文本生成方法、文本生成模型的训练方法及装置与流程

1.本公开涉及人工智能技术领域，尤其涉及自然语言处理、深度学习、强化学习等技术领域，具体涉及一种文本生成方法及装置、文本生成模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.人工智能(artificial intelligence，ai)是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.大语言模型(large language model，llm，又称大模型)是使用大量文本数据训练的深度学习模型，其可以生成自然语言文本或理解自然语言文本的含义。大语言模型可以处理多种自然语言任务，例如文本分类、文本生成、问答、对话等，是通向人工智能的一条重要途径。
4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

5.本公开提供了一种文本生成方法及装置、文本生成模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
6.根据本公开的一方面，提供了一种文本生成方法，包括：获取第一问题文本，其中，所述第一问题文本表示待确定解答步骤序列的第一问题；将历史步骤序列文本初始化为预设值；以及基于所述第一问题文本，对所述历史步骤序列文本进行至少一次更新，以得到目标步骤序列文本，其中，所述目标步骤序列文本表示所述第一问题的解答步骤序列，所述目标步骤序列文本包括至少一个步骤文本，所述至少一个步骤文本中的每个步骤文本表示所述第一问题的一个解答步骤；其中，所述至少一次更新中的每一次更新包括：基于所述第一问题文本和当前的历史步骤序列文本，生成当前的步骤文本，其中，所述当前的步骤文本表示所述第一问题的当前解答步骤；响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；或者响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。
7.根据本公开的一方面，提供了一种文本生成模型的训练方法，包括：获取问答文本对，其中，所述问答文本对包括表示样本问题的样本问题文本和表示所述样本问题的答案的样本答案文本；将历史步骤序列文本初始化为预设值；重复执行以下操作，以生成目标步
骤序列文本，其中，所述目标步骤序列文本表示所述样本问题的解答步骤序列：将所述样本问题文本和当前的历史步骤序列文本输入所述文本生成模型，以得到所述文本生成模型输出的当前的步骤文本，其中，所述当前的步骤文本表示所述样本问题的当前解答步骤；响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；或者响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本；基于所述目标步骤序列文本，生成所述样本问题的预测答案文本；基于所述预测答案文本和所述样本答案文本，确定所述文本生成模型的奖励；以及基于所述奖励，调整所述文本生成模型的参数。
8.根据本公开的一方面，提供了一种文本生成装置，包括：获取模块，被配置为获取第一问题文本，其中，所述第一问题文本表示待确定解答步骤序列的第一问题；初始化模块，被配置为将历史步骤序列文本初始化为预设值；以及更新模块，被配置为基于所述第一问题文本，对所述历史步骤序列文本进行至少一次更新，以得到目标步骤序列文本，其中，所述目标步骤序列文本表示所述第一问题的解答步骤序列，所述目标步骤序列文本包括至少一个步骤文本，所述至少一个步骤文本中的每个步骤文本表示所述第一问题的一个解答步骤；其中，所述更新模块包括：生成单元，被配置为基于所述第一问题文本和当前的历史步骤序列文本，生成当前的步骤文本，其中，所述当前的步骤文本表示所述第一问题的当前解答步骤；更新单元，被配置为响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；以及确定单元，被配置为响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。
9.根据本公开的一方面，提供了一种文本生成模型的训练装置，包括：获取模块，被配置为获取问答文本对，其中，所述问答文本对包括表示样本问题的样本问题文本和表示所述样本问题的答案的样本答案文本；初始化模块，被配置为将历史步骤序列文本初始化为预设值；第一生成模块，被配置为重复执行以下操作，以生成目标步骤序列文本，其中，所述目标步骤序列文本表示所述样本问题的解答步骤序列：将所述样本问题文本和当前的历史步骤序列文本输入所述文本生成模型，以得到所述文本生成模型输出的当前的步骤文本，其中，所述当前的步骤文本表示所述样本问题的当前解答步骤；响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；或者响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本；第二生成模块，被配置为基于所述目标步骤序列文本，生成所述样本问题的预测答案文本；确定模块，被配置为基于所述预测答案文本和所述样本答案文本，确定所述文本生成模型的奖励；以及调整模块，被配置为基于所述奖励，调整所述文本生成模型的参数。
10.根据本公开的一方面，提供了一种电子设备，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指令，所述指令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上述任一方面的方法。
11.根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介
质，所述计算机指令用于使计算机执行上述任一方面的方法。
12.根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器执行时实现上述任一方面的方法。
13.根据本公开的一个或多个实施例，高效地构造带有解答步骤的机器问答提示文本。
14.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
15.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
16.图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
17.图2示出了根据本公开实施例的文本生成方法的流程图；
18.图3示出了根据本公开实施例的文本生成模型的训练方法的流程图；
19.图4示出了根据本公开实施例的文本生成装置的结构框图；
20.图5示出了根据本公开实施例的文本生成模型的训练装置的结构框图；以及
21.图6示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
22.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
23.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
24.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。“多个”指的是两个或两个以上。
25.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
26.大语言模型技术近年来取得了显著进展，成为ai领域的革命性突破。大语言模型，例如文心一言、chatgpt(chat generative pre-trained transformer)、gpt-4等，展现出强大的任务求解能力，能够处理例如文本分类、文本生成、问答、对话等多种自然语言任务。在问答任务中，大语言模型能够为相对简单的问题给出准确的答案，但由于其缺乏记忆和
推理能力，难以有效地求解复杂问题(例如复杂的数学、物理计算问题)。对于复杂问题，大语言模型可能产生缺乏逻辑依据或事实错误的答案，对用户造成误导。
27.相关技术中，为了提高大语言模型对复杂问题的处理能力，通常采用思维链提示(chain-of-thought prompting)的方法来引导大语言模型逐步推理给出答案。
28.思维链(chain-of-thought，cot)是用于得出问题的最终答案的一系列连续的中间推理步骤，即，思维链是由问题的一系列解答步骤所组成的解答步骤序列。例如，要求解“小明和小华谁大”这个问题，具体包括“求小明的年龄”、“求小华的年龄”、“比较两个年龄”、“描述比较结果”四个解答步骤。因此，求解该问题的思维链为“求小明的年龄
→
求小华的年龄
→
比较两个年龄
→
描述比较结果”。
29.思维链提示指的是将参考问题和该参考问题的带有解答过程(即，思维链)的答案作为提示文本(prompt)，与待解答问题一并输入大语言模型，从而引导大语言模型逐步推理给出待解答问题的答案。
30.相关技术中，通常通过人工标注问题的解答步骤的方式来构造思维链。该方法人力成本高，标注效率低，难以快速构造大批量的思维链数据。
31.针对上述问题，本公开实施例提供了一种文本生成方法，能够通过文本生成的方式自动生成问题的解答步骤序列，从而能够高效地构造大批量带有解答步骤的机器问答提示文本。下面将结合附图详细描述本公开的实施例。
32.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
33.在本公开的实施例中，客户端设备101、102、103、104、105和106以及服务器120可以运行使得能够执行文本生成方法或文本生成模型的训练方法的一个或多个服务或软件应用。
34.在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
35.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
36.客户端设备101、102、103、104、105和/或106可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
37.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、车载设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
38.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、区块链网络、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wi-fi)和/或这些和/或其他网络的任意组合。
39.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
40.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
41.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
42.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
43.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。
数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
44.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
45.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
46.图2示出了根据本公开实施例的文本生成方法200的流程图。方法200的各个步骤的执行主体通常是服务器，例如图1中所示的服务器120。在一些实施例中，方法200的执行主体也可以是客户端设备，例如图1中所示的客户端设备101-106。
47.如图2所示，方法200包括操作s210-s230。
48.在操作s210中，获取第一问题文本。第一问题文本表示待确定解答步骤序列的第一问题。
49.在操作s220中，将历史步骤序列文本初始化为预设值。
50.在操作s230中，基于第一问题文本，对历史步骤序列文本进行至少一次更新，以得到目标步骤序列文本。目标步骤序列文本表示第一问题的解答步骤序列，目标步骤序列文本包括至少一个步骤文本，至少一个步骤文本中的每个步骤文本表示第一问题的一个解答步骤。
51.上述操作s230的至少一次更新中的每一次更新包括操作s231-s233。
52.在操作s231中，基于第一问题文本和当前的历史步骤序列文本，生成当前的步骤文本。其中，当前的步骤文本表示第一问题的当前解答步骤。
53.在操作s232中，响应于当前的步骤文本不是预设的终止文本，将当前的历史步骤序列文本与当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本。
54.在操作s233中，响应于当前的步骤文本是终止文本，将当前的历史步骤序列文本确定为目标步骤序列文本。
55.根据本公开的实施例，基于第一问题文本和已生成的历史步骤序列文本，逐步生成各个步骤文本，进而得到目标步骤序列文本，即得到第一问题的解答步骤序列(即，思维链)。本公开的实施例通过文本生成的方式自动生成问题的解答步骤序列，能够高效地构造大批量带有解答步骤的机器问答提示文本。
56.以下详细介绍方法200的各个步骤。
57.在本公开的实施例中，第一问题是待确定解答步骤序列的问题，即，待构造思维链的问题。第一问题以文本的形式表示，即，第一问题被表示为第一问题文本。
58.在本公开的实施例中，历史步骤序列文本表示在文本生成过程中生成的解答步骤序列。目标步骤序列文本表示所生成的第一问题的解答步骤序列，即，第一问题的思维链。
59.可以理解，在本公开的实施例中，历史步骤序列文本是一个变量，其初始值为预设值。随着操作s231-s233的执行，历史步骤序列文本的值不断被更新，其终止值为目标步骤序列文本。具体地，每执行一次操作s231，将生成一个新的步骤文本，该步骤文本表示第一问题的当前解答步骤，即，表示当前基于第一问题文本和已生成的历史步骤序列文本所确
定的下一步要执行的解答步骤。通过执行操作s232，新生成的步骤文本被不断添加至历史步骤序列文本中。直至新生成的步骤文本为终止文本时，历史步骤序列文本的更新过程终止，此时的历史步骤序列文本即为目标步骤序列文本。
60.根据一些实施例，历史步骤序列文本的预设值(初始值)可以是空字符串“null”、字符串“思维链：”等。预设的终止文本例如可以是“完成”、“结束”等。
61.针对操作s231，生成当前的步骤文本的方法有多种。
62.根据一些实施例，可以将第一问题文本和当前的历史步骤序列文本输入文本生成模型，以得到文本生成模型输出的当前的步骤文本。
63.根据上述实施例，利用文本生成模型生成步骤文本，能够提高文本生成的效率和泛化性。
64.根据一些实施例，文本生成模型可以是大语言模型，其通常包括具有编码器(encoder)和解码器(decoder)的n层transformer网络。大语言模型是利用大量自然语言数据进行预训练(pre-traning)得到的。预训练使得大语言模型具备某些先验知识和常识，从而提高其在各种任务上的表现。
65.在另一些实施例中，文本生成模型也可以是其他深神经网络模型，例如seq2seq等。
66.根据一些实施例，文本生成模型可以是通过强化学习策略对预训练的第一语言模型进行训练而得到的。训练的训练样本为问答文本对，问答文本对包括表示样本问题的样本问题文本和表示样本问题的答案的样本答案文本。第一语言模型例如可以是大语言模型。文本生成模型例如可以通过本公开实施例的文本生成模型的训练方法300训练得出。
67.根据上述实施例，文本生成模型是在预训练的第一语言模型的基础上利用问答文本对进行进一步训练而得到的，因此文本生成模型不仅具有第一语言模型的语言理解能力，还具有准确构造问题的思维链的能力。此外，文本生成模型是在众多的训练样本中通过强化学习策略训练得到，因而其行为具有全局的一致性。因此，文本生成模型能够为新的任务(例如数学计算、物理计算等)生成正确且一致的思维链。所生成的思维链可以作为提示文本(prompt)来引导大语言模型(例如下文的第三语言模型)逐步推理给出待解答问题的答案，从而提高答案的准确性。
68.根据另一些实施例，文本生成模型可以是预训练的第二语言模型。第二语言模型例如可以是大语言模型。根据该实施例，直接采用预训练的大语言模型作为文本生成模型，无需执行额外的训练步骤来调整大语言模型的参数，避免了模型训练所造成的计算资源和时间的消耗，具有较强的实用性。
69.根据一些实施例，第二语言模型可以与上文的第一语言模型相同。
70.可以理解，在上述实施例中，由于文本生成模型直接采用预训练的第二语言模型，没有利用问答文本对对第二语言模型的参数进行针对性的调节，因此文本生成模型生成的思维链的准确性偏低。在这种情况下，为了保证所生成的思维链的准确性，可以利用预设的执行器来执行各个步骤文本对应的解答步骤，根据最后一个解答步骤的执行结果来对所生成的思维链进行校验。由此能够在提高效率和实用性的同时，保证所生成的思维链的准确性。
71.具体地，历史步骤序列文本的每一次更新还包括操作s234。在操作s234中，执行当
前的步骤文本所表示的当前解答步骤，以得到当前解答步骤的当前执行结果文本。
72.与上述操作s234相应地，操作s233进一步包括：响应于当前的步骤文本是终止文本并且当前执行结果文本为表示第一问题的答案的第一答案文本，将当前的历史步骤序列文本确定为目标步骤序列文本。
73.可以理解，上述实施例需要获取第一问题文本对应的第一答案文本，并基于第一问题文本和第一答案文本，生成第一问题的目标步骤序列文本，即思维链。当前的步骤文本是终止文本，表示历史步骤序列文本的更新过程已结束，相应地，当前的步骤文本表示第一问题的最后一个解答步骤，该解答步骤的执行结果即为第一问题的预测答案。若最后一个解答步骤对应的执行结果文本与第一答案文本相同，则表示第一问题的预测答案与正确答案相同，所生成的历史步骤序列文本能够正确解答第一问题，因此认为所生成的历史步骤序列文本是正确的，将其作为目标步骤序列文本。反之，若最后一个解答步骤对应的执行结果文本与第一答案文本不同，则认为所生成的历史步骤序列文本是错误的，将其丢弃，不作为目标步骤序列文本。
74.根据一些实施例，操作s234可以利用预设的执行器实现。执行器例如可以是大语言模型，也可以是人工设计的求解模型。
75.根据一些实施例，操作s234可以包括操作s2341-s2343。
76.在操作s2341中，识别第一问题所对应的知识领域。
77.在操作s2342中，获取用于执行该知识领域的问题解答步骤的执行器。
78.在操作s2343中，将当前的步骤文本输入执行器，以得到执行器输出的当前执行结果文本。
79.根据上述实施例，利用与第一问题所属的知识领域相对应的执行器来执行第一问题的解答步骤，能够提高执行结果的准确性。
80.根据一些实施例，在操作s2341中，可以将第一问题文本输入经训练的分类模型，以得到分类模型输出的第一问题所属的知识领域。
81.分类模型可以实现为神经网络。在一些实施例中，分类模型可以是大语言模型，例如上文的第一语言模型、第二语言模型等。
82.知识领域例如包括通用知识领域、数学知识领域、物理知识领域、医学知识领域等。
83.根据一些实施例，可以预先设置不同的知识领域所对应的执行器，并存储知识领域与执行器的对应关系。相应地，在操作s2342中，可以基于第一问题的知识领域，从上述对应关系中查找出相应的执行器。可以理解，不同知识领域对应的执行器通常不同。例如，通用知识领域的执行器可以是大语言模型。大语言模型对于数学、物理等专业知识领域的求解能力有所欠缺，因此可以根据专业知识领域的特点，人工设计各专业知识领域的求解模型，作为执行器。
84.根据一些实施例，在操作s2343中，执行器可以通过调用外部接口来获取外部知识，并基于所获取的外部知识生成当前执行结果文本。
85.根据一些实施例，在操作s231中，可以利用问答步骤模板来生成当前的步骤文本。例如，可以预设多个问答步骤模板。每个问答步骤模板定义了由问题文本和步骤序列文本到步骤文本的对应关系。通过将第一问题文本和当前的历史步骤序列文本与预设的多个问
答步骤模板进行匹配，得到第一问题文本和当前的历史步骤序列文本所对应的目标问答步骤模板。进一步地，基于该目标问答步骤模板，确定当前的步骤文本。
86.根据一些实施例，在操作s231中，可以利用预设的步骤数据库来确定当前的步骤文本。例如，可以将第一问题文本和当前的历史步骤序列文本与步骤数据库中的多个步骤文本进行匹配，将匹配度最大的步骤文本作为当前的步骤文本。
87.在操作s231-s233中，文本生成模型不断地根据当前状态(包括第一问题文本和当前的历史步骤序列文本)生成下一个解答步骤的步骤文本，并根据所生成的步骤文本对当前状态进行更新(即，更新历史步骤序列文本)，直至所生成的步骤文本为终止文本为止。此时的历史步骤序列文本即为第一文本的目标步骤序列文本，即第一文本的思维链。
88.下表示出了一个根据本公开实施例的示例性文本生成过程：
[0089][0090]
根据一些实施例，方法200还包括操作s240-s260。
[0091]
在操作s240中，分别执行目标步骤序列文本中的每个解答步骤，以得到每个解答步骤的执行结果文本。
[0092]
在操作s250中，基于目标步骤序列文本和每个解答步骤的执行结果文本，生成第一解答文本。其中，第一解答文本表示第一问题的解答过程。
[0093]
在操作s260中，基于第一问题文本和第一解答文本，优化第三语言模型的输出。
[0094]
根据上述实施例，利用第一问题文本和第一解答文本优化第三语言模型的输出，能够使第三语言模型学习第一问题的解答过程，从而提高其输出的其他问题的答案的准确性。
[0095]
根据一些实施例，操作s240可以包括上文的操作s2341-s2343。即，在操作s240中，利用预设的执行器分别执行目标步骤序列文本中的每个解答步骤，得到每个解答步骤的执行结果文本。
[0096]
根据一些实施例，在操作s250中，可以将每个解答步骤的步骤文本与其执行结果文本进行组合，以生成第一解答文本。例如，第一问题文本“小明和小华谁大”的目标步骤序列文本为“思维链：求小明的年龄
→
求小华的年龄
→
比较两个年龄
→
描述比较结果”，其包
括4个步骤文本“求小明的年龄”、“求小华的年龄”、“比较两个年龄”、“描述比较结果”，对应的执行结果文本分别为“3”、“5”、“5大”、“小华大”。所生成的第一解答文本例如可以是“小明3岁，小华5岁，5大于3，因此小华更大。”[0097]
根据一些实施例，操作s260可以包括操作s261和s262。
[0098]
在操作s261中，获取第二问题文本，其中，第二问题文本表示待解答的第二问题。
[0099]
在操作s262中，将第一问题文本、第一解答文本和第二问题文本输入第三语言模型，以得到第三语言模型输出的第二解答文本。其中，第二解答文本表示第二问题的解答过程。
[0100]
根据上述实施例，将第一问题文本和第一解答文本作为机器问答的参考示例，与第二问题文本一并输入第三语言模型，能够使第三语言模型学习第一问题的解答过程，参考第一问题的解答过程解答第二问题，从而提高第二问题的答案的准确性。
[0101]
根据一些实施例，第二问题文本可以是用户指定的。例如，用户可以通过客户端设备(例如图1中所示的客户端设备101-106)输入第二问题文本。在方法200的执行主体为服务器的情况下，客户端设备将用户输入的第二问题文本发送至服务器(例如图1中所示的服务器120)。在方法200的执行主体为客户端设备的情况下，第二问题文本被保存在客户端设备本地。
[0102]
需要说明的是，可以根据操作s210-s250对多个第一问题文本进行处理，从而得到多个第一问题文本各自的第一解答文本。多个第一问题文本可能属于不同的知识领域。与此相应地，根据一些实施例。在操作s262中，可以识别第二问题所属的知识领域，将该知识领域的某个第一问题文本及其第一解答文本与该第二问题文本一并输入第三语言模型。
[0103]
第三语言模型可以是大语言模型。根据一些实施例，第三语言模型可以与操作s231中的用于生成当前的步骤文本的经训练的文本生成模型(即，在预训练的第一语言模型的基础上训练得到的文本生成模型)相同。由此，第三语言模型同时具有生成解答步骤和回答问题的能力，能够更好地理解和学习自身生成的解答步骤，提高了问答的效率、准确性和一致性。
[0104]
根据一些实施例，第三语言模型可以是预训练的大语言模型本身，例如上文的第二语言模型。
[0105]
根据一些实施例，第一语言模型、第二语言模型和第三语言模型可以是同一个大语言模型。
[0106]
根据本公开的实施例，还提供了一种文本生成模型的训练方法。该训练方法基于强化学习策略对文本生成模型进行训练，经训练的文本生成模型可以用于执行上文的操作s231，以生成问题的各个解答步骤对应的步骤文本，从而生成该问题的思维链。
[0107]
图3示出了根据本公开实施例的文本生成模型的训练方法300的流程图。方法300的执行主体通常为服务器。在一些实施例中，方法300的执行主体也可以是客户端设备，这通常要求客户端设备具有较高的硬件配置和计算能力。如图3所示，方法300包括操作s310-s360。
[0108]
在操作s310中，获取问答文本对。其中，问答文本对包括表示样本问题的样本问题文本和表示样本问题的答案的样本答案文本。
[0109]
在操作s320中，将历史步骤序列文本初始化为预设值。
[0110]
在操作s330中，重复执行以下操作s331-s333，以生成目标步骤序列文本。其中，目标步骤序列文本表示样本问题的解答步骤序列。
[0111]
在操作s331中，将样本问题文本和当前的历史步骤序列文本输入文本生成模型，以得到文本生成模型输出的当前的步骤文本。当前的步骤文本表示样本问题的当前解答步骤。
[0112]
在操作s332中，响应于当前的步骤文本不是预设的终止文本，将当前的历史步骤序列文本与当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本。
[0113]
在操作s333中，响应于当前的步骤文本是终止文本，将当前的历史步骤序列文本确定为目标步骤序列文本。
[0114]
在操作s340中，基于目标步骤序列文本，生成样本问题的预测答案文本。
[0115]
在操作s350中，基于预测答案文本和样本答案文本，确定文本生成模型的奖励。
[0116]
在操作s360中，基于奖励，调整文本生成模型的参数。
[0117]
根据本公开的实施例，利用基于回合制任务(episodic tasks)的强化学习策略对文本生成模型进行训练。文本生成模型相当于强化学习策略中的智能体(agent)所采用的策略(policy)。文本生成模型以样本问题文本和当前的历史步骤序列文本作为输入状态(state)，输出当前的步骤文本作为该输入状态下所采取的下一步动作(action)。在文本生成模型输出的步骤文本为终止文本时，回合结束。所生成的目标步骤序列文本(即，思维链)为回合结束时的终止状态。基于目标步骤序列文本生成预测答案文本，基于预测答案文本和样本答案文本来评估文本生成模型的奖励(reward)，并据此调整文本生成模型的参数，使得文本生成模型始终朝着“使得思维链通往正确答案”的方向进化，从而能准确地生成思维链。
[0118]
由于智能体的策略(即，文本生成模型)是在众多的训练样本(即，问答文本对)中通过强化学习训练得来，因而其行为倾向于具有全局的一致性。因此，根据本公开实施例训练得到的文本生成模型能够为任何新的问题自动逐步生成正确且一致的思维链，从而能够高效地生成大规模高质量的思维链数据。所生成的思维链可以作为机器问答的提示文本来引导大语言模型(例如上文的第三语言模型)逐步推理给出待解答问题的答案，从而提高答案的准确性。
[0119]
根据一些实施例，文本生成模型的初始值为预训练的语言模型。该语言模型为大语言模型。根据该实施例，文本生成模型以预训练的大语言模型为基础训练得到，使其具有大语言模型的强大的语言理解能力，从而便于快速学习到准确生成问题的思维链的能力。
[0120]
根据一些实施例，操作s340可以包括操作s341和s342。
[0121]
在操作s341中，分别执行目标步骤序列文本中的每个解答步骤，以得到每个解答步骤的执行结果文本。
[0122]
在操作s342中，将目标步骤序列文本中的最后一个解答步骤的执行结果文本确定为预测答案文本。
[0123]
根据上述实施例，能够快速自动生成预测答案文本。
[0124]
根据一些实施例，操作s341可以包括操作s3411-s3413。
[0125]
在操作s3411中，识别样本问题所对应的知识领域。
[0126]
在操作s3412中，获取用于执行知识领域的问题解答步骤的执行器。
[0127]
在操作s3413中，将解答步骤对应的步骤文本输入执行器，以得到执行器输出的执行结果文本。
[0128]
根据上述实施例，利用与样本问题所属的知识领域相对应的执行器来执行样本问题的解答步骤，能够提高执行结果的准确性。
[0129]
s3411-s3413的具体实施方式可以参考上文操作s2341-s2343的相关描述，此处不再赘述。
[0130]
根据一些实施例，在操作s350中，可以基于预测答案文本与样本答案文本的相似度，确定文本生成模型的奖励。奖励与相似度正相关，即，预测答案文本与样本答案文本的相似度越大，奖励越大；预测答案文本与样本答案文本的相似度越小，奖励越小。由此能够给文本生成模型产生反馈信号，引导文本生成模型向着生成正确的预测答案文本的方向进化。
[0131]
预测答案文本与样本答案文本的相似度可以是二者的字面相似度，例如编辑距离、最大连续匹配字符数等；也可以是二者的嵌入向量的余弦距离。预测答案文本与样本答案文本的嵌入向量例如可以通过经训练的文本表示模型得到。即，将预测答案文本或样本答案文本输入文本表示模型，可以得到文本表示模型输出的预测答案文本或样本答案文本的嵌入向量。
[0132]
在操作s360中，沿着使奖励增大的方向调整文本生成模型的参数，从而使得文本生成模型朝着“使得思维链通往正确答案”的方向进化。
[0133]
可以理解，操作s310-s360可以循环执行多次，直至达到预设的终止条件时，文本生成模型训练完成。终止条件例如可以是文本生成模型所生成的思维链的准确率达到阈值、循环次数达到阈值、准确率收敛等。
[0134]
根据本公开的实施例，还提供了一种文本生成装置。图4示出了根据本公开实施例的文本生成装置400的结构框图。如图4所示，装置400包括获取模块410、初始化模块420和更新模块430。
[0135]
获取模块410被配置为获取第一问题文本，其中，所述第一问题文本表示待确定解答步骤序列的第一问题。
[0136]
初始化模块420被配置为将历史步骤序列文本初始化为预设值。
[0137]
更新模块430被配置为基于所述第一问题文本，对所述历史步骤序列文本进行至少一次更新，以得到目标步骤序列文本，其中，所述目标步骤序列文本表示所述第一问题的解答步骤序列，所述目标步骤序列文本包括至少一个步骤文本，所述至少一个步骤文本中的每个步骤文本表示所述第一问题的一个解答步骤。
[0138]
更新模块430包括生成单元431、更新单元432和确定单元433。
[0139]
生成单元431被配置为基于所述第一问题文本和当前的历史步骤序列文本，生成当前的步骤文本，其中，所述当前的步骤文本表示所述第一问题的当前解答步骤；
[0140]
更新单元432被配置为响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；以及
[0141]
确定单元433被配置为响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。
[0142]
根据本公开的实施例，基于第一问题文本和已生成的历史步骤序列文本，逐步生成各个步骤文本，进而得到目标步骤序列文本，即得到第一问题的解答步骤序列(即，思维链)。本公开的实施例通过文本生成的方式自动生成问题的解答步骤序列，能够高效地构造大批量带有解答步骤的机器问答提示文本。
[0143]
根据一些实施例，所述生成单元431进一步被配置为：将所述第一问题文本和所述当前的历史步骤序列文本输入文本生成模型，以得到所述文本生成模型输出的所述当前的步骤文本。
[0144]
根据一些实施例，所述文本生成模型是通过强化学习策略对预训练的第一语言模型进行训练而得到的，所述训练的训练样本为问答文本对，所述问答文本对包括表示样本问题的样本问题文本和表示所述样本问题的答案的样本答案文本。
[0145]
根据一些实施例，所述文本生成模型为预训练的第二语言模型，所述更新模块430还包括：执行单元，被配置为执行所述当前的步骤文本所表示的当前解答步骤，以得到所述当前解答步骤的当前执行结果文本；并且其中，所述确定单元433进一步被配置为：响应于所述当前的步骤文本是所述终止文本并且所述当前执行结果文本为表示所述第一问题的答案的第一答案文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。
[0146]
根据一些实施例，所述执行单元包括：识别子单元，被配置为识别所述第一问题所对应的知识领域；获取子单元，被配置为获取用于执行所述知识领域的问题解答步骤的执行器；以及执行子单元，被配置为将所述当前的步骤文本输入所述执行器，以得到所述执行器输出的所述当前执行结果文本。
[0147]
根据一些实施例，装置400还包括：执行模块，被配置为分别执行所述目标步骤序列文本中的每个解答步骤，以得到每个解答步骤的执行结果文本；生成模块，被配置为基于所述目标步骤序列文本和所述每个解答步骤的执行结果文本，生成第一解答文本，其中，所述第一解答文本表示所述第一问题的解答过程；以及优化模块，被配置为基于所述第一问题文本和所述第一解答文本，优化第三语言模型的输出。
[0148]
根据一些实施例，所述优化模块包括：获取单元，被配置为获取第二问题文本，其中，所述第二问题文本表示待解答的第二问题；以及输入单元，被配置为将所述第一问题文本、所述第一解答文本和所述第二问题文本输入所述第三语言模型，以得到所述第三语言模型输出的第二解答文本，其中，所述第二解答文本表示所述第二问题的解答过程。
[0149]
根据一些实施例，所述第三语言模型与用于生成所述当前的步骤文本的经训练的文本生成模型相同。
[0150]
应当理解，图4中所示装置400的各个模块和单元可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置400及其包括的模块和单元。为了简洁起见，某些操作、特征和优点在此不再赘述。
[0151]
根据本公开的实施例，还提供了一种文本生成模型的训练装置。图5示出了根据本公开实施例的文本生成模型的训练装置500的结构框图。如图5所示，装置500包括获取模块510、初始化模块520、第一生成模块530、第二生成模块540、确定模块550和调整模块560。
[0152]
获取模块510被配置为获取问答文本对，其中，所述问答文本对包括表示样本问题的样本问题文本和表示所述样本问题的答案的样本答案文本。
[0153]
初始化模块520被配置为将历史步骤序列文本初始化为预设值。
[0154]
第一生成模块530被配置为重复执行以下操作，以生成目标步骤序列文本，其中，所述目标步骤序列文本表示所述样本问题的解答步骤序列：
[0155]
将所述样本问题文本和当前的历史步骤序列文本输入所述文本生成模型，以得到所述文本生成模型输出的当前的步骤文本，其中，所述当前的步骤文本表示所述样本问题的当前解答步骤；
[0156]
响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；或者
[0157]
响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。
[0158]
第二生成模块540被配置为基于所述目标步骤序列文本，生成所述样本问题的预测答案文本。
[0159]
确定模块550被配置为基于所述预测答案文本和所述样本答案文本，确定所述文本生成模型的奖励。
[0160]
调整模块560被配置为基于所述奖励，调整所述文本生成模型的参数。
[0161]
根据本公开的实施例，利用基于回合制任务(episodic tasks)的强化学习策略对文本生成模型进行训练。文本生成模型相当于强化学习策略中的智能体(agent)的所采用的策略(policy)。文本生成模型以样本问题文本和当前的历史步骤序列文本作为输入状态(state)，输出当前的步骤文本作为该输入状态下所采取的下一步动作(action)。在文本生成模型输出的步骤文本为终止文本时，回合结束。所生成的目标步骤序列文本(即，思维链)为回合结束时的终止状态。基于目标步骤序列文本生成预测答案文本，基于预测答案文本和样本答案文本来评估文本生成模型的奖励(reward)，并据此调整文本生成模型的参数，使得文本生成模型始终朝着“使得思维链通往正确答案”的方向进化，从而能准确地生成思维链。
[0162]
由于智能体的策略(即，文本生成模型)是在众多的训练样本(即，问答文本对)中通过强化学习训练得来，因而其行为倾向于具有全局的一致性。因此，根据本公开实施例训练得到的文本生成模型能够为任何新的问题自动逐步生成正确且一致的思维链，生成大规模高质量的思维链数据。所生成的思维链可以作为机器问答的提示文本来引导大语言模型(例如上文的第三语言模型)逐步推理给出待解答问题的答案，从而提高答案的准确性。
[0163]
根据一些实施例，所述文本生成模型的初始值为预训练的语言模型。
[0164]
根据一些实施例，所述第二生成模块540包括：执行单元，被配置为分别执行所述目标步骤序列文本中的每个解答步骤，以得到每个解答步骤的执行结果文本；以及确定单元，被配置为将所述目标步骤序列文本中的最后一个解答步骤的执行结果文本确定为所述预测答案文本。
[0165]
根据一些实施例，所述执行单元包括：识别子单元，被配置为识别所述样本问题所对应的知识领域；获取子单元，被配置为获取用于执行所述知识领域的问题解答步骤的执行器；以及执行子单元，被配置为将所述解答步骤对应的步骤文本输入所述执行器，以得到所述执行器输出的所述执行结果文本。
[0166]
根据一些实施例，所述确定模块550进一步被配置为：基于所述预测答案文本与所述样本答案文本的相似度，确定所述文本生成模型的奖励，其中，所述奖励与所述相似度正
相关。
[0167]
应当理解，图5中所示装置500的各个模块和单元可以与参考图3描述的方法300中的各个步骤相对应。由此，上面针对方法300描述的操作、特征和优点同样适用于装置500及其包括的模块和单元。为了简洁起见，某些操作、特征和优点在此不再赘述。
[0168]
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。
[0169]
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图4、图5描述的各个单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些单元可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些单元可以被实现为硬件逻辑/电路。例如，在一些实施例中，模块410-560中的一个或多个可以一起被实现在片上系统(system on chip,soc)中。soc可以包括集成电路芯片(其包括处理器(例如，中央处理单元(central processing unit,cpu)、微控制器、微处理器、数字信号处理器(digital signal processor,dsp)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
[0170]
根据本公开的实施例，还提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器，该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开实施例的文本生成方法和/或文本生成模型的训练方法。
[0171]
根据本公开的实施例，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开实施例的文本生成方法和/或文本生成模型的训练方法。
[0172]
根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序指令，该计算机程序指令在被处理器执行时实现本公开实施例的文本生成方法和/或文本生成模型的训练方法。
[0173]
参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0174]
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603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。
[0175]
电子设备600中的多个部件连接至i/o接口605，包括：输入单元606、输出单元607、
存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、wi-fi设备、wimax设备、蜂窝通信设备和/或类似物。
[0176]
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法200或方法300。例如，在一些实施例中，方法200和方法300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的方法200和方法300的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200或方法300。
[0177]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0178]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0179]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或
上述内容的任何合适组合。
[0180]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0181]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网和区块链网络。
[0182]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0183]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0184]
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本公开的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

技术特征：
1.一种文本生成方法，包括：获取第一问题文本，其中，所述第一问题文本表示待确定解答步骤序列的第一问题；将历史步骤序列文本初始化为预设值；以及基于所述第一问题文本，对所述历史步骤序列文本进行至少一次更新，以得到目标步骤序列文本，其中，所述目标步骤序列文本表示所述第一问题的解答步骤序列，所述目标步骤序列文本包括至少一个步骤文本，所述至少一个步骤文本中的每个步骤文本表示所述第一问题的一个解答步骤；其中，所述至少一次更新中的每一次更新包括：基于所述第一问题文本和当前的历史步骤序列文本，生成当前的步骤文本，其中，所述当前的步骤文本表示所述第一问题的当前解答步骤；响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；或者响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。2.根据权利要求1所述的方法，其中，所述基于所述第一问题文本和当前的历史步骤序列文本，生成当前的步骤文本包括：将所述第一问题文本和所述当前的历史步骤序列文本输入文本生成模型，以得到所述文本生成模型输出的所述当前的步骤文本。3.根据权利要求2所述的方法，其中，所述文本生成模型是通过强化学习策略对预训练的第一语言模型进行训练而得到的，所述训练的训练样本为问答文本对，所述问答文本对包括表示样本问题的样本问题文本和表示所述样本问题的答案的样本答案文本。4.根据权利要求2所述的方法，其中，所述文本生成模型为预训练的第二语言模型，所述至少一次更新中的每一次更新还包括：执行所述当前的步骤文本所表示的当前解答步骤，以得到所述当前解答步骤的当前执行结果文本；并且其中，所述响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本包括：响应于所述当前的步骤文本是所述终止文本并且所述当前执行结果文本为表示所述第一问题的答案的第一答案文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。5.根据权利要求4所述的方法，其中，所述执行所述当前的步骤文本所表示的当前解答步骤，以得到所述当前解答步骤的当前执行结果文本包括：识别所述第一问题所对应的知识领域；获取用于执行所述知识领域的问题解答步骤的执行器；以及将所述当前的步骤文本输入所述执行器，以得到所述执行器输出的所述当前执行结果文本。6.根据权利要求1-5中任一项所述的方法，还包括：分别执行所述目标步骤序列文本中的每个解答步骤，以得到每个解答步骤的执行结果文本；
基于所述目标步骤序列文本和所述每个解答步骤的执行结果文本，生成第一解答文本，其中，所述第一解答文本表示所述第一问题的解答过程；以及基于所述第一问题文本和所述第一解答文本，优化第三语言模型的输出。7.根据权利要求6所述的方法，其中，所述基于所述第一问题文本和所述第一解答文本，优化第三语言模型的输出包括：获取第二问题文本，其中，所述第二问题文本表示待解答的第二问题；以及将所述第一问题文本、所述第一解答文本和所述第二问题文本输入所述第三语言模型，以得到所述第三语言模型输出的第二解答文本，其中，所述第二解答文本表示所述第二问题的解答过程。8.根据权利要求6或7所述的方法，其中，所述第三语言模型与用于生成所述当前的步骤文本的经训练的文本生成模型相同。9.一种文本生成模型的训练方法，包括：获取问答文本对，其中，所述问答文本对包括表示样本问题的样本问题文本和表示所述样本问题的答案的样本答案文本；将历史步骤序列文本初始化为预设值；重复执行以下操作，以生成目标步骤序列文本，其中，所述目标步骤序列文本表示所述样本问题的解答步骤序列：将所述样本问题文本和当前的历史步骤序列文本输入所述文本生成模型，以得到所述文本生成模型输出的当前的步骤文本，其中，所述当前的步骤文本表示所述样本问题的当前解答步骤；响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；或者响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本；基于所述目标步骤序列文本，生成所述样本问题的预测答案文本；基于所述预测答案文本和所述样本答案文本，确定所述文本生成模型的奖励；以及基于所述奖励，调整所述文本生成模型的参数。10.根据权利要求9所述的方法，其中，所述文本生成模型的初始值为预训练的语言模型。11.根据权利要求9或10所述的方法，其中，所述基于所述目标步骤序列文本，生成所述样本问题的预测答案文本包括：分别执行所述目标步骤序列文本中的每个解答步骤，以得到每个解答步骤的执行结果文本；以及将所述目标步骤序列文本中的最后一个解答步骤的执行结果文本确定为所述预测答案文本。12.根据权利要求11所述的方法，其中，所述分别执行所述目标步骤序列文本中的每个解答步骤，以得到每个解答步骤的执行结果文本包括：识别所述样本问题所对应的知识领域；获取用于执行所述知识领域的问题解答步骤的执行器；以及
将所述解答步骤对应的步骤文本输入所述执行器，以得到所述执行器输出的所述执行结果文本。13.根据权利要求9-12中任一项所述的方法，其中，所述基于所述预测答案文本和所述样本答案文本，确定所述文本生成模型的奖励包括：基于所述预测答案文本与所述样本答案文本的相似度，确定所述文本生成模型的奖励，其中，所述奖励与所述相似度正相关。14.一种文本生成装置，包括：获取模块，被配置为获取第一问题文本，其中，所述第一问题文本表示待确定解答步骤序列的第一问题；初始化模块，被配置为将历史步骤序列文本初始化为预设值；以及更新模块，被配置为基于所述第一问题文本，对所述历史步骤序列文本进行至少一次更新，以得到目标步骤序列文本，其中，所述目标步骤序列文本表示所述第一问题的解答步骤序列，所述目标步骤序列文本包括至少一个步骤文本，所述至少一个步骤文本中的每个步骤文本表示所述第一问题的一个解答步骤；其中，所述更新模块包括：生成单元，被配置为基于所述第一问题文本和当前的历史步骤序列文本，生成当前的步骤文本，其中，所述当前的步骤文本表示所述第一问题的当前解答步骤；更新单元，被配置为响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；以及确定单元，被配置为响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。15.根据权利要求14所述的装置，其中，所述生成单元进一步被配置为：将所述第一问题文本和所述当前的历史步骤序列文本输入文本生成模型，以得到所述文本生成模型输出的所述当前的步骤文本。16.根据权利要求15所述的装置，其中，所述文本生成模型是通过强化学习策略对预训练的第一语言模型进行训练而得到的，所述训练的训练样本为问答文本对，所述问答文本对包括表示样本问题的样本问题文本和表示所述样本问题的答案的样本答案文本。17.根据权利要求15所述的装置，其中，所述文本生成模型为预训练的第二语言模型，所述更新模块还包括：执行单元，被配置为执行所述当前的步骤文本所表示的当前解答步骤，以得到所述当前解答步骤的当前执行结果文本；并且其中，所述确定单元进一步被配置为：响应于所述当前的步骤文本是所述终止文本并且所述当前执行结果文本为表示所述第一问题的答案的第一答案文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本。18.根据权利要求17所述的装置，其中，所述执行单元包括：识别子单元，被配置为识别所述第一问题所对应的知识领域；获取子单元，被配置为获取用于执行所述知识领域的问题解答步骤的执行器；以及
执行子单元，被配置为将所述当前的步骤文本输入所述执行器，以得到所述执行器输出的所述当前执行结果文本。19.根据权利要求14-18中任一项所述的装置，还包括：执行模块，被配置为分别执行所述目标步骤序列文本中的每个解答步骤，以得到每个解答步骤的执行结果文本；生成模块，被配置为基于所述目标步骤序列文本和所述每个解答步骤的执行结果文本，生成第一解答文本，其中，所述第一解答文本表示所述第一问题的解答过程；以及优化模块，被配置为基于所述第一问题文本和所述第一解答文本，优化第三语言模型的输出。20.根据权利要求19所述的装置，其中，所述优化模块包括：获取单元，被配置为获取第二问题文本，其中，所述第二问题文本表示待解答的第二问题；以及输入单元，被配置为将所述第一问题文本、所述第一解答文本和所述第二问题文本输入所述第三语言模型，以得到所述第三语言模型输出的第二解答文本，其中，所述第二解答文本表示所述第二问题的解答过程。21.根据权利要求19或20所述的装置，其中，所述第三语言模型与用于生成所述当前的步骤文本的经训练的文本生成模型相同。22.一种文本生成模型的训练装置，包括：获取模块，被配置为获取问答文本对，其中，所述问答文本对包括表示样本问题的样本问题文本和表示所述样本问题的答案的样本答案文本；初始化模块，被配置为将历史步骤序列文本初始化为预设值；第一生成模块，被配置为重复执行以下操作，以生成目标步骤序列文本，其中，所述目标步骤序列文本表示所述样本问题的解答步骤序列：将所述样本问题文本和当前的历史步骤序列文本输入所述文本生成模型，以得到所述文本生成模型输出的当前的步骤文本，其中，所述当前的步骤文本表示所述样本问题的当前解答步骤；响应于所述当前的步骤文本不是预设的终止文本，将所述当前的历史步骤序列文本与所述当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；或者响应于所述当前的步骤文本是所述终止文本，将所述当前的历史步骤序列文本确定为所述目标步骤序列文本；第二生成模块，被配置为基于所述目标步骤序列文本，生成所述样本问题的预测答案文本；确定模块，被配置为基于所述预测答案文本和所述样本答案文本，确定所述文本生成模型的奖励；以及调整模块，被配置为基于所述奖励，调整所述文本生成模型的参数。23.根据权利要求22所述的装置，其中，所述文本生成模型的初始值为预训练的语言模型。24.根据权利要求22或23所述的装置，其中，所述第二生成模块包括：执行单元，被配置为分别执行所述目标步骤序列文本中的每个解答步骤，以得到每个
解答步骤的执行结果文本；以及确定单元，被配置为将所述目标步骤序列文本中的最后一个解答步骤的执行结果文本确定为所述预测答案文本。25.根据权利要求24所述的装置，其中，所述执行单元包括：识别子单元，被配置为识别所述样本问题所对应的知识领域；获取子单元，被配置为获取用于执行所述知识领域的问题解答步骤的执行器；以及执行子单元，被配置为将所述解答步骤对应的步骤文本输入所述执行器，以得到所述执行器输出的所述执行结果文本。26.根据权利要求22-25中任一项所述的装置，其中，所述确定模块进一步被配置为：基于所述预测答案文本与所述样本答案文本的相似度，确定所述文本生成模型的奖励，其中，所述奖励与所述相似度正相关。27.一种电子设备，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指令，所述指令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权利要求1-13中任一项所述的方法。28.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-13中任一项所述的方法。29.一种计算机程序产品，包括计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现权利要求1-13中任一项所述的方法。

技术总结
本公开提供了一种文本生成方法、文本生成模型的训练方法及装置，涉及人工智能技术领域，尤其涉及自然语言处理、深度学习、强化学习等领域。实现方案为：获取第一问题文本；将历史步骤序列文本初始化为预设值；以及基于第一问题文本，对历史步骤序列文本进行至少一次更新，以得到目标步骤序列文本，每一次更新包括：基于第一问题文本和当前的历史步骤序列文本，生成当前的步骤文本，当前的步骤文本表示第一问题的当前解答步骤；响应于当前的步骤文本不是预设的终止文本，将当前的历史步骤序列文本与当前的步骤文本进行拼接，以得到更新后的历史步骤序列文本；响应于当前的步骤文本是终止文本，将当前的历史步骤序列文本确定为目标步骤序列文本。骤序列文本。骤序列文本。


技术研发人员：姜文斌 郝洋 冯知凡 吕雅娟 吴华 王海峰
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2023.06.30
技术公布日：2023/10/8