模型生成方法、封面生成方法、装置及存储介质制造方法及图纸

本发明专利技术提供了一种模型生成方法、封面生成方法、装置及存储介质，该模型生成方法包括：采集文学作品的样本数据，该文学作品的样本数据中包括多个现有文学作品对应的描述信息；根据文学作品的样本数据，对生成式对抗网络模型进行训练，以生成目标网络模型；根据目标网络模型，获取封面生成网络模型。利用文学作品的样本数据对生成式对抗网络模型进行训练，以获取封面生成网络模型，从而能够生成具有吸引力以及趣味性的文学作品封面，简化封面生成的操作，提升封面生成操作的速率和有效性，进而提高文学作品的传播效率。

Model Generation Method, Cover Generation Method, Device and Storage Media

The invention provides a model generation method, a cover generation method, a device and a storage medium. The model generation method includes: collecting sample data of literary works, including descriptive information corresponding to several existing literary works, and training generative antagonistic network model according to the sample data of literary works to generate target network model. According to the target network model, get the cover to generate the network model. Using the sample data of literary works, the generative confrontation network model is trained to obtain the cover generation network model, which can generate attractive and interesting literary works cover, simplify the operation of the cover generation, improve the speed and effectiveness of the cover generation operation, and then improve the dissemination efficiency of literary works.

【技术实现步骤摘要】
模型生成方法、封面生成方法、装置及存储介质
本专利技术属于图像处理领域，特别是涉及一种模型生成方法、封面生成方法、装置及存储介质。
技术介绍
在现有技术中，用户在文学作品发布平台上创建或者上传作品时，如果没有上传对应的封面图片，文学作品发布平台会提供一个或几个默认封面图片作为可选封面，用户可以基于该可选封面进行选择。由于封面图片是浏览文学作品发布平台上内容时每个文学作品最吸引读者注意力的内容，不同的封面会对用户产生较大区别的影响，而一般的默认封面图片简单且可选范围较小，对于每个单独的文学作品不具有针对性，不仅导致文学作品发布平台上缺乏有效内容，还大幅降低了读者阅读文学作品的欲望，进而导致文学作品的传播范围小且影响力低，进一步影响文学作品发布平台的效率。
技术实现思路
有鉴于此，本专利技术提供一种模型生成方法、封面生成方法、装置及存储介质，以便解决现有技术存在的文学作品的封面导致文学作品的传播性较差的问题。依据本专利技术的第一方面，提供了一种模型生成方法，该方法可以包括：采集文学作品的样本数据，所述文学作品的样本数据中包括现有文学作品对应的描述信息；根据所述文学作品的样本数据，对生成式对抗网络模型进行训练，以生成目标网络模型；根据所述目标网络模型，获取封面生成网络模型。依据本专利技术的第二方面，提供了一种封面生成方法，该方法可以包括：获取待生成封面的第一文学作品的特征信息，所述特征信息包括所述第一文学作品的作品标签和所述第一文学作品的作品分类；根据所述特征信息，利用预先确定的封面生成网络模型，生成所述第一文学作品对应的第一封面，所述封面生成网络模型是利用第一方面所述的模型生成方法所生成的；输出所述第一封面。依据本专利技术的第三方面，提供了一种模型生成装置，该装置可以包括：数据采集模块，用于采集文学作品的样本数据，所述文学作品的样本数据中包括现有文学作品对应的描述信息；模型训练模块，用于根据所述文学作品的样本数据，对生成式对抗网络模型进行训练，以生成目标网络模型；模型确定模块，用于根据所述目标网络模型，获取封面生成网络模型。依据本专利技术的第四方面，提供了一种封面生成装置，该装置可以包括：信息获取模块，用于获取待生成封面的第一文学作品的特征信息，所述特征信息包括所述第一文学作品的作品标签和所述第一文学作品的作品分类；封面确定模块，用于根据所述特征信息，利用预先确定的封面生成网络模型，生成所述第一文学作品对应的第一封面，所述封面生成网络模型是利用第三方面所述的模型生成装置所生成的；封面输出模块，用于输出所述第一封面。依据本专利技术的第五方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的模型生成方法的步骤。依据本专利技术的第六方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第二方面所述的封面生成方法的步骤。针对在先技术，本专利技术具备如下优点：采集文学作品的样本数据，所述文学作品的样本数据中包括多个现有文学作品对应的描述信息；根据所述文学作品的样本数据，对生成式对抗网络模型进行训练，以生成目标网络模型；根据所述目标网络模型，获取封面生成网络模型。通过现有的文学作品的样本数据对生成式对抗网络模型进行的训练，获取用于生成文学作品封面的封面生成网络模型，从而能够生成具有吸引力以及趣味性的文学作品封面，简化封面生成的操作，提升封面生成操作的有效性和速率。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1是本专利技术实施例提供的一种模型生成方法的步骤流程图；图2是本专利技术实施例提供的一种模型生成方法的具体步骤流程图；图3是本专利技术实施例提供的一种模型生成方法的具体步骤流程图；图4是本专利技术实施例提供的一种封面生成方法的步骤流程图；图5是本专利技术实施例提供的一种封面生成方法的步骤流程图；图6是本专利技术实施例提供的一种基于模型生成方法的封面生成方法实现的结构框图；图7是本专利技术实施例提供的一种模型生成装置的框图；图8是本专利技术实施例提供的一种封面生成装置的框图。具体实施方式下面将参照附图更详细地描述本专利技术的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。如图1所示是本申请实施例提出的一种模型生成方法的步骤流程图，该方法具体可以包括：步骤101，采集文学作品的样本数据。其中，文学作品的样本数据中包括多个现有文学作品对应的描述信息。在具体应用过程中，用于生成封面的封面生成网络模型首先需要利用GAN对现有的文学作品的描述信息进行训练，以获取符合生成条件的网络模型，示例地，可以采集现有的多个文学作品平台上关于现有文学作品的数据信息作为样本数据，例如包括对于文学作品的分类信息、标签信息以及对应设置的封面图片等。其中，文学作品的样本数据中现有文学作品的描述信息包括现有文学作品的封面信息、现有文学作品的分类信息和标签信息。步骤102，根据文学作品的样本数据，对生成式对抗网络模型进行训练，以生成目标网络模型。其中，生成式对抗网络(缩写：GAN，英文：GenerativeAdversarialNetworks)是一种深度学习模型，通常包括(至少)两个模块：生成模型(缩写：G模型，英文：GenerativeModel)和判别模型(缩写：D模型，英文：DiscriminativeModel)，通过上述两个模块的互相博弈学习产生优化的输出。原始GAN理论中，并不要求G模型和D模型都是神经网络模型，只需要是能拟合相应生成和判别的函数即可，但在具体应用中一般均使用深度神经网络模型作为G模型和D模型。具体的，G模型是一个生成图片的网络模型，它通过接收一个随机的噪声z基于现有的物体图片集生成新的图片(与原物体图片集中的图片不同)，记为G(z)；D模型是一个判别网络模型，用于判别一张图片是不是“真实的”，它的输入参数是x代表一张图片，其输出(D(x))代表x为真实图片的概率，也就是说如果D(x)为1，就代表输入100％是真实的图片，而输出D(x)为0，就代表x不可能是真实图片。步骤103，根据目标网络模型，获取封面生成网络模型。示例地，通过现有文学作品的描述信息对GAN进行训练，以生成具有实际应用条件的GAN，也就是当GAN中的G模型所生成的图片让GAN中的D模型无法分别是否为真实图片，可以结束对模型训练的过程，当前的GAN中的G模型能够作为封面生成网络模型，实现对文学作品进行封面图片的生成操作。可选的，基于上述实施例，图2是本专利技术实施例提供的一种模型生成方法的具体步骤流程图，如图2所示，步骤102所述的根据文学作品的样本数据，对生本文档来自技高网...

【技术保护点】
1.一种模型生成方法，其特征在于，所述方法包括：采集文学作品的样本数据，所述文学作品的样本数据中包括多个现有文学作品对应的描述信息；根据所述文学作品的样本数据，对生成式对抗网络模型进行训练，以生成目标网络模型；根据所述目标网络模型，获取封面生成网络模型。

【技术特征摘要】
1.一种模型生成方法，其特征在于，所述方法包括：采集文学作品的样本数据，所述文学作品的样本数据中包括多个现有文学作品对应的描述信息；根据所述文学作品的样本数据，对生成式对抗网络模型进行训练，以生成目标网络模型；根据所述目标网络模型，获取封面生成网络模型。2.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络模型包括生成模型和判别模型，所述描述信息包括封面信息、分类信息和标签信息，所述根据所述文学作品的样本数据，对生成式对抗网络模型进行训练，以生成目标网络模型，包括：利用预设的字段采集网络模型，获取目标字段信息，所述目标字段信息包括所述现有文学作品的分类信息中的特征字段和标签信息中的特征字段；根据预设噪声和所述目标字段信息，利用所述生成模型，生成所述现有文学作品的训练封面；根据所述训练封面、所述目标字段信息和所述现有文学作品的封面信息，利用所述判别模型，获取所述生成式对抗网络模型的输出指标；在所述输出指标等于预设指标阈值的情况下，将所述生成式对抗网络模型作为所述目标网络模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练封面、所述目标字段信息和所述现有文学作品的封面信息，利用所述判别模型，获取所述生成式对抗网络模型的输出指标，包括：根据预设的信息组合策略，对所述训练封面、所述目标字段信息和所述现有文学作品的封面信息进行组合，以确定用于输入所述判别模型的第一数据；将所述第一数据输入所述判别模型，以获取所述生成式对抗网络模型的输出指标。4.一种封面生成方法，其特征在于，所述方法包括：获取待生成封面的第一文学作品的特征信息，所述特征信息包括所述第一文学作品的作品标签和所述第一文学作品的作品分类；根据所述特征信息，利用预先确定的封面生成网络模型，生成所述第一文学作品对应的第一封面，所述封面生成网络模型是利用权利要求1至3中任一项所述的模型生成方法生成的；输出所述第一封面。5.根据权利要求4所述的方法，其特征在于，在所述输出所述第一封面之后，该方法还包括：获取确认指令，所述确认指令为用户确认将所述第一封面作为所述第一文学作品的封面后生成的；根据所述确认指令，保存所述第一封面，并将所述第一封面与所述第一文学作品进行关联。6.一种模型生成装置，其特征在于，所述装置包括：数据采集模块，用于采集文学作品的样本数据，所述文学作品的样本数据中包括多个现有文学作品对应的描述信息；模型训练模块，用于根据...

【专利技术属性】
技术研发人员：王睿宇，杨昊一，周伟，尚岩，程启健，任翔宇，
申请(专利权)人：北京奇艺世纪科技有限公司，
类型：发明
国别省市：北京,11