CN110909530A - 用于生成文本的方法、装置、电子设备和计算机可读介质 - Google Patents
用于生成文本的方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN110909530A CN110909530A CN201911212847.5A CN201911212847A CN110909530A CN 110909530 A CN110909530 A CN 110909530A CN 201911212847 A CN201911212847 A CN 201911212847A CN 110909530 A CN110909530 A CN 110909530A
- Authority
- CN
- China
- Prior art keywords
- word
- input
- target
- text
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 143
- 230000006870 function Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Machine Translation (AREA)
Abstract
本公开的实施例公开了用于生成文本的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：生成输入单词的输入词向量；基于上述输入词向量，生成上述输入单词的输入上下文向量，上述输入上下文向量与输入单词所在的输入文本相关联；对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于上述输入上下文向量和该目标单词的词向量，确定该目标单词作为与上述输入单词对应的输出单词的得分。该实施方式利用核函数来确定词与词之间的相似性，提升文本生成任务的性能，使得生成的文本更符合要求。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于生成文本的方法、装置、电子设备和计算机可读介质。
背景技术
随着互联网时代的到来，各种文本生成技术也随之产生。我们希望计算机能够像人类一样会翻译、会写作、会对话，而文本自动生成技术就是实现这一目标的关键技术。在词语具有多个含义的情况下，现有的文本自动生成技术常难以生成所期望的文本。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于生成文本的方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种用于生成文本的方法，该方法包括：生成输入单词的输入词向量；基于上述输入词向量，生成上述输入单词的输入上下文向量，上述输入上下文向量与输入单词所在的输入文本相关联；对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于上述输入上下文向量和该目标单词的词向量，确定该目标单词作为与上述输入单词对应的输出单词的得分。
第二方面，本公开的一些实施例提供了一种用于生成文本的装置，装置包括：第一生成单元，被配置成生成输入单词的输入词向量；第二生成单元，被配置成基于上述输入词向量，生成上述输入单词的输入上下文向量，上述输入上下文向量与输入单词所在的输入文本相关联；确定单元，被配置成对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于上述输入上下文向量和该目标单词的词向量，确定该目标单词作为与上述输入单词对应的输出单词的得分。
第三方面，本公开的一些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，其上存储有一个或多个程序，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第一方面中所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中所描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过生成输入单词的输入词向量，可以得到输入单词的输入上下文向量。然后，根据输入单词的输入上下文向量、词汇表和核函数，可以确定词汇表中对应单词的得分。由于词汇表是根据需求预先构建的，而且核函数具有用于控制该目标单词的上下文向量的变化幅度的参数，所以得到的得分也是较为符合需求和期望的。根据所得到的得分，确定目标单词，可以很大程度的降低了生成的输出文本与期望的输出文本有较大的误差，使得生成的文本更符合要求。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的用于生成文本的方法的一个应用场景的示意图。
图2是根据本公开的用于生成文本的方法的一些实施例的流程图。
图3是本公开的一些实施例的用于生成文本的方法的应用场景图。
图4是根据本公开的一些实施例的用于生成文本的翻译场景示意图。
图5是根据本公开的一些实施例的用于生成文本的对话场景示意图。
图6是根据本公开的用于生成文本的装置的一些实施例的结构示意图。
图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的用于生成文本的方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以接收输入文本102中的输入单词103。然后，计算设备101可以生成输入单词103的输入词向量104。再将输入词向量104输入至预先训练的模型105生成与输入词向量104对应的输入上下文向量106。之后，可以根据输入词向量104、输入上下文向量106利用核函数，可以确定目标词汇表对应的至少一个目标单词中的每个目标单词作为与上述输入单词103对应的输出单词的得分(如图1中的步骤107)。最后可以根据所确定的输出得分，选择出作为用于生成与输入文本对应的输出文本的目标单词作为输出单词(如图1中的步骤108)。可选地，上述计算设备101还可以将上述输出单词组合生成输出文本109。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以实现成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。
应该理解，图1中的终端设备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和服务器。
继续参考图2，示出了根据本公开的用于生成文本的方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该用于生成文本的方法，包括以下步骤：
步骤201，生成输入单词的输入词向量。
在一些实施例中，例如，计算设备101可以通过多种方式生成上述输入单词的输入词向量。例如，通过将上述输入单词输入预先训练的深度神经网络模型，得到上述输入单词的输入词向量。又例如，在预先定义的嵌入矩阵通过查找的方式，得到上述输入单词的输入词向量。
上文陈述的输入词向量可以是对输入单词进行词嵌入得到的词向量。词嵌入是自然语言处理(Natural Language Processing，NLP)中语言模型与表征学习技术的统称。概念上而言，它是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量。具体地，词向量(word vector)可以是单词或短语通过词嵌入方法被映射到实数的向量。从概念上讲，它涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。
作为示例，上述计算设备101可以通过如下公式得到输入单词的输入词向量：
et＝LOOKUP(Win，xt)。
其中，Win表示嵌入矩阵，W＝[W1，W2，…，WM ]，Wi表示第i个单词的词嵌入向量，1<＝i<＝M，M表示嵌入矩阵所对应的词汇表中的单词总数。et表示输入单词的输入词向量，xt表示输入单词，t表示时间步骤，LOOKUP表示查找函数。
步骤202，基于上述输入词向量，生成上述输入单词的输入上下文向量。
在一些实施例中，上述计算设备101可以基于上述输入词向量，生成上述输入单词的输入上下文向量。这里，输入上下文向量可以是基于如下得到的：上述输入单词所在的输入文本中，在输入单词出现位置之前和/或之后出现的单词的词向量。输入文本可以是包含输入单词的文本。因为，上述输入上下文向量是基于上述输入词向量生成的，上述输入词向量是基于上述输入单词生成的，上述输入单词包含在上述输入文本中。所以，可以理解为上述输入上下文向量是基于上述输入文本得到的，可以称之为上述输入上下文向量与输入单词所在的输入文本相关联。
作为示例，上述计算设备101可以利用GRU(Gated Recurrent Unit，门控循环单元)模型通过如下公式生成输入上下文向量：
ht＝GRU(ht-1，et)，其中，h表示输入上下文向量；ht表示第t次所生成的输入上下文向量；ht-1表示第t-1次生成的输入上下文向量。
步骤203，对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于上述输入上下文向量和该目标单词的词向量，确定该目标单词作为与上述输入单词对应的输出单词的得分。
在一些实施例中，目标词汇表中的每一个目标单词均具有一个与其关联的核函数，并且每个目标单词的核函数具有不同的参数，其用于控制该目标单词的上下文向量的变化幅度。上述计算设备101可以利用与该目标单词相关联的核函数，根据上述输入上下文向量和该目标单词的词向量，确定上述词汇表包括的至少一个目标单词中的每个目标单词作为输出单词的得分。得分可以有多种表达形式，例如其可以由概率来表示。在这里，目标词汇表可以是基于语料库根据实际需求预先构建的。
在一些实施例中，上述核函数为指数型函数。
作为示例，核函数的公式如下：
Kθ(h，e)＝|h||e|(a exp(-θcos(h，e))-a)，其中，Kθ表示核函数；e表示目标词汇表包括的目标单词的词向量；θ是控制目标单词的上下文向量的变化幅度的参数；a表示归一化因子。
在一些实施例中，上述计算设备101可以根据下式确定a：
作为示例，上述计算设备101可以根据以下公式得到每个目标单词作为与上述输入单词对应的输出单词的得分：
其中，y表示期望输出单词；P表示期望输出单词为目标词汇表中的第i个单词的概率；
表示第i个单词的核函数；N表示目标词汇表中的单词的数量。
在一些实施例的一些可选的实现方式中，目标词汇表中的每个目标单词的词向量、用于控制该目标单词的上下文向量的变化幅度的参数是基于训练样本预先训练得到的，上述训练样本包括源语句和目标语句组成的语句对。
在一些实施例的一些可选的实现方式中，上述目标词汇表中存在至少一个具有多个含义的多含义目标单词。上述多含义目标单词针对每个含义具有一个相应的核函数，其具有用于控制该含义的义向量的变化幅度的参数，使得不同含义具有不同的变化幅度。这里，多含义目标单词可以是包含多个含义的目标单词。例如，变化幅度可以是上述输入上下文向量的方差的变化。在一些实施例中，多含义目标单词的多个义向量、用于控制义向量的变换幅度的参数是基于训练样本预先训练得到的，上述训练样本包括源语句和目标语句组成的语句对。
在一些实施例中，在确定目标词汇表中的多含义目标单词作为输入单词的得分时，先利用该目标单词的每个含义的核函数，确定在该含义下该多含义目标单词作为输出单词的得分。之后将针对每个含义确定的得分求和，来作为多含义目标单词作为输出单词的得分。通过这种方式，考虑了词语的多个含义，并且每个含义的核函数的参数是不同的，使得所生成的文本精度更高，更适合文本生成任务。
在一些实施例的一些可选的实现方式中，上述目标词汇表中的每个目标单词的词向量、用于控制该目标单词的输入上下文向量的变化幅度的参数是基于训练样本预先训练得到的，上述训练样本包括源语句和目标语句组成的语句对。例如，变化幅度的参数可以是控制上述输入上下文向量的方差的变化的参数。
在一些实施例的一些可选的实现方式中，上述方法还包括：基于所确定的得分，从上述目标词汇表中选择与上述输入单词对应的输出单词，以生成与输入文本对应的输出文本。
在一些实施例的一些可选的实现方式中，上述计算设备101可以基于所确定的得分，从上述目标词汇表中选择与上述输入单词对应的得分最大的目标单词，以生成与输入文本对应的输出文本。得分可以由输出概率表示。由此，上述计算设备101可以从上述目标词汇表中选择输出概率数值最高的目标单词作为用于生成与输入文本对应的输出文本的输出单词。
作为示例，图3示出了根据本公开的一些实施例的用于生成文本的方法的应用场景。在图3的应用场景中，首先，计算设备301(图中示出为服务器)首先可以接收输入文本302。然后对上述输入文本进行分词处理303。这里，分词处理就是将一个语句切分成一个个单独的单词。得到至少一个词语，这里的词语可以是一个单词，也可以是一个至少包括两个单词的词语组合。这里，计算设备301也可以用其他方式，得到分词处理之后的输入单词304和其余单词305。然后，上述计算设备301可以生成输入单词304的输入词向量306。再然后，上述计算设备301可以根据上述其余单词305和上述输入词向量306生成输入上下文向量307。由此，上述计算设备301可以根据上述输入词向量306和输入上下文向量307，确定目标词汇表中每一个目标单词作为与上述输入单词304对应的输出单词的得分。最后，上述上述计算设备301可以根据确定的得分从上述目标词汇表中选择与上述输入单词304对应的输出单词。可选地，上述计算设备301还可以将上述输出单词组合生成输出文本309。并且，上述计算设备301还可以将输出文本309发送给终端设备310。
在一些实施例的一些可选的实现方式中，上述输入文本为第一语言的文本，上述输出文本为第二语言的文本。这里，第一语言与第二语言可以是同一种语言，也可以是不同种类的语言。例如，输入文本可以是被翻译文本，输出文本可以是翻译完成的文本。
作为示例，图4出了根据本公开的一些实施例的用于生成文本的翻译场景。在图4的应用场景中，首先，计算设备401(图中示出为服务器)在执行德语与英语之间的翻译任务时，首先接收用户输入的输入文本402。然后对上述输入文本进行分词处理403。得到分词处理之后的输入单词404和输入单词405。然后，上述计算设备401可以生成输入单词404的输入词向量406和输入单词405的输入词向量407。再然后，上述计算设备401可以根据上述输入词向量406生成输入上下文向量408。根据上述输入词向量407生成输入上下文向量409。由此，上述计算设备401可以根据上述输入词向量406和输入上下文向量408，确定目标词汇表中每一个目标单词作为与上述输入单词404对应的输出单词的得分。上述计算设备401也可以根据上述输入词向量407和输入上下文向量409，确定目标词汇表中每一个目标单词作为与上述输入单词405对应的输出单词的得分。最后，上述计算设备401可以根据确定的得分从上述目标词汇表中选择与上述输入单词402对应的输出单词。可选地，上述计算设备401还可以将上述输出单词组合生成输出文本411。并且，上述计算设备401还可以将输出文本411发送给终端设备412。
在一些实施例的一些可选的实现方式中，上述输出文本是上述输入文本的答案。例如，问答对话情景下，输入文本可以是问题文本，输出文本可以是回答问题的文本。
作为示例，图5出了根据本公开的一些实施例的用于生成文本的对话场景。在图5的应用场景中，首先，计算设备501(图中示出为服务器)在对话问答任务时，首先接收用户输入的输入文本503。输入文本503包含输入单词504和其余单词506。然后，上述计算设备501可以生成输入单词504的输入词向量505。再根据输入词向量505和其余单词506生成输入上下文向量507。由此，上述计算设备501可以根据上述输入词向量505和输入上下文向量507，确定目标词汇表中每一个目标单词作为与上述输入单词504对应的输出单词的得分。最后，上述上述计算设备501可以根据确定的得分从上述目标词汇表中选择与上述输入单词504对应的输出单词。可选地，上述计算设备501还可以将上述输出单词组合生成输出文本509。并且，上述计算设备501还可以将输出文本509发送给终端设备502。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过生成输入单词的输入词向量，可以生成上述输入单词的输入上下文向量。对于目标词汇表中的每一个目标单词利用与该目标单词相应的核函数确定该目标单词作为与上述输入单词对应的输出单词的得分。由于，该核函数具有用于控制该目标单词的上下文向量的变化幅度的参数，从而可以提高输出单词的准确度，使得生成的文本更符合需求。
继续参考图6，作为对上述各图上述方法的实现，本公开提供了一种用于生成文本的装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的用于生成文本的装置600包括：第一生成单元601、第二生成单元602、确定单元603和选择单元604。其中，第一生成单元601，被配置成生成输入单词的输入词向量；第二生成单元602，被配置成基于上述输入词向量，生成上述输入单词的输入上下文向量，上述输入上下文向量与输入单词所在的输入文本相关联；确定单元603，被配置成对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于上述输入上下文向量和该目标单词的词向量，确定该目标单词作为与上述输入单词对应的输出单词的得分。
在一些实施例的一些可选的实现方式中，与该目标单词相关联的核函数具有用于控制该目标单词的上下文向量的变化幅度的参数。
在一些实施例的一些可选的实现方式中，上述目标词汇表中存在至少一个具有多个含义的多含义目标单词，上述多含义目标单词针对每个含义具有一个相应的核函数，其具有用于控制该含义的义向量的变化幅度的参数，使得不同含义具有不同的变化幅度。
在一些实施例的一些可选的实现方式中，方法还包括：基于所确定的得分，从上述目标词汇表中选择与上述输入单词对应的输出单词，以生成与上述输入文本对应的输出文本。
在一些实施例的一些可选的实现方式中，输入语句为第一语言的语句，上述输出语句为第二语言的语句。
在一些实施例的一些可选的实现方式中，输出语句是上述输入语句的答案。
在一些实施例的一些可选的实现方式中，核函数为指数型函数。
在一些实施例的一些可选的实现方式中，用目标词汇表中的每个目标单词的词向量、用于控制该目标单词的输入上下文向量的变化幅度的参数是基于训练样本预先训练得到的，上述训练样本包括源语句和目标语句组成的语句对。
可以理解的是，该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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7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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：生成输入单词的输入词向量；基于上述输入词向量，生成上述输入单词的输入上下文向量，上述输入上下文向量与输入单词所在的输入文本相关联；对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于上述输入上下文向量和该目标单词的词向量，确定该目标单词作为与上述输入单词对应的输出单词的得分。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中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生成单元、第二生成单元、确定单元和选择单元。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，第一生成单元还可以被描述为“生成输入单词的输入词向量的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种用于生成文本的方法，包括：生成输入单词的输入词向量；基于上述输入词向量，生成上述输入单词的输入上下文向量，上述输入上下文向量与输入单词所在的输入文本相关联；对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于上述输入上下文向量和该目标单词的词向量，确定该目标单词作为与上述输入单词对应的输出单词的得分。
根据本公开的一个或多个实施例，其中，与该目标单词相关联的核函数具有用于控制该目标单词的上下文向量的变化幅度的参数。
根据本公开的一个或多个实施例，上述目标词汇表中存在至少一个具有多个含义的多含义目标单词，上述多含义目标单词针对每个含义具有一个相应的核函数，其具有用于控制该含义的义向量的变化幅度的参数，使得不同含义具有不同的变化幅度。
根据本公开的一个或多个实施例，上述方法还包括：基于所确定的可能性，从上述目标词汇表中选择与上述输入单词对应的输出单词，以生成与上述输入文本对应的输出文本。
根据本公开的一个或多个实施例，上述输入文本为第一语言的文本，上述输出文本为第二语言的文本。
根据本公开的一个或多个实施例，上述输出文本是上述输入文本的答案。
根据本公开的一个或多个实施例，上述核函数为指数型函数。
根据本公开的一个或多个实施例，上述目标词汇表中的每个目标单词的词向量、用于控制该目标单词的输入上下文向量的变化幅度的参数是基于训练样本预先训练得到的，上述训练样本包括源语句和目标语句组成的语句对。
根据本公开的一个或多个实施例，提供了一种用于生成文本的装置，包括：第一生成单元，被配置成生成输入单词的输入词向量；第二生成单元，被配置成基于上述输入词向量，生成上述输入单词的输入上下文向量，上述输入上下文向量与输入单词所在的输入文本相关联；确定单元，被配置成对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于上述输入上下文向量和该目标单词的词向量，确定该目标单词作为与上述输入单词对应的输出单词的得分。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，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上述任一实施例描述的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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。
Claims (11)
1.一种用于生成文本的方法，包括：
生成输入单词的输入词向量；
基于所述输入词向量，生成所述输入单词的输入上下文向量，所述输入上下文向量与输入单词所在的输入文本相关联；
对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于所述输入上下文向量和该目标单词的词向量，确定该目标单词作为与所述输入单词对应的输出单词的得分。
2.根据权利要求1所述的方法，其中，与该目标单词相关联的核函数具有用于控制该目标单词的上下文向量的变化幅度的参数。
3.根据权利要求1所述的方法，其中，所述目标词汇表中存在至少一个具有多个含义的多含义目标单词，所述多含义目标单词针对每个含义具有一个相应的核函数，其具有用于控制该含义的义向量的变化幅度的参数，使得不同含义具有不同的变化幅度。
4.根据权利要求1-3之一所述的方法，其中，所述方法还包括：
基于所确定的得分，从所述目标词汇表中选择与所述输入单词对应的输出单词，以生成与所述输入文本对应的输出文本。
5.根据权利要求4所述的方法，其中，所述输入文本为第一语言的文本，所述输出文本为第二语言的文本。
6.根据权利要求4所述的方法，其中，所述输出文本是所述输入文本的答案。
7.根据权利要求1所述的方法，所述核函数为指数型函数。
8.根据权利要求2所述的方法，其中，所述目标词汇表中的每个目标单词的词向量、用于控制该目标单词的输入上下文向量的变化幅度的参数是基于训练样本预先训练得到的，所述训练样本包括源语句和目标语句组成的语句对。
9.一种用于生成文本的装置，包括：
第一生成单元，被配置成生成输入单词的输入词向量；
第二生成单元，被配置成基于所述输入词向量，生成所述输入单词的输入上下文向量，所述输入上下文向量与输入单词所在的输入文本相关联；
确定单元，被配置成对于目标词汇表中的每一个目标单词，利用与该目标单词相关联的核函数，基于所述输入上下文向量和该目标单词的词向量，确定该目标单词作为与所述输入单词对应的输出单词的得分。
10.一种电子设备，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时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911212847.5A CN110909530A (zh) | 2019-12-02 | 2019-12-02 | 用于生成文本的方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911212847.5A CN110909530A (zh) | 2019-12-02 | 2019-12-02 | 用于生成文本的方法、装置、电子设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909530A true CN110909530A (zh) | 2020-03-24 |
Family
ID=69821558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911212847.5A Pending CN110909530A (zh) | 2019-12-02 | 2019-12-02 | 用于生成文本的方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909530A (zh) |
-
2019
- 2019-12-02 CN CN201911212847.5A patent/CN110909530A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| NING MIAO ETAL: "Kernelized Bayesian Softmax for Text Generation" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108630190B (zh) | 用于生成语音合成模型的方法和装置 | |
| US10592607B2 (en) | Iterative alternating neural attention for machine reading | |
| US10832658B2 (en) | Quantized dialog language model for dialog systems | |
| US11699074B2 (en) | Training sequence generation neural networks using quality scores | |
| US10048934B2 (en) | Learning intended user actions | |
| US11151324B2 (en) | Generating completed responses via primal networks trained with dual networks | |
| JP2021096813A (ja) | データ処理方法及び装置 | |
| CN110610234B (zh) | 将外部应用程序集成到深度神经网络中 | |
| US11574550B2 (en) | Learning of policy for selection of associative topic in dialog system | |
| CN111428010A (zh) | 人机智能问答的方法和装置 | |
| US10223440B2 (en) | Question and answer system emulating people and clusters of blended people | |
| KR20210148918A (ko) | 언어 모델에 기반한 단어 벡터 획득 방법, 장치, 기기 및 기록매체 | |
| CN111061877A (zh) | 文本主题提取方法和装置 | |
| CN111104796B (zh) | 用于翻译的方法和装置 | |
| CN110232920B (zh) | 语音处理方法和装置 | |
| US11281867B2 (en) | Performing multi-objective tasks via primal networks trained with dual networks | |
| US11429795B2 (en) | Machine translation integrated with user analysis | |
| CN110991661A (zh) | 用于生成模型的方法和装置 | |
| CN112464654B (zh) | 关键词生成方法、装置、电子设备和计算机可读介质 | |
| CN110909530A (zh) | 用于生成文本的方法、装置、电子设备和计算机可读介质 | |
| US20210406294A1 (en) | Relevance approximation of passage evidence | |
| CN112328751A (zh) | 用于处理文本的方法和装置 | |
| CN112446190A (zh) | 生成风格转化文本的方法和装置 | |
| CN110991174A (zh) | 文本生成方法、装置、电子设备和计算机可读介质 | |
| CN110990528A (zh) | 一种问答方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: Tiktok vision (Beijing) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |