[發明專利]文本生成方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 202110263667.0
• 申請日: 2021-03-10
• 公開（公告）號: CN112926329A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 屠雅麗;張奇;李明翔;姚佳城;周琳
• 申請（專利權）人: 招商銀行股份有限公司
• 主分類號: G06F40/295
• 分類號: G06F40/295;G06F40/205;G06N3/08;G06N3/04
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 劉瑞花

1.一種文本生成方法，其特征在于，所述文本生成方法包括以下步驟：

獲取待生成文本的屬性值，并對所述屬性值進行表征得到第一隱向量和上下文向量；

基于所述第一隱向量及所述上下文向量確定文本生成計劃；

獲取所述文本生成計劃對應的潛變量，并基于所述潛變量及所述文本生成計劃生成所述待生成文本。

2.如權利要求1所述的文本生成方法，其特征在于，所述對所述屬性值進行表征得到第一隱向量和上下文向量的步驟包括：

通過輸入編碼器對所述屬性值進行表征，得到所述屬性值的第一隱向量，其中，所述輸入編碼器由第一循環神經網絡組成，后面得到的所述第一隱向量包含前面各個屬性值的信息；

對多個所述第一隱向量對應的隱向量序列進行處理生成上下文向量；或，

基于多個所述第一隱向量中的最后一個隱向量進行變換得到上下文向量。

3.如權利要求1所述的文本生成方法，其特征在于，所述基于所述第一隱向量及所述上下文向量確定文本生成計劃的步驟包括：

通過訓練后的基于變分自編碼器的深度學習網絡模型，對所述第一隱向量進行采樣，確定所述待生成文本中各個子句的輸入隱向量；

基于所述輸入隱向量及所述上下文向量，生成子句生成計劃，其中，所述子句生成計劃包括所述輸入隱向量對應的屬性值信息；

基于所述子句生成計劃，確定所述待生成文本的文本生成計劃。

4.如權利要求3所述的文本生成方法，其特征在于，所述基于所述輸入隱向量及所述上下文向量，生成子句生成計劃的步驟包括：

將所述輸入隱向量輸入第二循環神經網絡，獲取第二隱向量；

基于所述第二隱向量及所述輸入隱向量，通過構建的二分類預測模型生成預測結果；

基于所述預測結果，生成子句生成計劃。

5.如權利要求1所述的文本生成方法，其特征在于，所述獲取所述文本生成計劃對應的潛變量的步驟包括：

將所述文本生成計劃、所述第一隱向量、所述上下文向量進行融合，得到全局向量；

將所述全局向量作為第三循環神經網絡的初始隱向量，并將所述文本生成計劃中的各個子句生成計劃輸入所述第三循環神經網絡；

將所述第三循環神經網絡中的隱向量作為所述文本生成計劃中子句生成計劃對應的潛變量。

6.如權利要求1所述的文本生成方法，其特征在于，所述基于所述潛變量及所述文本生成計劃生成所述待生成文本的步驟包括：

基于所述潛變量及所述文本生成計劃，生成子句向量；

采用第四循環神經網絡，對所述子句向量進行處理，生成所述子句向量對應的子句文本；

對所述子句文本進行拼接，得到所述待生成文本。

7.如權利要求1至6中任一項所述的文本生成方法，其特征在于，所述獲取待生成文本的屬性值，并對所述屬性值進行表征得到第一隱向量和上下文向量的步驟之前，還包括：

提取初始文本的關鍵詞及短語詞組，并對所述初始文本進行命名實體識別得到命名實體；

將所述關鍵詞、所述短語詞組、所述命名實體作為文本屬性值；

對所述文本屬性值進行聚類，得到文本屬性類別；

將所述文本屬性類別和所述文本屬性值作為訓練語料對，對構建的文本生成模型進行訓練，以供基于所述文本生成模型，輸入待生成文本的屬性值后生成所述待生成文本。

8.一種文本生成裝置，其特征在于，所述文本生成裝置包括：

獲取模塊，用于獲取待生成文本的屬性值，并對所述屬性值進行表征得到第一隱向量和上下文向量；

確定模塊，用于基于所述第一隱向量及所述上下文向量確定文本生成計劃；

生成模塊，用于獲取所述文本生成計劃對應的潛變量，并基于所述潛變量及所述文本生成計劃生成所述待生成文本。