一种文案生成方法及装置制造方法及图纸

本申请实施例公开了一种文案生成方法及装置。所述方法包括：获取产品描述信息；利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词，其中，所述深度神经网络模型组件根据多个历史产品描述信息以及所述历史产品描述信息的历史广告文案训练得到；基于所选的文案描述词，构建生成所述产品描述信息的广告文案。利用本申请实施例，可以快速地生成产品的广告文案，还可以保证所述广告文案具有创意以及符合用户的需求。

A Method and Device for Text Generation

【技术实现步骤摘要】
一种文案生成方法及装置
本申请涉及数据处理
，特别涉及一种文案生成方法及装置。
技术介绍
当前互联网广告市场发展迅速，尤其以社交媒体、精选媒体和新闻APP等信息流广告市场份额的增长极为突出，预计今后的市场份额将持续增长。随之而来的广告制作量也将不断增加。为了向目标受众有效传递符合受众需求的广告信息，需要人工大量制作快速且多样化的文案创意内容。这样导致文案和创意人员的工作量不断增加，因此，文字广告领域的人工智能化和自动化已然成为当下不可回避的紧迫课题。因此，现有技术中亟需一种智能化的文案生成方法，在保证文案与对象之间的匹配度的前提下，降低制作广告文案的成本。
技术实现思路
本申请实施例的目的在于提供一种文案生成方法及装置，可以快速生成目标产品的广告文案。本申请实施例提供的文案生成方法及装置具体是这样实现的：一种文案生成方法，所述方法包括：获取产品描述信息；利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词，其中，所述深度神经网络模型组件根据多个历史产品描述信息以及所述历史产品描述信息的历史广告文案训练得到；基于所选的文案描述词，构建生成所述产品描述信息的广告文案。一种文案生成方法，所述方法包括：获取产品描述信息；利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词，其中，所述深度神经网络模型组件根据多个历史产品描述信息以及所述历史产品描述信息的历史广告文案训练得到；基于所选的文案描述词，构建生成所述产品描述信息的多个广告文案。一种文案生成装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：获取产品描述信息；利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词，其中，所述深度神经网络模型组件根据多个历史产品描述信息以及所述历史产品描述信息的历史广告文案训练得到；基于所选的文案描述词，构建生成所述产品描述信息的广告文案。一种文案生成装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：获取产品描述信息；利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词，其中，所述深度神经网络模型组件根据多个历史产品描述信息以及所述历史产品描述信息的历史广告文案训练得到；基于所选的文案描述词，构建生成所述产品描述信息的多个广告文案。本申请提供的文案生成方法及装置，可以对多个历史产品描述信息以及所述历史产品描述信息的历史广告文案进行深度学习，构建深度神经网络模型组件。这样，可以直接利用所述深度神经网络模型组件快速地生成目标产品的广告文案，相对于现有技术来说，可以节省大量的人力成本。此外，一方面，对于用户客户端来说，还可以加快展示产品的广告文案，另一方面，通过对大量历史数据的深度学习，利用所述深度神经网络模型组件获取的广告文案也更加符合用户的需求，提升用户的体验感。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是利用本申请技术方案中对历史产品描述信息进行深度学习的示意图；图2是本申请提供的利用seq2seq对生成目标产品广告文案的示意图；图3是本申请提供的文案生成方法的一种实施例的流程示意图；图4是本申请提供的利用seq2seq对历史产品描述信息进行深度学习的示意图；图5是本申请提供的利用seq2seq对历史产品描述信息进行深度学习的示意图；图6是本申请提供的利用seq2seq对历史产品描述信息进行深度学习的示意图；图7是本申请提供的文案生成装置的一种实施例的模块结构示意图。具体实施方式为了使本
的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。基于类似于上文描述的技术需求，本申请提供的广告文案生成技术可以摆脱人工大量编写文案的过程。基于多个历史产品描述信息和历史广告文案对，对所述多个历史产品描述信息和历史广告文案对进行深度神经网络学习，训练得到深度神经网络模型组件。利用训练得到的深度神经网络模型组件构建产品描述信息的广告文案，不仅可以快速生成产品的广告文案，还可以保证广告文案的准确性和用户需求的匹配度。下面通过一个具体的应用场景说明本实施例方法的具体实施方式。本实施例中，可以利用深度神经网络模型组件对多个历史产品描述信息以及所述历史产品于是标签的历史广告文案进行深度学习，以不断地优化所述深度神经网络模型组件，最终使得所述深度神经网络模型组件达到预设要求(如损失函数的值不大于预设阈值等)。由于提供的多个历史产品描述信息以及所述历史产品描述信息的历史广告文案蕴含着某些要求或者规律，在一些实施例中，所述历史广告文案需要具有产生一定的产品访问率，即将该广告文案展示给用户之后，有超过一定数量的用户访问了该产品信息，如点击、收藏、产生交易等等。表1是部分历史产品描述信息与其历史广告文案对照表，如表1所示，产品描述信息“现代简约纯棉四件套全棉床品1.8米/1.5米床卡通4件套床单被套”对应的广告文案为“让你爱上裸睡的床品”，产品描述信息“原创设计2017春宽松圆领长袖卫衣+不对称长裤运动套装女”对应的广告文案为“运动套装，让你尽情释放运动活力”。当然，在其他实施例中，上述数据不仅可以从电子商务等平台的历史数据中获取，还可以根据人工经验编写，对于数据的来源，本申请在此不做限制。表1产品描述信息与历史广告文案对照表下面非限制性地以深度神经网络模型组件中的序列对序列(SequencetoSequence，简称seq2seq)模型组件为例，说明如何利用seq2seq模型组件对表1中第二个产品原始产品描述信息与历史广告文案进行深度学习的过程。在其他实施例中，还可以利用PointerNetwork、PointerGenerator等模型组件对数据进行深度学习，对此，本申请在此不做限制。如图1所示，基本的seq2seq模型组件具有编码器部分和解码器部分，所述编码器部分和所述解码器部分均可由循环神经网络(RNN)组成。在编码器部分，可以将输入的序列转化成固定长度的上下文语义向量。对应地，在解码器部分，可以将所述上下文语义向量作为所述解码器部分的输入数据，生成输出序列。如图1所示，在seq2seq模型组件的编码器部分，输入数据可以包括由“原创设计2017春宽松圆领长袖卫衣+不对称长裤运动套装女”中各个描述词的词向量组成的序列{x1,x2,x3,…,x12}，其中，x1对应于描述词“原创”的词向量，x2对应于描述词“设计”的词向量，依此类推。图1中的h1-h12可以分别表示为分别对应于所述x1-x12的隐藏向量，隐藏向量中设置有训练参数。编码器在获取到序列{x1,x2,x3,…,x12}之后，可以对该序列处理生成上下文向量c，所述上下文向量c可以由上述隐藏本文档来自技高网...

【技术保护点】
1.一种文案生成方法，其特征在于，所述方法包括：获取产品描述信息；利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词，其中，所述深度神经网络模型组件根据多个历史产品描述信息以及所述历史产品描述信息的历史广告文案训练得到；基于所选的文案描述词，构建生成所述产品描述信息的广告文案。

【技术特征摘要】
1.一种文案生成方法，其特征在于，所述方法包括：获取产品描述信息；利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词，其中，所述深度神经网络模型组件根据多个历史产品描述信息以及所述历史产品描述信息的历史广告文案训练得到；基于所选的文案描述词，构建生成所述产品描述信息的广告文案。2.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型组件被设置为按照下述方式训练得到：获取多个历史产品描述信息以及所述历史产品描述信息的历史广告文案；构建深度神经网络模型组件，所述深度神经网络模型组件中设置有训练参数；分别利用所述多个历史产品描述信息以及所述历史广告文案之间的对应关系对所述深度神经网络模型组件进行训练，调整所述训练参数，直至所述深度神经网络模型组件达到预设要求。3.根据权利要求2所述的方法，其特征在于，所述分别利用所述多个历史产品描述信息以及所述历史广告文案之间的对应关系对所述深度神经网络模型组件进行训练包括：从所述历史产品描述信息中提取至少一个产品描述词，构成历史产品描述词序列；从所述历史广告文案中提取至少一个文案描述词，构成历史文案描述词序列；将所述历史产品描述词序列作为所述深度神经网络模型组件的输入数据、所述历史文案描述词序列为输出数据，调整所述训练参数，直至所述深度神经网络模型组件达到预设要求。4.根据权利要求2所述的方法，其特征在于，所述深度神经网络模型组件包括下述中的一种：序列对序列(SequencetoSequence,seq2seq)模型组件、序列对序列及注意机制(seq2seq及Attention机制)模型组件。5.根据权利要求2所述的方法，其特征在于，所述利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词包括：从所述产品描述信息中提取出至少一个产品描述词，将所述产品描述词转换成产品描述词词向量，并构成所述产品描述信息对应的产品描述词词向量序列；将所述产品描述词词向量序列输入至深度神经网络模型组件中，通过将所述产品描述词词向量序列与所述训练参数进行计算，得到至少一个文案描述词。6.根据权利要求5所述的方法，其特征在于，所述将所述产品描述词词向量序列输入至深度神经网络模型组件中，通过将所述产品描述词词向量序列与所述训练参数进行计算，得到至少一个文案描述词包括：将所述产品描述词词向量序列与所述训练参数进行计算，生成单个文案描述词词向量；分别计算所述文案描述词词向量与所述产品描述词词向量之间的关联程度值；根据所述关联程度值分别设置所述产品描述词词向量的权重值，所述权重值用于计算下一个文案描述词词向量。7.根据权利要求4所述的方法，其特征在于，所述seq2seq及Attention机制模型组件包括编码器和解码器，所述分别利用所述多个历史产品描述信息以及所述历史广告文案之间的对应关系对所述深度神经网络模型组件进行训练包括：获取所述解码器生成的输出描述词以及与所述输出描述词相匹配的历史产品描述词；计算所述输出描述词的复用概率和生成概率；当所述复用概率大于所述生成概率时，将所述历史产品描述词的下一个描述词作为所述解码器的下一个输出描述词。8.根据权利要求1所述的方法，其特征在于，所述基于所选的文案描述词，构建生成所述产品描述信息的广告文案包括：将所选的文案描述词输入至语言模型中进行处理，生成符合预设语言规则的广告文案。9.根据权利要求1所述的方法，其特征在于，在所述构建生成所述产品描述信息的广告文案之后，所述方法还包括：展示所述广告文案。10.一种文案生成方法，其特征在于，所述方法包括：获取产品描述信息；利用深度神经网络模型组件选择与所述产品描述信息相匹配的文案描述词，其中，所述深度神经网络模型组件根据多个历史产品描述信息以及所述历史产品描述信息的历史广告文案训练得到；基于所选的文案描述词，构建生成所述产品描述信息的多个广告文案。11.根据权利要求10所述的方法，其特征在于，在所述构建生成所述产品描述信息的多个广告文案之后，所述方法还包括：展示所述多个广告文案；获取用户对所述多个广告文案的操作行为；将所述操作行为反馈至所述深度神经网络模型组件中进行深度学习。12.一种文案生成装置，其特征在于，包括处理器以及用于存储处理器...

【专利技术属性】
技术研发人员：郑群萌，萧健兴，张志强，王永亮，李穆，陈养剑，陈雨琪，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY