CN113010645A - 文本生成方法、装置、设备及存储介质 - Google Patents

文本生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113010645A
CN113010645A CN202110320509.4A CN202110320509A CN113010645A CN 113010645 A CN113010645 A CN 113010645A CN 202110320509 A CN202110320509 A CN 202110320509A CN 113010645 A CN113010645 A CN 113010645A
Authority
CN
China
Prior art keywords
text
target object
displaying
tag
label
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
Application number
CN202110320509.4A
Other languages
English (en)
Inventor
杨晓婉
吴嫒博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110320509.4A priority Critical patent/CN113010645A/zh
Publication of CN113010645A publication Critical patent/CN113010645A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Machine Translation (AREA)

Abstract

本申请公开了一种文本生成方法、装置、设备及存储介质，属于计算机技术领域。所述方法包括：显示文本创建页面；响应于文本生成指令，显示至少一个目标对象对应的第一文本。本申请实施例提供的技术方案中，通过解析用户历史数据生成能够准确表征用户学习情况的学情特征标签，再根据学情特征标签自动生成能够表征用户在校情况的文本，有效降低编辑文本消耗时长、缩短了应用服务运行时间，减轻系统运行压力，降低人工成本。

Description

文本生成方法、装置、设备及存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种文本生成方法、装置、设备及存储介质。
背景技术
随着当今科学技术的不断发展，在线教育成为互联网科技与教育领域相结合的一种新的教育形式。
相关的在线教育应用中，学生或家长可以在在线教育应用中看到老师对学生的评语，以了解学生的学习情况。每个老师通常可能带上百个学生，老师需要在在线教育应用中为每个学生一一编辑相应的评语，以供学生和家长查阅。
相关技术中，编辑评语的耗时长、系统运行压力大、人工成本高。
发明内容
本申请实施例提供了一种文本生成方法、装置、设备及存储介质，有效降低编辑文本消耗时长、缩短了应用服务运行时间，减轻系统运行压力，降低人工成本。
一方面，本申请实施例提供了一种文本生成方法，所述方法包括：
显示文本创建页面，所述文本创建页面包括至少一个目标对象对应的学情特征标签，所述学情特征标签是基于所述目标对象对应的历史数据进行用户画像分析处理确定的表征所述目标对象学习情况的标签；所述历史数据为与所述目标对象的学习情况关联的数据；
响应于文本生成指令，显示所述至少一个目标对象对应的第一文本，所述第一文本是通过自然语言处理技术对所述学情特征标签进行语义分析自动生成的文本，所述第一文本用于表征所述目标对象在校情况。
另一方面，本申请情实施例提供了一种文本生成装置，所述装置包括：
页面显示模块，用于显示文本创建页面，所述文本创建页面包括至少一个目标对象对应的学情特征标签，所述学情特征标签是基于所述目标对象对应的历史数据进行用户画像分析处理确定的表征所述目标对象学习情况的标签；所述历史数据为与所述目标对象的学习情况关联的数据；
文本显示模块，用于响应于文本生成指令，显示所述至少一个目标对象对应的第一文本，所述第一文本是通过自然语言处理技术对所述学情特征标签进行语义分析自动生成的文本，所述第一文本用于表征所述目标对象在校情况。
另一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述文本生成方法。
再一方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述文本生成方法。
还一方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述文本生成方法。
本申请实施例提供的技术方案可以带来如下有益效果：
通过解析用户历史数据生成能够准确表征用户学习情况的学情特征标签，再根据学情特征标签自动生成能够表征用户在校情况的文本，有效降低编辑文本消耗时长、缩短了应用服务运行时间，减轻系统运行压力，降低人工成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的应用程序运行环境的示意图；
图2是本申请一个实施例提供的文本生成方法的流程图；
图3示例性示出了一种自动生成文本的交互流程示意图；
图4本申请另一个实施例提供的文本生成方法的流程图；
图5示例性示出了一种基于学生标签智能生成老师评语流程的示意图。
图6是本申请一个实施例提供的文本生成装置的框图；
图7是本申请一个实施例提供的计算机设备的框图；
图8是本申请另一个实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例涉及人工智能领域、云技术领域以及区块链技术领域，下面对此进行简要说明。
AI(Artificial Intelligence，人工智能)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
自然语言处理(Nature Language processing，NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
在一种可能的实施方式中，可将人工智能应用于教育领域，利用数字计算机模拟教师为学生写评语的过程。比如，利用机器获取教师可查阅的学生历史数据，将这些学生历史数据作为训练样本训练机器学习模型以确定学生特征标签，构建学生在系统中的用户画像，再利用自然语言处理技术学习学生特征标签与学生评语之间的语义关系，进而根据学生特征标签自动生成学生评语。
云技术(Cloud technology)：基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。
云计算(Cloud computing)：指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关，也可是其他服务。云计算是网格计算(Grid Computing)、分布式计算(Distributed Computing)、并行计算(Parallel Computing)、效用计算(Utility Computing)、网络存储(NetworkStorageTechnologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。在一种可能的实施方式中，可将基于云计算的云技术应用于本申请提供的实施例中。例如，学生历史数据均可由客户端上传至云端服务器中，云端服务器可根据学生历史数据确定学生特征标签并发送至客户端进行显示；在云端服务器接收到文本生成指令的情况下，可根据学生特征标签自动生成学生评语并发送至客户端，降低客户端运行压力。
区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。狭义来讲，区块链是一种按照时间顺序将数据区块以顺序相连的方式组合成的一种链式数据结构，并以密码学方式保证的不可篡改和不可伪造的分布式账本，即区块链中的数据一旦记录下来将不可逆。例如，上述链式数据结构中可以包括教师标识、科目标识、学生标识、学生特征标签以及学生评语。
请参考图1，其示出了本申请一个实施例提供的应用程序运行环境的示意图。该应用程序运行环境可以包括：终端10和服务器20。
终端10可以是诸如手机、平板电脑、游戏主机、电子书阅读器、多媒体播放设备、可穿戴设备、PC(Personal Computer，个人计算机)等电子设备。终端10中可以安装应用程序的客户端。
在本申请实施例中，上述应用程序可以是任何能够执行上述文本生成方法的应用程序。典型地，该应用程序为教育类应用程序，如在线作业应用程序、在线课堂应用程序，等等。当然，除了教育类应用程序之外，其它类型的应用程序中也能够执行上述文本生成方法。例如，社交类应用程序、互动娱乐类应用程序、游戏类应用程序、虚拟现实(VirtualReality，VR)类应用程序、增强现实(Augmented Reality，AR)类应用程序、三维地图程序、军事仿真程序等，本申请实施例对此不作限定。另外，对于不同的应用程序来说，其应用场景有所不同，因此生成的文本内容能也会有所不同，这都可以根据实际需求预先进行配置，本申请实施例对此不作限定。例如，应用程序为在线作业应用程序，上述文本可以是教师对学生的评语。可选地，终端10中运行有上述应用程序的客户端。
服务器20用于为终端10中的应用程序的客户端提供后台服务。例如，服务器20可以是上述应用程序的后台服务器。服务器20可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。可选地，服务器20同时为多个终端10中的应用程序提供后台服务。
可选地，终端10和服务器20之间可通过网络30进行互相通信。
请参考图2，其示出了本申请一个实施例提供的文本生成方法的流程图。该方法可应用于计算机设备中，所述计算机设备是指具备数据计算和处理能力的电子设备，如各步骤的执行主体可以是图1所示的应用程序运行环境中的终端10。该方法可以包括以下几个步骤(210～220)。
步骤210，显示文本创建页面。
上述文本创建页面可以是应用程序中提供文本生成功能的页面，也可以是提供文本生成功能的前端页面，本申请实施例对此不作限定。
文本创建页面包括至少一个目标对象对应的学情特征标签。学情特征标签是基于目标对象对应的历史数据进行用户画像分析处理确定的表征目标对象学习情况的标签。
历史数据为与目标对象的学习情况关联的数据。例如，目标对象的学习成绩数据、课程签到数据、作业完成数据等。
学情特征标签包括学习成绩标签和至少一个科目能力标签。
学习成绩标签包括学习排名标签、学习态度标签、稳定性标签以及趋势性标签。
在示例性实施例中，上述用户画像分析处理用于确定目标对象的学情特征标签。可选地，用户画像分析处理包括通过标签确定模型确定目标对象的学情特征标签。上述标签确定模型可以是根据目标对象的历史数据预先训练好的以确定目标对象的学情特征标签的机器学习模型，本申请对机器学习模型的类型以及机器学习方法不做限定。可选地，用户画像分析处理还包括通过统计分析模型确定目标对象的学情特征标签。
在一种可能的实施方式中，还可通过用户画像分析处理确定目标对象的其他特征标签，例如性格特征标签、运动能力标签。
学习排名标签的标签内容由目标对象的成绩排名数据确定。上述成绩排名数据既可以是目标科目的成绩排名数据，也可是总成绩的成绩排名数据。
学习态度标签的标签内容由目标对象的作业完成数据确定。上述作业完成数据既可以是目标科目的作业完成数据，也可是整体的作业完成数据。
稳定性标签以及趋势性标签的标签内容由目标对象的成绩排名变化数据确定。上述成绩排名变化数据既可以是目标科目的成绩排名变化数据，也可以是整体的成绩排名变化数据。
在示例性实施例中，若目标对象的排名属于总排名的前20％的区间，则可确定学习排名标签的标签内容为成绩很好；若目标对象的排名属于总排名的前20％-40％的区间，则可确定学习排名标签的标签内容为成绩好；若目标对象的排名属于总排名的前40-80％的区间，则可确定学习排名标签的标签内容为成绩一般；若目标对象的排名属于总排名的后20％的区间，则可确定学习排名标签的标签内容为成绩差。
在示例性实施例中，若目标对象的平时作业完成率大于或者等于90％，则可确定学习态度标签的标签内容为态度积极；若目标对象的平时作业完成率大于或者等于75％且小于90％，则可确定学习态度标签的标签内容为态度较好；若目标对象的平时作业完成率大于或者等于50％且小于75％，则可确定学习态度标签的标签内容为态度一般；若目标对象的平时作业完成率大于或者等于25％且小于50％，则可确定学习态度标签的标签内容为态度较差；若目标对象的平时作业完成率小于25％，则可确定学习态度标签的标签内容为态度很差。
在示例性实施例中，稳定性标签的标签内容根据学习排名数据的方差确定，即通过历史排名名次与平均排名名次的差的平方值确定，再给定一个适当的阈值，若表征稳定性的方差小于阈值，则确定稳定性标签的标签内容为稳定，反之不稳定。
在示例性实施例中，根据学习排名数据的相对变化值来表征目标对象学习情况的趋势性，例如，基于历史的成绩排名生成趋势折线图，从而确定目标对象的学习成绩是进步、退步还是保持稳定。
上述至少一个科目能力标签从至少一个维度反映目标对象在目标科目的学习情况。上述科目能力标签是通过统计分析模型和机器学习模型确定的，表征根据不同科目的科目能力的特征标签。例如，数学科目包括逻辑分析能力标签、空间想象能力标签、推论推理能力标签等；语文科目包括词汇辨析能力标签、知识储备能力标签、语言理解能力标签、语言表达能力标签等；英语科目包括词汇储备能力标签、语法结构掌握能力标签、口语表达能力标签等。上述科目能力标签的标签内容可根据目标对象的历史成绩中与科目能力相关的试题的成绩数据确定。可选地，根据目标对象的历史成绩中与科目能力相关的试题的成绩数据训练上述机器学习模型。可选地，科目能力还包括其他的综合能力，包括但不限于认知能力，理解能力，信息提取能力，表达能力等。
在示例性实施例中，科目能力标签可通过标签提取模型确定，上述标签提取模型是基于目标对象的历史数据训练的以提取出各个科目的科目能力标签的机器学习模型。可选地，上述标签提取模型为无监督的聚类分析模型。可选地，上述聚类分析模型是基于K-means聚类方法的模型。K-means是一种迭代求解的聚类分析算法，预先将数据分为K组，K为正整数，随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。模型迭代完毕后，聚类中心以及分配给它们的对象就代表一个聚类。
在一种可能的实施方式中，通过上述标签提取模型提取科目能力标签的流程如下。
运用K-mean方法将目标对象分为不同的群体。
在一种可能的实施方式中，将K-means算法应用于本申请实施例的步骤为：
1、预先将n个学生样本(X1，X2，...，Xn)学生分为K组(K为正整数)，随机选择K个学生样本作为初始聚类中心ak＝(ak1，ak2，...，akm)，k＝1，2，...，K。
其中，n为正整数，第i个学生可表示为Xi，Xi＝(fi1，fi2，...，fim)，其中i为正整数，m为正整数。m表示学生的m个特征，比如科目学习成绩、班级排名、出勤率等。
2、针对数据集中的每个学生Xi，计算Xi到初始聚类中心的距离，并将其划分到距离最小的聚类中心所对应的类中。
这里距离计算方法可以采用欧式距离。
3、针对每个聚类中心ak，k＝1，2，...，K，重新计算它的聚类中心
Figure BDA0002992645070000081
Figure BDA0002992645070000082
即属于该类别的所有样本的质心。其中，ck为聚类中心ak对应的聚类集合，x为集合中ck中的一个学生样本。
4、重复上述步骤2、3，直到达到预设终止条件为止。可选地，预设终止条件包括但不限于迭代次数达到最大迭代次数、最小误差变化小于预设阈值等。
采用方差分析，通过比较变量在总体中的变量总体方差和在各群体中的变量分群方差，来找出影响不同群体的主要变量。
针对每个变量fj，其中j＝1，2，…，m，分别计算总体样本中变量fj的均值和每个分群样本中变量fj的均值，运用方差分析和统计推断方法，判断该变量fj对分群的影响大小，找出影响最大的几个关键特征。
根据找出的关键特征，定义出合适的学生科目能力标签。
比如科目成绩的好坏，上课的活跃程度等。可选地，还可结合实际教育先验知识确定上述学生科目能力标签。
上述聚类分析模型也可以基于其他聚类分析方法，比如基于密度的聚类方法，谱聚类方法等，本申请实施例对此不作限定。
步骤220，响应于文本生成指令，显示至少一个目标对象对应的第一文本。
第一文本是通过自然语言处理技术对学情特征标签进行语义分析自动生成的文本，第一文本表征目标对象在校情况。
上述自然语言处理技术包括自然语言理解(NaturalLanguage Understanding,NLU)和自然语言生成(Natural LanguageGeneration,NLG)两部分。可选地，通过基于自然语言处理技术的机器学习模型，生成至少一个目标对象对应的第一文本。可选地，通过自然语言处理技术确定语料库中与目标对象的学情特征标签对应的语料，将各学情特征标签对应的语料进行拼接，并检查拼接后的语句的语句格式是否符合语法规则以及语义是否正确，在对拼接后的语句进行修正后，生成第一文本。
示意性的，在在线教育场景中，上述第一文本可以是向学生显示的评语，也可以是向学生家长显示的评语，可根据实际应用场景进行调整，本申请实施例对此不作限定。
在一种可能的实施方式中，确定目标对象的特征标签后，获取目标对象标识，目标对象标识包括但不限于目标对象的帐号、学号、姓名；基于目标对象标识在数据库或者数据表中查询与目标对象标识对应的标签；从语料库中查询与目标对象标识对应的标签对应的语料；根据目标对象的姓名与查找出的语料进行文本生成处理，生成目标对象对应的第一文本，上述文本生成处理可以是语句拼接组合处理，还可以是通过自然语言处理模型智能生成的文本。
上述语料库中的语料与目标对象的特征标签之间具有对应关系，特征标签在语料库中对应不同的语言风格的语料。
在在线教育场景中，教师也可以自主编辑特征标签以及特征标签对应的评语模板，添加该评语模板至语料库中。比如“聪明”标签对应生成的评语为“你是个聪明的学生，老师对你很放心”，“集体感”标签对应的评语为“你积极参加班里组织的活动，集体荣誉感强”。
在示例性实施例中，上述至少一个目标对象包括历史对象和新增对象，上述步骤220可通过如下步骤实现。
步骤22a，响应于文本生成指令，显示历史对象对应的第一文本。
上述历史对象可以是系统内已经存在的对象，历史对象具有历史数据。
在示例性实施例中，上述方法还包括以下步骤(22b)。
步骤22b，显示新增对象对应的第三文本。
所述第三文本是预设的文本内容。在一种可能的实施方式中，新增对象无历史数据，例如班级新同学。在目标对象为新增对象的情况下，则展示统一文案，即第三文本，比如“欢迎新同学xxx加入x年级x班这个大家庭，希望以后努力学习，和大家一起取得好成绩！”。
可选地，也可以将新增对象的历史数据导入至目标应用中，上述目标应用是指用于为目标对象生成第一文本的应用。
在示例性实施例中，上述步骤220包括如下子步骤(221-222)。
步骤221，响应于文本生成指令，在文本创建页面中展示语言风格选择操作信息。
上述文本生成指令是指用于指示目标应用生成第一文本的指令。
语言风格选择操作信息包括至少一个语言风格选项。上述语言风格选择操作信息的展示方式可以是为语言风格选择窗口，也可以是在文本创建页面中直接显示语言风格选项。本申请实施例对此不作限定。
可选地，使用者无需每次都要设置语言风格，可以在第一次使用时进行设置，在需要更改语言风格的情况下再去更改。
步骤222，响应于针对目标语言风格选项的选择操作，显示至少一个目标对象对应的且符合目标语言风格的第一文本。
上述选择操作可以是点击目标语言风格选项，也可以是触控选中目标语言风格选项，本申请实施例对此不作限定。
目标语言风格选项为至少一个语言风格选项中任一语言风格选项，目标语言风格与目标语言风格选项相对应。
使用者可以自行选择或者设计不同的语言风格，如：中性(默认)、活泼、网络流行语、幽默等几种语言风格。比如，默认的中性风格，语气较平淡，没有太多感叹词和带有性别感的词；活泼风格则采用更加和蔼可亲的语气。如：“博学”标签对应的中性风格的评语为“你是个很博学的学生，上知天文，下知地理”；对应的活泼风格的评语为“老师非常欣赏你的博学，也期待你把你内心的知识传递给同学哦～”。
在一种可能的实时方式中，在目标语言风格选项为专属语言风格选项的情况下，上述步骤222通过如下子步骤(222a-222b)实现。
步骤222a，响应于针对专属语言风格选项的选择操作，将学情特征标签输入至文本生成模型进行文本生成处理，得到至少一个目标对象对应的且符合专属语言风格的第一文本。
上述专属语言风格可以是符合使用者语气的语言风格。
在示例性实施例中，还可将自定义特征标签以及候选特征标签与上述学情特征标签送入文本生成模型进行文本生成处理，得到至少一个目标对象对应的且符合专属语言风格的第一文本。对于自定义特征标签以及候选特征标签的获取过程在下一实施例中进行说明。
步骤222b，在文本展示页面显示至少一个目标对象对应的且符合专属语言风格的第一文本。
其中，专属语言风格与专属语言风格选项相对应，文本生成模型是根据历史评语样本以及历史评语样本对应的特征标签预先训练好的机器学习模型。
上述历史评语样本对应的特征标签可以是基于历史评语样本提取出的特征标签。例如，在在线教育场景下，教师可自行录入自己使用过的评语，文本生成模型通过语义分析上述历史评语，确定教师的专属语言风格，之后可根据特征标签生成符合教师专属语言风格的批量评语。
在示例性实施例中，上述方法还包括如下步骤(230-240)。
步骤230，响应于针对目标对象对应的第一文本的编辑操作，生成第二文本。
上述第二文本是指使用者基于第一文本修改得到的第二文本。
步骤240，显示第二文本。
可选地，将上述第二文本作为上述文本生成模型的训练文本，持续优化上述文本生成模型，并将商户第二文本存入语料库中，持续更新语料库，提升文本生成模型自动生成文本的准确性。
综上所述，本申请实施例提供的技术方案，通过解析用户历史数据生成能够准确表征用户学习情况的学情特征标签，再根据学情特征标签自动生成能够表征用户在校情况的文本，有效降低编辑文本消耗时长、缩短了应用服务运行时间，减轻系统运行压力，降低人工成本。
此外，本申请实施例支持生成不同语言风格的文本，可由历史评语训练并持续自动优化的文本生成模型生成符合使用者语言风格的文本，能够有效提升文本的准确性与真实性。同时，使用者可以对自动生成的文本内容进行修改，保证文本生成的灵活性。
在一种可能的实施方式中，上述第一文本为基于学情特征标签和自定义特征标签自动生成的表征目标对象的在校情况的文本，具体生成过程如下。
步骤01，显示文本创建页面。
步骤02，响应于对象信息展示指令，显示目标对象的信息展示页面。
上述对象信息展示指令可以是指示目标应用显示目标对象的信息展示页面的指令，上述对象信息展示指令可以通过使用者执行特定操作生成，例如点击对象信息展示控件，或者点击信息展示页面中目标对象的条形信息栏，本申请实施例对此不作限定。
上述信息展示页面可以是向使用者展示目标对象相关信息的页面，例如目标对象的名称、特征标签、历史成绩、作业完成情况等相关信息。信息展示页面包括标签添加控件。
步骤03，响应于针对标签添加控件的选择操作，在信息展示页面展示标签添加操作信息。
标签添加操作信息包括标签编辑控件。标签添加操作信息的展示方式为在信息展示页面中弹出标签添加窗口，也可以是独立的标签添加页面，本申请实施例对此不作限定。上述标签添加窗口或者标签添加页面中可以显示标签编辑控件。
步骤04，响应于针对标签编辑控件的选择操作，在信息展示页面显示标签编辑输入框。
上述标签编辑输入框可以是一种文字输入控件，使用者可以在标签编辑输入框中输入标签名称或者标签内容。
步骤05，响应于针对标签编辑输入框的编辑操作，生成自定义特征标签。
在一种可能的实施方式中，支持使用者自行建立标签库，使用者可以自主添加新标签，比如：聪明、博学、社会责任感、情商、集体感合作感、科目课代表、体育、艺术、助人、热情、创新、懂事、诚实、守纪、批判性思维等。
在一种可能的实施方式中，上述目标对象若没有学情特征标签，使用者可以手动添加其他类目的自定义特征标签，以便于根据该自定义特征标签生成目标对象的第一文本。
步骤06，响应于标签添加确认指令，在信息展示页面显示自定义特征标签。
可选地，响应于标签添加确认指令，向服务器发送标签添加信息，上述标签信息包括目标对象标识以及与目标对象标识对应的新增特征标签。服务器根据标签添加信息，将目标对象标识对应的新增特征标签存储至数据库中。
步骤07，响应于文本生成指令，显示至少一个目标对象对应的第一文本。
在示例性实施例中，响应于文本生成指令，将学情特征标签以及自定义特征标签输入至文本生成模型进行文本生成处理，得到至少一个目标对象对应的且符合目标语言风格的第一文本。
在一种可能的实施方式中，上述第一文本为基于学情特征标签和候选特征标签自动生成的表征目标对象的在校情况的文本，具体生成过程如下。
步骤11，显示文本创建页面。
步骤12，响应于对象信息展示指令，显示目标对象的信息展示页面。
信息展示页面包括标签添加控件。
步骤13，响应于针对标签添加控件的选择操作，在信息展示页面展示标签添加操作信息。
上述标签添加操作信息还包括至少一个候选特征标签。
上述候选特征标签为系统预设的特征标签。比如性格标签、品质标签等，以便与使用者快速为目标对象添加标签。
步骤14，响应于针对候选特征标签的选择操作，以选中状态显示被选中的候选特征标签。
上述选中状态用于区分未被选中的候选特征标签和选中的候选特征标签，上述选中状态的显示方式可以是，改变被选中的候选特征标签的显示颜色，也可以是更改被选中的候选特征标签的显示位置，将被选中的候选特征标签由候选标签显示区域移至已选标签显示区域。
步骤15，响应于标签添加确认指令，在信息展示页面显示被选中的候选特征标签。
步骤16，响应于文本生成指令，显示至少一个目标对象对应的第一文本。
在示例性实施例中，响应于文本生成指令，将学情特征标签以及被选中的候选特征标签输入至文本生成模型进行文本生成处理，得到至少一个目标对象对应的且符合目标语言风格的第一文本。
在一种可能的实施方式中，第一文本为根据学情特征标签、自定义特征标签以及候选特征标签自动生成的表征目标对象的学习情况的文本，具体生成过程如下。
步骤21，显示文本创建页面。
步骤22，响应于对象信息展示指令，显示目标对象的信息展示页面。
信息展示页面包括标签添加控件。
步骤23，响应于针对标签添加控件的选择操作，在信息展示页面展示标签添加操作信息。
标签添加操作信息包括标签编辑控件以及至少一个候选特征标签。
步骤24，响应于针对标签编辑控件的选择操作，在信息展示页面显示标签编辑输入框。
步骤25，响应于针对标签编辑输入框的编辑操作，生成自定义特征标签。
步骤26，响应于针对候选特征标签的选择操作，以选中状态显示被选中的候选特征标签。
步骤27，响应于标签添加确认指令，在信息展示页面显示自定义特征标签以及被选中的候选特征标签。
步骤28，响应于文本生成指令，显示至少一个目标对象对应的第一文本。
在示例性实施例中，响应于文本生成指令，将学情特征标签、自定义特征标签以及被选中的候选特征标签输入至文本生成模型进行文本生成处理，得到至少一个目标对象对应的且符合目标语言风格的第一文本。
综上所述，本申请实施例提供的技术方案，通过解析用户历史数据生成能够准确表征用户学习情况的学情特征标签，还可支持使用者自行添加特征标签，最终根据学情特征标签以及自行添加的标签自动生成能够表征用户在校情况的文本，有效降低编辑文本消耗时长，缩短了应用服务运行时间，减轻系统运行压力，降低人工成本，同时还保证了自动生成文本的准确性。
下面通过具体场景对本申请提供的文本生成方法进行介绍说明。示例性的，以在线教育应用为例，对本申请的方法实施例进行说明。请参考图3，其示例性示出了一种自动生成文本的交互流程示意图。
文本创建页面30中的学生条形信息栏301中显示有四种学习成绩标签，分别是学习排名标签302、学习态度标签303、稳定性标签304以及趋势性标签305。若教师想为学生添加新的特征标签，可通过点击学生条形信息栏301打开学生信息展示页面31，学生信息展示页面31中显示标签添加控件311，教师可通过点击标签添加控件311自助为学生添加新的标签。教师点击标签添加控件311之后，学生信息展示页面31中会弹出标签添加窗口312。标签添加窗口312中显示系统预设标签313，以供教师快速完成标签添加操作。标签添加窗口312中还显示标签编辑控件314，若系统预设的特征标签313无法满足教师需求，教师可点击标签编辑控件314生成教师自定义的标签。教师点击标签编辑控件314之后，学生信息展示页面31中会弹出标签编辑输入框315，教师可在标签编辑输入框315中输入标签内容，进而生成自定义标签。标签添加窗口312中还显示有标签添加确认选项316，教师在确定好为学生添加的标签后，可点击标签添加确认选项316以完成标签添加操作。完成标签添加操作后，教师可从学生信息展示页面31回退至文本创建页面30，此时文本创建页面30中学生条形信息栏301中可显示教师添加的特征标签306。教师在添加完标签后，可通过点击文本创建页面30中的文本生成控件308，生成全部学生的评语。教师在点击文本生成控件308后，文本创建页面30中弹出语言风格选择窗口32，语言风格选择窗口32中显示有语言风格选项321。教师在完成针对语言风格选项321的选择操作后，应用跳转至文本展示页面33，文本展示页面33中显示根据学生标签自动生成的且符合教师语言风格的学生评语。若教师想修改自动生成的评语，可通过点击文本展示页面中的文本修改控件331，对学生评语进行编辑，生成最终的学生评语。
请参考图4，其示出了本申请另一个实施例提供的文本生成方法的流程图。该方法可应用于图1所示的应用程序运行环境中。该方法可以包括以下几个步骤(401-419)。
步骤401，服务器获取至少一个目标对象对应的历史数据。
步骤402，服务器根据历史数据确定至少一个目标对象对应的学情特征标签。
步骤403，服务器基于至少一个目标对象对应的学情特征标签生成目标对象信息。
步骤404，服务器向客户端发送目标对象信息。
相应的，客户端接收目标对象信息。
步骤405，客户端根据目标对象信息显示文本创建页面。
文本创建页面包括至少一个目标对象对应的条形信息栏，条形信息栏中显示目标对象对应的特征标签，上述特征标签包括学情特征标签。
文本创建页面还包括文本生成控件。
步骤406，响应于针对目标对象对应的条形信息栏的选择操作，客户端显示目标对象的信息展示页面。
信息展示页面包括标签添加控件。
步骤407，响应于针对标签添加控件的选择操作，客户端显示标签添加窗口。
标签添加窗口包括标签编辑控件以及标签添加确认选项。标签添加窗口还包括至少一个候选特征标签。
步骤408，响应于针对标签编辑控件的选择操作，客户端显示标签编辑输入框。
步骤409，响应于针对标签编辑输入框的编辑操作，客户端生成自定义特征标签。
步骤410，响应于针对候选特征标签的选择操作，客户端以选中状态显示被选中的候选特征标签。
步骤411，响应于针对标签添加确认选项的选择操作，客户端在信息展示页面中显示自定义特征标签以及被选中的候选特征标签。
步骤412，响应于接收到页面跳转指令，客户端显示文本创建页面。
文本创建页面中目标对象的条形信息栏中显示信息展示页面中显示自定义特征标签以及被选中的候选特征标签。
步骤413，响应于针对文本生成控件的触发操作，客户端显示语言风格选择窗口。
语言风格选择窗口包括预设语言风格选项以及专属语言风格选项。
步骤414，响应于针对目标语言风格选项的选择操作，客户端向服务器发送文本生成请求。
上述文本生成请求中包括语言风格信息、以及至少一个目标对象的标签信息。上述语言风格信息包括目标语言风格标识。上述标签信息包括目标对象对应的特征标签，上述特征标签包括学情特征标签、自定义特征标签以及被选中的候选特征标签。
相应地，服务器接收文本生成请求。
步骤415，服务器根据目标语言风格以及至少一个目标对象的特征标签，生成至少一个目标对象对应的且符合目标语言风格的第一文本。
在语言风格为专属语言风格的情况下，服务器将至少一个目标对象的特征标签输入至文本生成模型进行文本生成处理，得到至少一个目标对象对应的且符合专属语言风格的第一文本。文本生成模型是根据历史评语样本以及历史评语样本对应的特征标签预先训练好的机器学习模型。
在语言风格为预设语言风格的情况下，服务器从语料库中确定与目标对象的特征标签对应且符合预设语言风格的目标语料；基于目标语料生成目标对象对应的且符合预设语言风格的第一文本。
步骤416，服务器发送至少一个目标对象对应的且符合目标语言风格的第一文本至客户端。
相应的，客户端接收至少一个目标对象对应的且符合目标语言风格的第一文本。
步骤417，客户端在文本创建页面中显示至少一个目标对象对应的且符合目标语言风格的第一文本。
在一个示例中，如图5所示，其示例性示出了一种基于学生标签智能生成老师评语流程的示意图。
S1、输入学生历史数据。
S2、结合业务理解以及机器学习技术(统计分析、聚类分析)对学生历史数据进行用户画像分析。
S3、生成学生特征标签。
S4、生成不同语言风格的评语。
可选地，可以根据学生特征标签预先生成各种语言风格的评语。
S5、根据教师选择的语言风格，批量生成教师评语。
步骤418，响应于针对目标对象对应的第一文本的编辑操作，客户端生成目标对象对应的第二文本。
步骤419，客户端在文本创建页面中显示目标对象对应的第二文本。
综上所述，本申请实施例提供的技术方案，通过解析用户历史数据生成能够准确表征用户学习情况的学情特征标签，再根据学情特征标签自动生成能够表征用户在校情况的文本，有效降低编辑文本消耗时长、缩短了应用服务运行时间，减轻系统运行压力，降低人工成本。
此外，本申请实施例支持生成不同语言风格的文本，可由历史评语训练并持续自动优化的文本生成模型生成符合使用者语言风格的文本，能够有效提升文本的准确性与真实性。同时，使用者可以对自动生成的文本内容进行修改，保证文本生成的灵活性。
下述为本申请装置实施例，可用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图6，其示出了本申请一个实施例提供的文本生成装置的框图。该装置具有实现上述文本生成方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置600可以包括：页面显示模块610以及文本显示模块620。
页面显示模块610，用于显示文本创建页面，所述文本创建页面包括至少一个目标对象对应的学情特征标签，所述学情特征标签是根据所述目标对象对应的历史数据确定的表征所述目标对象学习情况的标签；所述历史数据为与所述目标对象的学习情况关联的数据；
文本显示模块620，用于响应于文本生成指令，显示所述至少一个目标对象对应的第一文本，所述第一文本为基于所述学情特征标签自动生成的表征所述目标对象的在校情况的文本。
在示例性实施例中，所述文本显示模块620包括：语言风格选择单元以及文本显示单元。
语言风格选择单元，用于响应于文本生成指令，在所述文本创建页面中展示语言风格选择操作信息，所述语言风格选择操作信息包括至少一个语言风格选项；
文本显示单元，用于响应于针对目标语言风格选项的选择操作，显示所述至少一个目标对象对应的且符合目标语言风格的第一文本，所述目标语言风格选项为所述至少一个语言风格选项中任一语言风格选项，所述目标语言风格与所述目标语言风格选项相对应。
在示例性实施例中，在所述目标语言风格选项为专属语言风格选项的情况下，所述文本显示单元还包括：文本生成子单元以及文本展示子单元。
文本生成子单元，用于响应于针对所述专属语言风格选项的选择操作，将所述学情特征标签输入至文本生成模型进行文本生成处理，得到所述至少一个目标对象对应的且符合专属语言风格的第一文本；
文本展示子单元，用于在文本展示页面显示所述至少一个目标对象对应的且符合所述专属语言风格的第一文本；
其中，所述专属语言风格与所述专属语言风格选项相对应，所述文本生成模型是根据历史评语样本以及所述历史评语样本对应的特征标签预先训练好的机器学习模型。
在示例性实施例中，所述第一文本为基于所述学情特征标签和所述自定义特征标签自动生成的表征所述目标对象的在校情况的文本，所述装置600还包括：标签添加模块、标签编辑模块、标签生成模块以标签显示模块。
所述页面显示模块610，还用于响应于对象信息展示指令，显示所述目标对象的信息展示页面，所述信息展示页面包括标签添加控件；
标签添加模块，用于响应于针对所述标签添加控件的选择操作，在所述信息展示页面展示标签添加操作信息，所述标签添加操作信息包括标签编辑控件；
标签编辑模块，用于响应于针对所述标签编辑控件的选择操作，在所述信息展示页面显示标签编辑输入框；
标签生成模块，用于响应于针对所述标签编辑输入框的编辑操作，生成自定义特征标签；
标签显示模块，用于响应于标签添加确认指令，在所述文本创建页面显示所述自定义特征标签。
在示例性实施例中，所述标签添加操作信息还包括至少一个候选特征标签，所述第一文本为根据所述学情特征标签、所述自定义标签以及所述候选特征标签自动生成的表征所述目标对象的学习情况的文本；
所述装置600还包括：标签选择模块。
标签选择模块，用于响应于针对候选特征标签的选择操作，以选中状态显示被选中的候选特征标签；
所述标签显示模块，还用于响应于所述标签添加确认指令，在所述文本创建页面显示所述被选中的候选特征标签。
在示例性实施例中，所述装置600还包括：文本编辑模块。
文本编辑模块，用于响应于针对所述目标对象对应的第一文本的编辑操作，生成第二文本；
所述文本显示模块620，还用于显示所述第二文本。
在示例性实施例中，所述至少一个目标对象包括历史对象和新增对象，文本显示模块620，用于：
响应于文本生成指令，显示所述历史对象对应的第一文本。
所述文本显示模块620还用于：
显示所述新增对象对应的第三文本，所述第三文本是预设的文本内容。
综上所述，本申请实施例提供的技术方案，通过解析用户历史数据生成能够准确表征用户学习情况的学情特征标签，再根据学情特征标签自动生成能够表征用户在校情况的文本，有效降低编辑文本消耗时长、缩短了应用服务运行时间，减轻系统运行压力，降低人工成本。
此外，本申请实施例支持生成不同语言风格的文本，可由历史评语训练并持续自动优化的文本生成模型生成符合使用者语言风格的文本，能够有效提升文本的准确性与真实性。同时，使用者可以对自动生成的文本内容进行修改，保证文本生成的灵活性。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图7，其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备可以是终端。该计算机设备用于实施上述实施例中提供的客户端侧的文本生成方法。具体来讲：
通常，计算机设备700包括有：处理器701和存储器702。
处理器701可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令，至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集，且经配置以由一个或者一个以上处理器执行，以实现上述客户端侧的文本生成方法。
在一些实施例中，计算机设备700还可选包括有：外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地，外围设备包括：射频电路704、触摸显示屏705、摄像头706、音频电路707、定位组件708和电源709中的至少一种。
本领域技术人员可以理解，图7中示出的结构并不构成对计算机设备700的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
请参考图8，其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备可以是服务器，以用于执行上述服务器侧的文本生成方法。具体来讲：
计算机设备800包括中央处理单元(Central Processing Unit，CPU)801、包括随机存取存储器(Random Access Memory，RAM)802和只读存储器(Read Only Memory，ROM)803的系统存储器804，以及连接系统存储器804和中央处理单元801的系统总线805。计算机设备800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O(Input/Output)系统)806，和用于存储操作系统813、应用程序814和其他程序模块812的大容量存储设备807。
基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。大容量存储设备807及其相关联的计算机可读介质为计算机设备800提供非易失性存储。也就是说，大容量存储设备807可以包括诸如硬盘或者CD-ROM(CompactDisc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，电可擦可编程只读存储器)、闪存或其他固态存储其技术，CD-ROM、DVD(Digital Video Disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
根据本申请的各种实施例，计算机设备800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备800可以通过连接在系统总线805上的网络接口单元811连接到网络812，或者说，也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括计算机程序，该计算机程序存储于存储器中，且经配置以由一个或者一个以上处理器执行，以实现上述服务器侧的文本生成方法。
在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述文本生成方法。
可选地，该计算机可读存储介质可以包括：ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取记忆体)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory,电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。
在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述文本生成方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种文本生成方法，其特征在于，所述方法包括：
显示文本创建页面，所述文本创建页面包括至少一个目标对象对应的学情特征标签，所述学情特征标签是基于所述目标对象对应的历史数据进行用户画像分析处理确定的表征所述目标对象学习情况的标签；所述历史数据为与所述目标对象的学习情况关联的数据；
响应于文本生成指令，显示所述至少一个目标对象对应的第一文本，所述第一文本是通过自然语言处理技术对所述学情特征标签进行语义分析自动生成的文本，所述第一文本用于表征所述目标对象在校情况。
2.根据权利要求1所述的方法，其特征在于，所述响应于文本生成指令，显示所述至少一个目标对象对应的第一文本，包括：
响应于文本生成指令，在所述文本创建页面中展示语言风格选择操作信息，所述语言风格选择操作信息包括至少一个语言风格选项；
响应于针对目标语言风格选项的选择操作，显示所述至少一个目标对象对应的且符合目标语言风格的第一文本，所述目标语言风格选项为所述至少一个语言风格选项中任一语言风格选项，所述目标语言风格与所述目标语言风格选项相对应。
3.根据权利要求2所述的方法，其特征在于，在所述目标语言风格选项为专属语言风格选项的情况下，所述响应于针对目标语言风格选项的选择操作，显示所述至少一个目标对象对应的且符合目标语言风格的第一文本，包括：
响应于针对所述专属语言风格选项的选择操作，将所述学情特征标签输入至文本生成模型进行文本生成处理，得到所述至少一个目标对象对应的且符合专属语言风格的第一文本；
在文本展示页面显示所述至少一个目标对象对应的且符合所述专属语言风格的第一文本；
其中，所述专属语言风格与所述专属语言风格选项相对应，所述文本生成模型是根据历史评语样本以及所述历史评语样本对应的特征标签预先训练好的机器学习模型。
4.根据权利要求1所述的方法，其特征在于，所述第一文本为基于所述学情特征标签和所述自定义特征标签自动生成的表征所述目标对象在校情况的文本，所述显示文本创建页面之后，还包括：
响应于对象信息展示指令，显示所述目标对象的信息展示页面，所述信息展示页面包括标签添加控件；
响应于针对所述标签添加控件的选择操作，在所述信息展示页面展示标签添加操作信息，所述标签添加操作信息包括标签编辑控件；
响应于针对所述标签编辑控件的选择操作，在所述信息展示页面显示标签编辑输入框；
响应于针对所述标签编辑输入框的编辑操作，生成自定义特征标签；
响应于标签添加确认指令，在所述信息展示页面显示所述自定义特征标签。
5.根据权利要求4所述的方法，其特征在于，所述标签添加操作信息还包括至少一个候选特征标签，所述第一文本为根据所述学情特征标签、所述自定义标签以及所述候选特征标签自动生成的表征所述目标对象学习情况的文本；
所述响应于针对所述标签添加控件的选择操作，在所述信息展示页面展示标签添加操作信息之后，还包括：
响应于针对候选特征标签的选择操作，以选中状态显示被选中的候选特征标签；
响应于所述标签添加确认指令，在所述信息展示页面显示所述被选中的候选特征标签。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
响应于针对所述目标对象对应的第一文本的编辑操作，生成第二文本；
显示所述第二文本。
7.根据权利要求1所述的方法，其特征在于，所述至少一个目标对象包括历史对象和新增对象，所述响应于文本生成指令，显示所述至少一个目标对象对应的第一文本，包括：
响应于文本生成指令，显示所述历史对象对应的第一文本。
所述方法还包括：
显示所述新增对象对应的第三文本，所述第三文本是预设的文本内容。
8.一种文本生成装置，其特征在于，所述装置包括：
页面显示模块，用于显示文本创建页面，所述文本创建页面包括至少一个目标对象对应的学情特征标签，所述学情特征标签是基于所述目标对象对应的历史数据进行用户画像分析处理确定的表征所述目标对象学习情况的标签；所述历史数据为与所述目标对象的学习情况关联的数据；
文本显示模块，用于响应于文本生成指令，显示所述至少一个目标对象对应的第一文本，所述第一文本是通过自然语言处理技术对所述学情特征标签进行语义分析自动生成的文本，所述第一文本用于表征所述目标对象在校情况。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一项所述的文本生成方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一项所述的文本生成方法。
CN202110320509.4A 2021-03-25 2021-03-25 文本生成方法、装置、设备及存储介质 Pending CN113010645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110320509.4A CN113010645A (zh) 2021-03-25 2021-03-25 文本生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110320509.4A CN113010645A (zh) 2021-03-25 2021-03-25 文本生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113010645A true CN113010645A (zh) 2021-06-22

Family

ID=76407168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110320509.4A Pending CN113010645A (zh) 2021-03-25 2021-03-25 文本生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113010645A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590247A (zh) * 2021-07-21 2021-11-02 阿里巴巴达摩院(杭州)科技有限公司 文本创作方法及计算机程序产品
CN113723062A (zh) * 2021-08-31 2021-11-30 远光软件股份有限公司 报表标签的编辑方法、装置、存储介质及终端设备
CN114371762A (zh) * 2021-12-15 2022-04-19 厦门市美亚柏科信息股份有限公司 一种打印定制标签的方法、装置和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590247A (zh) * 2021-07-21 2021-11-02 阿里巴巴达摩院(杭州)科技有限公司 文本创作方法及计算机程序产品
CN113590247B (zh) * 2021-07-21 2024-04-05 杭州阿里云飞天信息技术有限公司 文本创作方法及计算机程序产品
CN113723062A (zh) * 2021-08-31 2021-11-30 远光软件股份有限公司 报表标签的编辑方法、装置、存储介质及终端设备
CN114371762A (zh) * 2021-12-15 2022-04-19 厦门市美亚柏科信息股份有限公司 一种打印定制标签的方法、装置和存储介质
CN114371762B (zh) * 2021-12-15 2024-05-10 厦门市美亚柏科信息股份有限公司 一种打印定制标签的方法、装置和存储介质

Similar Documents

Publication Publication Date Title
Cabada et al. An affective and Web 3.0-based learning environment for a programming language
Black Fanfiction writing and the construction of space
Sack The software arts
CN113010645A (zh) 文本生成方法、装置、设备及存储介质
CN111738001B (zh) 同义词识别模型的训练方法、同义词确定方法及设备
Gurukkal Techno-pedagogy needs mavericks
Carvalho Videogames as tools for social science history
Ruta et al. Stylebabel: Artistic style tagging and captioning
Riabko et al. Chatbot algorithm for solving physics problems.
CN114281934A (zh) 文本识别方法、装置、设备及存储介质
Chen et al. Difficulty-controllable visual question generation
CN116680379A (zh) 文本处理方法、装置、电子设备和计算机可读存储介质
CN116956934A (zh) 任务处理方法、装置、设备及存储介质
Samala et al. Unveiling the landscape of generative artificial intelligence in education: a comprehensive taxonomy of applications, challenges, and future prospects
Bradbury et al. Enhanced data narratives
Yang et al. Effectiveness of augmented reality on EFL learner’s language gains: a meta-analysis
CN115130430A (zh) 试卷生成方法、装置、存储介质及计算机设备
Sevastjanova et al. Personalized Language Model Selection through Gamified Elicitation of Contrastive Concept Preferences
Liao Artificial Intelligence-based English Vocabulary Test Research Using Log Analysis with Virtual Reality Assistance
Jasmine Unlocking the power of prompt engineering: diverse applications and case studies
CN117672027B (zh) 一种vr教学方法、装置、设备及介质
Peters An Educational Programming Environment for Teaching the Principles of Machine Learning using LEGO MINDSTORMS
US20240312360A1 (en) Apparatus and method for an education platform and ecosystem using extended reality
Smith Everything You Need to Ace Computer Science and Coding in One Big Fat Notebook: The Complete Middle School Study Guide (Big Fat Notebooks)
Feng Towards socially interactive agents: Learning generative models of social interactions via crowdsourcing

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