CN117312533B - 基于人工智能模型的文案生成方法、装置、设备及介质 - Google Patents
基于人工智能模型的文案生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117312533B CN117312533B CN202311592075.9A CN202311592075A CN117312533B CN 117312533 B CN117312533 B CN 117312533B CN 202311592075 A CN202311592075 A CN 202311592075A CN 117312533 B CN117312533 B CN 117312533B
- Authority
- CN
- China
- Prior art keywords
- document
- text
- information
- target
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 196
- 230000002452 interceptive effect Effects 0.000 claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 43
- 230000003993 interaction Effects 0.000 claims abstract description 25
- 238000012098 association analyses Methods 0.000 claims abstract description 18
- 230000010354 integration Effects 0.000 claims description 47
- 238000013473 artificial intelligence Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011887 Necropsy Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 241000282840 Vicugna vicugna Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000021168 barbecue Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于人工智能模型的文案生成方法、装置、设备及介质,方法包括:将用户输入的文案类型信息转换为类型输入向量并进行关联分析以获取类型特征向量,计算类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值并筛选得到目标文案段落,对目标文案段落的历史文案特征向量进行整合得到目标特征向量并结合文案类型信息生成交互输入信息,通过智能交互模型对交互输入信息进行信息交互得到目标文案信息。上述方法基于相似度值对目标文案段落的历史文案特征向量进行整合,可获取与文案类型信息具有较高匹配度的目标文案信息,通过信息交互得到目标文案信息以减少文案内容中包含的错误,提高获取的目标文案信息的内容质量。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能模型的文案生成方法、装置、设备及介质。
背景技术
企业为对自身产品特定进行宣传,通常需要结合自身经营范围及实际产品,生成相应的产品文案,如商品文字介绍、短视频文字稿等。现有技术方法中可利用计算机模型对文本信息进行分析,从而获取对应的文案,例如,利用类似客服问答系统,根据关键词匹配文案库,然而这一方法获取的文案内容通常包含重复的段落,导致获取到的文案内容质量较差。因此,现有技术方法中用于文案生成的技术方法存在生成文案的内容质量不高的问题。
发明内容
本发明实施例提供了一种基于人工智能模型的文案生成方法、装置、设备及介质,旨在解决现有技术方法中用于文案生成的技术方法存在生成文案的内容质量不高的问题。
第一方面,本发明实施例提供了一种基于人工智能模型的文案生成方法,其中,所述方法包括:
若接收到用户输入的文案类型信息,根据预置的向量转换词典对所述文案类型信息进行转换,得到类型输入向量;
将所述类型输入向量输入预置的智能分析模型进行关联分析,以获取对应的类型特征向量;
计算所述类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值;
根据预置的筛选规则及所述相似度值从所述历史文案库中筛选出与所述筛选规则相匹配的文案段落作为目标文案段落;
根据预置的整合规则及各所述目标文案段落的相似度值对所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量;
根据所述目标特征向量及所述文案类型信息生成对应的交互输入信息;
将所述交互输入信息输入预置的智能交互模型,以进行信息交互并获取对应的输出信息作为目标文案信息。
第二方面,本发明实施例还提供了一种基于人工智能模型的文案生成装置,其中,所述装置用于执行如上述第一方面所述的基于人工智能模型的文案生成方法,所述装置包括:
类型输入向量获取单元,用于若接收到用户输入的文案类型信息,根据预置的向量转换词典对所述文案类型信息进行转换,得到类型输入向量;
类型特征向量获取单元,用于将所述类型输入向量输入预置的智能分析模型进行关联分析,以获取对应的类型特征向量;
相似度值计算单元,用于计算所述类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值;
目标文案段落获取单元,用于根据预置的筛选规则及所述相似度值从所述历史文案库中筛选出与所述筛选规则相匹配的文案段落作为目标文案段落;
目标特征向量获取单元,用于根据预置的整合规则及各所述目标文案段落的相似度值对所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量;
交互输入信息获取单元,用于根据所述目标特征向量及所述文案类型信息生成对应的交互输入信息;
目标文案信息获取单元,用于将所述交互输入信息输入预置的智能交互模型,以进行信息交互并获取对应的输出信息作为目标文案信息。
第三方面,本发明实施例还提供了一种计算机设备,其中,所述设备包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的基于人工智能模型的文案生成方法的步骤。
第四方面,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,其中,所述计算机程序被处理器执行时实现如上述第一方面所述的基于人工智能模型的文案生成方法的步骤。
本发明实施例提供了一种基于人工智能模型的文案生成方法、装置、设备及介质,方法包括:将用户输入的文案类型信息转换为类型输入向量并进行关联分析以获取类型特征向量,计算类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值并筛选得到目标文案段落,对目标文案段落的历史文案特征向量进行整合得到目标特征向量并结合文案类型信息生成交互输入信息,通过智能交互模型对交互输入信息进行信息交互得到目标文案信息。上述文案生成方法,能够获取与文案类型信息具有较高匹配度的目标文案信息,减少文案内容中包含的错误信息,提高获取的目标文案信息的内容质量。
附图说明
为了更清楚地说明本发明实施例技术方案,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,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的基于人工智能模型的文案生成方法的方法流程图;
图2为本发明实施例提供的基于人工智能模型的文案生成方法的应用场景示意图;
图3为本发明实施例提供的基于人工智能模型的文案生成装置的示意性框图;
图4是本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,如图所示,本发明申请的实施例提供了一种基于人工智能模型的文案生成方法,该方法应用于终端设备中,该方法通过安装于终端设备中的应用软件进行执行,用户可输入文案类型信息至终端设备,终端设备执行上述基于人工智能模型的文案生成方法以获取对应的目标文案信息,终端设备可以是台式电脑、笔记本电脑、平板电脑等设备。如图2所示,该方法还可应用于管理服务器20中,该方法通过安装于管理服务器20中的应用软件进行执行,管理服务器20与终端设备10之间建立网络连接以实现数据信息的传输,用户可通过终端设备10将文案类型信息输入至管理服务器20,管理服务器执行上述基于人工智能模型的文案生成方法以获取对应的目标文案信息并反馈至终端设备10,其中,终端设备可以是台式电脑、笔记本电脑、平板电脑等设备,管理服务器20可以是企业内部配置的大型服务器或服务器集群。如图1所示,该方法包括步骤S110~S170。
S110、若接收到用户输入的文案类型信息,根据预置的向量转换词典对所述文案类型信息进行转换,得到类型输入向量。
若接收到用户输入的文案类型信息,根据预置的向量转换词典对所述文案类型信息进行转换,得到类型输入向量。用户可输入文案类型信息,文案类型信息包括经营类型、商户类型、场景、特别说明等具体类型信息,根据可通过向量转换词典对所输入的文案类型信息进行转换,从而得到类型输入向量。
具体的,经营类型可以是餐饮、娱乐、艺术培训等,对于经营类型为餐饮,则商户类型可以是火锅、快餐小吃、烧烤等。向量转换词典可用于对字符或词组进行转换,从而得到与字符或词组对应的多维向量,例如“火锅”在向量转换词典中对应的多维向量为“1,0,0,1,1,0,1,0,1,1,0,1,0,1,1,1”,则通过向量转换词典可将文案类型信息转换为对应的类型输入向量。
在具体实施例中,步骤S110之前,还包括步骤:获取用户输入的文案关键词,根据预置的匹配模型计算所述文案关键词与各标签分类对应的分类匹配度;根据所述分类匹配度筛选得到与所述文案关键词相匹配的标签分类作为目标标签分类;将所述目标标签分类所包含的类型标签进行展示,以获取用户对所述类型标签进行选择所得到的标签选择信息;将所述文案关键词及与所述标签选择信息对应的类型标签进行组合,以生成对应的文案类型信息。
具体的,可首先获取用户输入的文案关键词,文案关键词可包含用户对所需生成的文案内容进行限定的关键词,如文案关键词可以是经营类型相关的关键词,以及文案板块相关的关键词,经营类型如餐饮、娱乐、艺术培训等,文案板块如店铺导语、环境介绍、菜品介绍等。
可根据匹配模型计算文案关键词与各标签分类对应的分类匹配度,具体的,可通过上述向量转换词典将文案关键词转换为对应的关键词向量,并计算关键词向量与各标签分类的分类向量之间的分类匹配度,分类匹配度可采用下述公式(1)计算得到:
(1);
其中,S为计算得到的关键词向量与某一标签分类之间的相似度,M为关键词向量中所包含的向量组数,N为标签分类对应的分类向量所包含的向量组数,I为向量维度值,ri为分类向量中某一组向量第i维的向量值,fi为关键词向量中某一组向量的第i维的向量值。通过上述技术方法,即可计算得到关键词向量与各标签分类的分类向量之间的分类匹配度,依据分类匹配度对各标签分类进行排序,并根据排序结果筛选出一定数量的标签分类作为目标标签分类。例如,可根据排序结果筛选出5个标签分类作为目标标签分类,每一标签分类中均包含多个类型标签,例如,“场景”这一标签分类中包含“春日必选”、“夏日必选”、“秋日必选”、“冬日必选”、“聚会必选”、“野外必选”等具体类型标签。
可将目标标签分类所包含的类型标签向用户进行展示,如应用于本地终端设备,则直接将目标标签分类所包含的类型标签在终端设备中进行显示,如应用于管理服务器及终端设备,则管理服务器将目标标签分类所包含的类型标签推送至终端设备,终端设备将相关信息进行展示。用户察看各目标标签分类所包含的类型标签并可对类型标签进行选择,则本地终端设备或管理服务器可接收到用户进行选择得到的标签选择信息。将文案关键词及标签选择信息对应的类型标签进行组合,从而生成对应的文案类型信息,文案关键词还可以包括省份、城市等关键词。
S120、将所述类型输入向量输入预置的智能分析模型进行关联分析,以获取对应的类型特征向量。
将所述类型输入向量输入预置的智能分析模型进行关联分析,以获取对应的类型特征向量。将所得到的类型输入向量输入至预置的智能分析模型,智能分析模型为基于人工智能所构建得到的分析模型,智能分析模型中包含多个第一节点及多个第二节点,第一节点可用于输入上述类型输入向量,第二节点对应输出类型特征向量,智能分析模型中还包括多个中间层,每一中间层均由多个中间节点构成,中间层所包含的中间节点与第一节点及第二节点之间进行关联连接。则得到的类型特征向量为一个多维的特征向量,类型特征向量可用于对文案类型信息进行量化表征。
S130、计算所述类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值。
计算所述类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值。预先配置历史文案库,历史文案库中包含多个文案段落,每一文案段落对应一个历史文案特征向量,历史文案特征向量的获取方式与类型特征向量的获取方式相同,则得到的历史文案特征向量同样为一个多维的特征向量,且历史文案特征向量的维度数与类型特征向量相等。可计算类型特征向量与各文案段落的历史文案特征向量之间的相似度值,相似度值可采用计算余弦相似度获取得到,则每一文案段落可对应获取一个相似度值,相似度值即可用于对文案类型信息与文案段落之间的像素性进行量化表征。
在具体实施例中,步骤S130之前,还包括步骤:对预设的文案资料中包含的文案段落进行解析,得到各文案段落对应的文本信息及图像信息;根据预置的图像分类模型对所述图像信息进行分类,得到对应的图像分类标签;根据所述智能分析模型对各所述文案段落对应的图像分类标签及文本信息进行关联分析,以得到各文案段落对应的历史文案特征向量。
具体的,构建历史文案库的具体过程为,首先对预设的文案资料中包含的文案段落进行解析,文案资料可由文本与图像组合形成,则可基于图像对文案资料进行拆分,得到与每一图像信息对应的多个文案片段,并根据图像信息获取文案资料中与每一图像信息相对应的文本信息,则一个图像信息与相对应的一个文本信息即可组合形成为一个文案段落。根据图像分类模型对图像信息进行分类,具体的,可首先通过图像分类模型对图像信息进行卷积、池化处理,从而提取图像信息对应的图像特征向量,并基于神经网络模型对图像特征向量进行分类,从而获取图像信息对应的图像分类标签。例如,图像信息中包含菜品,则对应添加“餐饮”的图像分类标签。将同一文案段落的图像分类标签与文本信息进行组合,并通过上述向量转换词典对组合后的文本信息进行转换,并将转换后得到的向量输入上述智能分析模型进行关联分析,从而可以得到各文案段落对应的历史文案特征向量。
S140、根据预置的筛选规则及所述相似度值从所述历史文案库中筛选出与所述筛选规则相匹配的文案段落作为目标文案段落。
根据预置的筛选规则及所述相似度值从所述历史文案库中筛选出与所述筛选规则相匹配的文案段落作为目标文案段落。根据预置的筛选规则及每一文案段落对应的相似度值,从历史文案库中筛选得到与筛选规则相匹配的文案段落作为目标文案段落。具体的,筛选规则中可配置相似度阈值及筛选比例,可首先根据相似度阈值截取相似度值不小于相似度阈值的多个文案段落作为初选文案段落,例如,相似度阈值为0.65,则可获取相似度值不小于0.65的所有文案段落作为初选文案段落,再根据筛选比例对初选文案段落进行筛选。
具体的,可根据筛选比例及初选文案段落的数量及初选文案段落的平均相似度值确定筛选数量,根据筛选数量从初选文案段落中筛选出相似度值较大的文案段落作为目标文案段落。具体的,筛选数量的可采用公式(2)进行确定(对计算结果进行四舍五入取整):
(2);
其中,P为计算得到的计算数值(对P取整后即可确定筛选数量),t为预设的筛选比例,d为初选文案段落的数量,e为自然对数底数,x为初选文案段落的平均相似度值,x0为筛选规则中配置的相似度阈值。
S150、根据预置的整合规则及各所述目标文案段落的相似度值对所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量。
根据预置的整合规则及各所述目标文案段落的相似度值对所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量。进一步的,为对目标文案段落的综合特征进行体现,可以根据整合规则以及目标文案段落的相似度值对目标文案段落所对应的历史文案特征向量进行整合,其中整合规则也即是将多个目标文案段落的历史文案特征向量整合为一组多维特征向量的具体规则,进行整合后即可得到目标特征向量,则目标特征向量可综合体现目标文案段落的整体特征。
在具体实施例中,步骤S150包括步骤:根据所述整合规则获取与各所述目标文案段落的相似度值对应的整合系数;根据所述整合系数对各所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量。
具体的,可根据整合规则获取与各目标文案段落的相似度值对应的整合系数,整合规则中包含的具体计算公式可采用公式(3)进行表示:
(3);
其中,Zk为计算得到的第k个目标文案段落的整合系数,xk为第k个目标文案段落的相似度值,x为初选文案段落的平均相似度值,x0为筛选规则中配置的相似度阈值,e为自然对数底数。
进一步的,可根据整合系数对各目标文案段落对应的历史文案特征向量进行整合,也即通过整合系数对历史文案特征向量中每一维度的向量值分别进行整合,从而得到目标特征向量。可根据各目标文案段落的整合系数计算各目标文案段落对应的整合权重,具体的,可计算所有目标文案段落的整合系数之和,再将单一目标文案段落的整合系数除以上述整合系数之和,从而计算得到单一目标文案段落的权重系数。根据单一目标文案段落的权重系数对各目标文案段落对应的历史文案特征向量中每一维度的向量值分别进行加权平均,从而可计算得到每一维度的加权向量值并得到目标特征向量。
S160、根据所述目标特征向量及所述文案类型信息生成对应的交互输入信息。
根据所述目标特征向量及所述文案类型信息生成对应的交互输入信息。进一步地,可将目标特征向量与文案类型信息进行整合,从而生成对应的交互输入信息。
在具体实施例中,步骤S160包括步骤:根据所述智能分析模型对所述目标特征向量进行文本解析,得到对应的引导文字段;将所述文案类型信息与所述引导文字段组合为对应的交互输入信息。
具体的,可将目标特征向量由智能分析模型中用于输出类型特征向量的第二节点输入,从而通过智能分析模型对目标特征向量进行文本解析,并由智能分析模型的第一节点获取对应的解析向量,通过向量转换词典对所得到的解析向量进行转换,从而得到对应的引导文字段。进一步的,将文案类型信息与引导文字段进行组合,从而得到交互输入信息。
S170、将所述交互输入信息输入预置的智能交互模型,以进行信息交互并获取对应的输出信息作为目标文案信息。
将所述交互输入信息输入预置的智能交互模型,以进行信息交互并获取对应的输出信息作为目标文案信息。将所得到的交互输入信息输入至智能交互模型,智能交互模型可以是包含海量参数的大模型(如ChatGPT模型,ChatGLM模型等),则交互输入信息用于作为进行交互的限定信息输入至智能交互模型,智能交互模型根据交互输入信息进行智能信息交互,并输出以交互输入信息作为限定信息所对应的输出信息,可采用逐句的方式与智能交互模型进行信息交互,也即是每次均只从交互输入信息中顺序获取一句话输入至智能交互模型,通过多次信息交互后,即可得到相应的输出信息;则所得到的输出信息即可作为目标文案信息。其中,本申请中采用的智能交互模型为基于斯坦福大学的Vicuna预训练大模型,训练得到的一个具有130亿参数的大模型,并利用上述历史文案库进行模型微调后所得到的智能模型。
上述实施例中所公开的基于人工智能模型的文案生成方法中,方法包括:将用户输入的文案类型信息转换为类型输入向量并进行关联分析以获取类型特征向量,计算类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值并筛选得到目标文案段落,对目标文案段落的历史文案特征向量进行整合得到目标特征向量并结合文案类型信息生成交互输入信息,通过智能交互模型对交互输入信息进行信息交互得到目标文案信息。上述文案生成方法,能够获取与文案类型信息具有较高匹配度的目标文案信息,减少文案内容中包含的错误信息,提高获取的目标文案信息的内容质量。
本发明实施例还提供一种基于人工智能模型的文案生成装置,该基于人工智能模型的文案生成装置可配置于终端设备或管理服务器中,该基于人工智能模型的文案生成装置用于执行前述的基于人工智能模型的文案生成方法的任一实施例。具体地,请参阅图3,图3为本发明实施例提供的基于人工智能模型的文案生成装置的示意性框图。
如图3所示,基于人工智能模型的文案生成装置100包括类型输入向量获取单元110、类型特征向量获取单元120、相似度值计算单元130、目标文案段落获取单元140、目标特征向量获取单元150、交互输入信息获取单元160及目标文案信息获取单元170。
类型输入向量获取单元110,用于若接收到用户输入的文案类型信息,根据预置的向量转换词典对所述文案类型信息进行转换,得到类型输入向量。
类型特征向量获取单元120,用于将所述类型输入向量输入预置的智能分析模型进行关联分析,以获取对应的类型特征向量。
相似度值计算单元130,用于计算所述类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值。
目标文案段落获取单元140,用于根据预置的筛选规则及所述相似度值从所述历史文案库中筛选出与所述筛选规则相匹配的文案段落作为目标文案段落。
目标特征向量获取单元150,用于根据预置的整合规则及各所述目标文案段落的相似度值对所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量。
在具体实施例中,所述目标特征向量获取单元150,包括:整合系数获取单元,用于根据所述整合规则获取与各所述目标文案段落的相似度值对应的整合系数;整合单元,用于根据所述整合系数对各所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量。
交互输入信息获取单元160,用于根据所述目标特征向量及所述文案类型信息生成对应的交互输入信息。
目标文案信息获取单元170,用于将所述交互输入信息输入预置的智能交互模型,以进行信息交互并获取对应的输出信息作为目标文案信息。
在具体实施例中,所述装置还包括:资料解析单元,用于对预设的文案资料中包含的文案段落进行解析,得到各文案段落对应的文本信息及图像信息;分类单元,用于根据预置的图像分类模型对所述图像信息进行分类,得到对应的图像分类标签;关联分析单元,用于根据所述智能分析模型对各所述文案段落对应的图像分类标签及文本信息进行关联分析,以得到各文案段落对应的历史文案特征向量。
在本发明实施例所提供的基于人工智能模型的文案生成装置应用上述基于人工智能模型的文案生成方法,将用户输入的文案类型信息转换为类型输入向量并进行关联分析以获取类型特征向量,计算类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值并筛选得到目标文案段落,对目标文案段落的历史文案特征向量进行整合得到目标特征向量并结合文案类型信息生成交互输入信息,通过智能交互模型对交互输入信息进行信息交互得到目标文案信息。上述文案生成方法,能够获取与文案类型信息具有较高匹配度的目标文案信息,减少文案内容中包含的错误信息,提高获取的目标文案信息的内容质量。
上述基于人工智能模型的文案生成装置可以实现为计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4,图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于人工智能模型的文案生成方法以实现目标文案信息智能生成的终端设备或管理服务器。
参阅图4,该计算机设备500包括通过通信总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于人工智能模型的文案生成方法,其中,存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于人工智能模型的文案生成方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现上述的基于人工智能模型的文案生成方法中对应的功能。
本领域技术人员可以理解,图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图4所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现上述的基于人工智能模型的文案生成方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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,或者该技术方案的全部或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计算机可读存储介质中,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。而前述的计算机可读存储介质包括:U 盘、移动硬盘、只读存储器 (ROM,Read-Only 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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于人工智能模型的文案生成方法,其特征在于,所述方法包括:
若接收到用户输入的文案类型信息,根据预置的向量转换词典对所述文案类型信息进行转换,得到类型输入向量;
将所述类型输入向量输入预置的智能分析模型进行关联分析,以获取对应的类型特征向量;
计算所述类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值;预先配置历史文案库,所述历史文案库中包含多个文案段落,每一文案段落对应一个历史文案特征向量;
根据预置的筛选规则及所述相似度值从所述历史文案库中筛选出与所述筛选规则相匹配的文案段落作为目标文案段落;
根据预置的整合规则及各所述目标文案段落的相似度值对所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量;
根据所述目标特征向量及所述文案类型信息生成对应的交互输入信息;
将所述交互输入信息输入预置的智能交互模型,以进行信息交互并获取对应的输出信息作为目标文案信息;
所述根据预置的整合规则及各所述目标文案段落的相似度值对所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量,包括:
根据所述整合规则获取与各所述目标文案段落的相似度值对应的整合系数;所述整合系数的计算公式为;其中,Zk为计算得到的第k个目标文案段落的整合系数,xk为第k个目标文案段落的相似度值,x为初选文案段落的平均相似度值,x0为筛选规则中配置的相似度阈值,e为自然对数底数;
根据所述整合系数对各所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量,包括:计算所有目标文案段落的整合系数之和,再将单一目标文案段落的整合系数除以上述整合系数之和,从而计算得到单一目标文案段落的权重系数;根据单一目标文案段落的权重系数对各目标文案段落对应的历史文案特征向量中每一维度的向量值分别进行加权平均,以计算得到每一维度的加权向量值并得到目标特征向量;
所述计算所述类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值之前,还包括:
对预设的文案资料中包含的文案段落进行解析,得到各文案段落对应的文本信息及图像信息;
根据预置的图像分类模型对所述图像信息进行分类,得到对应的图像分类标签;
根据所述智能分析模型对各所述文案段落对应的图像分类标签及文本信息进行关联分析,以得到各文案段落对应的历史文案特征向量;
所述若接收到用户输入的文案类型信息之前,还包括:
获取用户输入的文案关键词,根据预置的匹配模型计算所述文案关键词与各标签分类对应的分类匹配度;
根据所述分类匹配度筛选得到与所述文案关键词相匹配的标签分类作为目标标签分类;
将所述目标标签分类所包含的类型标签进行展示,以获取用户对所述类型标签进行选择所得到的标签选择信息;
将所述文案关键词及与所述标签选择信息对应的类型标签进行组合,以生成对应的文案类型信息。
2.根据权利要求1所述的基于人工智能模型的文案生成方法,其特征在于,所述根据所述目标特征向量及所述文案类型信息生成对应的交互输入信息,包括:
根据所述智能分析模型对所述目标特征向量进行文本解析,得到对应的引导文字段;
将所述文案类型信息与所述引导文字段组合为对应的交互输入信息。
3.一种基于人工智能模型的文案生成装置,其特征在于,所述装置用于执行如权利要求1-2任一项所述的基于人工智能模型的文案生成方法,所述装置包括:
类型输入向量获取单元,用于若接收到用户输入的文案类型信息,根据预置的向量转换词典对所述文案类型信息进行转换,得到类型输入向量;
类型特征向量获取单元,用于将所述类型输入向量输入预置的智能分析模型进行关联分析,以获取对应的类型特征向量;
相似度值计算单元,用于计算所述类型特征向量与历史文案库中各文案段落的历史文案特征向量之间的相似度值;
目标文案段落获取单元,用于根据预置的筛选规则及所述相似度值从所述历史文案库中筛选出与所述筛选规则相匹配的文案段落作为目标文案段落;
目标特征向量获取单元,用于根据预置的整合规则及各所述目标文案段落的相似度值对所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量;
交互输入信息获取单元,用于根据所述目标特征向量及所述文案类型信息生成对应的交互输入信息;
目标文案信息获取单元,用于将所述交互输入信息输入预置的智能交互模型,以进行信息交互并获取对应的输出信息作为目标文案信息;
所述目标特征向量获取单元,包括:
整合系数获取单元,用于根据所述整合规则获取与各所述目标文案段落的相似度值对应的整合系数;所述整合系数的计算公式为;其中,Zk为计算得到的第k个目标文案段落的整合系数,xk为第k个目标文案段落的相似度值,x为初选文案段落的平均相似度值,x0为筛选规则中配置的相似度阈值,e为自然对数底数;
整合单元,用于根据所述整合系数对各所述目标文案段落对应的历史文案特征向量进行整合,得到对应的目标特征向量,包括,计算所有目标文案段落的整合系数之和,再将单一目标文案段落的整合系数除以上述整合系数之和,从而计算得到单一目标文案段落的权重系数;根据单一目标文案段落的权重系数对各目标文案段落对应的历史文案特征向量中每一维度的向量值分别进行加权平均,以计算得到每一维度的加权向量值并得到目标特征向量。
4.根据权利要求3所述的基于人工智能模型的文案生成装置,其特征在于,所述装置还包括:
资料解析单元,用于对预设的文案资料中包含的文案段落进行解析,得到各文案段落对应的文本信息及图像信息;
分类单元,用于根据预置的图像分类模型对所述图像信息进行分类,得到对应的图像分类标签;
关联分析单元,用于根据所述智能分析模型对各所述文案段落对应的图像分类标签及文本信息进行关联分析,以得到各文案段落对应的历史文案特征向量。
5.一种计算机设备,其特征在于,所述设备包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-2中任一项所述的基于人工智能模型的文案生成方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-2中任一项所述的基于人工智能模型的文案生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592075.9A CN117312533B (zh) | 2023-11-27 | 2023-11-27 | 基于人工智能模型的文案生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592075.9A CN117312533B (zh) | 2023-11-27 | 2023-11-27 | 基于人工智能模型的文案生成方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117312533A CN117312533A (zh) | 2023-12-29 |
CN117312533B true CN117312533B (zh) | 2024-02-27 |
Family
ID=89255579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311592075.9A Active CN117312533B (zh) | 2023-11-27 | 2023-11-27 | 基于人工智能模型的文案生成方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312533B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110196972A (zh) * | 2019-04-24 | 2019-09-03 | 北京奇艺世纪科技有限公司 | 文案生成方法、装置及计算机可读存储介质 |
WO2022151923A1 (zh) * | 2021-01-15 | 2022-07-21 | 北京沃东天骏信息技术有限公司 | 一种商品文案处理方法、装置、电子设备、介质和程序 |
CN115545754A (zh) * | 2022-09-22 | 2022-12-30 | 北京有竹居网络技术有限公司 | 一种内容创建方法、装置及设备 |
CN115563982A (zh) * | 2022-08-26 | 2023-01-03 | 广州欢聚时代信息科技有限公司 | 广告文本优化方法及其装置、设备、介质、产品 |
WO2023221934A1 (zh) * | 2022-05-19 | 2023-11-23 | 北京沃东天骏信息技术有限公司 | 文案生成方法、模型训练方法及装置、设备、存储介质 |
-
2023
- 2023-11-27 CN CN202311592075.9A patent/CN117312533B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110196972A (zh) * | 2019-04-24 | 2019-09-03 | 北京奇艺世纪科技有限公司 | 文案生成方法、装置及计算机可读存储介质 |
WO2022151923A1 (zh) * | 2021-01-15 | 2022-07-21 | 北京沃东天骏信息技术有限公司 | 一种商品文案处理方法、装置、电子设备、介质和程序 |
WO2023221934A1 (zh) * | 2022-05-19 | 2023-11-23 | 北京沃东天骏信息技术有限公司 | 文案生成方法、模型训练方法及装置、设备、存储介质 |
CN115563982A (zh) * | 2022-08-26 | 2023-01-03 | 广州欢聚时代信息科技有限公司 | 广告文本优化方法及其装置、设备、介质、产品 |
CN115545754A (zh) * | 2022-09-22 | 2022-12-30 | 北京有竹居网络技术有限公司 | 一种内容创建方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
林佳木 等.场景思维在图书文案写作中的应用.编辑之友.2016,(第4期),第84-87页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117312533A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112256874B (zh) | 模型训练方法、文本分类方法、装置、计算机设备和介质 | |
US11232152B2 (en) | Efficient processing of neighborhood data | |
CN106776673B (zh) | 多媒体文档概括 | |
KR102240662B1 (ko) | 광역 및 심층 기계 학습 모델들 | |
CN110377740B (zh) | 情感极性分析方法、装置、电子设备及存储介质 | |
US10685012B2 (en) | Generating feature embeddings from a co-occurrence matrix | |
CN110210933B (zh) | 一种基于生成对抗网络的隐语义推荐方法 | |
US10991029B2 (en) | Background content suggestion for combination with identified items | |
US10956470B2 (en) | Facet-based query refinement based on multiple query interpretations | |
CN112328876B (zh) | 基于知识图谱的电子卡片生成推送方法、装置 | |
Carassou et al. | Inferring the photometric and size evolution of galaxies from image simulations-I. Method | |
US11403339B2 (en) | Techniques for identifying color profiles for textual queries | |
CN117312533B (zh) | 基于人工智能模型的文案生成方法、装置、设备及介质 | |
CN115080039A (zh) | 前端代码生成方法、装置、计算机设备、存储介质和产品 | |
CN115269901A (zh) | 拓展图像生成方法、装置和设备 | |
CN113762992A (zh) | 一种处理数据的方法和装置 | |
CN110162714A (zh) | 内容推送方法、装置、计算设备和计算机可读存储介质 | |
CN112818082A (zh) | 评价文本推送方法和装置 | |
JP2020071737A (ja) | 学習方法、学習プログラム及び学習装置 | |
US11275597B1 (en) | Interaction-based visualization to augment user experience | |
CN111563159B (zh) | 文本排序方法及装置 | |
CN113177104B (zh) | 基于自然语言处理的语句筛选方法、装置及计算机设备 | |
CN111626805B (zh) | 信息展示方法和装置 | |
US11809984B2 (en) | Automatic tag identification for color themes | |
WO2023209691A1 (en) | System and method for ranking recommendations in streaming platforms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |