CN117556061B - 文本输出方法及装置、电子设备和存储介质 - Google Patents
文本输出方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117556061B CN117556061B CN202311550284.7A CN202311550284A CN117556061B CN 117556061 B CN117556061 B CN 117556061B CN 202311550284 A CN202311550284 A CN 202311550284A CN 117556061 B CN117556061 B CN 117556061B
- Authority
- CN
- China
- Prior art keywords
- text
- information
- input information
- knowledge base
- writing
- 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 62
- 238000012986 modification Methods 0.000 claims description 30
- 230000004048 modification Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 19
- 230000007787 long-term memory Effects 0.000 claims description 16
- 230000006403 short-term memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 230000007474 system interaction Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 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
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization 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
- 238000012549 training 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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种文本输出方法及装置、电子设备和存储介质,涉及计算机技术领域,尤其涉及人工智能技术领域。具体实现方案为:获取输入信息,并获取与输入信息对应的检索信息;在检索信息指示在知识库中进行检索的情况下,获取检索信息中与输入信息对应的目标检索文本;根据输入信息和目标检索文本,采用生成大模型在知识库中获取与输入信息对应的历史写作文本集合,并基于输入信息、目标检索文本和历史写作文本集合,获取与输入信息对应的第一写作文本;在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。因此本公开可以提高辅助创作的效率和准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能技术领域,具体涉及一种文本输出方法及装置、电子设备和存储介质。
背景技术
随着科学技术的发展,电子设备可以为用户提供越来越多的服务,提高用户生活的便利性。例如,可以根据用户输入的文字,输出与该文字对应的回复,该回复包括但不限于观后感文本、祝福语文本和诗词文本等。例如可以直接对该文字进行识别,获取该文字的关键字,基于关键字生成回复。
发明内容
本公开提供了一种文本输出方法及装置、电子设备和存储介质,主要目的在于提高辅助创作的效率和准确性。
根据本公开的一方面,提供了一种文本输出方法,包括:
获取输入信息,并获取与所述输入信息对应的检索信息,其中,所述检索信息用于指示是否在知识库中检索所述输入信息对应的历史写作文本集合;
在所述检索信息指示在所述知识库中进行检索的情况下,获取所述检索信息中与所述输入信息对应的目标检索文本;
根据所述输入信息和所述目标检索文本,采用生成大模型在所述知识库中获取与所述输入信息对应的历史写作文本集合,并基于所述输入信息、所述目标检索文本和所述历史写作文本集合,获取与所述输入信息对应的第一写作文本;
在所述第一写作文本不满足写作要求的情况下,对所述第一写作文本进行编辑,输出与所述输入信息对应的第二写作文本。
根据本公开的另一方面,提供了一种文本输出装置,包括:
信息获取单元,用于获取输入信息,并获取与所述输入信息对应的检索信息,其中,所述检索信息用于指示是否在知识库中检索所述输入信息对应的历史写作文本集合;
文本获取单元,用于在所述检索信息指示在所述知识库中进行检索的情况下,获取所述检索信息中与所述输入信息对应的目标检索文本;
集合获取单元,用于采用生成大模型在所述知识库中获取与所述输入信息对应的历史写作文本集合,并基于所述输入信息、所述目标检索文本和所述历史写作文本集合,获取与所述输入信息对应的第一写作文本;
文本输出单元,用于在所述第一写作文本不满足写作要求的情况下,对所述第一写作文本进行编辑,输出与所述输入信息对应的第二写作文本。
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前述一方面中任一项所述的方法。
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前述一方面中任一项所述的方法。
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前述一方面中任一项所述的方法。
在本公开一个或多个实施例中,获取输入信息,并获取与所述输入信息对应的检索信息,其中,所述检索信息用于指示是否在知识库中检索所述输入信息对应的历史写作文本集合;在所述检索信息指示在所述知识库中进行检索的情况下,获取所述检索信息中与所述输入信息对应的目标检索文本;根据所述输入信息和所述目标检索文本,采用生成大模型在所述知识库中获取与所述输入信息对应的历史写作文本集合,并基于所述输入信息、所述目标检索文本和所述历史写作文本集合,获取与所述输入信息对应的第一写作文本;在所述第一写作文本不满足写作要求的情况下,对所述第一写作文本进行编辑,输出与所述输入信息对应的第二写作文本。因此,可以通过判断是否在知识库中进行查找,以及在确定查找时可以从知识库中查找历史写作文本,再输出与输入信息对应的写作文本,提供长期记忆机制以及个性化写作机制,减少输出的写作文本与用户需求不一致或者仅能提供短期记忆需要重复确定及重复修正写作文本的过程,可以提高写作文本与输入信息的匹配性,可以提高辅助创作的效率和准确性。
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是根据本公开实施例的文本输出方法的流程示意图;
图2是根据本公开第二实施例的文本输出方法的流程示意图;
图3是根据本公开一个实施例的记忆机制的举例示意图;
图4是根据本公开一个实施例的文本输出方法的举例示意图;
图5(a)是用来实现本公开实施例的文本输出方法的一种文本输出装置的结构示意图;
图5(b)是用来实现本公开实施例的文本输出方法的一种文本输出装置的结构示意图;
图6是用来实现本公开实施例的文本输出方法的电子设备的框图。
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。
下面结合具体的实施例对本公开进行详细说明。
在一个实施例中,如图1所示,图1是根据本公开实施例的文本输出方法的流程示意图,该方法可依赖于计算机程序实现,可运行于进行文本输出的装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
其中,文本输出装置可以是具有人工智能交互能力的电子设备,该电子设备包括但不限于:自动驾驶车辆、可穿戴设备、手持设备、个人电脑、平板电脑、车载设备、智能手机、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中终端可以叫做不同的名称,例如:用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant,PDA)、第五代移动通信技术(5thGeneration Mobile Communication Technology,5G)网络、第四代移动通信技术(the 4thgeneration mobile communication technology,4G)网络、第三代移动通信技术(3rd-Generation,3G)网络或未来演进网络中的电子设备等。
具体的,该文本输出方法包括:
S101,获取输入信息,并获取与输入信息对应的检索信息;
根据一些实施例,本公开实施例的技术方案例如可以应用于人工智能技术领域,具体例如可以是自然语言处理技术领域。
根据一些实施例,输入信息是指用于获取写作文本的信息,该输入信息并不特指某一固定信息。该输入信息例如是输入需求信息,本公开对输入信息的名称不作限定。例如,当该输入信息对应的信息输入方式发生变化时,该输入信息也可以相应变化。例如,当输入信息的具体信息发生变化时,该输入信息也可以相应变化。其中,该输入信息对应的输入方式包括但不限于文本输入、语音输入等。
在一些实施例之中,其中,检索信息用于指示是否在知识库中检索输入信息对应的历史写作文本集合。该检索信息中例如可以直接指示是否在知识库中检索输入信息对应的历史写作文本集合,例如还可以通过输出检索文本指示在知识库中检索输入信息对应的历史写作文本集合。其中,检索信息的获取例如可以是由生成大模型直接获取的,例如,还可以是由小参数量的深度学习模型获取的,本公开实施例对此不作限定。
根据一些实施例,该检索信息并不特指某一固定信息,例如,当输入信息发生变化时,该检索信息也可以相应变化。例如,当检索信息的获取方式发生变化时,该检索信息也可以相应变化。其中,获取与输入信息对应的检索信息例如可以是通过生成大模型获取到的。
在一些实施例之中,知识库例如可以存储与用户标识相关的多个信息。例如,知识库可以存储至少一个历史写作文本和至少一个历史输入信息,还可以存储用户个性化信息,还可以存储用户和系统的交互信息,还可以存储与历史输入信息对应的查找信息。其中,该交互信息包括但不限于交互过程所涉及的用户输入信息、写作文本对应的修改历史信息以及最后输出写作文本对应的文本信息等。其中,历史写作文本和历史输入信息对应。该知识库例如可以包括与输入信息对应的用户标识在历史时长内的文本信息。
易于理解的是,在执行文本输出方法时,可以获取输入信息,并获取与输入信息对应的检索信息。
S102,在检索信息指示在知识库中进行检索的情况下,获取检索信息中与输入信息对应的目标检索文本;
根据一些实施例,目标检索文本是指针对输入信息进行判断,且确定在知识库中对输入信息进行检索时所获取到与输入信息对应的检索文本。其中,目标检索文本并不特指某一固定文本。例如,当输入信息发生变化时,该目标检索文本也可以相应变化。
根据一些实施例,其中,该检索信息例如可以是目标检索文本。该检索信息例如也可以包括检索确定信息和目标检索文本。其中,该检索确定信息例如可以是用于指示在知识库中检索输入信息对应的历史写作文本集合。
在一些实施例之中,例如可以在检索信息指示在知识库中进行检索的情况下,获取检索信息中与输入信息对应的目标检索文本。
S103,根据输入信息和目标检索文本,采用生成大模型在知识库中获取与输入信息对应的历史写作文本集合,并基于输入信息、目标检索文本和历史写作文本集合,获取与输入信息对应的第一写作文本;
在一些实施例之中,其中,该检索信息例如可以是通过输出检索文本指示在知识库中检索输入信息对应的历史写作文本集合。在获取到检索信息时,可以确定需要在知识库中进行检索。
根据一些实施例,生成大模型是指用于获取写作文本的模型。该生成大模型例如可以是端对端的生成大模型。该生成大模型并不特指某一固定模型。例如,该生成大模型例如可以采用N层Transformer网络结构,该生成大模型例如还可以采用UniLM网络结构。本公开实施例对此不作限定。其中,该生成大模型例如可以用于输入信息的理解、结果的生成以及判断是否需要进行历史写作文本的检索等。其中,结果的生成例如可以是写作文本的生成。
根据一些实施例,历史写作文本集合例如可以是由至少一个历史写作文本和/或文本描述信息汇聚而成的集体。其中,该文本描述信息例如可以包括文本风格、文本输出时间点等。该历史写作文本集合并不特指某一固定集合。例如,当历史写作文本集合包括的历史写作文本数量发生变化时,该历史写作文本集合也可以相应变化。例如,当历史写作文本集合中的某一历史写作文本发生变化时,该历史写作文本集合也可以相应变化。例如,当历史写作文本集合的确定方式发生变化时,该历史写作文本集合也可以相应变化。
根据一些实施例,历史写作文本例如可以是与历史输入信息对应的写作文本。该历史写作文本并不特指某一固定写作文本。例如,当生成大模型的结构发生变化时,该历史写作文本也可以相应变化。例如,当历史输入信息发生变化时,该历史写作文本也可以相应变化。
在一些实施例之中,第一写作文本例如可以是基于输入信息、目标检索文本和历史写作文本集合获取到的写作文本。该第一写作文本可以并不特指某一固定文本。例如,当输入信息、目标检索文本以及历史写作文本集合中任意一个发生变化时,该第一写作文本也可以相应变化。
根据一些实施例,根据输入信息和目标检索文本,采用生成大模型在知识库中获取与输入信息对应的历史写作文本集合,并基于输入信息、目标检索文本和历史写作文本集合,获取与输入信息对应的第一写作文本。
S104,在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。
根据一些实施例,第二写作文本例如可以是输出的与输入信息对应的文本。该第二写作文本并不特指某一固定文本。例如,当生成大模型的结构发生变化时,该第二写作文本也可以相应变化。例如,在输入信息发生变化时,该第二写作文本也可以相应变化。
在一些实施例之中,其中,该写作要求并不特指某一固定要求。该写作要求例如可以包括格式要求、文本篇幅要求、内容要求等。
根据一些实施例,在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。其中,该编辑操作包括但不限于对历史写作文本进行编辑、对历史写作文本进行创作等。
其中,第二写作文本的输出方式并不作限定,例如可以根据输出选择指令确定,例如还可以根据默认方式确定。其中,输出方式例如可以以文字形式输出,例如也可以以语音形式输出。
在本公开一个或多个实施例中,获取输入信息,并获取与输入信息对应的检索信息,其中,检索信息用于指示是否在知识库中检索输入信息对应的历史写作文本集合;在检索信息指示在知识库中进行检索的情况下,获取检索信息中与输入信息对应的目标检索文本;根据输入信息和目标检索文本,采用生成大模型在知识库中获取与输入信息对应的历史写作文本集合,并基于输入信息、目标检索文本和历史写作文本集合,获取与输入信息对应的第一写作文本;在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。因此,可以通过判断是否在知识库中进行查找,以及在确定查找时可以从知识库中查找历史写作文本,再输出与输入信息对应的写作文本,提供长期记忆机制以及个性化写作机制,减少输出的写作文本与用户需求不一致或者仅能提供短期记忆需要重复确定及重复修正写作文本的过程,可以提高写作文本与输入信息的匹配性,可以提高辅助创作的效率和准确性。
请参见图2,图2是根据本公开第二实施例的文本输出方法的流程示意图。具体的,
S201,获取输入信息,并获取与输入信息对应的检索信息;
具体过程如上所述,此处不再赘述。
根据一些实施例,输入信息例如可以是q。其中,该检索信息例如可以包括决策是否读取知识库。其中,例如确定读取知识库时,还可以生成需要提取的记忆内容即目标检索内容。其中,该记忆内容例如可以是根据输入信息确定的。其中,检索信息的获取例如可以是生成大模型获取到的,还可以是深度学习模型获取的,其中,该深度学习模型的参数量例如可以小于参数量阈值。
其中,该生成大模型例如可以采用N层Transformer网络结构,该生成大模型例如还可以采用UniLM网络结构。
其中,如表1所示,例如可以采用Transform神经网络模型做决策,输入信息q和上下文信息,输出例如可以包括两种情况:需要检索知识库,同时输出需要提取的记忆内容;否则,可以输出不需要检索的标签。其中,不需要检索的标签例如可以通过不同的信息进行指示。该不需要检索的标签例如可以是0,例如还可以是不需要,例如还可以是英文标识NO。本公开实施例对此不作限定。
表1
其中,例如可以采用生成大模型执行决策操作,例如还可以通过训练完成的一个小参数量的深度学习模型执行决策操作,其中,决策结果例如可以用d表示,具体例如可以通过公式(1)确定:
d=maxp(d|c,q) (1)
S202,获取检索信息中与输入信息对应的目标检索文本;
具体过程如上所述,此处不再赘述。
根据一些实施例,目标检索文本是指针对输入信息进行判断,且确定在知识库中对输入信息进行检索时所获取到与输入信息对应的检索文本。其中,目标检索文本并不特指某一固定文本。例如,当输入信息发生变化时,该目标检索文本也可以相应变化。
根据一些实施例,其中,该检索信息例如可以是目标检索文本。该检索信息例如也可以包括检索确定信息和目标检索文本。其中,该检索确定信息例如可以是用于指示在知识库中检索输入信息对应的历史写作文本集合。
在一些实施例之中,例如可以获取检索信息中与输入信息对应的目标检索文本。
S203,获取目标检索文本中的语言需求信息;
具体过程如上所述,此处不再赘述。
其中,该目标检索文本例如还可以包括用于指示在知识库中的查找范围的信息。该信息包括但不限于语言需求信息、主题需求信息、时间需求信息等。
根据一些实施例,语言需求信息例如可以用于指示写作文本对应的语言信息。该语言需求信息并不特指某一固定信息。例如,当输入信息发生变化时,该语言需求信息也可以相应变化。
在一些实施例之中,例如,当该语言需求信息的具体语言发生变化时,该语言需求信息也可以相应变化。其中,该语言需求信息包括但不限于中文需求信息、英文需求信息、中英文混合需求信息等。
根据一些实施例,例如可以获取目标检索文本中的语言需求信息。
S204,确定与语言需求信息对应的知识库;
其中,在本公开的一个实施例之中,例如,不同的知识库用于存储不同语言的历史写作文本。因此在获取到语言需求信息时,可以确定与语言需求信息对应的知识库。
其中,知识库的名字并不作限定,该知识库例如可以是记忆库,例如还可以存储器等。
其中,在本公开的实施例之中,存储的名称并不作限定,存储例如可以是记忆等。
其中,知识库中例如可以包括长期记忆内容和短期记忆内容。其中,短期记忆内容例如可以是指当前用户和系统交互的时候的上下文信息,长期记忆内容例如可以包括用户的个性化画像以及之前存储的对话内容。其中,用户和系统的交互内容包括但不限于交互历史、用户修改后存储的写作文本以及写作风格等。
根据一些实施例,图3是根据本公开一个实施例的记忆机制的举例示意图。如图3所示:长期记忆内容例如存储了事先定义好的用户个性化文件以及系统的个性化定义,在用户与系统交互的过程中,产生了短期记忆内容,也就是图3所示的上下文。在当前对话结束后,短期记忆内容例如可以转化为长期记忆内容。其中,例如可以是短期记忆内容可以全部转为长期记忆内容,也可以根据用户的需求选择性地将部分内容转化为长期记忆内容。本公开实施例对此不作限定。
其中,知识库中存储的信息例如可以采用预设的数据形式进行存储。知识库中存储的信息例如可以包括长期记忆内容和短期记忆内容。其中,长期记忆内容和短期记忆内容的形式例如可以均采用(mq,mr,t,z)的形式,其中,mq是记录在知识库中的用户输入,也可以是用户或者系统的属性,mr是生成大模型的回复,也可以是用户或者系统的属性值。具体例如可以是输出的写作文本,t是时间,z是(q,r)的主题,其中(mq,mr)是必须项,t和z例如可以根据应用决定是否记录。
其中,知识库的举例示意例如可以如表2所示。
表2
S205,根据输入信息和目标检索文本,采用生成大模型在与语言需求信息对应的知识库中获取与输入信息对应的历史写作文本集合,并基于输入信息、目标检索文本和历史写作文本集合,获取与输入信息对应的第一写作文本;
具体过程如上所述,此处不再赘述。
根据一些实施例,在获取到输入信息和目标检索文本时,可以根据输入信息和目标检索文本,采用生成大模型,在与语言需求信息对应的知识库中获取与输入信息对应的历史写作文本集合。
根据一些实施例,在确定读取知识库的情况下,例如可以通过输入信息与知识库中各存储信息之间的相似度,获取与输入信息对应的历史写作文本集合。
其中,输入信息与知识库中各存储信息之间的相似度例如可以是输入信息对应的文本向量与知识库中各存储信息对应的文本向量之间的相似度。
其中,输入信息与知识库中各存储信息之间的相似度例如可以是输入信息对应的文本内容与知识库中各存储信息对应的文本内容之间的相似度。本公开实施例对此不作限定。
根据一些实施例,第一历史写作文本集合例如可以是m,其中,m=m1,m2,…,mn。其中,n为正整数。
根据一些实施例,在知识库中获取与输入信息对应的历史写作文本集合,包括:
获取第一文本向量,其中,第一文本向量与知识库中的任一历史输入信息、任一历史上下文信息和任一历史检索文本对应,任一历史上下文信息为与任一历史输入信息对应的上下文信息,任一历史检索文本为对任一历史输入信息进行判断,确定在知识库中对任一历史输入信息进行检索时得到与任一历史输入信息对应的检索文本;
获取与输入信息对应的上下文信息;
获取第二文本向量,其中,第二文本向量与输入信息、上下文信息和目标检索内容对应;
获取第一文本向量和第二文本向量之间的相似度;
在相似度大于相似度阈值的情况下,将任一历史写作文本添加至与输入信息对应的历史写作文本集合。因此可以基于向量相似度确定历史写作文本集合,由于知识库可以进行长期记忆存储,可以提高该集合获取准确性的同时减少该集合的获取时长,提高写作文本确定的准确性和确定效率。
其中,针对第一文本向量和第二文本向量的获取顺序不作限定。例如可以先获取第一文本向量,再获取第二文本向量,例如还可以先获取第二文本向量,再获取第一文本向量,例如还可以同时获取第一文本向量和第二文本向量。
根据一些实施例,上下文信息例如可以是与输入信息对应的上下文信息。该上下文信息并不特指某一固定信息。例如,当上下文信息中某一信息的具体内容发生变化时,该上下文信息也可以相应变化。
根据一些实施例,第一文本向量例如可以是与任一历史输入信息、任一历史写作文本和任一历史上下文信息对应的向量,即任一历史输入信息和任一历史写作文本和任一历史上下文信息可以对应一个文本向量。第一文本向量例如可以是基于任一历史输入信息的第一文本子向量、任一历史写作文本对应的第二文本子向量和和任一历史上下文信息对应的第三文本子向量确定的。
根据一些实施例,第二文本向量例如可以是与输入信息、上下文信息和目标检索内容对应的向量。其中,例如输入信息、上下文信息和目标检索内容可以对应一个文本向量。第二文本向量例如可以是基于输入信息对应的第四文本子向量、上下文信息对应的第五文本子向量和目标检索内容对应的第六文本子向量确定的。
在一些实施例之中,相似度阈值例如可以是判断是否将任一历史写作文本添加至历史写作文本集合中的阈值。该相似度阈值并不特指某一固定阈值。例如,当接收到阈值修改指令时,可以对该相似度阈值进行修改。例如,当该相似度阈值对应的具体数值发生变化时,该相似度阈值也可以相应变化。
在一些实施例之中,该相似度例如可以是稠密向量相似度,例如可以采用下述公式计算稠密向量相似度,具体例如可以通过公式(2)确定:
其中,eq,ec,ed,表示输入信息q对应的向量、上下文信息c对应的向量、目标检索内容对应的向量、知识库中的用户输入mq对应的向量和历史写作文本mr对应的向量。sim表示相似度函数。例如,当s>δ(δ为相似度阈值)时,可以将满足条件的(mq,mr)返回给生成大模型(返回的历史写作文本可以是至少一条),记为m。
根据一些实施例,该方法还包括:
获取知识库中任一历史写作文本对应的文本信息;
在文本信息不满足信息要求的情况下,删除知识库中的任一历史写作文本。因此,可以对知识库进行更新,提高历史写作文本集合获取的准确性,可以提高写作文本确定的准确性。
其中,该信息要求并不特指某一固定要求。例如,该信息要求例如可以包括时间要求信息、内容要求信息等。该信息要求例如可以是时间要求信息,该时间要求信息例如可以某一历史时间点之前的历史写作文本删除,该时间要求信息例如可以还可以是将距当前时间的时长大于某一时长的历史写作文本删除。
S206,在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。
具体过程如上所述,此处不再赘述。
在一些实施例之中,例如可以在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。
根据一些实施,该方法例如还可以包括:
接收针对第二写作文本的修改指令;
根据修改指令对第二写作文本进行修改,获取修改后的第二写作文本;
输出修改后的第二写作文本;
将修改后的第二写作文本、输入信息、检索信息和输入信息对应的上下文信息存储至知识库。因此可以对输出的写作文本进行修改,并将修改后的写作文本写入知识库,可以对知识库进行更新,提高历史写作文本集合确定的准确性,提高写作文本确定的准确性。
其中,修改指令并不特指某一固定修改指令。该修改指令包括但不限于语音修改指令、点击修改指令等。
其中,针对写作文本的修改包括但不限于内容修改和格式修改等。
根据一些实施例,表3示出本公开实施例一种修改方式的举例示意表格。
表3
根据一些实施例,根据上下文信息c和输入信息q输入到生成大模型,可以获取和上下文信息c以及当前输入信息q相关的历史写作文本m,根据以下公式得到写作文本r,并输出该写作文本r,具体例如可以通过公式(3)确定:
r=maxp(r|c,q,m) (3)
根据一些实施例,方法还包括:
接收与输入信息对应的第二输入信息,并获取与第二输入信息对应的第二检索信息,其中,第二检索信息用于指示是否在知识库中检索第二输入信息对应的第二历史写作文本集合;
在第二检索信息指示在知识库进行检索的情况下,采用生成大模型在知识库中获取与第二输入信息对应的第二历史写作文本集合;
根据第二输入信息,采用生成大模型对第二历史写作文本集合中的至少一个历史写作文本进行编辑,输出与第二输入信息对应的第三写作文本。因此可以对输入信息进行调整,可以减少写作文本不满足输出要求的情况,可以提高写作文本输出的准确性。其中,本公开实施例的输入信息例如可以是第一输入信息,第二输入信息例如可以是对第一输入信息进行调整后所输入的信息。
其中,例如可以重新获取到输入信息q,可以重复写作文本的输出过程,获取与重新获取到的输入信息q对应的写作文本。可以判断当前输出写作文本r是否满足输入需求u,在确定当前输出写作文本r满足输入需求u时,可以输出该写作文本。在该输出写作文本r不满足输入需求u时,可以接收修改指令,输出修改后的写作文本r’。
其中,在本公开的一个实施例之中,例如可以将(q,r)和/或(q,r’)写入知识库。
根据一些实施例,方法还包括:
接收针对第三写作文本的第二修改指令,并根据第二修改指令对第三写作文本进行修改,获取修改后的第三写作文本;
输出修改后的第三写作文本,并将修改后的第三写作文本写入知识库。因此可以对输出的第三写作文本进行修改,并将修改后的第三写作文本写入知识库,可以对知识库进行更新,提高历史写作文本集合确定的准确性,提高写作文本确定的准确性。
其中,针对第三写作文本的修改包括但不限于内容修改和格式修改等。
根据一些实施例,在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本,包括:
获取生成大模型输出的与输入信息对应的第一写作文本;
获取第一写作文本对应的文本信息集合,其中,文本信息集合包括文本内容、文本结构、句法复杂度和文本类型中至少一个;
获取文本信息集合中任一文本信息对应的权重系数;
根据任一文本信息和任一文本信息对应的权重系数,获取第一写作文本对应的分数;
在分数小于分数阈值的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。因此,根据权重系数确定分数可以提高分数确定准确性,且通过量化评分可以提高写作文本的输出质量,提高辅助写作体验。
根据一些实施例,该文本信息集合是指包括至少一个文本信息的集合。该文本信息集合中例如可以包括文本内容、文本结构、句法复杂度和文本类型中至少一个。其中,本公开实施例的文本信息集合并不作限定。其中,句法复杂度用于指示写作文本包括的句法的复杂程度。例如,不同的句式可以对应不同的复杂度。例如可以根据写作文本中各语句对应的句式,获取相应的句式复杂度。根据各语句对应的句式复杂度确定写作文本对应的句式复杂度。
其中,在本公开的一个实施例之中,例如任一文本信息可以对应不同的分数范围。当任一文本信息中的具体信息发生变化时,对应的分数范围也可以相应变化。
其中,不同的第一写作文本可以对应不同的文本信息集合,例如可以不同类型的第一写作文本可以对应不同的文本信息集合,例如还可以是不同的时间段可以对应不同的文本信息集合。
其中,在本公开的一个实施例之中,文本内容对应的权重系数例如可以是第一权重,文本结构对应的权重系数例如可以是第二权重、句法复杂度对应的权重系数例如可以是第三权重和文本类型对应的权重系数例如可以是第四权重。第一权重例如可以是0.5、第二权重例如可以是0.3、第三权重例如可以是0.1、第四权重例如可以是0.1。写作文本对应的分数的获取例如可以通过公式(4)确定:
第一写作文本对应的分数=文本内容得分*0.3+文本结构得分*
0.3+句法复杂度*0.3+文本类型得分*0.1(4)
图4是根据本公开一个实施例的文本输出方法的举例示意图。如图4所示,文本输出系统例如可以包括生成大模型模块、写作文本编辑模块、知识库更新模块、知识库以及知识库检索模块。其中,在获取到输入信息时,生成大模型模块例如可以用于根据输入信息生成写作文本。具体包括:根据输入信息判断是否需要进行知识库的检索。其中,例如可以是生成大模型根据输入信息判断是否需要进行知识库的检索,例如还可以是深度学习模型根据输入信息判断是否需要进行知识库的检索。在根据输入信息确定需要进行知识库的检索时,可以在知识库中进行检索,获取与输入信息对应的历史写作文本集合。根据输入信息、目标检索文本和历史写作文本集合,例如可以采用生成大模型生成与输入信息对应的第一写作文本。写作文本编辑模块例如可以用于在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑操作,形成创作的写作文本,即第二写作文本,并输出该第二写作文本。知识库更新模块例如可以用于根据输出第二写作文本对应的交互信息,对知识库进行更新。该更新包括但不限于存储、修改、删除和增加等。知识库检索模块例如可以用于根据输入信息在知识库中检索输出与输入信息对应的历史写作文本和/或写作风格。
根据一些实施例,该方法还包括:在检索信息指示不在知识库中进行检索的情况下,采用生成大模型输出与输入信息对应的写作文本。
在本公开一个或多个实施例中,可以获取目标检索文本中的语言需求信息;确定与语言需求信息对应的知识库;根据输入信息和目标检索文本,采用生成大模型,在与语言需求信息对应的知识库中获取与输入信息对应的历史写作文本集合,可以确定与语言需求信息对应的知识库,可以提高语言需求信息和知识库的匹配性,减少知识库中的检索时长,提高历史写作文本集合获取的准确性,提高写作文本确定的准确性和效率。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
请参见图5(a),其示出了用来实现本公开实施例的文本输出方法的一种文本输出装置的结构示意图。该文本输出装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该文本输出装置500包括信息获取单元501、文本获取单元502、集合获取单元503和文本输出单元504,其中:
信息获取单元501,用于获取输入信息,并获取与输入信息对应的检索信息,其中,检索信息用于指示是否在知识库中检索输入信息对应的历史写作文本集合;
文本获取单元502,用于在检索信息指示在知识库中进行检索的情况下,获取检索信息中与输入信息对应的目标检索文本;
集合获取单元503,用于采用生成大模型在知识库中获取与输入信息对应的历史写作文本集合,并基于输入信息、目标检索文本和历史写作文本集合,获取与输入信息对应的第一写作文本;
文本输出单元504,用于在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。
根据一些实施例,其中,集合获取单元503,用于在知识库中获取与输入信息对应的历史写作文本集合时,具体用于:
获取第一文本向量,其中,第一文本向量与知识库中的任一历史输入信息、任一历史上下文信息和任一历史检索文本对应,任一历史上下文信息为与任一历史输入信息对应的上下文信息,任一历史检索文本为对任一历史输入信息进行判断,确定在知识库中对任一历史输入信息进行检索时得到与任一历史输入信息对应的检索文本;
获取与输入信息对应的上下文信息;
获取第二文本向量,其中,第二文本向量与输入信息、上下文信息和目标检索内容对应;
获取第一文本向量和第二文本向量之间的相似度;
在相似度大于相似度阈值的情况下,将任一历史写作文本添加至与输入信息对应的历史写作文本集合。
根据一些实施例,文本输出单元503,还用于:
在检索信息指示不在知识库中进行检索的情况下,采用生成大模型输出与输入信息对应的写作文本。
根据一些实施例,图5(b)是用来实现本公开实施例的文本输出方法的一种文本输出装置的结构示意图,其中,装置500还包括信息存储单元505,用于:
接收针对第二写作文本的修改指令;
根据修改指令对第二写作文本进行修改,获取修改后的第二写作文本;
输出修改后的第二写作文本;
将修改后的第二写作文本、输入信息、检索信息和输入信息对应的上下文信息存储至知识库。
根据一些实施例,其中,集合获取单元503,用于根据输入信息和目标检索文本,采用生成大模型在知识库中获取与输入信息对应的历史写作文本集合时,具体用于:
获取目标检索文本中的语言需求信息;
确定与语言需求信息对应的知识库;
根据输入信息和目标检索文本,采用生成大模型,在与语言需求信息对应的知识库中获取与输入信息对应的历史写作文本集合。
根据一些实施例,其中,文本输出单元503,还用于:
获取知识库中任一历史写作文本对应的文本信息;
在文本信息不满足信息要求的情况下,删除知识库中的任一历史写作文本。
根据一些实施例,其中,文本输出单元503,用于在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本时,具体用于:
获取生成大模型输出的与输入信息对应的第一写作文本;
获取写作文本对应的文本信息集合,其中,文本信息集合包括文本内容、文本结构、句法复杂度和文本类型中至少一个;
获取文本信息集合中任一文本信息对应的权重系数;
根据任一文本信息和任一文本信息对应的权重系数,获取写作文本对应的分数;
在分数小于分数阈值的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。
要说明的是,上述实施例提供的文本输出装置在执行文本输出方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的文本输出装置与文本输出方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
综上,本公开实施例提供的装置,信息获取单元,用于获取输入信息,并获取与输入信息对应的检索信息,其中,检索信息用于指示是否在知识库中检索输入信息对应的历史写作文本集合;文本获取单元,用于在检索信息指示在知识库中进行检索的情况下,获取检索信息中与输入信息对应的目标检索文本;集合获取单元,用于采用生成大模型在知识库中获取与输入信息对应的历史写作文本集合,并基于输入信息、目标检索文本和历史写作文本集合,获取与输入信息对应的第一写作文本;文本输出单元,用于在第一写作文本不满足写作要求的情况下,对第一写作文本进行编辑,输出与输入信息对应的第二写作文本。因此,可以通过判断是否在知识库中进行查找,以及在确定查找时可以从知识库中查找历史写作文本,再输出与输入信息对应的写作文本,提供长期记忆机制以及个性化写作机制,减少输出的写作文本与用户需求不一致或者仅能提供短期记忆需要重复确定及重复修正写作文本的过程,可以提高写作文本与输入信息的匹配性,可以提高辅助创作的效率和准确性。
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,且不违背公序良俗。
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。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。其中,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6所示,电子设备包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备操作所需的各种程序和数据。计算单元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。
电子设备中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备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601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601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601执行上文所描述的各个方法和处理,例如文本输出方法。例如,在一些实施例中,文本输出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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的文本输出方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文本输出方法。
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电子设备上执行。
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,作为数据电子设备)、或者包括中间件部件的计算系统(例如,应用电子设备)、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)、互联网和区块链网络。
计算机系统可以包括客户端和电子设备。客户端和电子设备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-电子设备关系的计算机程序来产生客户端和电子设备的关系。电子设备可以是云电子设备,又称为云计算电子设备或云主机,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。电子设备也可以为分布式系统的电子设备,或者是结合了区块链的电子设备。
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 (9)
1.一种文本输出方法,包括:
获取输入信息,并获取与所述输入信息对应的检索信息,其中,所述检索信息用于指示是否在知识库中检索所述输入信息对应的历史写作文本集合;所述知识库是记忆库,所述知识库存储的信息包括长期记忆内容和短期记忆内容,其中,所述短期记忆内容是指用户和系统交互的上下文信息,所述长期记忆内容包括用户的个性化画像以及之前存储的对话内容;其中,用户和系统的交互内容包括交互历史、用户修改后存储的写作文本以及写作风格;所述历史写作文本集合是由至少一个历史写作文本和文本描述信息汇聚而成的集体,所述文本描述信息包括文本风格、文本输出时间点;
在所述检索信息指示在所述知识库中进行检索的情况下,获取所述检索信息中与所述输入信息对应的目标检索文本,所述目标检索文本包括语言需求信息、主题需求信息、时间需求信息;
获取所述目标检索文本中的语言需求信息,所述语言需求信息用于指示写作文本对应的语言信息;
确定与所述语言需求信息对应的知识库,其中,不同的知识库用于存储不同语言的历史写作文本;
根据所述输入信息和所述目标检索文本,采用生成大模型,在所述与所述语言需求信息对应的知识库中获取与所述输入信息对应的历史写作文本集合,并基于所述输入信息、所述目标检索文本和所述历史写作文本集合,获取与所述输入信息对应的第一写作文本,所述生成大模型是指用于获取写作文本的模型;
获取所述第一写作文本对应的文本信息集合,其中,所述文本信息集合包括文本内容、文本结构、句法复杂度和文本类型中至少一个;
获取所述文本信息集合中任一文本信息对应的权重系数,所述文本信息为文本内容、文本结构、句法复杂度和文本类型中的至少一个;
根据所述任一文本信息和所述任一文本信息对应的权重系数,获取所述第一写作文本对应的分数;
在所述分数小于分数阈值的情况下,对所述第一写作文本进行编辑,输出与所述输入信息对应的第二写作文本;
接收针对所述第二写作文本的修改指令;
根据所述修改指令对所述第二写作文本进行修改,获取修改后的第二写作文本;
输出所述修改后的第二写作文本;
将所述修改后的第二写作文本、所述输入信息、所述检索信息和所述输入信息对应的上下文信息存储至所述知识库;
其中,所述在所述知识库中获取与所述输入信息对应的历史写作文本集合,包括:
获取第一文本向量,其中,所述第一文本向量与所述知识库中的任一历史输入信息、任一历史上下文信息和任一历史检索文本对应,所述任一历史上下文信息为与所述任一历史输入信息对应的上下文信息,所述任一历史检索文本为对所述任一历史输入信息进行判断,确定在所述知识库中对所述任一历史输入信息进行检索时得到与所述任一历史输入信息对应的检索文本;
获取与所述输入信息对应的上下文信息;
获取第二文本向量,其中,所述第二文本向量与所述输入信息、所述上下文信息和所述目标检索文本对应;
获取所述第一文本向量和所述第二文本向量之间的相似度;
在所述相似度大于相似度阈值的情况下,将所述任一历史写作文本添加至与所述输入信息对应的历史写作文本集合。
2.根据权利要求1所述的方法,其中,所述方法还包括:
在所述检索信息指示不在所述知识库中进行检索的情况下,采用所述生成大模型输出与所述输入信息对应的写作文本。
3.根据权利要求1所述的方法,其中,所述方法还包括:
获取所述知识库中任一历史写作文本对应的文本信息;
在所述文本信息不满足信息要求的情况下,删除所述知识库中的所述任一历史写作文本。
4.一种文本输出装置,包括:
信息获取单元,用于获取输入信息,并获取与所述输入信息对应的检索信息,其中,所述检索信息用于指示是否在知识库中检索所述输入信息对应的历史写作文本集合;所述知识库是记忆库,所述知识库存储的信息包括长期记忆内容和短期记忆内容,其中,所述短期记忆内容是指用户和系统交互的上下文信息,所述长期记忆内容包括用户的个性化画像以及之前存储的对话内容;其中,用户和系统的交互内容包括交互历史、用户修改后存储的写作文本以及写作风格;所述历史写作文本集合是由至少一个历史写作文本和文本描述信息汇聚而成的集体,所述文本描述信息包括文本风格、文本输出时间点;
文本获取单元,用于在所述检索信息指示在所述知识库中进行检索的情况下,获取所述检索信息中与所述输入信息对应的目标检索文本,所述目标检索文本包括语言需求信息、主题需求信息、时间需求信息;
集合获取单元,用于获取所述目标检索文本中的语言需求信息,所述语言需求信息用于指示写作文本对应的语言信息;确定与所述语言需求信息对应的知识库,其中,不同的知识库用于存储不同语言的历史写作文本;根据所述输入信息和所述目标检索文本,采用生成大模型,在所述与所述语言需求信息对应的知识库中获取与所述输入信息对应的历史写作文本集合,并基于所述输入信息、所述目标检索文本和所述历史写作文本集合,获取与所述输入信息对应的第一写作文本,所述生成大模型是指用于获取写作文本的模型;
文本输出单元,用于获取生成大模型输出的与所述输入信息对应的第一写作文本;获取所述写作文本对应的文本信息集合,其中,所述文本信息集合包括文本内容、文本结构、句法复杂度和文本类型中至少一个;获取所述文本信息集合中任一文本信息对应的权重系数,所述任一文本信息为文本内容、文本结构、句法复杂度和文本类型中的至少一个;根据所述任一文本信息和所述任一文本信息对应的权重系数,获取所述第一写作文本对应的分数;在所述分数小于分数阈值的情况下,对所述第一写作文本进行编辑,输出与所述输入信息对应的第二写作文本;
所述装置还包括信息存储单元,用于:接收针对所述第二写作文本的修改指令;根据所述修改指令对所述第二写作文本进行修改,获取修改后的第二写作文本;输出所述修改后的第二写作文本;将所述修改后的第二写作文本、所述输入信息、所述检索信息和所述输入信息对应的上下文信息存储至所述知识库;
其中,所述集合获取单元,用于在所述知识库中获取与所述输入信息对应的历史写作文本集合时,具体用于:
获取第一文本向量,其中,所述第一文本向量与所述知识库中的任一历史输入信息、任一历史上下文信息和任一历史检索文本对应,所述任一历史上下文信息为与所述任一历史输入信息对应的上下文信息,所述任一历史检索文本为对所述任一历史输入信息进行判断,确定在所述知识库中对所述任一历史输入信息进行检索时得到与所述任一历史输入信息对应的检索文本;
获取与所述输入信息对应的上下文信息;
获取第二文本向量,其中,所述第二文本向量与所述输入信息、所述上下文信息和所述目标检索文本对应;
获取所述第一文本向量和所述第二文本向量之间的相似度;
在所述相似度大于相似度阈值的情况下,将所述任一历史写作文本添加至与所述输入信息对应的历史写作文本集合。
5.根据权利要求4所述的装置,所述文本输出单元,还用于:
在所述检索信息指示不在所述知识库中进行检索的情况下,采用所述生成大模型输出与所述输入信息对应的写作文本。
6.根据权利要求4所述的装置,其中,所述文本输出单元,还用于:
获取所述知识库中任一历史写作文本对应的文本信息;
在所述文本信息不满足信息要求的情况下,删除所述知识库中的所述任一历史写作文本。
7.一种电子设备,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;其特征在于,
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1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-3中任一项所述的方法。
9.一种计算机程序产品,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1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550284.7A CN117556061B (zh) | 2023-11-20 | 2023-11-20 | 文本输出方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550284.7A CN117556061B (zh) | 2023-11-20 | 2023-11-20 | 文本输出方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556061A CN117556061A (zh) | 2024-02-13 |
CN117556061B true CN117556061B (zh) | 2024-05-24 |
Family
ID=89816300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311550284.7A Active CN117556061B (zh) | 2023-11-20 | 2023-11-20 | 文本输出方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556061B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227740A (zh) * | 2016-07-12 | 2016-12-14 | 北京光年无限科技有限公司 | 一种面向对话系统的数据处理方法及装置 |
CN108733694A (zh) * | 2017-04-18 | 2018-11-02 | 北京国双科技有限公司 | 检索推荐方法和装置 |
CN112966479A (zh) * | 2021-03-02 | 2021-06-15 | 北京彩彻区明科技有限公司 | 基于语言模型的辅助写作方法、装置和系统 |
CN114281965A (zh) * | 2021-11-23 | 2022-04-05 | 北京百度网讯科技有限公司 | 信息检索方法、装置、电子设备和存储介质 |
CN115455161A (zh) * | 2022-09-02 | 2022-12-09 | 北京百度网讯科技有限公司 | 对话处理方法、装置、电子设备及存储介质 |
CN116150484A (zh) * | 2023-02-08 | 2023-05-23 | 吉林亿联银行股份有限公司 | 信息推送方法、装置、存储介质以及电子设备 |
CN116157791A (zh) * | 2021-09-18 | 2023-05-23 | 京东方科技集团股份有限公司 | 一种文本推荐方法、模型训练方法、装置及可读存储介质 |
CN116501960A (zh) * | 2023-04-18 | 2023-07-28 | 百度在线网络技术(北京)有限公司 | 内容检索方法、装置、设备及介质 |
CN116882372A (zh) * | 2023-07-17 | 2023-10-13 | 百度时代网络技术(北京)有限公司 | 文本生成方法、装置、电子设备以及存储介质 |
CN116910220A (zh) * | 2023-07-31 | 2023-10-20 | 中移(杭州)信息技术有限公司 | 多轮对话交互处理方法、装置、设备和存储介质 |
-
2023
- 2023-11-20 CN CN202311550284.7A patent/CN117556061B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227740A (zh) * | 2016-07-12 | 2016-12-14 | 北京光年无限科技有限公司 | 一种面向对话系统的数据处理方法及装置 |
CN108733694A (zh) * | 2017-04-18 | 2018-11-02 | 北京国双科技有限公司 | 检索推荐方法和装置 |
CN112966479A (zh) * | 2021-03-02 | 2021-06-15 | 北京彩彻区明科技有限公司 | 基于语言模型的辅助写作方法、装置和系统 |
CN116157791A (zh) * | 2021-09-18 | 2023-05-23 | 京东方科技集团股份有限公司 | 一种文本推荐方法、模型训练方法、装置及可读存储介质 |
CN114281965A (zh) * | 2021-11-23 | 2022-04-05 | 北京百度网讯科技有限公司 | 信息检索方法、装置、电子设备和存储介质 |
CN115455161A (zh) * | 2022-09-02 | 2022-12-09 | 北京百度网讯科技有限公司 | 对话处理方法、装置、电子设备及存储介质 |
CN116150484A (zh) * | 2023-02-08 | 2023-05-23 | 吉林亿联银行股份有限公司 | 信息推送方法、装置、存储介质以及电子设备 |
CN116501960A (zh) * | 2023-04-18 | 2023-07-28 | 百度在线网络技术(北京)有限公司 | 内容检索方法、装置、设备及介质 |
CN116882372A (zh) * | 2023-07-17 | 2023-10-13 | 百度时代网络技术(北京)有限公司 | 文本生成方法、装置、电子设备以及存储介质 |
CN116910220A (zh) * | 2023-07-31 | 2023-10-20 | 中移(杭州)信息技术有限公司 | 多轮对话交互处理方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117556061A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018024166A1 (zh) | 确定候选输入的方法、输入提示方法和电子设备 | |
CN117056471A (zh) | 知识库构建方法及基于生成式大语言模型的问答对话方法和系统 | |
CN112507706B (zh) | 知识预训练模型的训练方法、装置和电子设备 | |
CN111753551B (zh) | 基于词向量生成模型的信息生成方法和装置 | |
CN110808032A (zh) | 一种语音识别方法、装置、计算机设备及存储介质 | |
CN114840671A (zh) | 对话生成方法、模型的训练方法、装置、设备及介质 | |
CN112307188B (zh) | 对话生成方法、系统、电子设备和可读存储介质 | |
CN116186200B (zh) | 模型训练方法、装置、电子设备和存储介质 | |
CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
CN115099239B (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN114841274B (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114492426B (zh) | 子词切分方法、模型训练方法、装置和电子设备 | |
CN113672699A (zh) | 基于知识图谱的nl2sql生成方法 | |
CN113722436A (zh) | 文本信息提取方法、装置、计算机设备及存储介质 | |
CN117556061B (zh) | 文本输出方法及装置、电子设备和存储介质 | |
CN109002498B (zh) | 人机对话方法、装置、设备及存储介质 | |
CN114490969B (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN113360590B (zh) | 兴趣点信息的更新方法、装置、电子设备及存储介质 | |
CN111695350B (zh) | 一种文本的分词方法及分词装置 | |
CN112560466A (zh) | 链接实体关联方法、装置、电子设备和存储介质 | |
CN114722841B (zh) | 翻译方法、装置及计算机程序产品 | |
CN113536006B (zh) | 生成图片的方法、装置、设备、存储介质和计算机产品 | |
CN112307304B (zh) | 热点搜索方法、装置、终端及存储介质 | |
CN114462364B (zh) | 录入信息的方法和装置 | |
CN112466278B (zh) | 语音识别方法、装置和电子设备 |
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 |