[發明專利]一種基于深度學習的評價文本生成方法

在審

• 申請號: 202211513490.6
• 申請日: 2022-11-29
• 公開（公告）號: CN115759066A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 林潔瑜;熊煒;郭婷;關欽月;張軒昂;徐小琴;熊志;楊明;黃大煒
• 申請（專利權）人: 國網湖北省電力有限公司經濟技術研究院
• 主分類號: G06F40/279
• 分類號: G06F40/279;G06F16/36;G06F17/16;G06N3/0464;G06N3/08
• 代理公司: 武漢市首臻知識產權代理有限公司 42229
• 代理人: 章輝

一種基于深度學習的評價文本生成方法，該方法包括以下步驟：S1、利用自然語言處理工具HanLP對評審文本進行編碼并形成詞向量；S2、通過K?Bert神經網絡搭建訓練網絡模型；S3、改善訓練網絡模型特性并對詞向量進行訓練；S4、利用BLUE、ROUGE校核訓練網絡模型的準確性，并獲得訓練網絡模型的最佳參數設置；S5、將設計文本輸入校核后的訓練網絡模型以生成評價文本。本發明不僅提高了智能化程度，而且提高了工作效率。

技術領域

本發明涉及自然語言處理技術領域，尤其涉及一種基于深度學習的評價文本生成方法，主要適用于提高評審的智能化程度與工作效率。

背景技術

自然語言生成(Natural Language Generation，NLG)是一種利用人工智能技術將結構化的文本或數據轉化為敘述性文本的技術。NLG技術能將海量數據簡化為簡潔的、符合人類語言表達的文本。自然語言生成在輸入法、摘要生成、自動郵件回復、AI聊天機器人等領域有著廣泛的應用，但是在電力生產過程中的應用卻相對滯后。

現如今，NLG在電力文本生成中基本沒有應用，電力文本生成更多的是基于固定模板填詞，智能性不強。以工程項目評審為例，技術管理者在形成評審意見、批復的過程中，仍然大量依賴重復的、冗余的人工，實際上其中很多流程都可以通過自然語言處理與文本生成的手段進行替代。自然語言生成技術可以將技術管理人員從冗雜的工作中解放出來，將時間分配到更具建設性的工作上。

在國內，幾乎沒有將自然語言處理(Natural Language Processing，NLP)用于工程項目全過程的范例；在國外，相關應用也起步較晚。Frenette和Kyriakidis于2016年利用NLP技術檢查早期設計階段術語表達的正確性，以降低項目風險。Zhang和El-Gohary于2015將前期階段設計文本文檔轉換為規范和結構化數據用于信息建模，以降低成本以及減小人工信息摘取中所出現的錯漏。Zou等人于2017年將NLP技術用于案例庫推理(Case BaseReasoning，CBR)，將過往事故、風險的案例和經驗構建為數據庫，通過自然語言處理方法來提高調取和檢索這些數據的效率。Lee和Yi于2017年提出了一種預測工程投標風險的，對非結構化的文本數據進行文本挖掘，作為風險預測模型的主要影響因子。Lee等人于2019年構建了一種基于NLP審查合同風險的系統，可以快速的審查、檢索大量合同并發現其中有問題的條款。不過總的來說，在工程管理全過程中所使用的這些工具，大多是基于規則匹配以及其它傳統算法，極少有使用深度神經網絡的。這些傳統方法只能針對相對固定的文本，不能適應語義和語言結構上的復雜變化。基于深度神經網絡算法的自然語言處理系統，對于復雜的文本具有更好的適配性和容錯性，且有較強的學習功能，可以自我更新優化、持續改進。

發明內容

本發明的目的是克服現有技術中存在的智能化程度低、工作效率低的缺陷與問題，提供一種智能化程度高、工作效率高的基于深度學習的評價文本生成方法。

為實現以上目的，本發明的技術解決方案是：一種基于深度學習的評價文本生成方法，該方法包括以下步驟：

S1、利用自然語言處理工具HanLP對評審文本進行編碼并形成詞向量；

S2、通過K-Bert神經網絡搭建訓練網絡模型；

S3、改善訓練網絡模型特性并對詞向量進行訓練；

S4、利用BLUE、ROUGE校核訓練網絡模型的準確性，并獲得訓練網絡模型的最佳參數設置；

S5、將設計文本輸入校核后的訓練網絡模型以生成評價文本。

步驟S1具體包括以下步驟：

S11、利用正則匹配將評審文本按章、節標題進行切分，生成多個子文件并編號，從多個子文件中篩選出需要進行評價的章節所在的子文件，并將這些子文件儲存；