CN112446190A - 生成风格转化文本的方法和装置 - Google Patents
生成风格转化文本的方法和装置 Download PDFInfo
- Publication number
- CN112446190A CN112446190A CN201910760068.2A CN201910760068A CN112446190A CN 112446190 A CN112446190 A CN 112446190A CN 201910760068 A CN201910760068 A CN 201910760068A CN 112446190 A CN112446190 A CN 112446190A
- Authority
- CN
- China
- Prior art keywords
- text
- network
- sample
- generating
- countermeasure
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本公开的实施例公开了生成风格转化文本的方法。该方法的一具体实施方式包括:获取文本;将文本输入文本对抗网络,生成风格转化文本,其中,文本对抗网络是根据以下步骤得到的:获取目标文本样本集,其中,目标文本样本集中的文本样本包括第一文本样本和第二文本样本;基于目标文本样本集,对初始对抗网络进行对抗训练,将结束对抗训练后的初始对抗网络确定为文本对抗网络,其中,初始对抗网络包括编码网络、生成网络和确定网络,其中,编码网络用于提取文本样本中的隐态,生成网络用于生成风格转化文本,确定网络用于确定风格转化文本是否相同。该实施方式实现了富于实用性的文本转化。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及生成风格转化文本的方法和装置。
背景技术
生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。原始GAN理论中,并不要求生成模型和判别模型都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为生成模型和判别模型。一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。
发明内容
本发明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。本发明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生成风格转化文本的方法、装置、电子设备和计算机可读介质。
第一方面,本公开的一些实施例提供了一种生成风格转化文本的方法,该方法包括:获取文本;将上述文本输入文本对抗网络,生成风格转化文本,其中,上述文本对抗网络是根据以下步骤得到的:获取目标文本样本集,其中,上述目标文本样本集中的文本样本包括第一文本样本和第二文本样本;基于上述目标文本样本集,对初始对抗网络进行对抗训练,将结束上述对抗训练后的初始对抗网络确定为文本对抗网络,其中,上述初始对抗网络包括编码网络、生成网络和确定网络,其中,上述编码网络用于提取文本样本中的隐态,上述生成网络用于生成风格转化文本,上述确定网络用于确定上述风格转化文本是否相同。
第二方面,本公开的一些实施例提供了一种生成风格转化文本的装置,装置包括:获取单元,被配置成用于获取文本;文本生成单元,被配置成用于将上述文本输入文本对抗网络,生成风格转化文本,其中,上述文本对抗网络是根据以下步骤得到的:获取目标文本样本集,其中,上述目标文本样本集中的文本样本包括第一文本样本和第二文本样本;基于上述目标文本样本集,对初始对抗网络进行对抗训练,将结束上述对抗训练后的初始对抗网络确定为文本对抗网络,其中,上述初始对抗网络包括编码网络、生成网络和确定网络,其中,上述编码网络用于提取文本样本中的隐态,上述生成网络用于生成风格转化文本,上述确定网络用于确定上述风格转化文本是否相同。
第三方面,本公开的一些实施例提供了一种生成风格转化文本的方法、装置、电子设备和计算机可读介质。
本公开的一些实施例提供的生成风格转化文本的方法、装置、电子设备和计算机可读介质,通过获取文本,而后将获取的文本输入文本对抗网络,最后基于文本对抗网络生成风格转化文本。从而有效利用了文本对抗网络,实现了富于实用性的文本转化。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的生成风格转化文本的方法的一些实施例的流程图;
图3是根据本公开的生成风格转化文本的装置的一些实施例的结构示意图;
图4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
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。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。
需要说明的是,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。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的生成风格转化文本的方法或生成风格转化文本的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以获取文本和文本样本等。终端设备101、102、103上可以安装有各种传输数据应用,例如文本传输应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持信息交互的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其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。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上文本转化应用提供支持的文本转化服务器。文本转化服务器可以对接收到的文本等数据进行分析等处理,并将处理结果(例如风格转化后的文本)反馈给终端设备。
需要说明的是,本公开实施例所提供的用于生成风格转化文本的方法一般由服务器105执行。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,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。
继续参考图2,示出了根据本公开的生成风格转化文本的方法的一些实施例的流程200。该生成风格转化文本的方法,包括以下步骤:
步骤201,获取文本。
在一些实施例中,生成风格转化文本的方法的执行主体可以通过有线连接方式或者无线连接方式从用户接收文本。
步骤202,将文本输入文本对抗网络,生成风格转化文本。
在一些实施例中,将上述文本输入文本对抗网络,生成风格转化文本。例如,可以输入五言诗,生成相同语义的七言诗;输入文言文,生成相同语义的白话文等。上述风格转化文本表示进行风格转后的文本。其中,上述文本对抗网络是根据以下步骤得到的:
获取目标文本样本集,其中,上述目标文本样本集中的文本样本包括第一文本样本和第二文本样本。生成风格转化文本的方法的执行主体可以通过各种方式获取目标文本样本集。例如,可以人为输入文本样本。其中,上述目标样本集中的样本包括第一文本样本和第二文本样本。在这里,上述目标文本样本通常包括相同语义不同风格的至少两个文本。例如,文本样本可以包括文本“你好”和文本“Hello”。上述文本风格通常是指不改变一段信息的语义使用不同的写法或使用不同的语言等。例如,“吃饭了吗?”可以写成“吃了吗?”或“食咗饭未?”等。
基于上述目标文本样本集,对初始对抗网络进行对抗训练,将结束上述对抗训练后的初始对抗网络确定为文本对抗网络。生成风格转化文本的方法的执行主体可以使用目标文本样本集中的文本样本对初始对抗网络进行对抗训练,将结束对抗训练后的对抗网络确定为文本对抗网络。其中,上述初始对抗网络用于表征包含编码网络、生成网络和确定网络的深度学习模型。
其中,上述初始对抗网络包括编码网络、生成网络和确定网络。其中,上述编码网络用于提取文本样本中的隐态。在这里,上述编码网络通常是人工神经网络(ArtificialNeural Networks,ANNs)。例如,可以是循环神经网络(Recurrent Neural Network,RNN)或长短期记忆网络(LSTM,Long Short-Term Memory)。上述生成网络用于生成风格转化文本。上述生成网络通常是人工神经网络。例如,可以是长短期记忆网络(LSTM,Long Short-TermMemory)。上述确定网络用于确定上述风格转化文本是否相同。上述确定网络通常是指预先训练的神经网络模型。例如,可以是用CNN(Convolutional Neural Networks,卷积神经网络)建模做0/1判断的神经网络模型。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。上述隐态表示一句话或一段话的语义。例如,句子“欲穷千里目,更上一层楼”的隐态可以是“要想看到无穷无尽的美丽景色,应该要再登上一层楼”。句子“Thank you”的隐态可以是“谢谢你”。
在一些实施例的一些可选的实现方式中,上述第一文本样本和第二文本样本是风格不同语义相同的文本样本。例如,第一文本样本可以是“今天阳光明媚”,对应的第二文本样本可以是“今天天气晴朗”。其中,语义相同可以是一段文本的语义和另一段文本的语义相近、类似或相同等。例如,句子“我今天头有点痛”和句子“我今天不舒服”语义相同。
在一些实施例的一些可选的实现方式中,上述对抗训练包括以下步骤:从上述目标文本样本集中选取文本样本,以及执行以下训练步骤:将选取的文本样本中的第一文本样本和第二文本样本输入上述编码网络,得到第一文本样本的隐态和第二文本样本的隐态;将上述第一文本样本的隐态和上述第二文本样本的隐态输入生成网络,得到第二文本和第一文本;将上述第一文本和上述第二文本输入确定网络,确定上述第一文本和文本样本中的第一文本样本,上述第二文本与上述文本样本中第二文本样本是否相同;响应于确定上述第一文本和上述第二文本与上述样本文本中的第一文本样本和第二文本样本相同,将初始对抗网络确定为文本对抗网络。
作为示例,上述对抗训练还可以根据以下步骤完成:首先固定上述生成网络和确定网络中的任一种网络(例如生成网络)的参数,对未固定参数的网络(例如确定网络)进行优化;再固定确定网络的参数,对生成网络进行优化。不断进行上述迭代,使确定网络无法区分输入的文本是否是生成网络所生成的。此时,生成网络所生成的文本与对应的文本样本接近,确定网络无法准确区分风格转化文本和文本样本(即判别准确率接近50%),可以将此时的对抗网络确定为文本对抗网络。
在一些实施例的一些可选的实现方式中,上述对抗训练还包括:响应于确定上述第一文本和上述样本文本中的第一文本样本,上述第二文本与样本文本中的第二文本样本不同,调整初始对抗网络中相关参数,以及从上述目标文本样本集中重新选取文本样本,采用调整后的初始对抗网络作为初始对抗网络,继续进行上述训练步骤。例如,若确定生成的文本与样本集中的文本样本不同,可以人为的对相关参数进行调整或预先设置调整操作,再重新选取第一文本样本、第二文本样本执行上述对抗训练的步骤。上述选取可以人为进行,也可以预先设定选取特定的文本样本。其中,上述调整可以是调整生成网络的参数,也可以是调整确定网络的参数,在此不做具体限定。
在一些实施例的一些可选的实现方式中,上述将第一文本样本和第二文本样本的隐态输入生成网络,生成第一文本和第二文本,包括:将上述编码网络中提取的第一文本的隐态输入生成网络,生成第二文本;将编码网络中提取的第二文本的隐态输入生成网络,生成第一文本。作为示例,上述生成第一文本和第二文本可以是编码网络提取文本样本中的关键字并进行组合排列生成隐态。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种网页生成装置的一些实施例,这些装置实施例与图2所示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3所示,一些实施例的网页生成装置300包括:获取单元301、和文本生成单元304。其中,获取单元301被配置成用于获取文本;而文本生成单元304配置用于将文本输入文本对抗网络,生成风格转化文本。
下面参考图4,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)400的结构示意图。图4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4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405: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406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,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4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409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401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。
上述计算机可读介质可以是上述电子设备中所包含的;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:获取文本;将上述文本输入文本对抗网络,生成风格转化文本。
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:一种处理器包括获取单元和文本生成单元。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,获取单元还可以被描述为“获取文本的单元”。
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 (8)
1.一种用于生成风格转化文本的方法,包括:
获取文本;
将所述文本输入文本对抗网络,生成风格转化文本,其中,所述文本对抗网络是根据以下步骤得到的:
获取目标文本样本集,其中,所述目标文本样本集中的文本样本包括第一文本样本和第二文本样本;
基于所述目标文本样本集,对初始对抗网络进行对抗训练,将结束所述对抗训练后的初始对抗网络确定为文本对抗网络,其中,所述初始对抗网络包括编码网络、生成网络和确定网络,其中,所述编码网络用于提取文本样本中的隐态,所述生成网络用于生成风格转化文本,所述确定网络用于确定所述风格转化文本是否相同。
2.根据权利要求1所述的方法,其中,所述第一文本样本和第二文本样本是风格不同语义相同的文本样本。
3.根据权利要求1所述的方法,其中,所述对所述初始对抗网络进行对抗训练,包括:
从所述目标文本样本集中选取文本样本,以及执行以下训练步骤:将选取的文本样本中的第一文本样本和第二文本样本输入所述编码网络,得到第一文本样本的隐态和第二文本样本的隐态;将所述第一文本样本的隐态和所述第二文本样本的隐态输入生成网络,得到第二文本和第一文本;将所述第一文本和所述第二文本输入确定网络,确定所述第一文本和文本样本中的第一文本样本,所述第二文本与所述文本样本中第二文本样本是否相同;响应于确定所述第一文本和所述第二文本与所述样本文本中的第一文本样本和第二文本样本相同,将初始对抗网络确定为文本对抗网络。
4.根据权利要求3所述的方法,还包括:
响应于确定所述第一文本和所述样本文本中的第一文本样本,所述第二文本与样本文本中的第二文本样本不同,调整初始对抗网络中相关参数,以及从所述目标文本样本集中重新选取文本样本,采用调整后的初始对抗网络作为初始对抗网络,继续进行所述训练步骤。
5.根据权利要求3所述的方法,所述将第一文本样本和第二文本样本的隐态输入生成网络,生成第一文本和第二文本,包括:
将所述编码网络中提取的第一文本的隐态输入生成网络,生成第二文本;将编码网络中提取的第二文本的隐态输入生成网络,生成第一文本。
6.一种用于生成风格转化文本的装置,包括:
获取单元,被配置成用于获取文本;
文本生成单元,被配置成用于将所述文本输入文本对抗网络,生成风格转化文本,其中,所述文本对抗网络是根据以下步骤得到的:
获取目标文本样本集,其中,所述目标文本样本集中的文本样本包括第一文本样本和第二文本样本;
基于所述目标文本样本集,对初始对抗网络进行对抗训练,将结束所述对抗训练后的初始对抗网络确定为文本对抗网络,其中,所述初始对抗网络包括编码网络、生成网络和确定网络,其中,所述编码网络用于提取文本样本中的隐态,所述生成网络用于生成风格转化文本,所述确定网络用于确定所述风格转化文本是否相同。
7.一种电子设备,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,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910760068.2A CN112446190A (zh) | 2019-08-16 | 2019-08-16 | 生成风格转化文本的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910760068.2A CN112446190A (zh) | 2019-08-16 | 2019-08-16 | 生成风格转化文本的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446190A true CN112446190A (zh) | 2021-03-05 |
Family
ID=74742144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910760068.2A Pending CN112446190A (zh) | 2019-08-16 | 2019-08-16 | 生成风格转化文本的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446190A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656573A (zh) * | 2021-08-27 | 2021-11-16 | 北京大数医达科技有限公司 | 文本信息生成方法、装置、终端设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464210A (zh) * | 2017-07-06 | 2017-12-12 | 浙江工业大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
CN108711138A (zh) * | 2018-06-06 | 2018-10-26 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
US20180373979A1 (en) * | 2017-06-22 | 2018-12-27 | Adobe Systems Incorporated | Image captioning utilizing semantic text modeling and adversarial learning |
CN109635253A (zh) * | 2018-11-13 | 2019-04-16 | 平安科技(深圳)有限公司 | 文本风格转换方法、装置及存储介质、计算机设备 |
US20190130221A1 (en) * | 2017-11-02 | 2019-05-02 | Royal Bank Of Canada | Method and device for generative adversarial network training |
CN109816589A (zh) * | 2019-01-30 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 用于生成漫画风格转换模型的方法和装置 |
CN110097085A (zh) * | 2019-04-03 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 歌词文本生成方法、训练方法、装置、服务器及存储介质 |
-
2019
- 2019-08-16 CN CN201910760068.2A patent/CN112446190A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373979A1 (en) * | 2017-06-22 | 2018-12-27 | Adobe Systems Incorporated | Image captioning utilizing semantic text modeling and adversarial learning |
CN107464210A (zh) * | 2017-07-06 | 2017-12-12 | 浙江工业大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
US20190130221A1 (en) * | 2017-11-02 | 2019-05-02 | Royal Bank Of Canada | Method and device for generative adversarial network training |
CN108711138A (zh) * | 2018-06-06 | 2018-10-26 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
CN109635253A (zh) * | 2018-11-13 | 2019-04-16 | 平安科技(深圳)有限公司 | 文本风格转换方法、装置及存储介质、计算机设备 |
CN109816589A (zh) * | 2019-01-30 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 用于生成漫画风格转换模型的方法和装置 |
CN110097085A (zh) * | 2019-04-03 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 歌词文本生成方法、训练方法、装置、服务器及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656573A (zh) * | 2021-08-27 | 2021-11-16 | 北京大数医达科技有限公司 | 文本信息生成方法、装置、终端设备 |
CN113656573B (zh) * | 2021-08-27 | 2024-02-06 | 北京大数医达科技有限公司 | 文本信息生成方法、装置、终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108630190B (zh) | 用于生成语音合成模型的方法和装置 | |
US11217239B2 (en) | Computer proxy messaging bot | |
JP7208952B2 (ja) | 対話モデルを生成するための方法及び装置 | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
CN110807515A (zh) | 模型生成方法和装置 | |
CN111104482A (zh) | 数据处理方法和装置 | |
CN109241286B (zh) | 用于生成文本的方法和装置 | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN109740167B (zh) | 用于生成信息的方法和装置 | |
CN108121699B (zh) | 用于输出信息的方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN109829164B (zh) | 用于生成文本的方法和装置 | |
CN109858045B (zh) | 机器翻译方法和装置 | |
CN111354345B (zh) | 生成语音模型和语音识别的方法、装置、设备以及介质 | |
CN113505848A (zh) | 模型训练方法和装置 | |
CN110232920B (zh) | 语音处理方法和装置 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
CN110245334B (zh) | 用于输出信息的方法和装置 | |
CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
CN111026849B (zh) | 数据处理方法和装置 | |
CN112446190A (zh) | 生成风格转化文本的方法和装置 | |
CN110991661A (zh) | 用于生成模型的方法和装置 | |
CN109857838B (zh) | 用于生成信息的方法和装置 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
CN111126078B (zh) | 翻译的方法和装置 |
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 |