[发明专利]一种预训练语料库的构建方法、装置、设备及可读介质有效
| 申请号： | 202110932826.1 | 申请日： | 2021-08-13 |
| 公开（公告）号： | CN113722570B | 公开（公告）日： | 2023-07-18 |
| 发明（设计）人： | 于彤 | 申请（专利权）人： | 苏州浪潮智能科技有限公司 |
| 主分类号： | G06F16/951 | 分类号： | G06F16/951;G06F18/214;G06N20/00 |
| 代理公司： | 北京连和连知识产权代理有限公司 11278 | 代理人： | 陈黎明;李红萧 |
| 地址： | 215000 江苏省苏州*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种预训练语料库的构建方法，包括：基于待构建预训练语料库的大小判断需要数据集规模是否为小规模数据集；若是需要数据集规模不为小规模数据集，则基于预设token数占比计算爬虫数据的权重和每个高质量数据集需要提供的token数量；基于每个高质量数据集需要提供的token数量和单个高质量数据集的token数量分别计算单个高质量数据集的权重；基于爬虫数据的权重对爬虫数据进行采样，基于单个高质量数据集的权重分别对单个高质量数据集进行采样，以得到预训练语料库。本发明还公开了一种预训练语料库的构建装置、计算机设备和可读存储介质。本发明对不同规模的预训练采用不同的采样方式，提高了预训练语料库的质量。 | ||
| 搜索关键词： | 一种 训练 语料库 构建 方法 装置 设备 可读 介质 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于苏州浪潮智能科技有限公司，未经苏州浪潮智能科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202110932826.1/，转载请声明来源钻瓜专利网。
