(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211305173.5 (22)申请日 2022.10.24 (71)申请人 深圳壹账通智能科技有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室(入驻深圳市 前海商务秘书 有限公司) (72)发明人 蒋宏达　 (74)专利代理 机构 深圳市沃德知识产权代理事 务所(普通 合伙) 44347 专利代理师 郭梦霞 (51)Int.Cl. G06K 9/62(2022.01) G06F 40/186(2020.01) G06F 40/151(2020.01) G06F 40/284(2020.01)G06F 40/289(2020.01) (54)发明名称 多任务处理方法、 装置、 电子设备及存储介 质 (57)摘要 本发明涉及人工智能领域的自然语言处理 技术， 揭露一种多任务处理方法， 包括： 利用文本 转换模板对训练文本进行格式转换， 得到标准训 练文本； 根据训练文本对应的任务标签确定该训 练文本对应的标准训练文本的训练标签； 利用标 准训练文本及训练标签对预构建的生成模型进 行训练， 得到多任务模型； 当获取待处理任务文 本及对应的任务处理类别时， 利用任务处理类别 筛选文本转换模板对待处理任务文本进行格式 转换， 得到标准待处理任务文本； 利用多任务模 型对标准待处理文本进行处理， 得到任务处理结 果。 本发明还涉及一种区块链技术， 所述多任务 模型可以存储在区块链节点中。 本发 明还提出一 种多任务处理装置、 设备 以及介质。 本发明可 以 多任务处理的准确率。 权利要求书3页 说明书10页 附图2页 CN 115496166 A 2022.12.20 CN 115496166 A 1.一种多任务处 理方法， 其特 征在于， 所述方法包括： 获取不同任务类别对应的训练文本集， 其中， 所述训练文本集中每个训练文本都有对 应的任务标签； 获取所述任务类别对应的文本转换模板， 利用所述文本转换模板对所述训练文本进行 格式转换， 得到所述训练文本对应的标准训练文本； 根据所述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签； 利用所述标准训练文本及所述训练标签对预构建的生成模型进行训练， 得到多任务模 型； 当获取待处理任务文本及对应的任务处理类别时， 利用所述任务处理类别筛选所述文 本转换模板对所述待处 理任务文本进行格式转换， 得到标准待处 理任务文本； 利用所述多任务模型对所述标准待处 理文本进行处 理， 得到任务处 理结果。 2.如权利要求1所述的多任务处理方法， 其特征在于， 所述利用所述文本转换模板对所 述训练文本进行格式转换， 得到所述训练文本对应的标准训练文本， 包括： 将所述文本转换模板对应的任务类别确定为目标任务类别； 将所述目标任务类别对应的训练文本集确定为目标训练文本集； 将所述目标训练文本集中的每个所述训练文本插入所述文本转换模板中， 得到每个所 述训练文本对应的所述标准训练文本 。 3.如权利要求1所述的多任务处理方法， 其特征在于， 所述利用所述标准训练文本及所 述训练标签对预构建的生成模型进行训练， 得到多任务模型， 包括： 将所有所述标准训练文本进行汇总， 得到标准训练文本集； 利用所述生成模型对所述标准训练文本集中的标准训练文本进行特征提取， 得到文本 特征矩阵； 利用所述生成模型中的解码器对所述文本特征矩阵进行解码， 以将所述文本特征矩阵 映射为文本， 得到分析文本； 基于预设的损失函数， 衡量所述文本特征矩阵对应的标准训练文本的训练标签与 所述 分析文本的差异， 得到损失值； 当所述任务损 失值大于或等于所述损 失阈值， 更新所述生成模型的模型参数， 返回所 述利用所述 生成模型对所述标准训练文本集中的标准训练文本进行 特征提取步骤； 当所述任务损失值小于所述损失阈值， 输出生成模型， 得到所述多任务模型。 4.如权利要求3所述的多任务处理方法， 其特征在于， 所述利用所述生成模型对所述标 准训练文本集中的标准训练文本进行 特征提取， 得到文本特 征矩阵， 包括： 选取所述标准训练文本集中任意一条训练文本， 得到目标标准训练文本， 并将所述标 准训练文本集中的目标 标准训练文本删除， 以得到更新后的标准训练文本集； 将所述目标 标准训练文本进行分词， 得到多个分词 词语； 利用所述 生成模型中的编码器将所述分词 词语转化为向量， 得到词语向量； 将所有所述词语向量按照对应的分词词语在所述目标标准训练文本中的先后顺序进 行组合， 得到所述文本特 征矩阵。 5.如权利要求4所述的多任务处理方法， 其特征在于， 所述将所有所述词语向量按照对 应的分词词语在所述 目标标准训练文本中的先后顺序进行组合， 得到所述文本特征矩阵，权　利　要　求　书 1/3 页 2 CN 115496166 A 2包括： 利用预设的位置编码公式计算每 个所述分词 词语的位置向量； 将每个所述分词 词语的位置向量及词语向量进行组合， 得到对应的特 征词语向量； 将所有所述特征词语向量按照对应的分词词语在所述目标标准训练文本中的先后顺 序进行组合， 得到特 征组合矩阵； 利用基于多头注意力机制构建的注意力机制网络对所述特征组合矩阵进行注意力加 权， 得到文本特 征矩阵。 6.如权利要求1至5中任意一项所述的多任务处理方法， 其特征在于， 所述利用所述任 务处理类别筛选所述文本转换模板对所述待处理任务文本进 行格式转换， 得到标准待处理 任务文本， 包括： 将与所述任务处 理类别相同的任务类别确定为目标类别； 获取所述目标类别对应的标签 类型； 将所述目标类别对应的文本转换模板确定为目标文本转换模板； 将所述待处理任务文本及所述标签类型插入所述目标文本转换模板， 得到所述标准待 处理文本。 7.一种多任务处 理装置， 其特 征在于， 包括： 文本转换模块， 用于获取不同任务类别对应的训练文本集， 其中， 所述训练文本集中每 个训练文本都有对应的任务标签； 获取所述任务类别对应的文本转换模板， 利用所述文本 转换模板对所述训练文本进行格式转换， 得到所述训练文本对应的标准训练文本； 根据所 述训练文本对应的任务标签确定该训练文本对应的标准训练文本的训练标签； 模型训练模块， 用于利用所述标准训练文本及所述训练标签对预构建的生成模型进行 训练， 得到多任务模型； 任务处理模块， 用于当获取待处理任务文本及对应的任务处理类别时， 利用所述任务 处理类别筛选所述文本转换模板对所述待处理任务文本进 行格式转换， 得到标准待处理任 务文本； 利用所述多任务模型对所述标准待处 理文本进行处 理， 得到任务处 理结果。 8.如权利要求7所述的多任务处理装置， 其特征在于， 所述利用所述任务处理类别筛选 所述文本转换模板对所述待处 理任务文本进行格式转换， 得到标准待处 理任务文本， 包括： 将与所述任务处 理类别相同的任务类别确定为目标类别； 获取所述目标类别对应的标签 类型； 将所述目标类别对应的文本转换模板确定为目标文本转换模板； 将所述待处理任务文本及所述标签类型插入所述目标文本转换模板， 得到所述标准待 处理文本。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的计算机程序， 所述计算机程 序被所述至少一个处理器执行， 以使 所述至少一个处理器能够执行如权利要求 1至6中任一 项所述的多任务处 理方法。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处权　利　要　求　书 2/3 页 3 CN 115496166 A 3