EVA
2022/8/15 23:23:52
本文主要是介绍EVA,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
EVA
主要贡献
- 构建2021年最大中文对话数据集WDC-Dialogue,有1.4B context-response pairs。
- 基于Transformer架构,搭建2021年最大中文对话系统,有2.8B的参数量
WDC-Dialogue Dataset
数据收集
- Repost 转发
- Comment 评论
- Q&A 问答
数据清洗
- 删除平台相关的tag信息,例如Reply to @***
- 删除URL链接
- 将超过30轮的切分成小于30轮
- 将句子中重复超过6次的单词仅保留一份
- 删除回复过短/过长的对话
- 删除回复被判定为广告的对话
- 删除90% 3-gram为高频短语的对话
- 删除回复为通常反应的对话
- 删除回复和context一样的对话
另外还维护了一个违禁词表
(1)脏词、敏感词、方言;
(2)特殊主题词,例如罕见病毒或化合物的名称;
(3)名称、未知缩写;
(4)特殊符号和表情符号;
(5)与广告、图片、视频相关的文字等平台标志;
数据分析
Method
Model
典型的Transformer结构。
Tokenization
通过subword构建30000 token的词表。
Pre-Training Details
为了解决一些过短的对话,在EVA预训练中加入了短对话合并的操作。
EVA2.0
Reference
EVA: An Open-Domain Chinese Dialogue System with Large-Scale Generative Pre-Training
EVA2.0: Investigating Open-Domain Chinese Dialogue Systems with Large-Scale Pre-Training
这篇关于EVA的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-05-15鸿蒙生态设备数量超8亿台
- 2024-05-13TiDB + ES:转转业财系统亿级数据存储优化实践
- 2024-05-09“2024鸿蒙零基础快速实战-仿抖音App开发(ArkTS版)”实战课程已上线
- 2024-05-09聊聊如何通过arthas-tunnel-server来远程管理所有需要arthas监控的应用
- 2024-05-09log4j2这么配就对了
- 2024-05-09nginx修改Content-Type
- 2024-05-09Redis多数据源,看这篇就够了
- 2024-05-09Google Chrome驱动程序 124.0.6367.62(正式版本)去哪下载?
- 2024-05-09有没有大佬知道这种数据应该怎么抓取呀?
- 2024-05-09这种运行结果里的10.100000001,怎么能最快改成10.1?