CN111444679B - 诗词生成方法及装置、电子设备、存储介质 - Google Patents
诗词生成方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111444679B CN111444679B CN202010231975.0A CN202010231975A CN111444679B CN 111444679 B CN111444679 B CN 111444679B CN 202010231975 A CN202010231975 A CN 202010231975A CN 111444679 B CN111444679 B CN 111444679B
- Authority
- CN
- China
- Prior art keywords
- poetry
- target
- word
- generating
- character
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims description 62
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本公开是关于一种诗词生成方法及装置、电子设备、存储介质。一种诗词生成方法包括:获取输入数据,所述输入数据包括至少一个文字以及各文字的位置;将所述输入数据输入到预设的诗词生成模型,由所述诗词生成模型生成包括所述至少一个文字且各文字的位置在对应位置的诗词,将所述诗词作为与所述输入数据对应的目标诗词。本实施例中,因增加了文字的位置,而不再局限于输入数据仅是藏头字或者藏尾字,这样扩大输入数据的范围,有利于提升使用体验。并且,本实施例中诗词生成模型基于至少一个文字和各文字的位置生成目标诗词,可以提高其适用范围,减少训练模型的个数和训练次数,有利于节省训练资源。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种诗词生成方法及装置、电子设备、存储介质。
背景技术
目前,诗词生成模型通常采用序列到序列(sequence-to-sequence,seq2seq)的结构,包括编码器(encoder)和解码器(decoder)两部分;其中,编码器的输入为诗词的几个词(如题目),解码器的输入是编码器已经编码后和向量,解码器的输出是诗词全文。
在诗词生成模型的训练过程中,诗词生成模型学习到诗词题目与诗词全文的映射关系,从而结束训练;在推理计算时,诗词生成模型中编码器接受到指定的输入内容,解码器即可生成对应的诗词全文,从而完成机器创作的过程。
实际应用中,对于指定位置藏字的需求,若生成藏头诗,则需要对训练数据中的每首诗词做以下处理:提取出每一句的第一个字作为编码器的输入数据,诗词全文作为解码器的输入数据;若生成藏尾诗,对于训练数据的每首诗,解码器的输入数据是诗词全文,而编码器的输入内容则改为每一句的最后一个字。
比如说,训练数据中的一首诗:
《登黄鹤楼》
白日依山尽,黄河入海流。
欲穷千里目,更上一层楼。
对于藏头诗,编码器的输入数据是“白黄欲更”,而对于藏尾诗,编码器的输入数据是“尽流目楼”。由于编码器输入数据不同,藏头诗和藏尾诗的模型需要各自单独训练,从而形成针对藏头诗的诗词生成模型和针对藏尾诗的诗词生成模型。但是,若用户想输入指定位置的字(如“依入千里”)时,上述针对藏头诗或针对藏尾诗的诗词生成模型则无法输出正常的答案,此时需要重新训练另一个模型,降低使用体验。
发明内容
本公开提供一种诗词生成方法及装置、电子设备、存储介质,以解决相关技术的不足。
根据本公开实施例的第一方面,提供一种诗词生成方法,包括:
获取输入数据,所述输入数据包括至少一个文字以及各文字的位置;
将所述输入数据输入到预设的诗词生成模型,由所述诗词生成模型生成包括所述至少一个文字且各文字的位置在对应位置的诗词,将所述诗词作为与所述输入数据对应的目标诗词。
可选地,所述预设的诗词生成模型包括序列到序列模型。
可选地,所述诗词生成模型采用以下步骤进行训练:
获取多个训练数据;各训练数据包括至少一个文字和各文字的位置,以及所述至少一个文字所在的目标诗词;各文字的位置是指与该文字以目标诗词中第一个文字作为起始点的序号,或者该文字在目标诗词中的行列位置;
将所述各训练数据依次输入到诗词生成模型的编码器中,由所述编码器根据所述至少一个文字和所述各文字的位置生成目标编码向量;
将所述目标编码向量和所述目标诗词输入到所述诗词生成模型的解码器中进行训练,直至训练结束。
可选地,根据所述至少一个文字和所述各文字的位置生成目标编码向量,包括:
根据至少一个文字获得文字编码向量,以及根据所述各文字的位置生成位置编码向量;
合成所述文字编码向量和所述位置编码向量,获得所述目标编码向量。
可选地,训练结束条件包括以下至少一种:
所述编码器中的损失函数的输出值小于或等于预设的损失阈值;或者,
所述编码器输出的诗词与目标诗词的相似度超过预设的相似度阈值。
根据本公开实施例的第二方面,提供一种诗词生成装置,包括:
输入数据获取模块,用于获取输入数据,所述输入数据包括至少一个文字以及各文字的位置;
目标诗词获取模块,用于将所述输入数据输入到预设的诗词生成模型,由所述诗词生成模型生成包括所述至少一个文字且各文字的位置在对应位置的诗词,将所述诗词作为与所述输入数据对应的目标诗词。
可选地,所述预设的诗词生成模型包括序列到序列模型。
可选地,还包括模型训练模块,所述模型训练模块包括:
训练数据获取单元,用于获取多个训练数据;各训练数据包括至少一个文字和各文字的位置,以及所述至少一个文字所在的目标诗词;各文字的位置是指与该文字以目标诗词中第一个文字作为起始点的序号,或者该文字在目标诗词中的行列位置;
编码向量生成单元,用于将所述各训练数据依次输入到诗词生成模型的编码器中,由所述编码器根据所述至少一个文字和所述各文字的位置生成目标编码向量;
模型训练单元,用于将所述目标编码向量和所述目标诗词输入到所述诗词生成模型的解码器中进行训练,直至训练结束。
可选地,所述编码向量生成单元包括:
编码向量获取子单元,用于根据至少一个文字获得文字编码向量,以及根据所述各文字的位置生成位置编码向量;
编码向量合成子单元,用于合成所述文字编码向量和所述位置编码向量,获得所述目标编码向量。
可选地,训练结束条件包括以下至少一种:
所述编码器中的损失函数的输出值小于或等于预设的损失阈值;或者,
所述编码器输出的诗词与目标诗词的相似度超过预设的相似度阈值。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行的计算机程序的存储器;
所述处理器被配置为执行所述存储器中的计算机程序以实现上述任一项所述方法的步骤。
根据本公开实施例的第四方面,提供一种可读存储介质,其上存储有可执行的计算机程序,该计算机程序被执行时实现上述任一项所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
由上述实施例可知,本公开实施例中通过在至少一个文字的基础上增加各文字的位置,得到输入数据;然后,将输入数据输入到预设的诗词生成模型,由诗词生成模型生成包括至少一个文字且各文字的位置在对应位置的诗词,将诗词作为与所述输入数据对应的目标诗词。本实施例中,因增加了文字的位置,而不再局限于输入数据仅是藏头字或者藏尾字,这样扩大输入数据的范围,有利于提升使用体验。并且,本实施例中诗词生成模型基于至少一个文字和各文字的位置生成目标诗词,可以提高其适用范围,减少训练模型的个数和训练次数,有利于节省训练资源。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种训练诗词生成方法的流程图。
图2是根据一示例性实施例示出的一种训练诗词生成模型的流程图。
图3是根据一示例性实施例示出的一种应用场景图。
图4~图6是根据一示例性实施例示出的一种诗词生成装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性所描述的实施例并不代表与本公开相一致的所有实施例。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置例子。
考虑到相关技术中编码器输入数据不同,藏头诗和藏尾诗的模型需要各自单独训练,从而形成针对藏头诗的诗词生成模型和针对藏尾诗的诗词生成模型,但是,若用户想输入指定位置的字(如“依入千里”)时,上述针对藏头诗或针对藏尾诗的诗词生成模型则无法输出正常的答案,此时需要重新训练另一个模型,降低使用体验。
为解决上述技术问题,本公开实施例提供了一种诗词生成方法,图1是根据一示例性实施例示出的一种诗词生成方法的流程图。参见图1,一种诗词生成方法包括步骤11和步骤12,其中:
在步骤11中,获取输入数据,所述输入数据包括至少一个文字以及各文字的位置。
本实施例中,电子设备内可以设置有应用程序APP,当用户打开APP后,可以在交互页面内的指定位置编辑输入数据,其中输入数据包括至少一个文字和各个文字在待获取的目标诗词中的位置。各文字的位置是指与该文字以目标诗词中第一个文字作为起始点的序号,或者该文字在目标诗词中的行列位置。
以文字在目标诗词中的序号为例:
例如,“{白,黄,欲,更;1,6,11,16}”,其中“白,黄,欲,更”表示输入的四个文字,“白”在待获取的目标诗词中的位置“1”,“黄”在待获取的目标诗词中的位置“6”,“欲”在待获取的目标诗词中的位置“11”和“更”在待获取的目标诗词中的位置“16”。
又如,“{白,河,千,层;1,7,13,19}”,其中“白,河,千,层”表示输入的四个文字,“白”在待获取的目标诗词中的位置“1”,“河”在待获取的目标诗词中的位置“7”,“千”在待获取的目标诗词中的位置“13”和“层”在待获取的目标诗词中的位置“19”。
以文字在目标诗词中的行列数据为例:
例如,“{白,黄,欲,更;(1,1),(1,6),(2,1),(2,6)}”,其中“白,黄,欲,更”表示输入的四个文字,“白”在待获取的目标诗词中的位置是(1,1),即第1行第1列;“黄”在待获取的目标诗词中的位置(1,6),即第1行第6列;“欲”在待获取的目标诗词中的位置(2,1),即第2行第1列;“更”在待获取的目标诗词中的位置(2,6),即第2行第6列。
或者
“{白,黄,欲,更;11,16,21,26}”,其中“白,黄,欲,更”表示输入的四个文字,“白”在待获取的目标诗词中的位置是11,即第1行第1列;“黄”在待获取的目标诗词中的位置16,即第1行第6列;“欲”在待获取的目标诗词中的位置21,即第2行第1列;“更”在待获取的目标诗词中的位置26,即第2行第6列。
可理解的是,用户在输入上述输入数据后,实际上已经决定了目标诗词的前半部分,或者后半部分,或者中间部分。例如,“{白,黄,欲,更;1,6,11,16}”,实际决定了目标诗词至少包括16个字,且前半部分包括“白,黄,欲,更”,而对于目标诗词“更”字之后的部分则无限制。又如,“{黄,欲,更;6,11,16}”,实际决定了目标诗词至少包括16个字,且中间部分包括“黄,欲,更”,而对于目标诗词“黄”字之前的部分的字数有限制而目标诗词“更”字之后的部分则无限制。因此,在一示例中,用户还可以限制目标诗词的字数L,即输入数据还可以包括目标诗词的字数。
在步骤12中,将所述输入数据输入到预设的诗词生成模型,由所述诗词生成模型生成包括所述至少一个文字且各文字的位置在对应位置的诗词,将所述诗词作为与所述输入数据对应的目标诗词。
本实施例中,电子设备内预设一诗词生成模型,该诗词生成模型可以包括序列到序列模型(sequence-to-sequence,seq2seq)。其中,序列到序列模型包括编码器和解码器,至于编码器和解码器的具体结构可以参考相关技术,在此不再详述。
该预设的诗词生成模型可以预先训练,参见图2,包括:在步骤21中,电子设备可以获取多个训练数据;各训练数据包括至少一个文字和各文字的位置,以及所述至少一个文字所在的目标诗词。其中训练数据中的至少一个文字和各文字的位置与步骤11中的输入数据的格式相同,可以参考步骤11的内容,在此不再赘述。至少一个文字所在的目标诗词如上述:
《登黄鹤楼》
白日依山尽,黄河入海流。
欲穷千里目,更上一层楼。
在步骤22中,电子设备可以将各训练数据依次输入到诗词生成模型的编码器中,由编码器根据至少一个文字和各文字的位置生成目标编码向量。例如,编码器可以对至少一个文字进行编码生成文字编码向量,对各文字的位置进行编码生成位置编码向量;然后,合成文字编码向量和位置编码向量,得到目标编码向量。合成方式可以包括将位置编码向量置入文字编码向量后方进行拼接,或者将位置编码向量中的各位置依次融合到各文字中,技术人员可以根据具体场景进行选择,相应方案落入本公开的保护范围。
在步骤23中,电子设备可以将目标编码向量和目标诗词输入到诗词生成模型的解码器中进行训练,直至训练结束。其中,训练结束条件可以包括以下至少一种:编码器中的损失函数的输出值小于或等于预设的损失阈值(如0.1,可调整);或者,编码器输出的诗词与目标诗词的相似度超过预设的相似度阈值(如90%,可调整)。相似度的计算方式可以参考余弦公式,在此不作限定。
下面详细描述诗词生成模型的训练过程,参见图3:
首先,针对已有的每首诗词,假设长度为L个字,从0开始计数,则得到整首诗的每个文字对应的位置:{0,1,……,L-1}。或者,假设诗词长度为L,且为P行Z列,则每个文字对应位置为:{(1,1),(1,2),…,(1,Z);(2,1),(2,2),…,(2,Z);…;(P,1),(P,2),…,(P,Z)}。为简化处理,位置为行列数时,还可以采用以下方式表示:{11,12,…,1Z;21,22,…,2Z;…;P1,P2,…,PZ}。
然后,从每首诗中随机抽取1~N个字及其对应的位置。如果,抽取的字数M少于N,则可以补充N-M个“<PAD>”字符作为填充,填充字符对应的位置均设置为-1。换言之,在位置数据取值“-1”时,表明此位置的文字是填充字符,为需要获取的目标文字。
之后,将抽取到的文字及其位置作为编码器的输入数据,将文字编码为文字编码向量,并将位置编码为位置编码向量,最后合成目标编码向量。
将目标编码向量和整首诗的内容作为解码器的输入数据,在解码器生成的诗词与输入的诗词的相似度超过设定的相似度阈值时,此时诗词生成模型学习出文字、位置与整首诗的映射关系,可以结束训练,获得训练后的诗词生成模型。
最后,可以导出诗词生成模型,预先设置到电子设备内。
本实施例中,电子设备可以将获取到的输入数据输入到诗词生成模型,由诗词生成模型生成包括至少一个文字,并且各文字在对应位置的诗词,即得到与输入数据对应的目标诗词。例如,输入数据是“{白,河,千,层;1,7,13,19}”时,诗词生成模型输出的目标诗词是《登黄鹤楼》。
需要说明的是,由于诗词生成模型可以生成多首诗词,此情况下,还可以生成包含提示信息的交互页面,提示信息如“如输入目标诗词的字数”,此时电子设备可以检测交互页面内的指定位置,在确定检测到用户输入目标诗词的字数后,选择与该字数相同或者接近的诗词作为目标诗词并输出。当然,电子设备还可以输出生成的多首诗词,可以达到同样的效果。
至此,本公开实施例中通过在至少一个文字的基础上增加各文字的位置,得到输入数据;然后,将输入数据输入到预设的诗词生成模型,由诗词生成模型生成包括至少一个文字且各文字的位置在对应位置的诗词,将诗词作为与所述输入数据对应的目标诗词。本实施例中,因增加了文字的位置,而不再局限于输入数据仅是藏头字或者藏尾字,这样扩大输入数据的范围,有利于提升使用体验。并且,本实施例中诗词生成模型基于至少一个文字和各文字的位置生成目标诗词,可以提高其适用范围,减少训练模型的个数和训练次数,有利于节省训练资源。
图4是根据一示例性实施例示出的一种诗词生成装置的框图。参见图4,一种诗词生成装置,包括:
输入数据获取模块41,用于获取输入数据,所述输入数据包括至少一个文字以及各文字的位置;
目标诗词获取模块42,用于将所述输入数据输入到预设的诗词生成模型,由所述诗词生成模型生成包括所述至少一个文字且各文字的位置在对应位置的诗词,将所述诗词作为与所述输入数据对应的目标诗词。
在一实施例中,所述预设的诗词生成模型包括序列到序列模型。
在一实施例中,参见图5,还包括模型训练模块,所述模型训练模块包括:
训练数据获取单元51,用于获取多个训练数据;各训练数据包括至少一个文字和各文字的位置,以及所述至少一个文字所在的目标诗词;所述各文字的位置是指与该文字以目标诗词中第一个文字作为起始点的序号,或者该文字在目标诗词中的行列位置;
编码向量生成单元52,用于将所述各训练数据依次输入到诗词生成模型的编码器中,由所述编码器根据所述至少一个文字和所述各文字的位置生成目标编码向量;
模型训练单元53,用于将所述目标编码向量和所述目标诗词输入到所述诗词生成模型的解码器中进行训练,直至训练结束。
在一实施例中,参见图6,所述编码向量生成单元52包括:
编码向量获取子单元61,用于根据至少一个文字获得文字编码向量,以及根据所述各文字的位置生成位置编码向量;
编码向量合成子单元62,用于合成所述文字编码向量和所述位置编码向量,获得所述目标编码向量。
在一实施例中,训练结束条件包括以下至少一种:
所述编码器中的损失函数的输出值小于或等于预设的损失阈值;或者,所述编码器输出的诗词与目标诗词的相似度超过预设的相似度阈值。
可理解的是,本公开实施例提供的装置与上述方法实施例相对应,具体内容可以参考方法各实施例的内容,在此不再赘述。
图7是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备700可以是智能手机,计算机,数字广播终端,平板设备,医疗设备,健身设备,个人数字助理等。
参照图7,电子设备700可以包括以下一个或多个组件:处理组件702,存储器704,电源组件706,多媒体组件708,音频组件710,输入/输出(I/O)的接口712,传感器组件714,通信组件716,以及图像采集组件718。
处理组件702通常电子设备700的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行计算机程序。此外,处理组件702可以包括一个或多个模块,便于处理组件702和其他组件之间的交互。例如,处理组件702可以包括多媒体模块,以方便多媒体组件708和处理组件702之间的交互。
存储器704被配置为存储各种类型的数据以支持在电子设备700的操作。这些数据的示例包括用于在电子设备700上操作的任何应用程序或方法的计算机程序,联系人数据,电话簿数据,消息,图片,视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件706为电子设备700的各种组件提供电力。电源组件706可以包括电源管理系统,一个或多个电源,及其他与为电子设备700生成、管理和分配电力相关联的组件。电源组件706可以包括电源芯片,控制器可以电源芯片通信,从而控制电源芯片导通或者断开开关器件,使电池向主板电路供电或者不供电。
多媒体组件708包括在电子设备700和目标对象之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示屏(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自目标对象的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。
音频组件710被配置为输出和/或输入音频信号。例如,音频组件710包括一个麦克风(MIC),当电子设备700处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中,音频组件710还包括一个扬声器,用于输出音频信号。
I/O接口712为处理组件702和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。
传感器组件714包括一个或多个传感器,用于为电子设备700提供各个方面的状态评估。例如,传感器组件714可以检测到电子设备700的打开/关闭状态,组件的相对定位,例如组件为电子设备700的显示屏和小键盘,传感器组件714还可以检测电子设备700或一个组件的位置改变,目标对象与电子设备700接触的存在或不存在,电子设备700方位或加速/减速和电子设备700的温度变化。
通信组件716被配置为便于电子设备700和其他设备之间有线或无线方式的通信。电子设备700可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件716还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现。
在示例性实施例中,还提供了一种包括可执行的计算机程序的非临时性可读存储介质,例如包括指令的存储器704,上述可执行的计算机程序可由处理器执行。其中,可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (6)
1.一种诗词生成方法,其特征在于,包括:
获取输入数据,所述输入数据包括至少一个文字以及各文字的位置;
将所述输入数据输入到预设的诗词生成模型,由所述诗词生成模型生成包括所述至少一个文字且各文字的位置在对应位置的诗词,将所述诗词作为与所述输入数据对应的目标诗词;其中,所述预设的诗词生成模型包括序列到序列模型;
其中,所述诗词生成模型采用以下步骤进行训练:
获取多个训练数据;各训练数据包括至少一个文字和各文字的位置,以及所述至少一个文字所在的目标诗词;所述各文字的位置是指与该文字以目标诗词中第一个文字作为起始点的序号,或者该文字在目标诗词中的行列位置;
将所述各训练数据依次输入到诗词生成模型的编码器中,由所述编码器根据所述至少一个文字和所述各文字的位置生成目标编码向量;所述根据所述至少一个文字和所述各文字的位置生成目标编码向量,包括:根据至少一个文字获得文字编码向量,以及根据所述各文字的位置生成位置编码向量;合成所述文字编码向量和所述位置编码向量,获得所述目标编码向量;
将所述目标编码向量和所述目标诗词输入到所述诗词生成模型的解码器中进行训练,直至训练结束。
2.根据权利要求1所述的诗词生成方法,其特征在于,训练结束条件包括以下至少一种:
所述编码器中的损失函数的输出值小于或等于预设的损失阈值;或者,
所述编码器输出的诗词与目标诗词的相似度超过预设的相似度阈值。
3.一种诗词生成装置,其特征在于,包括:
输入数据获取模块,用于获取输入数据,所述输入数据包括至少一个文字以及各文字的位置;
目标诗词获取模块,用于将所述输入数据输入到预设的诗词生成模型,由所述诗词生成模型生成包括所述至少一个文字且各文字的位置在对应位置的诗词,将所述诗词作为与所述输入数据对应的目标诗词;其中,所述预设的诗词生成模型包括序列到序列模型;
模型训练模块,所述模型训练模块包括:
训练数据获取单元,用于获取多个训练数据;各训练数据包括至少一个文字和各文字的位置,以及所述至少一个文字所在的目标诗词;所述各文字的位置是指与该文字以目标诗词中第一个文字作为起始点的序号,或者该文字在目标诗词中的行列位置;
编码向量生成单元,用于将所述各训练数据依次输入到诗词生成模型的编码器中,由所述编码器根据所述至少一个文字和所述各文字的位置生成目标编码向量;所述根据所述至少一个文字和所述各文字的位置生成目标编码向量,包括:根据至少一个文字获得文字编码向量,以及根据所述各文字的位置生成位置编码向量;合成所述文字编码向量和所述位置编码向量,获得所述目标编码向量;
模型训练单元,用于将所述目标编码向量和所述目标诗词输入到所述诗词生成模型的解码器中进行训练,直至训练结束。
4.根据权利要求3所述的诗词生成装置,其特征在于,训练结束条件包括以下至少一种:
所述编码器中的损失函数的输出值小于或等于预设的损失阈值;或者,
所述编码器输出的诗词与目标诗词的相似度超过预设的相似度阈值。
5.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行的计算机程序的存储器;
所述处理器被配置为执行所述存储器中的计算机程序以实现权利要求1~2任一项所述方法的步骤。
6.一种可读存储介质,其上存储有可执行的计算机程序,其特征在于,该计算机程序被执行时实现权利要求1~2任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010231975.0A CN111444679B (zh) | 2020-03-27 | 2020-03-27 | 诗词生成方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010231975.0A CN111444679B (zh) | 2020-03-27 | 2020-03-27 | 诗词生成方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444679A CN111444679A (zh) | 2020-07-24 |
CN111444679B true CN111444679B (zh) | 2024-05-24 |
Family
ID=71649080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010231975.0A Active CN111444679B (zh) | 2020-03-27 | 2020-03-27 | 诗词生成方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444679B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984783B (zh) * | 2020-08-28 | 2024-04-02 | 达闼机器人股份有限公司 | 文本生成模型的训练方法、文本生成方法及相关设备 |
CN113010717B (zh) * | 2021-04-26 | 2022-04-22 | 中国人民解放军国防科技大学 | 图像诗句描述生成方法、装置和设备 |
CN113360001A (zh) * | 2021-05-26 | 2021-09-07 | 北京百度网讯科技有限公司 | 输入文本的处理方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012089689A1 (en) * | 2010-12-31 | 2012-07-05 | Eldon Technology Limited | Offline generation of subtitles |
WO2014012521A1 (zh) * | 2012-07-19 | 2014-01-23 | Liang Chen | 基于韵列的键盘输入方法 |
CN106776517A (zh) * | 2016-12-20 | 2017-05-31 | 科大讯飞股份有限公司 | 自动作诗方法和装置及系统 |
CN107316638A (zh) * | 2017-06-28 | 2017-11-03 | 北京粉笔未来科技有限公司 | 一种诗词背诵评测方法及系统、一种终端及存储介质 |
CN109002433A (zh) * | 2018-05-30 | 2018-12-14 | 出门问问信息科技有限公司 | 一种文本生成方法及装置 |
CN109977382A (zh) * | 2019-03-05 | 2019-07-05 | 安徽省泰岳祥升软件有限公司 | 诗句生成模型的训练方法、自动写诗方法及装置 |
WO2019169992A1 (zh) * | 2018-03-08 | 2019-09-12 | 腾讯科技(深圳)有限公司 | 文本信息生成方法、装置、存储介质及设备 |
WO2019174186A1 (zh) * | 2018-03-15 | 2019-09-19 | 平安科技(深圳)有限公司 | 诗歌自动生成方法、装置、计算机设备及存储介质 |
CN110705284A (zh) * | 2019-09-19 | 2020-01-17 | 苏州思必驰信息科技有限公司 | 基于神经网络生成模型的诗词生成质量的优化方法及系统 |
CN110852086A (zh) * | 2019-09-18 | 2020-02-28 | 平安科技(深圳)有限公司 | 基于人工智能的古诗词生成方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7461004B2 (en) * | 2004-05-27 | 2008-12-02 | Intel Corporation | Content filtering for a digital audio signal |
-
2020
- 2020-03-27 CN CN202010231975.0A patent/CN111444679B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012089689A1 (en) * | 2010-12-31 | 2012-07-05 | Eldon Technology Limited | Offline generation of subtitles |
WO2014012521A1 (zh) * | 2012-07-19 | 2014-01-23 | Liang Chen | 基于韵列的键盘输入方法 |
CN106776517A (zh) * | 2016-12-20 | 2017-05-31 | 科大讯飞股份有限公司 | 自动作诗方法和装置及系统 |
CN107316638A (zh) * | 2017-06-28 | 2017-11-03 | 北京粉笔未来科技有限公司 | 一种诗词背诵评测方法及系统、一种终端及存储介质 |
WO2019169992A1 (zh) * | 2018-03-08 | 2019-09-12 | 腾讯科技(深圳)有限公司 | 文本信息生成方法、装置、存储介质及设备 |
WO2019174186A1 (zh) * | 2018-03-15 | 2019-09-19 | 平安科技(深圳)有限公司 | 诗歌自动生成方法、装置、计算机设备及存储介质 |
CN109002433A (zh) * | 2018-05-30 | 2018-12-14 | 出门问问信息科技有限公司 | 一种文本生成方法及装置 |
CN109977382A (zh) * | 2019-03-05 | 2019-07-05 | 安徽省泰岳祥升软件有限公司 | 诗句生成模型的训练方法、自动写诗方法及装置 |
CN110852086A (zh) * | 2019-09-18 | 2020-02-28 | 平安科技(深圳)有限公司 | 基于人工智能的古诗词生成方法、装置、设备及存储介质 |
CN110705284A (zh) * | 2019-09-19 | 2020-01-17 | 苏州思必驰信息科技有限公司 | 基于神经网络生成模型的诗词生成质量的优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
周涛 ; .从语言的媒质特征看多媒质语言整合的意义维度.铜陵职业技术学院学报.2008,(第04期),全文. * |
范亚超 ; 罗天健 ; 周昌乐 ; .基于降噪自编码器特征学习的作者识别及其在《西游记》诗词上的应用.厦门大学学报(自然科学版).2018,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111444679A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444679B (zh) | 诗词生成方法及装置、电子设备、存储介质 | |
CN110941966A (zh) | 机器翻译模型的训练方法、装置及系统 | |
CN107341509B (zh) | 卷积神经网络的训练方法、装置及可读存储介质 | |
CN106506335A (zh) | 分享视频文件的方法及装置 | |
EP3012750A1 (en) | Method and device for identifying encoding of web page | |
CN109614470B (zh) | 回答信息的处理方法、装置、终端及可读存储介质 | |
CN111831806A (zh) | 语义完整性确定方法、装置、电子设备和存储介质 | |
CN112735396A (zh) | 语音识别纠错方法、装置及存储介质 | |
CN113238752A (zh) | 代码生成方法、装置、电子设备及存储介质 | |
CN114154459A (zh) | 语音识别文本处理方法、装置、电子设备及存储介质 | |
CN109670025B (zh) | 对话管理方法及装置 | |
CN112036174A (zh) | 一种标点标注方法及装置 | |
CN110648657A (zh) | 一种语言模型训练方法、构建方法和装置 | |
CN110930977A (zh) | 一种数据处理方法、装置和电子设备 | |
CN114462410A (zh) | 实体识别方法、装置、终端及存储介质 | |
CN113901832A (zh) | 人机对话方法、装置、存储介质及电子设备 | |
CN114550691A (zh) | 一种多音字消歧方法、装置、电子设备及可读存储介质 | |
CN113420553A (zh) | 文本生成方法、装置、存储介质及电子设备 | |
CN112861592B (zh) | 图像生成模型的训练方法、图像处理方法及装置 | |
CN112837668B (zh) | 一种语音处理方法、装置和用于处理语音的装置 | |
CN113391804A (zh) | 页面生成方法、装置、电子设备及存储介质 | |
CN109711386B (zh) | 获取识别模型的方法、装置、电子设备及存储介质 | |
CN112698757A (zh) | 界面交互方法、装置、终端设备及存储介质 | |
US20220292347A1 (en) | Method and apparatus for processing information | |
CN113704457B (zh) | 摘要的生成方法、装置及存储介质 |
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 | ||
GR01 | Patent grant |