CN116738250A - 提示文本扩展方法、装置、电子设备和存储介质 - Google Patents
提示文本扩展方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116738250A CN116738250A CN202310716018.0A CN202310716018A CN116738250A CN 116738250 A CN116738250 A CN 116738250A CN 202310716018 A CN202310716018 A CN 202310716018A CN 116738250 A CN116738250 A CN 116738250A
- Authority
- CN
- China
- Prior art keywords
- text
- answer
- target
- prompt
- training 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 172
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 101710096214 Alanine aminotransferase 1 Proteins 0.000 description 1
- 102100033814 Alanine aminotransferase 2 Human genes 0.000 description 1
- 101710096000 Alanine aminotransferase 2 Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提出一种提示文本扩展方法、装置、电子设备和存储介质,涉及自然语言处理技术领域。该方法通过自动提取初始提示文本中的实体和/或关键词,通过预训练模型基于实体和/或关键词自动生成扩展提示文本,并根据预训练模型回答扩展提示文本中的目标问题生成的答案文本与标准答案的相似度判断是否继续进行提示文本扩展,使得最终得到的扩展提示文本更加全面和准确,更加充分地描述用户的需求和意图,进而指导模型生成更准确、更有价值的文本。如此,既提高了提示文本的生成效率,又降低了成本,还能够适应不同的用户需求和领域变化。
Description
技术领域
本发明涉及自然语言处理技术领域,具体而言,涉及一种提示文本扩展方法、装置、电子设备和存储介质。
背景技术
随着自然语言处理技术的发展,人们对于生成自然语言文本的需求也越来越大。Prompt(提示文本)的出现是为了满足这一需求,它可以作为一种关键词或短语,用于指导模型生成文本。随着人工智能技术的不断进步,Prompt的应用场景也在不断扩展。除了文本生成,它还可以应用在问答系统、机器翻译、智能客服等领域。Prompt的发展不仅推动了自然语言处理技术的进步,也为人工智能技术在各个领域的应用提供了更多可能性。
现有技术中主要是通过人工编写Prompt或者使用固定的模板或格式作为Prompt。人工编写是由专业人员手动编写,需要专业人员投入大量的人力和时间,并且需要具备专业的领域知识和语言能力;此外,编写Prompt还需要不断地更新和优化,以适应用户需求和领域变化,这种做法不仅效率低下,而且成本较高,难以扩展和普及。使用固定的模板或格式,则难以适应不同的用户需求和领域变化,导致生成的文本不够准确,与用户的需求和意图不匹配。
发明内容
有鉴于此,本发明的目的在于提供一种提示文本扩展方法、装置、电子设备和存储介质,以解决现有技术中通过手动编写或者使用模板或格式生成提示文本存在的效率低、成本高、适应性差的问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明提供一种提示文本扩展方法,所述方法包括:
提取初始提示文本中的实体和/或关键词;
通过预训练模型对所述实体和/或关键词进行扩展,得到扩展提示文本;
获取所述预训练模型根据所述扩展提示文本生成的答案文本;所述答案文本为所述预训练模型对所述扩展提示文本中的目标问题进行回答所得到的答案;
根据所述答案文本、所述目标问题对应的标准答案、所述扩展提示文本、所述实体和/或关键词以及所述预训练模型,得到新的扩展提示文本,直到所述预训练模型生成的答案文本与所述标准答案的相似度达到预设条件。
在可选的实施方式中,所述通过预训练模型对所述实体和/或关键词进行扩展,得到扩展提示文本,包括:
根据第一预设提示模板和所述实体和/或关键词,生成第一提示文本;
将所述第一提示文本输入预训练模型,通过所述第一提示文本指导所述预训练模型对所述实体和/或关键词进行扩展,并输出扩展提示文本。
在可选的实施方式中,所述获取所述预训练模型根据所述扩展提示文本生成的答案文本,包括:
确定所述扩展提示文本中的目标问题对应的标准答案个数;
根据所述标准答案个数将所述扩展提示文本多次输入所述预训练模型,通过所述扩展提示文本指导所述预训练模型对所述扩展提示文本中的目标问题进行回答,并获取所述预训练模型每次输出的答案文本;其中,所述答案文本的个数与所述标准答案个数相同。
在可选的实施方式中,所述根据所述答案文本、所述目标问题对应的标准答案、所述扩展提示文本、所述实体和/或关键词以及所述预训练模型,得到新的扩展提示文本,直到所述预训练模型生成的答案文本与所述标准答案的相似度达到预设条件,包括:
在获取所述预训练模型每次输出的答案文本后,计算所述答案文本与所述目标问题对应的各标准答案之间的相似度得分,并从所述答案文本对应的各相似度得分中确定出最高相似度得分;其中,每个所述答案文本均对应一个最高相似度得分;
按照预设比例从各所述答案文本对应的最高相似度得分中选取最低的目标相似度得分;所述目标相似度得分的选取个数根据所述预设比例和所述答案文本的个数确定;
若存在至少一个所述目标相似度得分小于预设阈值,则获取小于所述预设阈值的目标相似度得分所对应的目标答案文本、目标标准答案,通过所述预训练模型基于所述目标答案文本、所述目标标准答案、所述实体和/或关键词以及所述扩展提示文本生成新的扩展提示文本,直到根据所述预训练模型生成的答案文本选取的所有目标相似度得分均大于等于所述预设阈值。
在可选的实施方式中,所述通过所述预训练模型基于所述目标答案文本、所述目标标准答案、所述实体和/或关键词以及所述扩展提示文本生成新的扩展提示文本,包括:
根据所述目标答案文本、所述目标标准答案以及所述目标问题生成样本数据,并根据所述样本数据、所述实体和/或关键词、所述扩展提示文本以及第二预设提示模板,生成第二提示文本;
将所述第二提示文本输入所述预训练模型,通过所述第二提示文本指导所述预训练模型基于所述实体和/或关键词以及所述样本数据,对所述扩展提示文本进行调整并输出新的扩展提示文本。
在可选的实施方式中,所述确定所述扩展提示文本中的目标问题对应的标准答案个数,包括:
在预设数据库中查找与所述扩展提示文本中的目标问题匹配的目标预设问题,将所述目标预设问题对应的所有标准答案作为所述目标问题对应的标准答案,并获取所述目标问题对应的标准答案个数;所述预设数据库存储有多个预设问题以及每个所述预设问题对应的标准答案。
第二方面,本发明提供一种提示文本扩展装置,所述装置包括:
提取模块,用于提取初始提示文本中的实体和/或关键词;
扩展模块,用于通过预训练模型对所述实体和/或关键词进行扩展,得到扩展提示文本;
答案文本获取模块,用于获取所述预训练模型根据所述扩展提示文本生成的答案文本;所述答案文本为所述预训练模型对所述扩展提示文本中的目标问题进行回答所得到的答案;
提示文本调整模块,用于根据所述答案文本、所述目标问题对应的标准答案、所述扩展提示文本、所述实体和/或关键词以及所述预训练模型,得到新的扩展提示文本,直到所述预训练模型生成的答案文本与所述标准答案的相似度达到预设条件。
在可选的实施方式中,所述答案文本获取模块用于确定所述扩展提示文本中的目标问题对应的标准答案个数;根据所述标准答案个数将所述扩展提示文本多次输入所述预训练模型,通过所述扩展提示文本指导所述预训练模型对所述扩展提示文本中的目标问题进行回答,并获取所述预训练模型每次输出的答案文本;其中,所述答案文本的个数与所述标准答案个数相同;
所述提示文本调整模块用于在获取所述预训练模型每次输出的答案文本后,计算所述答案文本与所述目标问题对应的各标准答案之间的相似度得分,并从所述答案文本对应的各相似度得分中确定出最高相似度得分;其中,每个所述答案文本均对应一个最高相似度得分;按照预设比例从各所述答案文本对应的最高相似度得分中选取最低的目标相似度得分;所述目标相似度得分的选取个数根据所述预设比例和所述答案文本的个数确定;若存在至少一个所述目标相似度得分小于预设阈值,则获取小于所述预设阈值的目标相似度得分所对应的目标答案文本、目标标准答案,通过所述预训练模型基于所述目标答案文本、所述目标标准答案、所述实体和/或关键词以及所述扩展提示文本生成新的扩展提示文本,直到根据所述预训练模型生成的答案文本选取的所有目标相似度得分均大于等于所述预设阈值。
第三方面,本发明提供一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如前述实施方式中任一项所述的提示文本扩展方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的提示文本扩展方法的步骤。
本发明实施例提供的提示文本扩展方法、装置、电子设备和存储介质,该方法包括提取初始提示文本中的实体和/或关键词,通过预训练模型对实体和/或关键词进行扩展,得到扩展提示文本,获取预训练模型根据扩展提示文本生成的答案文本;答案文本为预训练模型对扩展提示文本中的目标问题进行回答所得到的答案;根据答案文本、目标问题对应的标准答案、扩展提示文本、实体和/或关键词以及预训练模型,得到新的扩展提示文本,直到预训练模型生成的答案文本与标准答案的相似度达到预设条件。通过自动提取实体和/或关键词,基于预训练模型自动生成扩展提示文本,并根据预训练模型生成的答案文本与标准答案的相似度判断是否继续进行提示文本扩展,使得最终得到的扩展提示文本更加全面和准确,更加充分地描述用户的需求和意图,进而指导模型生成更准确、更有价值的文本。如此,既提高了提示文本的生成效率,又降低了成本,还能够适应不同的用户需求和领域变化。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的提示文本扩展方法的一种流程示意图;
图2示出了本发明实施例提供的提示文本扩展方法的另一种流程示意图;
图3示出了本发明实施例提供的提示文本扩展方法的又一种流程示意图;
图4示出了本发明实施例提供的提示文本扩展方法的再一种流程示意图;
图5示出了本发明实施例提供的提示文本扩展装置的一种功能模块图;
图6示出了本发明实施例提供的电子设备的一种方框示意图。
图标:100-电子设备;110-存储器;120-处理器;130-通信模块;600-提示文本扩展装置;610-提取模块;620-扩展模块;630-答案文本获取模块;640-提示文本调整模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
大语言模型(Large Language Model,LLM)是一种基于深度学习技术的自然语言处理模型,它可以自动生成流畅、准确的自然语言文本。这些模型基于深度神经网络,通过学习大量的语言数据来预测下一个单词或字符的概率,从而生成自然语言文本。其中,最为著名的大语言模型是由OpenAI开发的GPT系列模型,包括GPT-1、GPT-2、GPT-3等版本。这些模型采用了Transformer架构,使用了大量的预训练数据和自监督学习技术,从而在多项自然语言处理任务上取得了出色的表现。
随着自然语言处理技术的发展,人们对于生成自然语言文本的需求也越来越大。Prompt的出现是为了满足这一需求,它可以作为一种关键词或短语,用于指导模型生成文本。传统的Prompt的范围较小,通常只包括一个或者几个关键词或短语,难以充分描述用户的需求和意图。如果Prompt不够全面或者不够准确,可能会导致生成的文本与用户需求和意图不匹配,从而浪费了用户的时间和精力。
现有技术中主要是通过人工编写Prompt或者使用固定的模板或格式作为Prompt,人工编写需要专业人员具备专业的领域知识和语言能力,投入大量的人力和时间,并且还需要不断地更新和优化,以适应用户需求和领域变化,故效率低下且成本较高,难以扩展和普及;使用固定的模板或格式,则难以适应不同的用户需求和领域变化,导致生成的文本不够准确或不够有用,与用户的需求和意图不匹配。
基于此,本发明实施例提供一种提示文本扩展方法、装置、电子设备和存储介质,能够自动提取初始提示文本中的实体和/或关键词,通过预训练模型基于实体和/或关键词自动生成扩展提示文本,并根据预训练模型回答扩展提示文本中的目标问题生成的答案文本与标准答案的相似度判断是否继续进行提示文本扩展,使得最终得到的扩展提示文本更加全面和准确,更加充分地描述用户的需求和意图,进而指导模型生成更准确、更有价值的文本。如此,既提高了提示文本的生成效率,又降低了成本,还能够适应不同的用户需求和领域变化。
下面,将结合附图具体描述本发明中的各实施例。
请参照图1,为本发明实施例提供的提示文本扩展方法的一种流程示意图。需要说明的是,本发明实施例的提示文本扩展方法并不以图1以及以下的具体顺序为限制,应当理解,在其他实施例中,本发明实施例的提示文本扩展方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该提示文本扩展方法可以应用在个人电脑(Personal Computer,PC)、平板电脑、智能手机等电子设备中,下面将对图1所示的具体流程进行详细阐述。
步骤S101,提取初始提示文本中的实体和/或关键词。
在本实施例中,该初始提示文本可以由用户输入或者电子设备基于当前应用场景中发生的事件自动生成。以数字人游戏解说场景为例,电子设备可以通过截取屏幕画面并进行识别,根据识别出的游戏结果(游戏胜利、游戏失败)、战绩(如“击杀”0次、“死亡”9次、“助攻”2次)等内容,按照预设的模板或者格式自动生成一个简单的Prompt_init(即初始提示文本)。比如,该初始提示文本中可以包括如下内容“游戏结果为胜利,主播躺赢,战绩很差,请以吐槽风格对主播表现进行解说”。可以理解,电子设备根据不同事件可以自动生成不同的初始提示文本。
在实际应用中,由于自然语言的歧义性和多义性,一个简单的Prompt往往不能充分描述用户的需求和意图。例如,“购买一辆车”这个简单的Prompt可能包含许多方面的信息,例如车型、价格、品牌、颜色等。如果只使用这个简单的Prompt,可能无法准确满足用户的需求。因此,本发明实施例中需要提取出初始提示文本中的实体和/或关键词,以便进行下一步的扩展,得到更丰富的内容。
在一种实施方式中,可以采用自然语言处理技术提取实体和关键词,在自然语言处理技术的帮助下,从输入的简单Prompt中提取出词性、命名实体等相关信息,从而实现对实体和关键词的识别,这样做的好处是通过自动提取实体和关键词,可以更准确地理解用户的需求和意图,从而更好地生成满足用户需求的文本,提高了文本生成的准确性和质量,提高了用户体验。
其中,常见的实体识别技术包括命名实体识别和实体识别。命名实体识别可以识别文本中具有固定名称或特定语义的实体,例如人名、地名、组织机构名等。实体识别则可以识别出文本中的所有实体,例如日期、数字、货币符号等。关键字可以通过文本分类、文本聚类等技术进行识别。
在一个示例中,针对实体和关键词的提取,可以预先设置一个第一通用型模板,电子设备根据该第一通用型模板和初始提示文本中的内容,生成用于指导模型提取实体和关键词的提示文本Prompt1,例如,Prompt1中可以包括“请根据以下文本内容提取出实体和关键词”。通过调用预训练模型(预先训练好的大语言模型)对应的API接口,将Prompt1输入预训练模型,预训练模型就能够在Prompt1的指导下完成对初始提示文本中的实体和/或关键词的提取。需要说明的是,该第一通用型模板是预先设置的一个比较精细的模板,适用于各种场景下的文本实体和关键词提取,则实际应用中生成的Prompt1可以包括更多的内容,不仅限于上述示例。
在另一种实施方式中,除了自动提取实体和关键词外,还可以采用手动标注或结合手动和自动标注的方法来获取实体和关键词信息,即本发明实施例对提取实体和关键词的具体实现方式不做限定。
需要说明的是,在实际应用中,对于没有提取出实体或关键字的情况,可以直接返回获取Prompt_init的步骤,等待获取新的Prompt_init后执行后续流程;也可以使用其他技术来对Prompt_init进行分析。例如,可以使用文本分类技术对Prompt_init进行分类,进而识别出Prompt_init的目的和意图。
步骤S102,通过预训练模型对实体和/或关键词进行扩展,得到扩展提示文本。
在本实施例中,电子设备提取出初始提示文本中的实体和/或关键词后,通过调用预训练模型对应的API接口,对实体和/或关键词进行扩展,得到扩展提示文本,该扩展提示文本中就会包含更多的实体和关键词,从而更全面地描述用户的需求和意图。
可见,利用预训练模型自动将初始提示文本扩展为更全面、更准确的内容,实现了自动扩展Prompt,有效避免了人工干预,提高了生产效率。同时,由于扩展Prompt是基于预训练模型自动完成的,因此扩展结果更加客观和准确。如果不进行自动扩展,那么生成的文本可能会与用户的实际需求和意图相差较远,导致用户不满意。而通过自动扩展Prompt,就可以更好地捕捉用户的需求和意图,生成更准确、更有价值的文本。
步骤S103,获取预训练模型根据扩展提示文本生成的答案文本;答案文本为预训练模型对扩展提示文本中的目标问题进行回答所得到的答案。
在本实施例中,考虑到预训练模型仅进行一次Prompt扩展可能无法得到满足用户需求的扩展提示文本,故需要将生成的扩展提示文本输入该预训练模型,通过该预训练模型对扩展提示文本中的目标问题进行回答,得到相应的答案文本,并根据该预训练模型输出的答案文本是否属于用户想要的答案,进一步判断是否需要继续进行Prompt扩展。
其中,扩展提示文本中的目标问题可以理解为初始提示文本中描述的问题。例如,初始提示文本中包括内容“游戏结果为胜利,主播躺赢,战绩很差,请以吐槽风格对主播表现进行解说”,而扩展提示文本是基于初始提示文本中的实体和/或关键词扩展得到的,那么扩展提示文本中的目标问题可以为“吐槽主播表现差,并返回对应的解说内容”。
步骤S104,根据答案文本、目标问题对应的标准答案、扩展提示文本、实体和/或关键词以及预训练模型,得到新的扩展提示文本,直到预训练模型生成的答案文本与标准答案的相似度达到预设条件。
在本实施例中,当预训练模型生成的答案文本与标准答案的相似度未达到预设条件,表明预训练模型生成的答案文本与标准答案的差异性比较大,当前的扩展提示文本还不能满足用户需求,需要预训练模型继续进行Prompt扩展,预训练模型根据答案文本、目标问题对应的标准答案以及当前的扩展提示文本、提取出的实体和/或关键词再次进行Prompt扩展,实现对当前扩展提示文本的调整,并输出新的扩展提示文本。电子设备将该新的扩展提示文本输入预训练模型,获得预训练模型再次输出的答案文本,并判断该答案文本与标准答案的相似度是否符合预设条件;重复上述步骤,可使预训练模型基于扩展提示文本输出的答案文本逐渐向标准答案靠近,直到符合预设条件,并获得最终的扩展提示文本。
在获得最终的扩展提示文本后,使用扩展提示文本作为输入,启动预训练模型生成文本,生成的文本将更准确、更有价值,满足用户的需求和意图。而如果不进行自动扩展,那么生成的文本可能与用户的实际需求和意图相差较远,导致用户不满意。
可见,本发明实施例提供的提示文本扩展方法,该方法包括提取初始提示文本中的实体和/或关键词,通过预训练模型对实体和/或关键词进行扩展,得到扩展提示文本,获取预训练模型根据扩展提示文本生成的答案文本;答案文本为预训练模型对扩展提示文本中的目标问题进行回答所得到的答案;根据答案文本、目标问题对应的标准答案、扩展提示文本、实体和/或关键词以及预训练模型,得到新的扩展提示文本,直到预训练模型生成的答案文本与标准答案的相似度达到预设条件。通过自动提取实体和/或关键词,基于预训练模型自动生成扩展提示文本,并根据预训练模型生成的答案文本与标准答案的相似度判断是否继续进行提示文本扩展,使得最终得到的扩展提示文本更加全面和准确,更加充分地描述用户的需求和意图,进而指导模型生成更准确、更有价值的文本。如此,既提高了提示文本的生成效率,又降低了成本,还能够适应不同的用户需求和领域变化。
在本实施例中,可以预先设置一个通用型模板,用于实现各种场景下的Prompt扩展。基于此,请参照图2,上述步骤S102可以包括:
子步骤S1021,根据第一预设提示模板和实体和/或关键词,生成第一提示文本。
可以理解,该第一预设提示模板为预先设置的通用型模板,电子设备在提取出初始提示文本中的实体和/或关键词后,按照该第一预设提示模板可以生成用于指导模型进行实体、关键词扩展的提示文本Prompt2(即第一提示文本)。例如,Prompt2中可以包括如下内容“请根据以下关键词或实体写出更详细的Prompt”。
子步骤S1022,将第一提示文本输入预训练模型,通过第一提示文本指导预训练模型对实体和/或关键词进行扩展,并输出扩展提示文本。
在本实施例中,电子设备通过调用预训练模型对应的API接口,将第一提示文本Prompt2输入预训练模型,预训练模型在Prompt2的指导下对实体和/或关键词进行扩展,并输出扩展提示文本Prompt_expand。
在实际应用中,考虑到有些场景下会设置多个标准答案,比如数字人游戏解说场景中,需要对主播游戏打得不好进行吐槽,或者对主播游戏打得好进行夸赞,那么可以存在各种各样、各种角度的表达方式,从而丰富解说的内容,避免解说内容过于单一。为了使预训练模型基于扩展提示文本能够输出丰富的答案文本,本实施例中会让预训练模型基于扩展提示文本进行多次回答,便于后续进行答案文本与标准答案的差异性判断。请参照图3,上述步骤S103可以包括:
子步骤S1031,确定扩展提示文本中的目标问题对应的标准答案个数。
子步骤S1032,根据标准答案个数将扩展提示文本多次输入预训练模型,通过扩展提示文本指导预训练模型对扩展提示文本中的目标问题进行回答,并获取预训练模型每次输出的答案文本;其中,答案文本的个数与标准答案个数相同。
在本实施例中,电子设备根据扩展提示文本中的目标问题对应的标准答案个数,可以确定预训练模型基于扩展提示文本回答目标问题的次数,每次将扩展提示文本输入预训练模型后,预训练模型在扩展提示文本的指导下对目标问题进行回答,并输出相应的答案文本。通过多次输入扩展提示文本,将会获得预训练模型多次回答分别得到的答案文本。
在一个示例中,电子设备将扩展提示文本输入预训练模型获得答案文本,可以通过如下方式实现:基于扩展提示文本和预设的第二通用型模板生成用于指导模型根据扩展提示文本回答目标问题的提示文本Prompt3,将Prompt3输入预训练模型后,预训练模型在Prompt3的指导下根据扩展提示文本Prompt_expand回答目标问题,获得目标问题的答案文本。
在一种实施方式中,上述子步骤S1031具体包括:在预设数据库中查找与扩展提示文本中的目标问题匹配的目标预设问题,将目标预设问题对应的所有标准答案作为目标问题对应的标准答案,并获取目标问题对应的标准答案个数;预设数据库存储有多个预设问题以及每个预设问题对应的标准答案。
在本实施例中,可以预先针对不同事件都设置相应的问题以及对应的多个标准答案,从而得到不同预设问题以及预设问题所对应的多个标准答案,根据多个预设问题以及每个预设问题对应的标准答案构建出离线数据库(即预设数据库)。电子设备在获取扩展提示文本后,根据扩展提示文本中的目标问题查询预设数据库,找到与该目标问题匹配(一致或者相似度达到设定阈值)的目标预设问题,并获取该目标预设问题所对应的所有标准答案。由于该目标预设问题与目标问题是一致或者相似度较高的,故目标预设问题对应的标准答案可以认为是目标问题对应的标准答案,进而根据该目标预设问题所对应的所有标准答案,可以获得该目标问题对应的标准答案个数。
可选地,由于预训练模型会多次基于扩展提示文本回答目标问题,故将每次回答所得到的答案文本与标准答案进行差异性判断,可以确定当前生成的扩展提示文本是否能够使预训练模型输出丰富的答案,满足用户的需求和意图。基于此,请参照图4,上述步骤S104可以包括:
子步骤S1041,在获取预训练模型每次输出的答案文本后,计算答案文本与目标问题对应的各标准答案之间的相似度得分,并从答案文本对应的各相似度得分中确定出最高相似度得分;其中,每个答案文本均对应一个最高相似度得分。
在本实施例中,电子设备可以在预训练模型每次输出答案文本后,就计算该答案文本与各个标准答案之间的相似度得分,并从中选出最高相似度得分,然后再将扩展提示文本输入预训练模型,根据再一次得到的答案文本进行相似度得分计算以及选取最高相似度得分。电子设备也可以先将扩展提示文本按照标准答案个数多次输入预训练模型,在得到预训练模型多次回答目标问题生成的答案文本之后,将多个答案文本分别与各标准答案进行相似度得分计算以及选取最高相似度得分。其中,相似度得分可以表征答案文本与标准答案之间的差异性,分数越高,表明相似度越高;分数越低,表明差异性越大。
例如,目标问题Q对应的标准答案个数为10个,分别为A1、A2、A3、A4、A5、A6、A7、A8、A9、A10;预训练模型回答10次该目标问题Q后,得到的10个答案文本分别为Ax1、Ax2、Ax3、Ax4、Ax5、Ax6、Ax7、Ax8、Ax9、Ax10。假设答案文本Ax1与标准答案A1、A2、A3、A4、A5、A6、A7、A8、A9、A10分别计算相似度得分后,Ax1与A4的相似度得分是最高的,为0.05分;同理,Ax2与A1的相似度得分是最高的,为0.1分;Ax3与A5的相似度得分是最高的,为0.5分;Ax4与A6的相似度得分是最高的,为0.6分;Ax5与A8的相似度得分是最高的,为0.4分;Ax6与A3的相似度得分是最高的,为0.45分;Ax7与A9的相似度得分是最高的,为0.7分;Ax8与A10的相似度得分是最高的,为0.2分;Ax9与A2的相似度得分是最高的,为0.45分;Ax10与A7的相似度得分是最高的,为0.5分。
在一种实施方式中,电子设备计算答案文本与各个标准答案之间的相似度得分也可以通过预训练模型实现。例如,电子设备根据答案文本、各个标准答案以及预设的第三通用型模板生成用于指导模型计算相似度得分的提示文本Prompt4,将Prompt4输入预训练模型后,预训练模型在Prompt4的指导下评价答案文本与各个标准答案之间的相似性并打分,从而得到答案文本与目标问题对应的各标准答案之间的相似度得分。
子步骤S1042,按照预设比例从各答案文本对应的最高相似度得分中选取最低的目标相似度得分;目标相似度得分的选取个数根据预设比例和答案文本的个数确定。
在本实施例中,预设比例可以根据实际需要进行设置,例如可以设为10%、20%、30%等。以20%为例,由于答案文本为10个,则需要从10个答案文本对应的最高相似度得分中选取出最低的2个目标相似度得分,即Ax1与A4的相似度得分0.05;Ax2与A1的相似度得分0.1。
子步骤S1043,若存在至少一个目标相似度得分小于预设阈值,则获取小于预设阈值的目标相似度得分所对应的目标答案文本、目标标准答案,通过预训练模型基于目标答案文本、目标标准答案、实体和/或关键词以及扩展提示文本生成新的扩展提示文本,直到根据预训练模型生成的答案文本选取的所有目标相似度得分均大于等于预设阈值。
在本实施例中,预设阈值可以根据实际需要进行设置,例如可以设为0.5、0.6、0.7等。以0.5为例,由于选取出的2个目标相似度得分0.05和0.1均小于0.5,表明预训练模型基于当前的扩展提示文本生成的答案文本还不够准确,与标准答案的差异性还较大,需要对扩展提示文本进行调整,则获取目标相似度得分0.05对应的目标答案文本Ax1、目标标准答案A4,以及目标相似度得分0.1对应的目标答案文本Ax2、目标标准答案A1。
通过预训练模型基于目标答案文本Ax1及对应的目标标准答案A4、目标答案文本Ax2及对应的目标标准答案A1、初始提示文本中的实体和/或关键词以及当前的扩展提示文本,对当前的扩展提示文本进行调整,要求其解决Ax1与A4、Ax2与A1的差异性较大的问题,从而得到新的扩展提示文本,预训练模型再根据新的扩展提示文本对目标问题进行多次回答,根据获取的答案文本重复上述子步骤S1041~S1043的过程,实现对扩展提示文本的不断调整,这样预训练模型根据扩展提示文本生成的答案文本就会逐渐与标准答案靠近,直到选取出的所有目标相似度得分均大于等于预设阈值,此时认为预训练模型生成的答案文本与标准答案的相似度达到预设条件。
在一种实施方式中,上述子步骤S1043中通过预训练模型基于目标答案文本、目标标准答案、实体和/或关键词以及扩展提示文本生成新的扩展提示文本,具体可以包括:根据目标答案文本、目标标准答案以及目标问题生成样本数据,并根据样本数据、实体和/或关键词、扩展提示文本以及第二预设提示模板,生成第二提示文本;将第二提示文本输入预训练模型,通过第二提示文本指导预训练模型基于实体和/或关键词以及样本数据,对扩展提示文本进行调整并输出新的扩展提示文本。
也即是说,由于目标答案文本和目标标准答案之间的相似度得分小于预设阈值,表明预训练模型基于当前的扩展提示文本还无法理解到目标标准答案的内容,故根据目标答案文本、目标标准答案以及目标问题生成样本数据(few shot),然后根据样本数据、之前提取出的实体和/或关键词、当前的扩展提示文本以及第二预设提示模板,生成第二提示文本Prompt5,通过调用预训练模型对应的API接口,将Prompt5输入预训练模型,预训练模型在Prompt5的指导下根据之前提取出的实体和/或关键词以及需要理解的few shot对扩展提示文本进行调整,得到新的扩展提示文本。
可以理解,该第二预设提示模板也是预先设置的通用型模板,按照第二预设提示模板生成的第二提示文本Prompt5与前述按照第一预设提示模板生成的第一提示文本Prompt2的主要区别在于,第二提示文本Prompt5中不仅给预训练模型提供了关键词和/或实体内容,还提供了few shot以及当前的扩展提示文本,few shot可以帮助预训练模型更好地理解它要完成的任务,预训练模型基于当前的扩展提示文本进行调整,最终得到符合用户需求的扩展提示文本。
需要说明的是,本发明实施例提供的提示文本扩展方法除了可以应用在数字人游戏解说场景外,还可以应用在很多其他场景,本发明实施例对此不做限制。如以下几个可能的场景示例:
游戏直播分类:用户可以输入游戏名称或关键字来搜索相关的游戏直播,但是有时候用户并不清楚游戏名称或关键字,只是想找与某种游戏类型或风格相关的直播。这时候可以利用Prompt自动扩展来解决这个问题。例如,用户可以输入“我想看一个类似魔幻风格的游戏直播”,系统可以自动扩展Prompt并生成类似“类似魔幻风格的游戏直播推荐”这样更具体的Prompt,从而更好地满足用户需求。
礼物推荐:一些直播应用中有很多礼物可以送给主播,但是用户有时候可能不知道该送什么礼物。这时候可以利用Prompt自动扩展来提供更具体的礼物推荐。例如,用户可以输入“我想送一份有创意的礼物给主播”,系统可以自动扩展Prompt并生成类似“创意礼物推荐”这样更具体的Prompt,从而更好地满足用户需求。
直播间主题推荐:有些用户可能会因为主播的直播间主题而选择关注或不关注该主播。例如,用户可能会更喜欢看与音乐有关的直播,而不太喜欢看与电竞有关的直播。这时候可以利用Prompt自动扩展来为用户推荐更符合他们兴趣的主播和直播间。例如,用户可以输入“我想看与音乐有关的直播”,系统可以自动扩展Prompt并生成类似“音乐直播间推荐”这样更具体的Prompt,从而更好地满足用户需求。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种提示文本扩展装置的实现方式。请参阅图5,为本发明实施例提供的提示文本扩展装置600的一种功能模块图。需要说明的是,本实施例所提供的提示文本扩展装置600,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该提示文本扩展装置600包括:提取模块610、扩展模块620、答案文本获取模块630和提示文本调整模块640。
提取模块610,用于提取初始提示文本中的实体和/或关键词。
可以理解,该提取模块610可以执行上述步骤S101。
扩展模块620,用于通过预训练模型对实体和/或关键词进行扩展,得到扩展提示文本。
可以理解,该扩展模块620可以执行上述步骤S102。
答案文本获取模块630,用于获取预训练模型根据扩展提示文本生成的答案文本;答案文本为预训练模型对扩展提示文本中的目标问题进行回答所得到的答案。
可以理解,该答案文本获取模块630可以执行上述步骤S103。
提示文本调整模块640,用于根据答案文本、目标问题对应的标准答案、扩展提示文本、实体和/或关键词以及预训练模型,得到新的扩展提示文本,直到预训练模型生成的答案文本与标准答案的相似度达到预设条件。
可以理解,该提示文本调整模块640可以执行上述步骤S104。
可选地,该扩展模块620可以用于根据第一预设提示模板和实体和/或关键词,生成第一提示文本;将第一提示文本输入预训练模型,通过第一提示文本指导预训练模型对实体和/或关键词进行扩展,并输出扩展提示文本。
可以理解,该扩展模块620可以执行上述子步骤S1021、S1022。
可选地,该答案文本获取模块630可以用于确定扩展提示文本中的目标问题对应的标准答案个数,根据标准答案个数将扩展提示文本多次输入预训练模型,通过扩展提示文本指导预训练模型对扩展提示文本中的目标问题进行回答,并获取预训练模型每次输出的答案文本;其中,答案文本的个数与标准答案个数相同。
可以理解,该答案文本获取模块630可以执行上述子步骤S1031、S1032。
可选地,该答案文本获取模块630具体用于在预设数据库中查找与扩展提示文本中的目标问题匹配的目标预设问题,将目标预设问题对应的所有标准答案作为目标问题对应的标准答案,并获取目标问题对应的标准答案个数;预设数据库存储有多个预设问题以及每个预设问题对应的标准答案。
可选地,该提示文本调整模块640可以用于在获取预训练模型每次输出的答案文本后,计算答案文本与目标问题对应的各标准答案之间的相似度得分,并从答案文本对应的各相似度得分中确定出最高相似度得分;其中,每个答案文本均对应一个最高相似度得分;按照预设比例从各答案文本对应的最高相似度得分中选取最低的目标相似度得分;目标相似度得分的选取个数根据预设比例和答案文本的个数确定;若存在至少一个目标相似度得分小于预设阈值,则获取小于预设阈值的目标相似度得分所对应的目标答案文本、目标标准答案,通过预训练模型基于目标答案文本、目标标准答案、实体和/或关键词以及扩展提示文本生成新的扩展提示文本,直到根据预训练模型生成的答案文本选取的所有目标相似度得分均大于等于预设阈值。
可以理解,该提示文本调整模块640可以执行上述步骤S1041~S1043。
可选地,该提示文本调整模块640具体用于根据目标答案文本、目标标准答案以及目标问题生成样本数据,并根据样本数据、实体和/或关键词、扩展提示文本以及第二预设提示模板,生成第二提示文本;将第二提示文本输入预训练模型,通过第二提示文本指导预训练模型基于实体和/或关键词以及样本数据,对扩展提示文本进行调整并输出新的扩展提示文本。
可见,本发明实施例提供的提示文本扩展装置,包括提取模块、扩展模块、答案文本获取模块和提示文本调整模块,提取模块用于提取初始提示文本中的实体和/或关键词;扩展模块用于通过预训练模型对实体和/或关键词进行扩展,得到扩展提示文本;答案文本获取模块用于获取预训练模型根据扩展提示文本生成的答案文本;答案文本为预训练模型对扩展提示文本中的目标问题进行回答所得到的答案;提示文本调整模块用于根据答案文本、目标问题对应的标准答案、扩展提示文本、实体和/或关键词以及预训练模型,得到新的扩展提示文本,直到预训练模型生成的答案文本与标准答案的相似度达到预设条件。通过自动提取实体和/或关键词,基于预训练模型自动生成扩展提示文本,并根据预训练模型生成的答案文本与标准答案的相似度判断是否继续进行提示文本扩展,使得最终得到的扩展提示文本更加全面和准确,更加充分地描述用户的需求和意图,进而指导模型生成更准确、更有价值的文本。如此,既提高了提示文本的生成效率,又降低了成本,还能够适应不同的用户需求和领域变化。
请参照图6,为本发明实施例提供的电子设备100的一种方框示意图。该电子设备100包括存储器110、处理器120及通信模块130。存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。例如,当存储器110中存储的计算机程序被处理器120执行时,可以实现上述各实施例所揭示的提示文本扩展方法。
通信模块130用于通过网络建立电子设备100与其它设备之间的通信连接,并用于通过网络收发数据。
应当理解的是,图6所示的结构仅为电子设备100的结构示意图,电子设备100还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器120执行时实现上述各实施例所揭示的提示文本扩展方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种提示文本扩展方法,其特征在于,所述方法包括:
提取初始提示文本中的实体和/或关键词;
通过预训练模型对所述实体和/或关键词进行扩展,得到扩展提示文本;
获取所述预训练模型根据所述扩展提示文本生成的答案文本;所述答案文本为所述预训练模型对所述扩展提示文本中的目标问题进行回答所得到的答案;
根据所述答案文本、所述目标问题对应的标准答案、所述扩展提示文本、所述实体和/或关键词以及所述预训练模型,得到新的扩展提示文本,直到所述预训练模型生成的答案文本与所述标准答案的相似度达到预设条件。
2.根据权利要求1所述的提示文本扩展方法,其特征在于,所述通过预训练模型对所述实体和/或关键词进行扩展,得到扩展提示文本,包括:
根据第一预设提示模板和所述实体和/或关键词,生成第一提示文本;
将所述第一提示文本输入预训练模型,通过所述第一提示文本指导所述预训练模型对所述实体和/或关键词进行扩展,并输出扩展提示文本。
3.根据权利要求1所述的提示文本扩展方法,其特征在于,所述获取所述预训练模型根据所述扩展提示文本生成的答案文本,包括:
确定所述扩展提示文本中的目标问题对应的标准答案个数;
根据所述标准答案个数将所述扩展提示文本多次输入所述预训练模型,通过所述扩展提示文本指导所述预训练模型对所述扩展提示文本中的目标问题进行回答,并获取所述预训练模型每次输出的答案文本;其中,所述答案文本的个数与所述标准答案个数相同。
4.根据权利要求3所述的提示文本扩展方法,其特征在于,所述根据所述答案文本、所述目标问题对应的标准答案、所述扩展提示文本、所述实体和/或关键词以及所述预训练模型,得到新的扩展提示文本,直到所述预训练模型生成的答案文本与所述标准答案的相似度达到预设条件,包括:
在获取所述预训练模型每次输出的答案文本后,计算所述答案文本与所述目标问题对应的各标准答案之间的相似度得分,并从所述答案文本对应的各相似度得分中确定出最高相似度得分;其中,每个所述答案文本均对应一个最高相似度得分;
按照预设比例从各所述答案文本对应的最高相似度得分中选取最低的目标相似度得分;所述目标相似度得分的选取个数根据所述预设比例和所述答案文本的个数确定;
若存在至少一个所述目标相似度得分小于预设阈值,则获取小于所述预设阈值的目标相似度得分所对应的目标答案文本、目标标准答案,通过所述预训练模型基于所述目标答案文本、所述目标标准答案、所述实体和/或关键词以及所述扩展提示文本生成新的扩展提示文本,直到根据所述预训练模型生成的答案文本选取的所有目标相似度得分均大于等于所述预设阈值。
5.根据权利要求4所述的提示文本扩展方法,其特征在于,所述通过所述预训练模型基于所述目标答案文本、所述目标标准答案、所述实体和/或关键词以及所述扩展提示文本生成新的扩展提示文本,包括:
根据所述目标答案文本、所述目标标准答案以及所述目标问题生成样本数据,并根据所述样本数据、所述实体和/或关键词、所述扩展提示文本以及第二预设提示模板,生成第二提示文本;
将所述第二提示文本输入所述预训练模型,通过所述第二提示文本指导所述预训练模型基于所述实体和/或关键词以及所述样本数据,对所述扩展提示文本进行调整并输出新的扩展提示文本。
6.根据权利要求3所述的提示文本扩展方法,其特征在于,所述确定所述扩展提示文本中的目标问题对应的标准答案个数,包括:
在预设数据库中查找与所述扩展提示文本中的目标问题匹配的目标预设问题,将所述目标预设问题对应的所有标准答案作为所述目标问题对应的标准答案,并获取所述目标问题对应的标准答案个数;所述预设数据库存储有多个预设问题以及每个所述预设问题对应的标准答案。
7.一种提示文本扩展装置,其特征在于,所述装置包括:
提取模块,用于提取初始提示文本中的实体和/或关键词;
扩展模块,用于通过预训练模型对所述实体和/或关键词进行扩展,得到扩展提示文本;
答案文本获取模块,用于获取所述预训练模型根据所述扩展提示文本生成的答案文本;所述答案文本为所述预训练模型对所述扩展提示文本中的目标问题进行回答所得到的答案;
提示文本调整模块,用于根据所述答案文本、所述目标问题对应的标准答案、所述扩展提示文本、所述实体和/或关键词以及所述预训练模型,得到新的扩展提示文本,直到所述预训练模型生成的答案文本与所述标准答案的相似度达到预设条件。
8.根据权利要求7所述的提示文本扩展装置,其特征在于,所述答案文本获取模块用于确定所述扩展提示文本中的目标问题对应的标准答案个数;根据所述标准答案个数将所述扩展提示文本多次输入所述预训练模型,通过所述扩展提示文本指导所述预训练模型对所述扩展提示文本中的目标问题进行回答,并获取所述预训练模型每次输出的答案文本;其中,所述答案文本的个数与所述标准答案个数相同;
所述提示文本调整模块用于在获取所述预训练模型每次输出的答案文本后,计算所述答案文本与所述目标问题对应的各标准答案之间的相似度得分,并从所述答案文本对应的各相似度得分中确定出最高相似度得分;其中,每个所述答案文本均对应一个最高相似度得分;按照预设比例从各所述答案文本对应的最高相似度得分中选取最低的目标相似度得分;所述目标相似度得分的选取个数根据所述预设比例和所述答案文本的个数确定;若存在至少一个所述目标相似度得分小于预设阈值,则获取小于所述预设阈值的目标相似度得分所对应的目标答案文本、目标标准答案,通过所述预训练模型基于所述目标答案文本、所述目标标准答案、所述实体和/或关键词以及所述扩展提示文本生成新的扩展提示文本,直到根据所述预训练模型生成的答案文本选取的所有目标相似度得分均大于等于所述预设阈值。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-6中任一项所述的提示文本扩展方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的提示文本扩展方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310716018.0A CN116738250A (zh) | 2023-06-15 | 2023-06-15 | 提示文本扩展方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310716018.0A CN116738250A (zh) | 2023-06-15 | 2023-06-15 | 提示文本扩展方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116738250A true CN116738250A (zh) | 2023-09-12 |
Family
ID=87911110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310716018.0A Pending CN116738250A (zh) | 2023-06-15 | 2023-06-15 | 提示文本扩展方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520527A (zh) * | 2024-01-08 | 2024-02-06 | 科大讯飞股份有限公司 | 答疑对话数据生成方法、系统、电子设备和可读存储介质 |
-
2023
- 2023-06-15 CN CN202310716018.0A patent/CN116738250A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520527A (zh) * | 2024-01-08 | 2024-02-06 | 科大讯飞股份有限公司 | 答疑对话数据生成方法、系统、电子设备和可读存储介质 |
CN117520527B (zh) * | 2024-01-08 | 2024-04-30 | 科大讯飞股份有限公司 | 答疑对话数据生成方法、系统、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10824874B2 (en) | Method and apparatus for processing video | |
CN109165302B (zh) | 多媒体文件推荐方法及装置 | |
CN110430476B (zh) | 直播间搜索方法、系统、计算机设备和存储介质 | |
CN110364146B (zh) | 语音识别方法、装置、语音识别设备及存储介质 | |
CN112328849B (zh) | 用户画像的构建方法、基于用户画像的对话方法及装置 | |
US11494434B2 (en) | Systems and methods for managing voice queries using pronunciation information | |
CN111258995B (zh) | 数据处理方法、装置、存储介质及设备 | |
CN104836720A (zh) | 交互式通信中进行信息推荐的方法及装置 | |
CN113395578B (zh) | 一种提取视频主题文本的方法、装置、设备及存储介质 | |
CN109979450B (zh) | 信息处理方法、装置及电子设备 | |
US10089898B2 (en) | Information processing device, control method therefor, and computer program | |
CN109582869B (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN112911326B (zh) | 弹幕信息处理方法、装置、电子设备和存储介质 | |
CN108710653B (zh) | 一种绘本朗读点播方法、装置及系统 | |
US20210034662A1 (en) | Systems and methods for managing voice queries using pronunciation information | |
CN116738250A (zh) | 提示文本扩展方法、装置、电子设备和存储介质 | |
CN112199932A (zh) | Ppt生成方法、装置、计算机可读存储介质及处理器 | |
CN113923521B (zh) | 一种视频的脚本化方法 | |
CN111400513A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN111414735A (zh) | 文本数据的生成方法和装置 | |
CN108153875B (zh) | 语料处理方法、装置、智能音箱和存储介质 | |
US20210035587A1 (en) | Systems and methods for managing voice queries using pronunciation information | |
CN111858860A (zh) | 搜索信息处理方法及系统、服务器、计算机可读介质 | |
CN115730073A (zh) | 文本处理方法、装置及存储介质 | |
CN112487236A (zh) | 确定关联歌单的方法、装置、设备及存储介质 |
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 |