[發(fā)明專利]基于作文論據(jù)特征分類器的語言生成模型及寫作支持方法

在審

• 申請?zhí)枺?/td>: 202011023526.3
• 申請日: 2020-09-25
• 公開（公告）號: CN112182210A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設(shè)計）人: 高震;蔣天惠;曹希燕;肖聰;閻華
• 申請（專利權(quán)）人: 四川華空天行科技有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/205
• 代理公司: 北京天奇智新知識產(chǎn)權(quán)代理有限公司 11340
• 代理人: 葉明博

1.一種基于作文論據(jù)特征分類器的語言生成模型，其特征在于：它包括以下內(nèi)容：

根據(jù)TextRank算法對作文庫中輸入的大量高分作文進行作文論據(jù)評分，輸出基于論據(jù)的評分標準并對評分標準進行預分類得到支持論據(jù)集合和反對論據(jù)集合；

對所有作文的摘要進行總結(jié)并將當前作文的總結(jié)和評分標準進行對比后得到作文庫中全部作文的特征向量表；

根據(jù)支持論據(jù)集合和反對論據(jù)集合與作文庫的特征向量表對每一篇作文進行打分，得到正方觀點作文集合和反方觀點作文集合；

將正方觀點作文集合和反方觀點作文集合作為輸入并根據(jù)評分標準分別生成正方論據(jù)模型和反方論據(jù)模型，并對模型進行微調(diào)訓練得到GPT-2語言生成模型。

2.根據(jù)權(quán)利要求1所述的一種基于作文論據(jù)特征分類器的語言生成模型，其特征在于：所述根據(jù)TextRank算法對作文庫中輸入的大量高分作文進行作文論據(jù)評分，輸出基于論據(jù)的評分標準并對評分標準進行預分類得到支持論據(jù)和反對論據(jù)集合，包括：

通過TextRank算法對作文庫中每一篇作為做摘要之后將高分作文的摘要集合起來，刪除冗余論據(jù)，整合成一個包含支持論據(jù)和反對論據(jù)的論據(jù)集合，即評分標準，并將其輸出；

采用VaderSentiment方法對每一個論據(jù)句子給出一個支持性評分，并根據(jù)評分結(jié)果得到支持論據(jù)集合和反對論據(jù)集合。

3.根據(jù)權(quán)利要求1所述的一種基于作文論據(jù)特征分類器的語言生成模型，其特征在于：所述對所有作文的摘要進行總結(jié)，包括：

根據(jù)TextRank算法將作文文章中的句子看作圖中的點，把句子之間的相似度看作圖中的邊；

假設(shè)兩個句子所擁有的相似詞越多則其相似度越高，從而計算句子相似度即計算邊的權(quán)重；

通過將邊的權(quán)重合成為節(jié)點權(quán)重的方法來計算句子的分數(shù)，將分數(shù)排名在預設(shè)排名前的句子設(shè)置為摘要內(nèi)容；

重復上述步驟得到所有作文的摘要總結(jié)。

4.根據(jù)權(quán)利要求3所述的一種基于作文論據(jù)特征分類器的語言生成模型，其特征在于：所述將當前作文的總結(jié)和評分標準進行對比后得到作文庫中全部作文的特征向量表包括：

通過TextRank算法將作文文章摘要的每一句話與評分標準中的每一個論據(jù)進行對比，得到相似度分數(shù)；

判斷對比結(jié)果，當文章摘要中存在與評分標準中相似的論據(jù)，則在特征向量的相應(yīng)位置標注1，反之則標注0，進而得到該作文文章摘要與評分標準對比結(jié)果生成的特征向量表；

重復上述步驟，得到全部作文的特征向量表。

5.根據(jù)權(quán)利要求1所述的一種基于作文論據(jù)特征分類器的語言生成模型，其特征在于：所述根據(jù)支持論據(jù)集合和反對論據(jù)集合與作文庫的特征向量表對每一篇作文進行打分，得到正方觀點作文集合和反方觀點作文集合，包括：

判斷作文的特征向量表與支持論據(jù)集合和反對論據(jù)集合的論據(jù)對應(yīng)關(guān)系，如果存在與支持論據(jù)集合中對應(yīng)的論據(jù)，則得一分；如果存在與反對論據(jù)集合中對應(yīng)的論據(jù)，則減一分；

將該作文的分數(shù)進行累計得到總分，將總分為正的歸入正方觀點作文集合，總分為負的歸入反方觀點作文集合；

重復上述步驟完成所有作文的歸類。

6.根據(jù)權(quán)利要求5所述的一種基于作文論據(jù)特征分類器的語言生成模型，其特征在于：所述將正方觀點作文集合和反方觀點作文集合作為輸入并根據(jù)評分標準分別生成正方論據(jù)模型和反方論據(jù)模型，并對模型進行微調(diào)訓練得到GPT-2語言生成模型包括：

將正方觀點作文集合和反方觀點作文集合作為輸入，并分別生成正方論據(jù)集合和反方論據(jù)集合，得到正方論據(jù)模型和反方論據(jù)模型；

通過GPT-2語言模型對正方語料和反方語料進行語言微調(diào)訓練。