[發(fā)明專利]文本風(fēng)格處理方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請?zhí)枺?/td>: 201810943330.2
• 申請日: 2018-08-17
• 公開（公告）號(hào): CN109189985B
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 申世偉
• 申請（專利權(quán)）人: 北京達(dá)佳互聯(lián)信息技術(shù)有限公司
• 主分類號(hào): G06F16/73
• 分類號(hào): G06F16/73;G06F16/35;G06F16/43;G06N3/08
• 代理公司: 北京市立方律師事務(wù)所 11330
• 代理人: 劉延喜

1.一種文本風(fēng)格處理方法，其特征在于，包括：

獲取目標(biāo)媒體中的文本信息；

識(shí)別所述文本信息中文字所表達(dá)的情緒信息；

根據(jù)所述情緒信息對所述目標(biāo)媒體進(jìn)行圖像處理，以使所述目標(biāo)媒體中的文本信息通過文字形態(tài)表征所述情緒信息；

其中，所述根據(jù)所述情緒信息對所述目標(biāo)媒體進(jìn)行圖像處理，包括：

在預(yù)設(shè)的風(fēng)格圖片數(shù)據(jù)庫中獲取與所述情緒信息具有對應(yīng)關(guān)系的風(fēng)格圖片；

將所述文本信息像素化生成內(nèi)容圖片；

將所述內(nèi)容圖片與所述風(fēng)格圖片輸入到預(yù)設(shè)的圖像融合模型中，其中，所述圖像融合模型為訓(xùn)練至收斂的用于圖像融合的神經(jīng)網(wǎng)絡(luò)模型；

獲取所述圖像融合模型根據(jù)所述內(nèi)容圖片與所述風(fēng)格圖片生成的融合圖片，其中，所述融合圖片包括所述文本信息的文字圖像，且所述文字圖像的文字形態(tài)表征所述情緒信息。

2.根據(jù)權(quán)利要求1所述的文本風(fēng)格處理方法，其特征在于，所述情緒信息為文本信息的情緒分類結(jié)果；所述識(shí)別所述文本信息中文字所表達(dá)的情緒信息，包括：

將所述文本信息輸入到預(yù)設(shè)的文本分類模型中，其中，所述文本分類模型為訓(xùn)練至收斂的用于文本分類的神經(jīng)網(wǎng)絡(luò)模型；

獲取所述文本分類模型輸出的所述文本信息的情緒分類的置信度；

當(dāng)所述置信度大于預(yù)設(shè)第一閾值時(shí)，確認(rèn)所述置信度所表征的情緒分類結(jié)果為所述情緒信息。

3.根據(jù)權(quán)利要求1所述的文本風(fēng)格處理方法，其特征在于，所述獲取所述圖像融合模型根據(jù)所述內(nèi)容圖片與所述風(fēng)格圖片生成的融合圖片，包括：

通過格拉姆矩陣計(jì)算所述融合圖片與所述內(nèi)容圖片之間的內(nèi)容損失；

通過格拉姆矩陣計(jì)算所述融合圖片與所述風(fēng)格圖片之間的風(fēng)格損失；

通過所述內(nèi)容損失與所述風(fēng)格損失計(jì)算所述融合圖片的總損失值；

將所述總損失值與所述圖像融合模型的梯度損失函數(shù)的梯度閾值進(jìn)行比對，當(dāng)所述總損失值大于所述梯度閾值時(shí)，通過所述圖像融合模型的反向傳播算法校正所述圖像融合模型中的權(quán)值，至所述圖像融合模型輸出的融合圖片的總損失值小于或等于所述梯度損失函數(shù)的最小梯度閾值時(shí)為止。

4.根據(jù)權(quán)利要求3所述的文本風(fēng)格處理方法，其特征在于，所述總損失值的特征描述為：

l_total(a,x,p)＝α×l_style(a,x)+β×l_content(p,x)

其中，a表示所述風(fēng)格圖片，x表示所述融合圖片，p表示所述內(nèi)容圖片，l_total(a,x,p)表示所述總損失值，l_style(a,x)表示所述風(fēng)格損失，l_content(p,x)表示所述內(nèi)容損失，α和β表示調(diào)節(jié)所述風(fēng)格圖片與所述內(nèi)容圖片的權(quán)重因子。

5.根據(jù)權(quán)利要求1所述的文本風(fēng)格處理方法，其特征在于，所述目標(biāo)媒體為視頻數(shù)據(jù)，所述根據(jù)所述情緒信息對所述目標(biāo)媒體進(jìn)行圖像處理之后，還包括：

獲取所述文本信息在所述目標(biāo)媒體的位置信息；

將所述融合圖片插入至所述目標(biāo)媒體的位置信息對應(yīng)的位置，以替換所述文本信息。

6.根據(jù)權(quán)利要求2所述的文本風(fēng)格處理方法，其特征在于，所述識(shí)別所述文本信息中文字所表達(dá)的情緒信息之前，還包括：

獲取標(biāo)記有分類判斷信息的訓(xùn)練樣本數(shù)據(jù)；

將所述訓(xùn)練樣本數(shù)據(jù)輸入到第一神經(jīng)網(wǎng)絡(luò)模型中獲取所述訓(xùn)練樣本數(shù)據(jù)的分類參照信息，所述第一神經(jīng)網(wǎng)絡(luò)模型為用于訓(xùn)練所述文本分類模型的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型；

通過損失函數(shù)比對所述訓(xùn)練樣本數(shù)據(jù)內(nèi)不同樣本的模型分類參照信息與所述分類判斷信息是否一致；

當(dāng)所述模型分類參照信息與所述分類判斷信息不一致時(shí)，反復(fù)循環(huán)迭代的更新所述第一神經(jīng)網(wǎng)絡(luò)模型中的權(quán)重，至所述比對結(jié)果與所述分類判斷信息一致時(shí)結(jié)束，得到訓(xùn)練至收斂的所述文本分類模型。