CN113761174A - 一种文本生成方法和装置 - Google Patents
一种文本生成方法和装置 Download PDFInfo
- Publication number
- CN113761174A CN113761174A CN202011290383.2A CN202011290383A CN113761174A CN 113761174 A CN113761174 A CN 113761174A CN 202011290383 A CN202011290383 A CN 202011290383A CN 113761174 A CN113761174 A CN 113761174A
- Authority
- CN
- China
- Prior art keywords
- text
- recommendation
- product
- text generation
- generation model
- 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
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
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种文本生成方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:能够利用现有的文本生成模型将参考产品的描述文本生成参考产品的参考摘要文本,并利用推荐分类器模型计算参考摘要文本包含的关键词作为产品推荐词的推荐概率,根据推荐概率确定所述关键词的权重,利用关键词和对应的权重训练现有的文本生成模型,形成目标文本生成模型;利用目标文本生成模型根据目标产品的详细描述自动生成包含推荐词的摘要文本,提高了目标产品推荐词的展示概率,提升了推荐目标产品的准确性和推荐效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种文本生成方法和装置。
背景技术
在电子商务应用系统中,当展示产品时,展示产品详细描述信息的同时也可以展示产品的摘要信息以供用户浏览;一般地,商品摘要是基于自然语言生成技术自动生成的,即根据产品的详细文本介绍,自动生成摘要信息;具体地,自动生成产品摘要的文本生成模型包括编码器和解码器,编码器将输入的产品的详细描述信息进行编码,生成一个隐层序列;解码器利用该隐层序列,通过注意力机制,逐词生成摘要信息。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
现有的文本生成模型在自动生成产品摘要信息时,没有突出用于推荐产品的卖点关键词,使得生成的产品摘要文本包含的卖点关键词不足,存在利用产品摘要文本推荐该产品的效果较差的缺陷。
发明内容
有鉴于此,本发明实施例提供一种文本生成方法和装置,能够利用现有的文本生成模型将参考产品的描述文本生成参考产品的参考摘要文本,并利用推荐分类器模型计算参考摘要文本包含的关键词作为产品推荐词的推荐概率,根据推荐概率确定所述关键词的权重,利用关键词和对应的权重训练现有的文本生成模型,形成目标文本生成模型;利用目标文本生成模型根据目标产品的详细描述自动生成包含推荐词的摘要文本,提高了目标产品推荐词的展示概率,提升了推荐目标产品的准确性和推荐效果。
为实现上述目的,根据本发明实施例的一个方面,提供了一种文本生成方法,其特征在于,包括:获取参考产品的描述文本,基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本,所述参考摘要文本由一个或多个关键词组成;利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率;根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型;获取目标产品的描述文本,利用所述第二文本生成模型,生成所述目标产品的目标摘要文本。
可选地,所述文本生成方法,其特征在于,
利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率,包括:利用推荐分类器模型包含的编码器,将多个所述关键词进行编码并生成隐层序列,基于所述隐层序列计算所述关键词为所述产品推荐词的推荐概率。
可选地,所述文本生成方法,其特征在于,
基于所述产品推荐词的推荐标签,以及所述产品推荐词的所述推荐概率,利用推荐目标函数,训练所述推荐分类器模型。
可选地,所述文本生成方法,其特征在于,
根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型,包括:获取所述关键词和对应的所述推荐概率,利用极大似然估计模型,训练所述第一文本生成模型,形成所述第二文本生成模型。
可选地,所述文本生成方法,其特征在于,
利用第一文本生成模型生成所述参考产品的参考摘要文本,包括:所述第一文本生成模型包括编码器和解码器;获取所述参考产品的描述文本,所述参考产品的描述文本包含一个或多个描述词;基于所述描述词,利用所述编码器和所述解码器,生成组成所述参考摘要文本的所述关键词。
为实现上述目的,根据本发明实施例的第二方面,提供了一种文本生成装置,其特征在于,包括:生成产品摘要模块、计算推荐概率模块、形成文本生成模型模块和文本生成模块;其中,
所述生成产品摘要模块,用于获取参考产品的描述文本,基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本,所述参考摘要文本由一个或多个关键词组成;
所述计算推荐概率模块,用于利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率;
所述形成文本生成模型模块,用于根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型;
所述文本生成模块,用于获取目标产品的描述文本,利用所述第二文本生成模型,生成所述目标产品的目标摘要文本。
可选地,所述文本生成装置,其特征在于,
利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率,包括:利用推荐分类器模型包含的编码器,将多个所述关键词进行编码并生成隐层序列,基于所述隐层序列以及所述产品推荐词,计算所述关键词为所述推荐词的推荐概率。
可选地,所述文本生成装置,其特征在于,
根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型,包括:获取所述关键词和对应的所述推荐概率,利用极大似然估计模型,训练所述第一文本生成模型,形成所述第二文本生成模型。
为实现上述目的,根据本发明实施例的第三方面,提供了一种文本生成的电子设备,其特征在于,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,使得所述一个或多个处理器实现如上述文本生成方法中任一所述的方法。
为实现上述目的,根据本发明实施例的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如上述文本生成方法中任一所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:能够利用现有的文本生成模型将参考产品的描述文本生成参考产品的参考摘要文本,并利用推荐分类器模型计算参考摘要文本包含的关键词作为产品推荐词的推荐概率,根据推荐概率确定所述关键词的权重,利用关键词和对应的权重训练现有的文本生成模型,形成目标文本生成模型;利用目标文本生成模型根据目标产品的详细描述自动生成包含推荐词的摘要文本,提高了目标产品推荐词的展示概率,提升了推荐目标产品的准确性和推荐效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明一个实施例提供的一种文本生成方法的流程示意图;
图2是本发明一个实施例提供的一种使用推荐分类器模型的流程示意图;
图3是本发明一个实施例提供的一种利用第一文本生成模型形成第二文本生成模型的流程示意图;
图4是本发明一个实施例提供的一种文本生成装置的结构示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,本发明实施例提供了一种文本生成方法,该方法可以包括以下步骤:
步骤S101:获取参考产品的描述文本,基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本,所述参考摘要文本由一个或多个关键词组成。
具体地,获取参考产品的描述文本,所述参考产品可以为电子商城展示的商品、金融应用展示的金融产品等,本发明对参考产品的具体类别和内容不做限定;进一步地,获取参考产品的描述文本,参考产品的描述文本用于描述产品的详细信息;可以理解的是,参考产品的描述文本由一个或者多个描述词组成;文发明对参考产品的描述文本的具体内容和字数不做限定。
进一步地,利用第一文本生成模型生成所述参考产品的参考摘要文本;所述参考摘要文本由一个或多个关键词组成。其中,参考摘要文本为参考产品的简介,通常所述简介的关键词来源于参考产品的描述文本,也可以包含由第一文本生成模型生成的关键词;以下举例说明上述步骤:
例如:第一文本生成模型包含编码器和解码器,可以使用双向循环神经网络编码器(例如:双向LSTM编码器,LSTM为Long-Short Term Memory)作为编码器,可以使用单向循环神经网络编码器(例如:单向LSTM解码器)作为解码器;具体地,
1)获取参考产品的描述文本{x1,x2,…,xn},其中xi是一或者多个描述词,利用双向LSTM编码器将其编码,生成一个隐层序列{h1,h2,…,hn},如公式(1)所示,其中,fenc为用于生成编码器隐层序列的函数:
hi=fenc(xi,hi-1) (1)
2)单向LSTM解码器利用编码器隐层序列hi,生成解码器隐层序列st;其中ct为利用注意力机制生成,yt-1为参考摘要文本包含的关键词,fdec为生成解码器隐层序列的函数。
解码器隐层序列st公式如公式(2)所示:
st=fdec(st-1,yt-1,ct) (2)
其中ct是t时刻的上下文向量。
具体地,ct通过注意力机制生成,如公式(3)所示,其中ua、Wa、Va为模型参数矩阵:
3)解码器利用解码器隐层序列和上下文向量生成摘要文本包含的关键词yt的概率,如公式(4)所示:
P(yt)=softmax(Wcst+Vcct) (4)
经过训练,利用所述第一文本生成模型,生成参考产品的参考摘要文本,即,组成参考摘要文本的关键词。
即,利用第一文本生成模型生成所述参考产品的参考摘要文本,包括:所述第一文本生成模型包括编码器和解码器;获取参考产品的描述文本,基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本,所述参考摘要文本由一个或多个关键词组成。
步骤S102:利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率。
具体地,产品推荐词为销售该产品所使用的营销词语,用于凸显该产品的营销特点;进一步地,推荐分类器模型包含编码器,下面举例说明利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率的示例步骤如下:
1)获取参考产品的参考摘要文本{y1,y2,…,ym},其中yi代表一个或多个关键词,将双向LSTM编码器作为推荐分类器模型所包含的编码器,使用该编码器对各个关键词进行编码,生成隐层序列{g1,g2,…,gm},如公式(5)所示,其中,fenc为用于生成编码器隐层序列的函数:
gi=fenc(yi,gi-1) (5)
2)基于gi,对各个关键词yi是否是产品推荐词进行分类。分类所使用的公式如公式(6)所示:
li=sigmoid(Whgi) (6)
其中li是yi的推荐概率。
1)-2)的步骤描述了:利用推荐分类器模型包含的编码器,将多个所述关键词进行编码并生成隐层序列,基于所述隐层序列以及所述产品推荐词,计算所述关键词为所述推荐词的推荐概率。
3)进一步地,在训练推荐分类器模型时,当yi为产品推荐词时,期望li接近于1;反之当yi为产品推荐词时,期望li接近于0;推荐分类器的推荐目标函数为如公式(7)所示:
Lp=piln(li)+(1-pi)ln(1-li) (7)
其中,pi为产品推荐词的推荐词标签。即,当yi为产品推荐词时,pi=1;反之当yi为非产品推荐词时,pi=0;在训练时,将输入和输出中重合的非停用词(即,有效的、具有含义的推荐词)作为产品推荐词。
该步骤描述了:基于所述产品推荐词的推荐标签,以及所述产品推荐词的所述推荐概率,利用推荐目标函数,训练所述推荐分类器模型。
步骤S103:根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型。
具体地,基于步骤S101所描述的第一文本生成模型,和步骤S102所描述的关键词和推荐概率,进一步形成第二文本生成模型;其中,第二文本生成模型可以包含编码器和解码器,关于编码器和解码器的描述与步骤S101中第一文本生成模型的描述的步骤1)到3)一致,在此不再赘述。
进一步地,基于第一文本生成模型所计算的各个关键词对应的推荐概率,利用极大似然估计模型,训练所述第一文本生成模型,其中极大似然估计模型例如如下公式,如公式(8)和公式(9)所示:
Lfinal=Lp+L (9)
其中lt是关键词yt的推荐概率,为利用步骤S102所描述的推荐分类器模型计算所得,可以理解的是,yt的推荐概率越高,极大似然估计模型中yt的权重越大,从而增加了解码器对yt的解码概率。
进一步地,基于增加权重的数据训练第一文本生成模型,形成第二文本生成模型;即,根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型,包括:获取所述关键词和对应的所述推荐概率,利用极大似然估计模型,训练所述第一文本生成模型,形成所述第二文本生成模型。
步骤S104:获取目标产品的描述文本,利用所述第二文本生成模型,生成所述目标产品的目标摘要文本。
具体地,由步骤S103的描述可知,第二文本生成模型用于生成推荐概率较高的关键词,提高了推荐产品的准确性;优选地,训练第一文本生成模型所使用的参考产品与目标产品归属于同类别、或者相似类别的产品。进一步地,获取待推荐的目标产品的描述文本,利用所述第二文本生成模型,生成所述目标产品的目标摘要文本;其中,目标摘要文本包含了一个或者多个关键词,所述关键词为第二文本生成模型根据推荐概率而提取,进一步地,利用所述目标摘要文本推荐所述目标产品。
如图2所示,本发明实施例提供了一种训练推荐分类器模型的示意方法,该方法可以包括以下步骤:
步骤S201:获取参考产品的参考摘要文本,所述参考摘要文本由一个或多个关键词组成。
具体地,关于生成参考产品的参考摘要文本的描述与步骤S101一致,在此不再赘述。即,获取参考产品的描述文本;基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本;所述参考摘要文本由一个或多个关键词组成。
步骤S202:利用双向循环神经网络编码器将参考产品的参考摘要文本编码,生成隐层序列A。
具体地,利用双向循环神经网络编码器将参考产品的参考摘要文本编码,生成隐层序列的描述与步骤S102一致,在此不再赘述。
步骤S203:基于所述隐层序列A以及产品推荐词,计算所述关键词为所述产品推荐词的推荐概率。
具体地,基于隐层序列,计算关键词是否是产品推荐词的概率的描述与步骤S102一致,在此不再赘述。
步骤S204:基于所述产品推荐词的推荐标签,以及所述产品推荐词的所述推荐概率,利用推荐目标函数,训练所述推荐分类器模型。
具体地,利用目标函数,训练推荐分类器模型的描述与步骤S102一致,在此不再赘述。
步骤S201-步骤S204的描述即为:利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率;包括:利用推荐分类器模型包含的编码器,将多个所述关键词进行编码并生成隐层序列,基于所述隐层序列计算所述关键词为所述产品推荐词的推荐概率。进一步地,基于所述产品推荐词的推荐标签,以及所述产品推荐词的所述推荐概率,利用推荐目标函数,训练所述推荐分类器模型。
如图3所示,本发明实施例提供了一种利用第一文本生成模型形成第二文本生成模型的方法,该方法可以包括以下步骤;
步骤S301:获取参考产品的描述文本;所述参考产品的描述文本包含一个或多个参考产品的描述词。
步骤S302:利用双向循环神经网络编码器将其编码,生成隐层序列1。
步骤S303:利用单项循环神经网络编码器,基于隐层序列1生成解码器隐层序列2。
步骤S304:解码器利用解码器隐层序列2和上下文向量,生成参考摘要文本。
上述步骤S301-步骤S304描述了利用第一文本生成模型,根据参考产品的描述文本,生成参考产品的参考摘要文本的流程;关于该流程的描述与步骤S101包含的步骤一致,在此不再赘述。
步骤S305:利用推荐分类器模型,获取参考摘要文本所包含的各个关键词和对应的推荐概率,利用极大似然估计模型,训练并形成第二文本生成模型。
具体地,利用第一文本生成模型,利用推荐分类器模型,获取参考摘要文本所包含的各个关键词和对应的推荐概率,利用极大似然估计模型,训练并形成第二文本生成模型;关于基于第一文本生成模型形成第二文本生成模型的描述与步骤S102-步骤S103的描述一致,在此不再赘述。即,利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率;根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型。
如图4所示,本发明实施例提供了一种文本生成装置400,包括:生成产品摘要模块401、形成文本生成模型模块402、计算推荐概率模块403和文本生成模块404;其中,
所述生成产品摘要模块401,用于获取参考产品的描述文本;基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本;所述参考摘要文本由一个或多个关键词组成;
所述计算推荐概率模块402,用于利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率;
所述形成文本生成模型模块403,用于根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型;
所述文本生成模块404,用于获取目标产品的描述文本,利用所述第二文本生成模型,生成所述目标产品的目标摘要文本。
可选地,所述计算推荐概率模块402,用于利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率,包括:利用推荐分类器模型包含的编码器,将多个所述关键词进行编码并生成隐层序列,基于所述隐层序列以及所述产品推荐词,计算所述关键词为所述推荐词的推荐概率。
可选地,所述形成文本生成模型模块403用于根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型,包括:获取所述关键词和对应的所述推荐概率,利用极大似然估计模型,训练所述第一文本生成模型,形成所述第二文本生成模型。
本发明实施例还提供了一种文本生成的电子设备,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,使得所述一个或多个处理器实现上述任一实施例提供的方法。
本发明实施例还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例提供的方法。
图5示出了可以应用本发明实施例的文本生成方法或文本生成装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种客户端应用,例如电子商城客户端应用、金融类应用、服务类应用等。
终端设备501、502、503可以是具有显示屏并且支持各种客户端应用的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所使用的客户端应用提供支持的后台管理服务器。后台管理服务器可以对接收到的浏览产品的请求进行处理,并将基于参考产品的描述文本生成的参考摘要文本反馈给终端设备。
需要说明的是,本发明实施例所提供的文本生成方法一般由终端设备501、502、503执行,相应地,文本生成装置一般设置于终端设备501、502、503中或者服务器505中。
应该理解,图5中的终端设备、网络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、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,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,本发明公开的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。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块和/或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。所描述的模块和/或单元也可以设置在处理器中,例如,可以描述为:一种处理器包括生成产品摘要模块、计算推荐概率模块、形成文本生成模型模块和文本生成模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,文本生成模块还可以被描述为“利用第二文本生成模型,基于目标产品的描述文本生成目标产品的摘要文本的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:获取参考产品的描述文本,基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本,所述参考摘要文本由一个或多个关键词组成;利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率;根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型;获取目标产品的描述文本,利用所述第二文本生成模型,生成所述目标产品的目标摘要文本。
由此可见,通过本发明的一实施例,能够利用现有的文本生成模型将参考产品的描述文本生成参考产品的参考摘要文本,并利用推荐分类器模型计算参考摘要文本包含的关键词作为产品推荐词的推荐概率,根据推荐概率确定所述关键词的权重,利用关键词和对应的权重训练现有的文本生成模型,形成目标文本生成模型;利用目标文本生成模型根据目标产品的详细描述自动生成包含推荐词的摘要文本,提高了目标产品推荐词的展示概率,提升了推荐目标产品的准确性和推荐效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种文本生成方法,其特征在于,包括:
获取参考产品的描述文本,基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本,所述参考摘要文本由一个或多个关键词组成;
利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率;
根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型;
获取目标产品的描述文本,利用所述第二文本生成模型,生成所述目标产品的目标摘要文本。
2.根据权利要求1所述的方法,其特征在于,
利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率,包括:
利用推荐分类器模型包含的编码器,将多个所述关键词进行编码并生成隐层序列,基于所述隐层序列计算所述关键词为所述产品推荐词的推荐概率。
3.根据权利要求2所述的方法,其特征在于,
基于所述产品推荐词的推荐标签,以及所述产品推荐词的所述推荐概率,利用推荐目标函数,训练所述推荐分类器模型。
4.根据权利要求1所述的方法,其特征在于,
根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型,包括:
获取所述关键词和对应的所述推荐概率,利用极大似然估计模型,训练所述第一文本生成模型,形成所述第二文本生成模型。
5.根据权利要求1所述的方法,其特征在于,
利用第一文本生成模型生成所述参考产品的参考摘要文本,包括:
所述第一文本生成模型包括编码器和解码器;
获取所述参考产品的描述文本,所述参考产品的描述文本包含一个或多个描述词;基于所述描述词,利用所述编码器和所述解码器,生成组成所述参考摘要文本的所述关键词。
6.一种文本生成装置,其特征在于,包括:生成产品摘要模块、计算推荐概率模块、形成文本生成模型模块和推荐目标产品模块;其中,
所述生成产品摘要模块,用于获取参考产品的描述文本,基于所述参考产品的描述文本,利用第一文本生成模型生成所述参考产品的参考摘要文本,所述参考摘要文本由一个或多个关键词组成;
所述计算推荐概率模块,用于利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率;
所述形成文本生成模型模块,用于根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型;
所述文本生成模块,用于获取目标产品的描述文本,利用所述第二文本生成模型,生成所述目标产品的目标摘要文本。
7.根据权利要求6所述的装置,其特征在于,
利用推荐分类器模型,计算所述关键词为产品推荐词的推荐概率,包括:
利用推荐分类器模型包含的编码器,将多个所述关键词进行编码并生成隐层序列,基于所述隐层序列以及所述产品推荐词,计算所述关键词为所述推荐词的推荐概率。
8.根据权利要求6所述的装置,其特征在于,
根据所述关键词和对应的所述推荐概率,基于所述第一文本生成模型,形成第二文本生成模型,包括:
获取所述关键词和对应的所述推荐概率,利用极大似然估计模型,训练所述第一文本生成模型,形成所述第二文本生成模型。
9.一种电子设备,其特征在于,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,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。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述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 |
---|---|---|---|
CN202011290383.2A CN113761174A (zh) | 2020-11-17 | 2020-11-17 | 一种文本生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290383.2A CN113761174A (zh) | 2020-11-17 | 2020-11-17 | 一种文本生成方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113761174A true CN113761174A (zh) | 2021-12-07 |
Family
ID=78786140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011290383.2A Pending CN113761174A (zh) | 2020-11-17 | 2020-11-17 | 一种文本生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761174A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547266A (zh) * | 2022-02-21 | 2022-05-27 | 北京百度网讯科技有限公司 | 信息生成模型的训练方法、生成信息的方法、装置和设备 |
CN116628229A (zh) * | 2023-07-21 | 2023-08-22 | 支付宝(杭州)信息技术有限公司 | 一种利用知识图谱生成文本语料的方法及装置 |
-
2020
- 2020-11-17 CN CN202011290383.2A patent/CN113761174A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547266A (zh) * | 2022-02-21 | 2022-05-27 | 北京百度网讯科技有限公司 | 信息生成模型的训练方法、生成信息的方法、装置和设备 |
CN116628229A (zh) * | 2023-07-21 | 2023-08-22 | 支付宝(杭州)信息技术有限公司 | 一种利用知识图谱生成文本语料的方法及装置 |
CN116628229B (zh) * | 2023-07-21 | 2023-11-10 | 支付宝(杭州)信息技术有限公司 | 一种利用知识图谱生成文本语料的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11758088B2 (en) | Method and apparatus for aligning paragraph and video | |
CN111625645B (zh) | 文本生成模型的训练方法、装置和电子设备 | |
CN113327599B (zh) | 语音识别方法、装置、介质及电子设备 | |
US20240078385A1 (en) | Method and apparatus for generating text | |
CN113761174A (zh) | 一种文本生成方法和装置 | |
CN114840252A (zh) | 代码注释生成方法、模型的训练方法、装置和设备 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN115908640A (zh) | 生成图像的方法、装置、可读介质及电子设备 | |
CN113591490B (zh) | 信息处理方法、装置和电子设备 | |
CN113779186A (zh) | 一种文本生成方法和装置 | |
CN111898338B (zh) | 文本生成方法、装置和电子设备 | |
CN112699656A (zh) | 一种广告标题重写方法、装置、设备及储存介质 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN115619142A (zh) | 匹配数据的方法、装置、设备和计算机可读介质 | |
CN111581455B (zh) | 文本生成模型的生成方法、装置和电子设备 | |
CN111737572B (zh) | 搜索语句生成方法、装置和电子设备 | |
CN110555204A (zh) | 情绪判断的方法和装置 | |
CN111275476B (zh) | 一种物流仓储服务的报价方法和装置 | |
CN112685516A (zh) | 一种多路召回推荐方法、装置、电子设备及介质 | |
CN113761931A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN113010666A (zh) | 摘要生成方法、装置、计算机系统及可读存储介质 | |
CN111552871A (zh) | 基于应用使用记录的信息推送方法、装置及相关设备 | |
CN117376634B (zh) | 一种短视频配乐方法、装置、电子设备和存储介质 | |
CN113743077B (zh) | 一种确定文本相似度的方法和装置 | |
CN116911304B (zh) | 一种文本推荐方法及装置 |
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 |