乘积；将所预测的、目标属性的属性值中，所对应的乘积最大的属性值确定为目标属性的属性值。
在这些可选的应用场景中，上述执行主体可以对于属性值，确定该属性值对应的相关度数值和置信度的乘积。之后，上述执行主体可以确定出最大的乘积，并将参与计算该乘积的置信度所对应的属性值作为目标属性的属性值。
这些可选的应用场景可以通过相乘对置信度和相关度数值进行充分地利用，得到更加准确的属性值。
可选地，上述应用场景中的从多个段落词序列中，确定与目标属性相关的段落词序列，包括：对于多个段落词序列中的每个段落词序列，确定在该段落词序列中，是否存在与目标属性相匹配的词；若确定存在，将该段落词序列确定为与目标属性相关的段落词序列。
在这些可选的应用场景中，上述执行主体可以从多个段落词序列中，确定是否存在与目标属性完全匹配或者部分匹配的词，也即相匹配的属性。如果存在，则可以确定该段落词序列与目标属性相关。
这些应用场景可以通过匹配，对段落词序列进行较为快速而准确的初筛，从而缩短后续利用自然语言处理模型的预测时间。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的信息处理装置500包括：第一获取单元501、生成单元502、输入单元503、预测单元504和第一训练单元505。其中，第一获取单元501，被配置成获取文本中的两个段落经分词后得到的词序列，其中，词序列包括至少一个用于替换词的指定标识；生成单元502，被配置成将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量，其中，词向量用于表征词序列中的词，以及词的位置；输入单元503，被配置成将词向量输入待训练的自然语言处理模型中的预设处理层，其中，预设处理层包括编码器和解码器；预测单元504，被配置成基于预设处理层输出的处理结果，预测两个段落是否相邻，和两个段落中被替换的词，得到预测结果；第一训练单元505，被配置成获取两个段落的参考信息，并基于预测结果和参考信息，训练待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，参考信息包括用于指示两个段落是否相邻的相邻信息，和被替换的词。
在一些实施例中，信息处理装置500的第一获取单元501可以从本地或者其他执行主体获取一个文本中的两个段落所对应的词序列。具体地，上述执行主体或者其他执行主体可以对文本中的这两个段落进行分词，生成初始词序列，之后，利用指定标识替换掉初始词序列中的至少一个词，从而生成上述词序列。
在一些实施例中，生成单元502可以将词序列输入待训练的自然语言处理模型，从而利用自然语言处理模型，生成词序列中的各个词对应的词向量。这里的词的位置可以是词在词序列中的位置比如排序，也可以是词所在的段落，也即词在哪一个段落。
在一些实施例中，输入单元503可以将词向量输入待训练的自然语言处理模型中的预设处理层。这里的预设处理层可以包括编码器和解码器。上述执行主体可以利用编码器读取输入的词向量，并将其编码为中间表示形式。之后，上述执行主体可以利用解码器对上述的中间表示形式进一步地处理，输出处理后的词向量。
在一些实施例中，预测单元504可以在自然语言处理模型中，利用预设处理层输出的处理结果，预测这两个段落在文本中是否是相邻的，从而预测出指示两个段落是否相邻的相邻信息，并可以预测哪些词被替换为了指定标识。
在一些实施例中，第一训练单元505可以获取这两个段落的参考信息，并基于上述预测得到的预测结果和该参考信息，训练待训练的自然语言处理模型。具体地，参考信息是存在于文本中的真实数据。两个段落是否相邻以及被替换的词是哪个，均是客观存在的，因而无需进行人工标注就可以得到上述参考信息。
在本实施例的一些可选的实现方式中，装置还包括：第二获取单元，被配置成获取第一样本信息，其中，第一样本信息包括第一目标段落经分词后得到的第一段落词序列，以及第一指定属性；信息预测单元，被配置成将第一样本信息输入经训练的自然语言处理模型，预测出相关度信息，其中，相关度信息用于指示第一段落词序列与第一指定属性之间的相关度；第二训练单元，被配置成基于预测出的相关度信息，和对第一样本信息标注的相关度信息，训练经训练的自然语言处理模型，得到第一模型。
在本实施例的一些可选的实现方式中，装置还包括：第三获取单元，被配置成获取第二样本信息，其中，第二样本信息包括第二目标段落经分词后得到的第二段落词序列，以及第二指定属性，在第二段落词序列中存在与第二指定属性相匹配的属性，其中，匹配包括完全匹配和/或部分匹配；值预测单元，被配置成将第二样本信息输入经训练的自然语言处理模型，并在第二段落词序列中，预测出第二指定属性的属性值；第三训练单元，被配置成基于预测出的属性值，和对相匹配的属性标注的属性值，训练经训练的自然语言处理模型，得到第二模型。
在本实施例的一些可选的实现方式中，装置还包括：划分单元，被配置成获取目标文本经切词后得到的文本词序列，并将文本词序列划分成多个段落词序列；确定单元，被配置成从多个段落词序列中，确定与目标属性相关的段落词序列；相关度预测单元，被配置成将目标属性和所确定的段落词序列输入第一模型，预测目标属性与每个所确定的段落词序列的相关度信息，其中，相关度信息包括相关度数值；选取单元，被配置成按照相关度数值由大到小的顺序，从多个段落词序列中，选取出预设数量的段落词序列；属性值预测单元，被配置成将目标属性和预设数量的段落词序列输入第二模型，在预设数量的段落词序列中，预测目标属性的属性值，以及目标属性的属性值的置信度；值确定单元，被配置成基于相关度数值和置信度，在所预测的目标属性的属性值中，确定目标属性的属性值。
在本实施例的一些可选的实现方式中，值预测单元，进一步被配置成按照如下方式执行在第二段落词序列中，预测出第二指定属性的属性值：预测出第二指定属性的属性值在段落词序列中的位置信息，其中，位置信息包括起始位置信息和终止位置信息。
在本实施例的一些可选的实现方式中，值确定单元，进一步被配置成按照如下方式执行基于相关度数值和置信度，在所预测的目标属性的属性值中，确定目标属性的属性值：对于所预测的、目标属性的属性值中的每个属性值，确定该属性值所在的段落词序列与目标属性的相关度数值，与该属性值的置信度的乘积；将所预测的、目标属性的属性值中，所对应的乘积最大的属性值确定为目标属性的属性值。
在本实施例的一些可选的实现方式中，从多个段落词序列中，确定与目标属性相关的段落词序列，包括：对于多个段落词序列中的每个段落词序列，确定在该段落词序列中，是否存在与目标属性相匹配的词；若确定存在，将该段落词序列确定为与目标属性相关的段落词序列。
在本实施例的一些可选的实现方式中，生成单元，进一步被配置成按照如下方式执行将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量：将词序列输入待训练的自然语言处理模型中的嵌入层；对于词序列中的词，通过嵌入层，将该词转换为词的标识，并将词的标识转换为第一向量；通过嵌入层，将该词在词序列中的位置信息，转换为第二向量；通过嵌入层，确定出指示该词在两个段落中所处的段落的段落位置信息，并将段落位置信息转换为第三向量；将第一向量、第二向量和第三向量进行拼接，得到该词对应的词向量。
在本实施例的一些可选的实现方式中，预设处理层包括多个级联的预设处理层；输入单元，进一步被配置成按照如下方式执行将词向量输入待训练的自然语言处理模型中的预设处理层：将词向量输入多个级联的预设处理层中的首级预设处理层。
在本实施例的一些可选的实现方式中，预设处理层包括多个处理单元，处理单元包括编码器和解码器；在多个级联的预设处理层中，上一级预设处理层中每个处理单元的结果，输入下一级预设处理层中的各个处理单元。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例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(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，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。而在本公开的实施例中，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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、生成单元、输入单元、预测单元和第一训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取文本中的两个段落经分词后得到的词序列的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取文本中的两个段落经分词后得到的词序列，其中，词序列包括至少一个用于替换词的指定标识；将词序列输入待训练的自然语言处理模型，生成词序列中的词对应的词向量，其中，词向量用于表征词序列中的词，以及词的位置；将词向量输入待训练的自然语言处理模型中的预设处理层，其中，预设处理层包括编码器和解码器；基于预设处理层输出的处理结果，预测两个段落是否相邻，和两个段落中被替换的词，得到预测结果；获取两个段落的参考信息，并基于预测结果和参考信息，训练待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，参考信息包括用于指示两个段落是否相邻的相邻信息，和被替换的词。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
1.一种信息处理方法，所述方法包括：
获取文本中的两个段落经分词后得到的词序列，其中，所述词序列包括至少一个用于替换词的指定标识；
将所述词序列输入待训练的自然语言处理模型，生成所述词序列中的词对应的词向量，其中，所述词向量用于表征词序列中的词，以及词的位置；
将所述词向量输入所述待训练的自然语言处理模型中的预设处理层，其中，所述预设处理层包括编码器和解码器；
基于所述预设处理层输出的处理结果，预测所述两个段落是否相邻，和所述两个段落中被替换的词，得到预测结果；
获取所述两个段落的参考信息，并基于所述预测结果和所述参考信息，训练所述待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，所述参考信息包括用于指示所述两个段落是否相邻的相邻信息，和被替换的词。
2.根据权利要求1所述的方法，其中，所述方法还包括：
获取第一样本信息，其中，所述第一样本信息包括第一目标段落经分词后得到的第一段落词序列，以及第一指定属性；
将所述第一样本信息输入所述经训练的自然语言处理模型，预测出相关度信息，其中，相关度信息用于指示所述第一段落词序列与所述第一指定属性之间的相关度；
基于预测出的相关度信息，和对所述第一样本信息标注的相关度信息，训练所述经训练的自然语言处理模型，得到第一模型。
3.根据权利要求2所述的方法，其中，所述方法还包括：
获取第二样本信息，其中，所述第二样本信息包括第二目标段落经分词后得到的第二段落词序列，以及第二指定属性，在所述第二段落词序列中存在与所述第二指定属性相匹配的属性，其中，所述匹配包括完全匹配和/或部分匹配；
将所述第二样本信息输入所述经训练的自然语言处理模型，并在所述第二段落词序列中，预测出所述第二指定属性的属性值；
基于预测出的属性值，和对所述相匹配的属性标注的属性值，训练所述经训练的自然语言处理模型，得到第二模型。
4.根据权利要求3所述的方法，其中，所述在所述第二段落词序列中，预测出所述第二指定属性的属性值，包括：
预测出所述第二指定属性的属性值在所述段落词序列中的位置信息，其中，所述位置信息包括起始位置信息和终止位置信息。
5.根据权利要求3所述的方法，其中，所述方法还包括：
获取目标文本经切词后得到的文本词序列，并将所述文本词序列划分成多个段落词序列；
从所述多个段落词序列中，确定与所述目标属性相关的段落词序列；
将所述目标属性和所确定的段落词序列输入所述第一模型，预测所述目标属性与每个所确定的段落词序列的相关度信息，其中，所述相关度信息包括相关度数值；
按照相关度数值由大到小的顺序，从所述多个段落词序列中，选取出预设数量的段落词序列；
将所述目标属性和所述预设数量的段落词序列输入所述第二模型，在所述预设数量的段落词序列中，预测所述目标属性的属性值，以及所述目标属性的属性值的置信度；
基于所述相关度数值和所述置信度，在所预测的所述目标属性的属性值中，确定所述目标属性的属性值。
6.根据权利要求5所述的方法，其中，所述基于所述相关度数值和所述置信度，在所预测的所述目标属性的属性值中，确定所述目标属性的属性值，包括：
对于所预测的、所述目标属性的属性值中的每个属性值，确定该属性值所在的段落词序列与所述目标属性的相关度数值，与该属性值的置信度的乘积；
将所预测的、所述目标属性的属性值中，所对应的乘积最大的属性值确定为所述目标属性的属性值。
7.根据权利要求5所述的方法，其中，所述从所述多个段落词序列中，确定与所述目标属性相关的段落词序列，包括：
对于所述多个段落词序列中的每个段落词序列，确定在该段落词序列中，是否存在与所述目标属性相匹配的词；
若确定存在，将该段落词序列确定为与所述目标属性相关的段落词序列。
8.根据权利要求1所述的方法，其中，所述将所述词序列输入待训练的自然语言处理模型，生成所述词序列中的词对应的词向量，包括：
将所述词序列输入待训练的自然语言处理模型中的嵌入层；
对于所述词序列中的词，通过所述嵌入层，将该词转换为词的标识，并将所述词的标识转换为第一向量；
通过所述嵌入层，将该词在所述词序列中的位置信息，转换为第二向量；
通过所述嵌入层，确定出指示该词在所述两个段落中所处的段落的段落位置信息，并将所述段落位置信息转换为第三向量；
将所述第一向量、所述第二向量和所述第三向量进行拼接，得到该词对应的词向量。
9.根据权利要求1所述的方法，其中，所述预设处理层包括多个级联的预设处理层；所述将所述词向量输入所述待训练的自然语言处理模型中的预设处理层，包括：
将所述词向量输入所述多个级联的预设处理层中的首级预设处理层。
10.根据权利要求1所述的方法，其中，
预设处理层包括多个处理单元，所述处理单元包括所述编码器和所述解码器；在多个级联的预设处理层中，上一级预设处理层中每个处理单元的结果，输入下一级预设处理层中的各个处理单元。
11.一种信息处理装置，所述装置包括：
第一获取单元，被配置成获取文本中的两个段落经分词后得到的词序列，其中，所述词序列包括至少一个用于替换词的指定标识；
生成单元，被配置成将所述词序列输入待训练的自然语言处理模型，生成所述词序列中的词对应的词向量，其中，所述词向量用于表征词序列中的词，以及词的位置；
输入单元，被配置成将所述词向量输入所述待训练的自然语言处理模型中的预设处理层，其中，所述预设处理层包括编码器和解码器；
预测单元，被配置成基于所述预设处理层输出的处理结果，预测所述两个段落是否相邻，和所述两个段落中被替换的词，得到预测结果；
第一训练单元，被配置成获取所述两个段落的参考信息，并基于所述预测结果和所述参考信息，训练所述待训练的自然语言处理模型，得到经训练的自然语言处理模型，其中，所述参考信息包括用于指示所述两个段落是否相邻的相邻信息，和被替换的词。
12.根据权利要求11所述的装置，其中，所述装置还包括：
第二获取单元，被配置成获取第一样本信息，其中，所述第一样本信息包括第一目标段落经分词后得到的第一段落词序列，以及第一指定属性；
信息预测单元，被配置成将所述第一样本信息输入所述经训练的自然语言处理模型，预测出相关度信息，其中，相关度信息用于指示所述第一段落词序列与所述第一指定属性之间的相关度；
第二训练单元，被配置成基于预测出的相关度信息，和对所述第一样本信息标注的相关度信息，训练所述经训练的自然语言处理模型，得到第一模型。
13.根据权利要求12所述的装置，其中，所述装置还包括：
第三获取单元，被配置成获取第二样本信息，其中，所述第二样本信息包括第二目标段落经分词后得到的第二段落词序列，以及第二指定属性，在所述第二段落词序列中存在与所述第二指定属性相匹配的属性，其中，所述匹配包括完全匹配和/或部分匹配；
值预测单元，被配置成将所述第二样本信息输入所述经训练的自然语言处理模型，并在所述第二段落词序列中，预测出所述第二指定属性的属性值；
第三训练单元，被配置成基于预测出的属性值，和对所述相匹配的属性标注的属性值，训练所述经训练的自然语言处理模型，得到第二模型。
14.根据权利要求13所述的装置，其中，所述装置还包括：
划分单元，被配置成获取目标文本经切词后得到的文本词序列，并将所述文本词序列划分成多个段落词序列；
确定单元，被配置成从所述多个段落词序列中，确定与所述目标属性相关的段落词序列；
相关度预测单元，被配置成将所述目标属性和所确定的段落词序列输入所述第一模型，预测所述目标属性与每个所确定的段落词序列的相关度信息，其中，所述相关度信息包括相关度数值；
选取单元，被配置成按照相关度数值由大到小的顺序，从所述多个段落词序列中，选取出预设数量的段落词序列；
属性值预测单元，被配置成将所述目标属性和所述预设数量的段落词序列输入所述第二模型，在所述预设数量的段落词序列中，预测所述目标属性的属性值，以及所述目标属性的属性值的置信度；
值确定单元，被配置成基于所述相关度数值和所述置信度，在所预测的所述目标属性的属性值中，确定所述目标属性的属性值。
15.根据权利要求14所述的装置，其中，所述值确定单元，进一步被配置成按照如下方式执行基于所述相关度数值和所述置信度，在所预测的所述目标属性的属性值中，确定所述目标属性的属性值：
对于所预测的、所述目标属性的属性值中的每个属性值，确定该属性值所在的段落词序列与所述目标属性的相关度数值，与该属性值的置信度的乘积；
将所预测的、所述目标属性的属性值中，所对应的乘积最大的属性值确定为所述目标属性的属性值。
16.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
17.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-10中任一所述的方法。
技术总结