CN117313670A - 文案生成方法、装置、电子设备以及存储介质 - Google Patents
文案生成方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN117313670A CN117313670A CN202311266206.4A CN202311266206A CN117313670A CN 117313670 A CN117313670 A CN 117313670A CN 202311266206 A CN202311266206 A CN 202311266206A CN 117313670 A CN117313670 A CN 117313670A
- Authority
- CN
- China
- Prior art keywords
- document
- information
- demand information
- template
- target
- 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 77
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000013136 deep learning model Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 58
- 238000005457 optimization Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F40/268—Morphological analysis
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了文案生成方法、装置、电子设备以及存储介质,涉及人工智能技术领域,尤其涉及深度学习领域、自然语言处理技术领域,可应用于大语言模型和生成式对话场景。具体实现方案为:响应于接收到输入的文案需求信息,根据与文案需求信息相关的文案生成操作,更新文案需求信息中的文案提示信息,得到第一目标文案需求信息,其中,第一目标文案需求信息包括与文案需求信息的语义属性相关的目标文案提示信息;以及基于预训练后的深度学习模型处理第一目标文案需求信息,生成与文案需求信息相对应的第一反馈文案。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习领域、自然语言处理技术领域,可应用于大语言模型和生成式对话场景。
背景技术
随着人工智能技术的快速发展,用户可以借助大模型(Large Model)来完成图像处理、文本生成等较为复杂的数据处理工作。大模型可以是指具有较大规模的模型参数数量的深度学习模型,其模型参数数量可以高达数十亿级别。借助较大规模的模型参数数量,深度学习模型可以完成较为复杂的数据处理工作。
发明内容
本公开提供了一种文案生成方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种文案生成方法,包括:响应于接收到输入的文案需求信息,根据与所述文案需求信息相关的文案生成操作,更新所述文案需求信息中的文案提示信息,得到第一目标文案需求信息,其中,所述第一目标文案需求信息包括与所述文案需求信息的语义属性相关的目标文案提示信息;以及基于预训练后的深度学习模型处理所述第一目标文案需求信息,生成与所述文案需求信息相对应的第一反馈文案。
根据本公开的另一方面,提供了一种文案生成装置,包括:第一目标文案需求信息获得模块,用于响应于接收到输入的文案需求信息,根据与所述文案需求信息相关的文案生成操作,更新所述文案需求信息中的文案提示信息,得到第一目标文案需求信息,其中,所述第一目标文案需求信息包括与所述文案需求信息的语义属性相关的目标文案提示信息;以及第一反馈文案生成模块,用于基于预训练后的深度学习模型处理所述第一目标文案需求信息,生成与所述文案需求信息相对应的第一反馈文案。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据本公开实施例提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开实施例提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开实施例提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的可以应用文案生成方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的文案生成方法的流程图;
图3示意性示出了根据本公开实施例的文案提示模板的示例图;
图4示意性示出了根据本公开实施例的文案生成方法的应用场景图;
图5示意性示出了根据本公开另一实施例的文案生成方法的应用场景图;
图6示意性示出了根据本公开实施例的大模型服务平台的架构图;
图7示意性示出了根据本公开实施例的文案生成装置的框图;以及
图8示出了可以用来实施本公开的实施例的适用于实现文案生成方法的示例电子设备800的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
随着人工智能技术的发展,越来越多的企业通过应用大模型来提升办公效率和业务发展速度。例如相关大模型服务方可以通过向企业开放模型应用服务接口,从而方便相关企业通过服务接口来便捷地完成文本编辑、图像生成、个性化文案制作、脚本开发等办公工作。
本公开的实施例提供了一种文案生成方法、装置、电子设备、存储介质以及程序产品。该文案生成方法包括:响应于接收到输入的文案需求信息,根据与文案需求信息相关的文案生成操作,更新文案需求信息中的文案提示信息,得到第一目标文案需求信息,其中,第一目标文案需求信息包括与文案需求信息的语义属性相关的目标文案提示信息;以及基于预训练后的深度学习模型处理第一目标文案需求信息,生成与文案需求信息相对应的第一反馈文案。
根据本公开的实施例,通过根据文案生成操作来更新用户输入的文案需求信息,可以使得到的第一目标文案需求信息中包含能够指示文案需求信息中的语义属性的目标文案提示信息,从而将第一目标文案需求信息输入至深度学习模型,可以使深度学习模型较为精准地理解文案需求的语义属性,进而使得到的第一反馈文案能够较为精准地满足用户的文案需求,提升文案生成的精确程度,实现办公效率的提升。
图1示意性示出了根据本公开实施例的可以应用文案生成方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用文案生成方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的文案生成方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,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105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
服务器105还可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(″Virtual Private Server″,或简称″VPS″)中,存在的管理难度大,业务扩展性弱的缺陷。服务器105也可以为分布式系统的服务器,或者是结合了区块链的服务器。
需要说明的是,本公开实施例所提供的文案生成方法一般可以由服务器105执行。相应地,本公开实施例所提供的文案生成装置一般可以设置于服务器105中。本公开实施例所提供的文案生成方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的文案生成装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1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。
图2示意性示出了根据本公开实施例的文案生成方法的流程图。
如图2所示,该文案生成方法包括操作S210~S220。
在操作S210,响应于接收到输入的文案需求信息,根据与文案需求信息相关的文案生成操作,更新文案需求信息中的文案提示信息,得到第一目标文案需求信息,其中,第一目标文案需求信息包括与文案需求信息的语义属性相关的目标文案提示信息。
在操作S220,基于预训练后的深度学习模型处理第一目标文案需求信息,生成与文案需求信息相对应的第一反馈文案。
根据本公开的实施例,文案生成操作可以包括用于指示根据文案需求信息生成文案的操作,本公开的实施例对文案生成操作的具体操作类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,文案需求信息可以是表征目标对象所需要生成的文案的相关需求,例如对于需要生成的文案的格式需求、内容需求等等。文案提示信息可以是目标对象输入的与语义属性相关的信息。例如文案提示信息可以为“请查询文本中拼写不当的词”,又例如文案提示信息还可以为文案需求信息的整体。本公开的实施例对文案提示信息的具体类型不做限定。
根据本公开的实施例,目标文案提示信息可以是通过对文案需求信息中的文案提示信息进行更新后得到的,例如可以基于深度学习算法来更新案需求信息中的文案提示信息,但不仅限于此,还可以基于其他的方式来更新文案需求信息中的文案提示信息,例如可以基于配置模板来更新文案提示信息,得到目标文案提示信息。本公开的实施例对更新文案需求信息中的文案提示信息的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,目标文案提示信息可以准确地表征文案需求信息的语义属性,从而根据预训练后的深度学习模型来处理第一目标文案需求信息,可以使深度学习模型在充分理解文案需求信息的语义属性的情况下,生成第一反馈文案,提升第一反馈文案与目标对象的文案需求的匹配程度,避免因深度学习模型对于文案需求信息的语义理解错误造成生成的反馈文案出现文案质量低的情况,提升自动生成的文案的整体质量水平,进而提升目标对象的办公效率。
根据本公开的实施例,预训练后的深度学习模型可以是基于任意类型的深度学习算法构建得到的,本公开的实施例对深度学习模型的具体模型参数不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,第一反馈文案的文案类型可以包括以下至少一项:演讲文案类型、信息收集类型、回复信息类型、文本改写类型。
根据本公开的实施例,演讲文案类型的第一反馈文案可以包括演讲稿、产品讲解稿等需要目标对象通过口语进行表达的文案。根据本公开实施例提供的文案生成方法,可以提升演讲类型的第一反馈文案的口语化属性,同时还可以根据目标文案提示信息表征的第一反馈文案的具体演讲场景,来使第一反馈文案的口语化属性与演讲场景的匹配程度,提升第一反馈文案的质量。
根据本公开的实施例,信息收集类型的第一反馈文案可以包括业务信息收集、图像信息收集等针对任意类型信息进行收集后得到的文案。根据本公开实施例提供的文案生成方法,可以根据目标文案提示信息表征的语义属性,来提升第一反馈文案中收集到的信息与目标对象的需求之间的匹配程度,进而避免重要信息的遗漏,以及减少冗余信息的收集量,提升第一反馈文案的质量。
根据本公开的实施例,回复信息类型的第一反馈文案可以包括问答场景中的问题信息或回答信息。回复信息类型的第一反馈文案例如可以是电商销售场景中针对目标对象的智能应答信息。
根据本公开的实施例,文本改写类型的第一反馈文案可以包括针对新闻文本、通知文本、小说等任意类型的文本进行改写后得到的文案。根据本公开实施例提供的文案生成方法,可以根据目标文案提示信息表征的语义属性,例如针对文本改写的风格属性、格式属性等,来对文本需求信息进行与语义属性相匹配的方式进行改写,提升第一反馈文案与目标对象的改写需求之间的匹配程度,提升第一反馈文案的质量。
需要说明的是,第一反馈文案的文案类型还可以包括其他类型,例如可以包括代码脚本编辑类型、评论内容类型等,本公开的实施例对第一反馈文案具体的文案类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,文案需求信息与关联需求信息相关联,与关联需求信息相对应的关联提示信息和文案提示信息相匹配。
需要说明的是,关联需求信息可以是与文案需求信息建立关联关系的信息,例如可以包括目标对象在历史时间段中输入的文案需求信息,或者还可以是其他的对象输入的文案需求信息,本公开的实施例对关联需求信息的具体获得方式做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,根据与文案需求信息相关的文案生成操作,更新文案需求信息中的文案提示信息,得到第一目标文案需求信息可以包括:在文案生成操作为第一操作类型的情况下,根据关联需求信息和文案需求信息,更新文案提示信息,得到第一目标文案需求信息。
根据本公开的实施例,第一操作类型可以指示将关联需求信息和文案需求信息作为目标对象的文案需求的整体,通过处理关联需求信息和文案需求信息来更新文案提示信息,可以通过关联需求信息和文案需求信息来进一步准确地理解目标对象的针对文案生成需求的语义属性,从而提升得到的第一目标文案需求信息针对语义属性的表征精度,进而可以进一步提升第一反馈文案的文案质量。
在本公开的一些实施例中,可以基于神经网络算法构建的提示信息优化器来处理关联需求信息和文案需求信息,得到第一目标文案需求信息。提示信息优化器的模型参数数量可以小于深度学习模型的模型参数数量。
根据本公开的实施例,根据关联需求信息和文案需求信息,更新文案提示信息可以包括:分别对关联需求信息和文案需求信息进行特征提取,得到关联需求特征和文案需求特征;基于注意力机制融合关联需求特征和文案需求特征,得到融合需求特征;以及根据融合需求特征更新文案提示信息。
根据本公开的实施例,可以基于编码器来对关联需求信息和文案需求信息进行特征提取,进而得到关联需求特征和文案需求特征。可以基于注意力网络算法,例如Transformer算法来融合关联需求特征和文案需求特征,以便于得到的融合需求特征能够充分融合关联需求信息和文案需求信息之间的语义特征,提升融合需求特征针对目标对象的语义属性的表征能力。
根据本公开的实施例,根据融合需求特征更新文案提示信息,可以是将融合需求特征输入至全连接网络层,输出目标文案提示信息。
根据本公开的实施例,关联需求信息包括与目标对象相关联的历史需求信息,文案需求信息基于与目标对象相对应的需求信息输入操作生成。
在本公开的一些实施例中,关联需求信息可以包括文案需求信息的上文需求信息,例如在历史时间段中目标对象输入的与当前的文案需求信息相关的上文文本。
根据本公开的实施例,文案生成方法还可以包括:根据文案需求信息,从预设的文案提示模板库中确定与文案需求信息的语义属性相匹配的推荐文案提示模板。
根据本公开的实施例,可以通过神经网络算法来处理文案需求信息,得到针对文案需求信息的分类结果,并根据分类结果来从预设的文案提示模板库中确定推荐文案提示模板。
根据本公开的实施例,预设的文案提示模板库可以包括预先设置的文案提示模板,可以根据深度学习模型来确定文案提示模板,例如可以将包含有文案提示模板的样本文案需求信息输出至深度学习模型,输出样本反馈文案,在对样本反馈文案的评估结果满足评估条件的情况下,可以将文案提示模板存储至文案提示模板库中,从而可以使预训练后的深度学习模型能够较为准确地理解文案提示模板库中的文案提示模板的语义属性。这样通过从文案提示模板库中确定与文案需求信息相匹配的推荐文案提示模板,可以使目标对象通过推荐文案提示模板来进一步得到与文案需求信息相匹配的反馈文案。
应该理解的是,推荐文案提示模板可以包括目标文案提示信息。
根据本公开的实施例,根据文案需求信息,从预设的文案提示模板库中确定与文案需求信息的语义属性相匹配的推荐文案提示模板可以包括:对文案需求信息进行语义特征提取,得到文案需求特征;将与文案提示模板相关联的文案提示模板特征,与文案需求特征进行匹配,得到特征匹配结果,文案提示模板包含于预设的文案提示模板库中;以及根据特征匹配结果,从预设的文案提示模板库中确定与文案需求信息的语义属性相匹配的推荐文案提示模板。
根据本公开的实施例,与文案提示模板相关联的文案提示模板特征,与文案需求特征进行匹配,可以包括计算文案提示模板特征与文案需求特征之间的相似度,得到特征相似度结果,根据特征相似度结果与预设的相似度阈值之间的比较结果来确定特征匹配结果。
根据本公开的实施例,可以在特征匹配结果表征相匹配的情况下,将与该特征匹配结果相关联的文案提示模板确定为与文案需求信息的语义属性相匹配的推荐文案提示模板。
根据本公开的实施例,文案生成方法还可以包括:响应于针对推荐文案提示模板的编辑操作,生成第二目标文案需求信息;以及根据深度学习模型处理第二目标文案需求信息,生成第二反馈文案。
根据本公开的实施例,目标对象可以通过针对推荐文案提示模板执行编辑操作,来在推荐文案提示模板添加与需求属性相关的需求关键词,例如可以在推荐文案提示模板中的{number}位置添加“两个”(需求关键词),又例如,还可以在推荐文案提示模板中的{theme}位置添加“雪景”(需求关键词),从而完成编辑操作,得到第二目标文案需求信息。
根据本公开的实施例,目标对象还可以通过针对推荐文案提示模板进行编辑,来进一步生成第二目标文案需求信息,从而满足针对目标对象的文案生成需求的个性化表征。
根据本公开的实施例,预训练后的深度学习模型能够较为准确地理解第二目标文案需求信息中的语义属性,从而通过深度学习模型来处理第二目标文案需求信息,可以使得到的第二反馈文案进一步准确地表征目标对象的文案生成需求,提升文案的质量水平。
图3示意性示出了根据本公开实施例的文案提示模板的示例图。
如图3所示,第一文案提示模板310可以与“图像素材收集”相关,第一文案提示模板310中可以包含模板文案提示信息为:“收集一份与{theme}有关的图像册,包括图像来源与图像收集的授权信息”,其中“{theme}”可以是与主题属性的需求关键词对应的嵌入位置。
如图3所示,第二文案提示模板320可以与“电影评论”相关,第三文案提示模板330可以与“剧本改写”相关。可以基于,第一文案提示模板310、第二文案提示模板320和第三文案提示模板330来构建预设的文案提示模板库。
根据本公开的实施例,文案生成方法还可以包括:从文案需求信息中,提取与需求属性相关的需求关键词。
根据本公开的实施例,可以基于关键词提取方法来提取得到需求关键词,例如可以对文案需求信息中的文本词进行词性标注,将根据文本词各自的词性以及文本词之间的语法关系,从文案需求信息中提取得到需求关键词。但不仅限于次,还可以基于其他类型的关键词提取方式来从文案需求信息中提取得到需求关键词,本公开的实施例对提取得到需求关键词的具体方式不做限定。
根据本公开的实施例,根据与文案需求信息相关的文案生成操作,更新文案需求信息中的文案提示信息,得到第一目标文案需求信息包括:在文案生成操作为第二操作类型的情况下,从推荐文案提示模板中,确定与需求关键词相对应的嵌入位置;以及基于嵌入位置,将需求关键词嵌入至推荐文案提示模板中,得到第一目标文案需求信息。
根据本公开的实施例,第二操作类型的文案生成操作可以指示通过推荐文案提示模板来生成第一目标文案需求信息,进而根据第一目标文案需求信息自动生成第一反馈文案。可以通过在与目标对象相关的交互界面中生成指示第一操作类型的第一文案生成操作对象,以及指示第二操作类型的第二文案生成操作对象,从而可以使目标对象便捷地选择得到第一反馈文案的具体方式。
根据本公开的实施例,推荐文案提示模板中的嵌入位置可以通过提示符号来表征,例如可以通过“{}”、“:”等符号来表征。可以通过与嵌入位置相关的词性属性标识与需求关键词的词性之间的对应关系,来确定与需求关键词对应的嵌入位置,从而实现将需求关键词自动化嵌入推荐文案提示模板。
根据本公开的实施例,还可以通过文案提示模板训练神经网络模型,并根据训练后得到的神经网络模型来处理文案需求信息,从而根据神经网络模型来从推荐文案提示模板中,确定与需求关键词相对应的嵌入位置;以及基于嵌入位置,将需求关键词嵌入至推荐文案提示模板中,得到第一目标文案需求信息。
需要说明的是,神经网络模型可以是基于注意力网络算法构建得到的,例如可以基于BERT(Bidirectional Encoder Representations from Transformers)算法来构建神经网络模型,进而提升得到第一目标文案需求信息的时效性,减少得到反馈文案的时延。
根据本公开的实施例,文案生成方法还可以包括:根据推荐文案提示模板更新与目标对象对应的自定义模板库,得到更新后的自定义模板库,其中,自定义模板库适用于在目标对象的操作权限验证通过的情况下,向目标对象展示自定义文案提示模板。
根据本公开的实施例,可以通过针对目标对象设置对应的操作权限,来实现目标对象能够及时地访问并操作自定义模板库。自定义模板库可以是适配于目标对象的文案需求属性的文案提示模板,目标对象通过针对自定义模板库中的自定义文案提示模板进行编辑,例如填入需求关键词,可以实现为目标对象便捷地生成第二目标文案需求信息,从而节省确定推荐文案提示模板的计算开销,便于目标对象根据实际的文案生成需求来快速获得第二反馈文案。
根据本公开的实施例,根据推荐文案提示模板更新与目标对象对应的自定义模板库,可以实现根据目标对象的文案生成需求来及时地对自定义模板库进行更新,使目标对象可以在后续的文案生成操作过程中,快速地根据自定义模板库中最新的自定义文案提示模板,来得到第二目标文案需求信息,从而提升第二反馈文案的文案质量。
根据本公开的实施例,文案生成方法还可以包括:响应于与目标对象相对应的模板优化操作,根据注意力机制算法处理与模板优化操作相对应的待优化文案提示模板,得到优化后的自定义文案提示模板;以及根据优化后的自定义文案提示模板,更新与目标对象相对应的自定义模板库,得到更新后的自定义模板库。
图4示意性示出了根据本公开实施例的文案生成方法的应用场景图。
如图4所示,该应用场景中可以包括客户端410和服务端420。服务端420可以包括基于注意力网络算法构建得到的提示信息优化器421和与目标对象相关联的自定义模板库422。
目标对象可以通过客户端410来执行模板优化操作,并将待优化文案提示模板发送至提示信息优化器421。提示信息优化器421可以根据注意力机制算法处理该模板优化操作相对应的待优化文案提示模板,得到优化后的自定义文案提示模板4221。自定义文案提示模板4221可以通过存储至自定义模板库422来实现对于自定义模板库的更新。
目标对象可以通过客户端410来访问自定义模板库422,并可以从自定义模板库422中调用任意的自定义提示信息模板。
根据本公开的实施例,待优化文案提示模板是基于与目标对象相对应的提示信息编辑操作生成的。
根据本公开的实施例提供的文案生成方法还可以将目标对象编辑的提示信息作为待优化文案提示模板,从而可以将目标对象编辑的提示信息输入至提示信息优化器421,得到优化后的自定义文案提示模板,以满足目标对象的个性化文案生成需求。
根据本公开的实施例,待优化文案提示模板还可以是从与目标对象相对应的自定义模板库中确定的。
根据本公开的实施例提供的文案生成方法还可以针对历史时间段中生成的自定义文案提示模板进行优化,以保证优化后的自定义文案提示模板能够满足目标对象当前的文案生成需求。
图5示意性示出了根据本公开另一实施例的文案生成方法的应用场景图。
如图5所示,该应用场景中可以包括提示信息优化器510、自定义模板库520和深度学习模型530。深度学习模型530可以是自然语言处理模型。
在目标对象输入的文案需求信息501包括需求关键词,且检测到文案生成操作为第一操作类型的情况下,可以将文案需求信息501输入至提示信息优化器510,提示信息优化器510可以更新文案需求信息501中的文案提示信息,得到包含目标文案提示信息的第一目标文案需求信息。第一目标文案需求信息可以输入至深度学习模型530,输出第一反馈文案502。
如图5所示,还可以将目标文案提示信息作为与目标对象相关的优化后的自定义文案提示模板,将自定义文案提示模板输入至于目标对象相关的自定义模板库520中,以便于目标对象随时调取。
根据本公开的实施例,文案生成方法还可以包括:响应于与目标对象相关的模型更新请求,根据更新后的自定义模板库,确定训练样本;以及根据训练样本训练深度学习模型,得到更新后的目标深度学习模型。
根据本公开的实施例,可以通过将自定义模板库中的自定义文案提示模板添加样本关键词的方式来得到训练样本,或者还可以通过对自定义文案提示模板中与样本关键词对应的嵌入位置进行掩码来得到训练样本,本公开的实施例对得到训练样本的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,可以通过自监督训练方式来训练深度学习模型,例如可以通过针对深度学习模型设定学习任务的方式来训练深度学习模型,或者还可以通过对训练样本进行样本标注的方式来得到关联有标签的训练样本,从而通过有监督训练方式来训练得到更新后的目标深度学习模型,本公开的实施例对具体的训练方式不做限定。
根据本公开的实施例,可以通过针对与目标对象相关的客户端封装模型训练接口,以便于目标对象根据与业务需求或文案生成需求相关度较高的自定义模板库来及时对深度学习模型进行训练,以实时更新得到能够准确地生成反馈文案的更新后的深度学习模型。通过对目标对象的客户端提供接口的方式,可以使目标对象便捷地对深度学习模型的模型参数进行微调,以提升更新后的目标深度学习模型针对目标对象的业务需求或文案生成需求的适配程度,提升目标深度学习模型生成的反馈文件与目标对象的实际需求的匹配程度。
根据本公开的实施例,根据训练样本训练深度学习模型,得到更新后的目标深度学习模型可以包括:根据训练样本对第i-1候选深度学习模型执行第i次训练任务,得到第i候选深度学习模型的第i候选模型参数;在I=i的情况下,得到I个候选深度学习模型各自的候选模型参数,其中,I≥i>1,第1候选深度学习模型为深度学习模型;根据获得到的与目标对象相关的模型选择操作,从1个候选模型参数中确定目标模型参数;以及根据目标模型参数得到更新后的目标深度学习模型。
根据本公开的实施例,可以通过记载每一次训练任务完成后,记录候选深度学习模型的候选模型参数与候选深度学习模型输出的样本候选反馈文案,以便于目标对象可以通过查看样本候选反馈文案来针对候选模型参数执行模型选择操作,选择最优的候选模型参数作为目标模型参数,进而可以根据目标模型参数来得到更新后的目标深度学习模型。
根据本公开的实施例,通过根据目标对象的模型更新请求来对具有较大规模模型参数量的深度学习模型进行再训练、可以实现针对目标对象的业务需求来调整深度学习模型的模型参数,进而使目标深度学习模型可以满足目标对象的个性化要求,提升文案生成的质量水平。
图6示意性示出了根据本公开实施例的大模型服务平台的架构图。
如图6所示,大模型服务平台600可以包括数据管理模块、模型训练模块、评估与优化模块、预测服务部署模块和插件服务模块,共五个服务模块,这五个服务模块构成大模型工具链,为目标对象提供大模型训练、模型应用、模型评估等综合服务支持。
数据管理模块可以包括具有数据采集与清洗、数据生成、数据导入/任务标注、提示信息管理器、数据回流等数据管理功能的服务单元。数据管理模块支持海量大规模数据的处理和管理,另外对于数据提供高效的标注能力,帮助目标对象构建高质量的数据,从而可以通过高质量的数据来更好驱动模型训练,提升模型的应用功能。
模型训练模块可以包括具有模型预训练、强化学习机制、插件生成单元、文案提示模板库、端到端训练提效等辅助模型训练的功能服务单元。模型训练模块可以提供常用的再训练、微调、强化学习等训练服务功能,目标对象能够训练出满足业务需求的深度学习模型。
预测服务部署模块可以包括服务部署与托管、文案提示模板优化、文案提示模板推荐、基本信息存储等服务单元。预测服务部署模块可以基于本公开实施例提供的文案生成方法来为目标对象提供反馈文案,此外,还可以提供自定义模板库更新的服务,便于目标对象通过高质量的提示信息模板来提升反馈文案的质量。同时还可以提供提示信息模板编排、改写、预置等服务功能。
评估与优化模块可以包括大模型评估、大模型压缩、大模型安全、大模型可解释等服务功能单元。评估与优化模块可以提供高效地模型评估优化功能,进而提升深度学习模型的训练效率。
插件服务模块可以包括插件库、服务编排、FaaS(Function-as-a-Service)机制、在线效果测试器等功能服务单元。通过插件库、服务编排等方式进一步拓展大模型的能力边界,让相关企业可以在进行业务创新的过程中灵活适配业务规则,提升业务创新效率。
此外,大模型服务平台600还可以包括异构算力管理系统、高性能文件系统、高速网络系统、人工智能调度增强系统等人工智能基础服务系统。
异构算力管理系统能够高效地管理各种不同类型的算力单元,以及管理不同规格的算力设备如GPU(Graphic Processing Unit,图形处理器)、NPU(Neural networkProcessing Unit,神经网络处理器)、XPU(eXtreme Processing Unit,异构处理器)等,是其能够被不同任务使用,或者还可以配合完成同一个作业的不同部分。
高性能文件系统可以在大模型训练、推理过程中大幅提升文件读写的效率。
高速网络系统可以在大模型的训练、推理过程中,提供分布式的训练服务功能或推理服务功能,通过不同的节点之间频繁地更新、同步模型参数,对网络带宽要求极高。基于RDMA(Remote Direct Memory Access)协议的高速互联网络能够大幅提升分布式训推的效率。
人工智能调度增强系统可以提供任务、作业调度的智能化,合理利用已有服务资源,提高服务资源利用效率,提升作业吞吐量,同时降低了服务资源成本。
图7示意性示出了根据本公开实施例的文案生成装置的框图。
如图7所示,文案生成装置700可以包括:第一目标文案需求信息获得模块710和第一反馈文案生成模块720。
第一目标文案需求信息获得模块710用于响应于接收到输入的文案需求信息,根据与文案需求信息相关的文案生成操作,更新文案需求信息中的文案提示信息,得到第一目标文案需求信息,其中,第一目标文案需求信息包括与文案需求信息的语义属性相关的目标文案提示信息。
第一反馈文案生成模块720用于基于预训练后的深度学习模型处理第一目标文案需求信息,生成与文案需求信息相对应的第一反馈文案。
根据本公开的实施例,文案需求信息与关联需求信息相关联,与关联需求信息相对应的关联提示信息和文案提示信息相匹配。
根据本公开的实施例,第一目标文案需求信息获得模块包括文案提示信息更新子模块。
文案提示信息更新子模块,用于在文案生成操作为第一操作类型的情况下,根据关联需求信息和文案需求信息,更新文案提示信息,得到第一目标文案需求信息。
根据本公开的实施例,文案提示信息更新子模块包括特征提取单元、融合需求特征获得单元和文案提示信息更新单元。
特征提取单元,用于分别对关联需求信息和文案需求信息进行特征提取,得到关联需求特征和文案需求特征。
融合需求特征获得单元,用于基于注意力机制融合关联需求特征和文案需求特征,得到融合需求特征。
文案提示信息更新单元,用于根据融合需求特征更新文案提示信息。
根据本公开的实施例,关联需求信息包括与目标对象相关联的历史需求信息,文案需求信息基于与目标对象相对应的需求信息输入操作生成。
根据本公开的实施例,文案生成装置还包括推荐文案提示模板确定模块。
推荐文案提示模板确定模块,用于根据文案需求信息,从预设的文案提示模板库中确定与文案需求信息的语义属性相匹配的推荐文案提示模板。
根据本公开的实施例,推荐文案提示模板确定模块包括文案需求特征获得子模块、特征匹配结果获得子模块和。
文案需求特征获得子模块,用于对文案需求信息进行语义特征提取,得到文案需求特征。
特征匹配结果获得子模块,用于将与文案提示模板相关联的文案提示模板特征,与文案需求特征进行匹配,得到特征匹配结果,文案提示模板包含于预设的文案提示模板库中。
推荐文案提示模板确定子模块,用于根据特征匹配结果,从预设的文案提示模板库中确定与文案需求信息的语义属性相匹配的推荐文案提示模板。
根据本公开的实施例,文案生成装置还包括:第二目标文案需求信息生成模块和第二反馈文案生成模块。
第二目标文案需求信息生成模块,用于响应于针对推荐文案提示模板的编辑操作,生成第二目标文案需求信息。
第二反馈文案生成模块,用于根据深度学习模型处理第二目标文案需求信息,生成第二反馈文案。
根据本公开的实施例,文案生成装置还包括需求关键词获得模块。
需求关键词获得模块,用于从文案需求信息中,提取与需求属性相关的需求关键词。
根据本公开的实施例,第一目标文案需求信息获得模块包括:嵌入位置确定子模块和需求关键词嵌入子模块。
嵌入位置确定子模块,用于在文案生成操作为第二操作类型的情况下,从推荐文案提示模板中,确定与需求关键词相对应的嵌入位置。
需求关键词嵌入子模块,用于基于嵌入位置,将需求关键词嵌入至推荐文案提示模板中,得到第一目标文案需求信息。
根据本公开的实施例,文案生成装置还包括第一自定义模板库更新模块。
第一自定义模板库更新模块,用于根据推荐文案提示模板更新与目标对象对应的自定义模板库,得到更新后的自定义模板库,其中,自定义模板库适用于在目标对象的操作权限验证通过的情况下,向目标对象展示自定义文案提示模板。
根据本公开的实施例,文案生成装置还包括自定义文案提示模板优化模块和第二自定义模板库更新模块。
自定义文案提示模板优化模块,用于响应于与目标对象相对应的模板优化操作,根据注意力机制算法处理与模板优化操作相对应的待优化文案提示模板,得到优化后的自定义文案提示模板。
第二自定义模板库更新模块,用于根据优化后的自定义文案提示模板,更新与目标对象相对应的自定义模板库,得到更新后的自定义模板库。
根据本公开的实施例,待优化文案提示模板是基于与目标对象相对应的提示信息编辑操作生成的。
根据本公开的实施例,待优化文案提示模板是从与目标对象相对应的自定义模板库中确定的。
根据本公开的实施例,文案生成装置还包括训练样本确定模块和训练模块。
训练样本确定模块,用于响应于与目标对象相关的模型更新请求,根据更新后的自定义模板库,确定训练样本。
训练模块,用于根据训练样本训练深度学习模型,得到更新后的目标深度学习模型。
根据本公开的实施例,训练模块包括训练任务执行子模块、候选模型参数获得子模块、目标模型参数确定子模块和目标深度学习模型确定子模块。
训练任务执行子模块,用于根据训练样本对第i-1候选深度学习模型执行第i次训练任务,得到第i候选深度学习模型的第i候选模型参数。
候选模型参数获得子模块,用于在I=i的情况下,得到I个候选深度学习模型各自的候选模型参数,其中,I≥i>1,第1候选深度学习模型为深度学习模型。
目标模型参数确定子模块,用于根据获得到的与目标对象相关的模型选择操作,从I个候选模型参数中确定目标模型参数。
目标深度学习模型确定子模块,用于根据目标模型参数得到更新后的目标深度学习模型。
根据本公开的实施例,演讲文案类型、信息收集类型、回复信息类型、文本改写类型。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图8示出了可以用来实施本公开的实施例的适用于实现文案生成方法的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如文案生成方法。例如,在一些实施例中,文案生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的文案生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文案生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (33)
1.一种文案生成方法,包括:
响应于接收到输入的文案需求信息,根据与所述文案需求信息相关的文案生成操作,更新所述文案需求信息中的文案提示信息,得到第一目标文案需求信息,其中,所述第一目标文案需求信息包括与所述文案需求信息的语义属性相关的目标文案提示信息v以及
基于预训练后的深度学习模型处理所述第一目标文案需求信息,生成与所述文案需求信息相对应的第一反馈文案。
2.根据权利要求1所述的方法,其中,所述文案需求信息与关联需求信息相关联,与所述关联需求信息相对应的关联提示信息和所述文案提示信息相匹配;
其中,所述根据与所述文案需求信息相关的文案生成操作,更新所述文案需求信息中的文案提示信息,得到第一目标文案需求信息包括:
在所述文案生成操作为第一操作类型的情况下,根据所述关联需求信息和所述文案需求信息,更新所述文案提示信息,得到所述第一目标文案需求信息。
3.根据权利要求2所述的方法,其中,所述根据所述关联需求信息和所述文案需求信息,更新所述文案提示信息包括:
分别对所述关联需求信息和所述文案需求信息进行特征提取,得到关联需求特征和文案需求特征;
基于注意力机制融合所述关联需求特征和所述文案需求特征,得到融合需求特征;以及
根据所述融合需求特征更新所述文案提示信息。
4.根据权利要求2所述的方法,其中,所述关联需求信息包括与目标对象相关联的历史需求信息,所述文案需求信息基于与所述目标对象相对应的需求信息输入操作生成。
5.根据权利要求1所述的方法,还包括:
根据所述文案需求信息,从预设的文案提示模板库中确定与所述文案需求信息的语义属性相匹配的推荐文案提示模板。
6.根据权利要求5所述的方法,所述根据所述文案需求信息,从预设的文案提示模板库中确定与所述文案需求信息的语义属性相匹配的推荐文案提示模板包括:
对所述文案需求信息进行语义特征提取,得到文案需求特征;
将与文案提示模板相关联的文案提示模板特征,与所述文案需求特征进行匹配,得到特征匹配结果,所述文案提示模板包含于所述预设的文案提示模板库中;以及
根据所述特征匹配结果,从所述预设的文案提示模板库中确定与所述文案需求信息的语义属性相匹配的推荐文案提示模板。
7.根据权利要求6所述的方法,还包括:
响应于针对所述推荐文案提示模板的编辑操作,生成第二目标文案需求信息;以及
根据所述深度学习模型处理所述第二目标文案需求信息,生成第二反馈文案。
8.根据权利要求6所述的方法,还包括:
从所述文案需求信息中,提取与需求属性相关的需求关键词;
其中,所述根据与所述文案需求信息相关的文案生成操作,更新所述文案需求信息中的文案提示信息,得到第一目标文案需求信息包括:
在所述文案生成操作为第二操作类型的情况下,从所述推荐文案提示模板中,确定与所述需求关键词相对应的嵌入位置;以及
基于所述嵌入位置,将所述需求关键词嵌入至所述推荐文案提示模板中,得到所述第一目标文案需求信息。
9.根据权利要求6所述的方法,还包括:
根据所述推荐文案提示模板更新与目标对象对应的自定义模板库,得到更新后的自定义模板库,其中,所述自定义模板库适用于在所述目标对象的操作权限验证通过的情况下,向所述目标对象展示自定义文案提示模板。
10.根据权利要求1所述的方法,还包括:
响应于与目标对象相对应的模板优化操作,根据注意力机制算法处理与所述模板优化操作相对应的待优化文案提示模板,得到优化后的自定义文案提示模板;以及
根据所述优化后的自定义文案提示模板,更新与所述目标对象相对应的自定义模板库,得到更新后的自定义模板库。
11.根据权利要求10所述的方法,其中,
所述待优化文案提示模板是基于与所述目标对象相对应的提示信息编辑操作生成的。
12.根据权利要求9所述的方法,其中,
所述待优化文案提示模板是从所述与所述目标对象相对应的自定义模板库中确定的。
13.根据权利要求9或10所述的方法,还包括:
响应于与所述目标对象相关的模型更新请求,根据所述更新后的自定义模板库,确定训练样本;以及
根据所述训练样本训练所述深度学习模型,得到更新后的目标深度学习模型。
14.根据权利要求13所述的方法,其中,所述根据所述训练样本训练所述深度学习模型,得到更新后的目标深度学习模型包括:
根据所述训练样本对第i-1候选深度学习模型执行第i次训练任务,得到第i所述候选深度学习模型的第i候选模型参数;
在I=i的情况下,得到I个所述候选深度学习模型各自的候选模型参数,其中,I≥i>1,第1所述候选深度学习模型为所述深度学习模型;
根据获得到的与所述目标对象相关的模型选择操作,从I个所述候选模型参数中确定目标模型参数;以及
根据所述目标模型参数得到更新后的所述目标深度学习模型。
15.根据权利要求1所述的方法,其中,所述第一反馈文案的文案类型包括以下至少一项:
演讲文案类型、信息收集类型、回复信息类型、文本改写类型。
16.一种文案生成装置,包括:
第一目标文案需求信息获得模块,用于响应于接收到输入的文案需求信息,根据与所述文案需求信息相关的文案生成操作,更新所述文案需求信息中的文案提示信息,得到第一目标文案需求信息,其中,所述第一目标文案需求信息包括与所述文案需求信息的语义属性相关的目标文案提示信息;以及
第一反馈文案生成模块,用于基于预训练后的深度学习模型处理所述第一目标文案需求信息,生成与所述文案需求信息相对应的第一反馈文案。
17.根据权利要求16所述的装置,其中,所述文案需求信息与关联需求信息相关联,与所述关联需求信息相对应的关联提示信息和所述文案提示信息相匹配;
其中,所述第一目标文案需求信息获得模块包括:
文案提示信息更新子模块,用于在所述文案生成操作为第一操作类型的情况下,根据所述关联需求信息和所述文案需求信息,更新所述文案提示信息,得到所述第一目标文案需求信息。
18.根据权利要求17所述的装置,其中,所述文案提示信息更新子模块包括:
特征提取单元,用于分别对所述关联需求信息和所述文案需求信息进行特征提取,得到关联需求特征和文案需求特征;
融合需求特征获得单元,用于基于注意力机制融合所述关联需求特征和所述文案需求特征,得到融合需求特征;以及
文案提示信息更新单元,用于根据所述融合需求特征更新所述文案提示信息。
19.根据权利要求17所述的装置,其中,所述关联需求信息包括与目标对象相关联的历史需求信息,所述文案需求信息基于与所述目标对象相对应的需求信息输入操作生成。
20.根据权利要求16所述的装置,还包括:
推荐文案提示模板确定模块,用于根据所述文案需求信息,从预设的文案提示模板库中确定与所述文案需求信息的语义属性相匹配的推荐文案提示模板。
21.根据权利要求20所述的装置,所述推荐文案提示模板确定模块包括:
文案需求特征获得子模块,用于对所述文案需求信息进行语义特征提取,得到文案需求特征;
特征匹配结果获得子模块,用于将与文案提示模板相关联的文案提示模板特征,与所述文案需求特征进行匹配,得到特征匹配结果,所述文案提示模板包含于所述预设的文案提示模板库中;以及
推荐文案提示模板确定子模块,用于根据所述特征匹配结果,从所述预设的文案提示模板库中确定与所述文案需求信息的语义属性相匹配的推荐文案提示模板。
22.根据权利要求21所述的装置,还包括:
第二目标文案需求信息生成模块,用于响应于针对所述推荐文案提示模板的编辑操作,生成第二目标文案需求信息;以及
第二反馈文案生成模块,用于根据所述深度学习模型处理所述第二目标文案需求信息,生成第二反馈文案。
23.根据权利要求21所述的装置,还包括:
需求关键词获得模块,用于从所述文案需求信息中,提取与需求属性相关的需求关键词;
其中,所述第一目标文案需求信息获得模块包括:
嵌入位置确定子模块,用于在所述文案生成操作为第二操作类型的情况下,从所述推荐文案提示模板中,确定与所述需求关键词相对应的嵌入位置;以及
需求关键词嵌入子模块,用于基于所述嵌入位置,将所述需求关键词嵌入至所述推荐文案提示模板中,得到所述第一目标文案需求信息。
24.根据权利要求21所述的装置,还包括:
第一自定义模板库更新模块,用于根据所述推荐文案提示模板更新与目标对象对应的自定义模板库,得到更新后的自定义模板库,其中,所述自定义模板库适用于在所述目标对象的操作权限验证通过的情况下,向所述目标对象展示自定义文案提示模板。
25.根据权利要求16所述的装置,还包括:
自定义文案提示模板优化模块,用于响应于与目标对象相对应的模板优化操作,根据注意力机制算法处理与所述模板优化操作相对应的待优化文案提示模板,得到优化后的自定义文案提示模板;以及
第二自定义模板库更新模块,用于根据所述优化后的自定义文案提示模板,更新与所述目标对象相对应的自定义模板库,得到更新后的自定义模板库。
26.根据权利要求25所述的装置,其中,
所述待优化文案提示模板是基于与所述目标对象相对应的提示信息编辑操作生成的。
27.根据权利要求24所述的装置,其中,
所述待优化文案提示模板是从所述与所述目标对象相对应的自定义模板库中确定的。
28.根据权利要求24或25所述的装置,还包括:
训练样本确定模块,用于响应于与所述目标对象相关的模型更新请求,根据所述更新后的自定义模板库,确定训练样本;以及
训练模块,用于根据所述训练样本训练所述深度学习模型,得到更新后的目标深度学习模型。
29.根据权利要求28所述的装置,其中,所述训练模块包括:
训练任务执行子模块,用于根据所述训练样本对第i-1候选深度学习模型执行第i次训练任务,得到第i所述候选深度学习模型的第i候选模型参数;
候选模型参数获得子模块,用于在I=i的情况下,得到I个所述候选深度学习模型各自的候选模型参数,其中,I≥i>1,第1所述候选深度学习模型为所述深度学习模型;
目标模型参数确定子模块,用于根据获得到的与所述目标对象相关的模型选择操作,从I个所述候选模型参数中确定目标模型参数;以及
目标深度学习模型确定子模块,用于根据所述目标模型参数得到更新后的所述目标深度学习模型。
30.根据权利要求16所述的装置,其中,所述第一反馈文案的文案类型包括以下至少一项:
演讲文案类型、信息收集类型、回复信息类型、文本改写类型。
31.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至15中任一项所述的方法。
32.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至15中任一项所述的方法。
33.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至15中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266206.4A CN117313670A (zh) | 2023-09-27 | 2023-09-27 | 文案生成方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266206.4A CN117313670A (zh) | 2023-09-27 | 2023-09-27 | 文案生成方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117313670A true CN117313670A (zh) | 2023-12-29 |
Family
ID=89286141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311266206.4A Pending CN117313670A (zh) | 2023-09-27 | 2023-09-27 | 文案生成方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313670A (zh) |
-
2023
- 2023-09-27 CN CN202311266206.4A patent/CN117313670A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190124020A1 (en) | Chatbot Skills Systems And Methods | |
US20190103111A1 (en) | Natural Language Processing Systems and Methods | |
US20220358292A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
CN112463968B (zh) | 文本分类方法、装置和电子设备 | |
CN113051380B (zh) | 信息生成方法、装置、电子设备和存储介质 | |
CN115688920A (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
JP7309811B2 (ja) | データ注釈方法、装置、電子機器および記憶媒体 | |
CN115099239A (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN117150000B (zh) | 一种投标书的生成方法、装置、设备及存储介质 | |
CN112948584B (zh) | 短文本分类方法、装置、设备以及存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN117312535A (zh) | 基于人工智能的问题数据处理方法、装置、设备及介质 | |
CN114880498B (zh) | 事件信息展示方法及装置、设备和介质 | |
CN116257690A (zh) | 一种资源推荐方法、装置、电子设备和存储介质 | |
CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN115186738A (zh) | 模型训练方法、装置和存储介质 | |
CN114627343A (zh) | 深度学习模型的训练方法、图像处理方法、装置及设备 | |
CN117313670A (zh) | 文案生成方法、装置、电子设备以及存储介质 | |
CN114118937A (zh) | 基于任务的信息推荐方法、装置、电子设备及存储介质 | |
CN114611609A (zh) | 一种图网络模型节点分类方法、装置、设备及存储介质 | |
CN114491030A (zh) | 技能标签的抽取、候选短语分类模型的训练方法及装置 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN113011490B (zh) | 模型训练方法、装置及电子设备 | |
CN114492456B (zh) | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
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 |