[發明專利]文本生成方法、裝置、介質和電子設備

在審

• 申請號: 202011044316.2
• 申請日: 2020-09-28
• 公開（公告）號: CN112131835A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 孫思
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06F40/12
• 分類號: G06F40/12;G06F40/126;G06F40/284;G06F40/30;G06N3/04
• 代理公司: 深圳市隆天聯鼎知識產權代理有限公司 44232
• 代理人: 甄偉軍

1.一種文本生成方法，其特征在于，所述方法包括：

獲取用于生成目標文本的基礎文本；

對所述基礎文本進行向量轉換，以得到所述基礎文本對應的特征向量；

通過預先訓練的文本生成模型對所述特征向量進行至少兩次編碼處理，以得到所述基礎文本對應的編碼數據；

通過所述文本生成模型對所述基礎文本對應的編碼數據進行至少兩次解碼處理，以生成目標文本。

2.根據權利要求1所述的方法，其特征在于，所述基礎文本中包括至少一個字詞集合，所述字詞集合中包括至少一個字詞，所述對所述基礎文本進行向量轉換，以得到所述基礎文本對應的特征向量，包括：

根據預設映射關系，分別將基礎文本中的各個字詞映射為字詞向量；

分別對各個字詞集合中字詞對應的字詞向量進行降維，得到各個字詞集合對應的特征向量，其中，各個字詞集合對應的特征向量組成所述基礎文本的特征向量。

3.根據權利要求2所述的方法，其特征在于，所述通過預先訓練的文本生成模型對所述特征向量進行至少兩次編碼處理，以得到所述基礎文本對應的編碼數據，包括：

在預先訓練的文本生成模型中分別對各個字詞集合對應的特征向量進行編碼，得到各個字詞集合對應的編碼數據；

在預先訓練的文本生成模型中對各個字詞集合對應的編碼數據進行編碼，得到所述基礎文本對應的編碼數據。

4.根據權利要求3所述的方法，其特征在于，所述預先訓練的文本生成模型包括卷積神經網絡層，所述在預先訓練的文本生成模型中分別對各個字詞集合對應的特征向量進行編碼，得到各個字詞集合對應的編碼數據，包括：

通過卷積神經網絡層對各個字詞集合對應的特征向量進行卷積處理，分別得到各個字詞集合對應的第一卷積特征數據；

根據所述各個字詞集合對應的第一卷積特征數據，分別確定各個第一卷積特征數據的第一數學分布，以分別根據各個第一數學分布得到各個字詞集合對應的編碼數據。

5.根據權利要求3所述的方法，其特征在于，所述在預先訓練的文本生成模型中對各個字詞集合對應的編碼數據進行編碼，得到所述基礎文本對應的編碼數據，包括：

通過卷積神經網絡層對所述各個字詞集合對應的編碼數據進行卷積處理，得到所述基礎文本對應的第二卷積特征數據；

根據所述基礎文本對應的第二卷積特征數據，確定所述第二卷積特征數據的第二數學分布，以根據所述第二數學分布得到所述基礎文本對應的編碼數據。

6.根據權利要求1所述的方法，其特征在于，所述通過所述文本生成模型對所述基礎文本對應的編碼數據進行至少兩次解碼處理，以生成目標文本，包括：

在所述文本生成模型中對所述基礎文本對應的編碼數據進行解碼處理，得到第一解碼數據；

在所述文本生成模型中對所述第一解碼數據進行解碼處理，得到第二解碼數據；

通過所述第二解碼數據生成最大概率的當前字，得到目標文本。

7.根據權利要求1所述的方法，其特征在于，重復如下步驟直至待訓練文本生成模型中的損失函數收斂，得到所述文本生成模型：

獲取訓練數據集，所述訓練數據集中包括輸入數據和監督數據；

將所述輸入數據輸入至所述待訓練文本生成模型，以輸出輸出數據，所述待訓練文本生成模型中包括至少兩個卷積神經網絡層和至少兩個遞歸神經網絡層；

基于所述監督數據與所述輸出數據的對比，通過梯度反向傳遞對所述待訓練文本生成模型中的隱層參數進行校正。

8.一種文本生成裝置，其特征在于，所述裝置包括：

獲取單元，被用于獲取用于生成目標文本的基礎文本；

轉換單元，被用于對所述基礎文本進行向量轉換，以得到所述基礎文本對應的特征向量；

編碼單元，被用于通過預先訓練的文本生成模型對所述特征向量進行至少兩次編碼處理，以得到所述基礎文本對應的編碼數據；

解碼單元，被用于通過所述文本生成模型對所述基礎文本對應的編碼數據進行至少兩次解碼處理，以生成目標文本。