一种评语生成方法、装置、终端设备及存储介质制造方法及图纸

本发明专利技术公开了一种评语生成方法、装置、终端设备及存储介质。方法包括：获取待处理点评项；将所述待处理点评项输入多任务学习模型中，得到与所述待处理点评项对应的评语文本和所述评语文本的检测结果，其中，所述检测结果包括：通顺或者不通顺，所述多任务学习模型根据样本点评项、样本评语文本和掩码处理后的样本评语文本训练得到；根据所述评语文本和所述评语文本的检测结果生成目标评语文本。利用该方法能够自动化地生成评语，并同时检验生成的评语的质量，对于不好的结果进行过滤，提升用户使用体验。

【技术实现步骤摘要】
一种评语生成方法、装置、终端设备及存储介质
本专利技术实施例涉及计算机
，尤其涉及一种评语生成方法、装置、终端设备及存储介质。
技术介绍
评语生成是根据老师对学生在校表现情况的简单描述，自动生成学生评语。已有的方案包括：模板式评语和生成式评语。模板式评语是根据一定的规则构造特定的评语，生成式评语是根据已有数据由模型自动生成评语。生成式评语相对于模板式，得到的评语更加贴合学生实际，且更具多样性和个性化。受限于数据的质量以及模型的能力，生成式评语得到的结果有时是不符合要求的，可能会得到一些不好的结果，如“你能快速整理书写端正，书写文明有礼，遵守纪律。”。像这样的结果，直接推送给家长，用户体验会非常差。所以在已有的方法中，模型生成评语后都需要老师做一遍检查，对有问题的结果进行修改或者删除。但是这样会增加很多人工检查的时间成本，没法做到评语生成的全自动化。
技术实现思路
本专利技术实施例提供了一种评语生成方法、装置、终端设备及存储介质，能够自动化地生成评语，并同时检验生成的评语的质量，对于不好的结果进行过滤，提升用户使用体验。第一方面，本专利技术实施例提供了一种评语生成方法，包括：获取待处理点评项；将所述待处理点评项输入多任务学习模型中，得到与所述待处理点评项对应的评语文本和所述评语文本的检测结果，其中，所述检测结果包括：通顺或者不通顺，所述多任务学习模型根据样本点评项、样本评语文本和掩码处理后的样本评语文本训练得到；根据所述评语文本和所述评语文本的检测结果生成目标评语文本。进一步的，所述样本评语文本包括：第一样本评语文本和第二样本评语文本，所述第一样本评语文本为所述样本点评项对应的样本评语文本，所述第二样本评语文本包括：正样本评语文本和负样本评语文本，所述正样本评语文本携带通顺标签，所述负样本评语文本携带不通顺标签；所述多任务学习模型的训练方法，包括：获取样本点评项、第一样本评语文本、掩码处理后的第一样本评语文本和第二样本评语文本；将所述样本点评项和掩码处理后的第一样本评语文本输入至待训练的多任务学习模型中，得到预测评语文本；将所述第二样本评语文本输入待训练的多任务学习模型中，得到预测检测结果；根据所述样本评语文本和所述预测评语文本形成的第一目标函数和根据所述预测检测结果和所述样本评语文本携带的标签形成的第二目标函数训练所述待训练的多任务学习模型的模型结构和模型参数；返回执行将所述样本点评项和掩码处理后的第一样本评语文本输入至待训练的多任务学习模型中，得到预测评语文本，将所述第二样本评语文本输入待训练的多任务学习模型中，得到预测检测结果的操作，直至得到多任务学习模型。进一步的，获取掩码处理后的第一样本评语文本，包括：对所述第一样本评语文本进行分词处理；对分词处理后的第一样本评语文本中的至少一个词进行掩码处理，得到掩码处理后的第一样本评语文本。进一步的，获取负样本评语文本包括：删除所述第一样本评语文本中的至少一个词和/或短语得到负样本评语文本；和/或，复制所述第一样本评语文本中的至少一个词和/或短语得到负样本评语文本。进一步的，还包括：获取所述检测结果的置信度；若所述检测结果为通顺，且置信度小于设定置信度阈值，则将所述检测结果修改为不通顺。进一步的，根据所述评语文本和所述评语文本的检测结果生成目标评语文本包括：若所述检测结果为通顺，则所述目标评语文本和所述评语文本相同；若所述检测结果为不通顺，则对所述评语文本进行调整得到目标评语文本。进一步的，获取待处理点评项包括：获取至少两个点评项；对所述至少两个点评项进行分类处理；将同一类点评项作为待处理点评项。进一步的，还包括：根据预设规则对至少两个评语文本进行拼接，其中，所述至少两个评语文本是根据至少两类点评项训练得到的评语文本，所述预设规则包括如下至少一种：舍弃长度小于第一长度阈值的评语文本；若当前评语文本和前一评语文本的长度小于第二长度阈值，则删除当前评语文本的主语，合并删除主语后的当前评语文本和前一评语文本；使用正则表达式过滤评语文本；识别评语文本的情感方向，将所述情感方向为偏正向的评语文本设置于所述情感方向为偏负向的评语文本之前。第二方面，本专利技术实施例还提供了一种评语生成装置，包括：获取模块，用于获取待处理点评项；训练模块，用于将所述待处理点评项输入多任务学习模型中，得到与所述待处理点评项对应的评语文本和所述评语文本的检测结果，其中，所述检测结果包括：通顺或者不通顺，所述多任务学习模型根据样本点评项、样本评语文本和掩码处理后的样本评语文本训练得到；生成模块，用于根据所述评语文本和所述评语文本的检测结果生成目标评语文本。进一步的，所述样本评语文本包括：第一样本评语文本和第二样本评语文本，所述第一样本评语文本为所述样本点评项对应的样本评语文本，所述第二样本评语文本包括：正样本评语文本和负样本评语文本，所述正样本评语文本携带通顺标签，所述负样本评语文本携带不通顺标签；训练模块具体用于：获取样本点评项、第一样本评语文本、掩码处理后的第一样本评语文本和第二样本评语文本；将所述样本点评项和掩码处理后的第一样本评语文本输入至待训练的多任务学习模型中，得到预测评语文本；将所述第二样本评语文本输入待训练的多任务学习模型中，得到预测检测结果；根据所述样本评语文本和所述预测评语文本形成的第一目标函数和根据所述预测检测结果和所述样本评语文本携带的标签形成的第二目标函数训练所述待训练的多任务学习模型的模型结构和模型参数；返回执行将所述样本点评项和掩码处理后的第一样本评语文本输入至待训练的多任务学习模型中，得到预测评语文本，将所述第二样本评语文本输入待训练的多任务学习模型中，得到预测检测结果的操作，直至得到多任务学习模型。进一步的，训练模块具体用于：对所述第一样本评语文本进行分词处理；对分词处理后的第一样本评语文本中的至少一个词进行掩码处理，得到掩码处理后的第一样本评语文本。进一步的，训练模块具体用于：删除所述第一样本评语文本中的至少一个词和/或短语得到负样本评语文本；和/或，复制所述第一样本评语文本中的至少一个词和/或短语得到负样本评语文本。进一步的，训练模块具体用于：获取所述检测结果的置信度；若所述检测结果为通顺，且置信度小于设定置信度阈值，则将所述检测结果修改为不通顺。进一步的，生成模块具体用于：若所述检测结果为通顺，则所述目标评语文本和所述评语文本相同；若所述检测结果为不通顺，则对所述评语文本进行调整得到目标评语文本。进一步的，获取模块具体用于：获取至少两个点评项；对所述至少两个点评项进行分类处理；将同一类点评项作为待处理点评项。进一步的，还本文档来自技高网...

【技术保护点】
1.一种评语生成方法，其特征在于，包括：/n获取待处理点评项；/n将所述待处理点评项输入多任务学习模型中，得到与所述待处理点评项对应的评语文本和所述评语文本的检测结果，其中，所述检测结果包括：通顺或者不通顺，所述多任务学习模型根据样本点评项、样本评语文本和掩码处理后的样本评语文本训练得到；/n根据所述评语文本和所述评语文本的检测结果生成目标评语文本。/n

【技术特征摘要】
1.一种评语生成方法，其特征在于，包括：
获取待处理点评项；
将所述待处理点评项输入多任务学习模型中，得到与所述待处理点评项对应的评语文本和所述评语文本的检测结果，其中，所述检测结果包括：通顺或者不通顺，所述多任务学习模型根据样本点评项、样本评语文本和掩码处理后的样本评语文本训练得到；
根据所述评语文本和所述评语文本的检测结果生成目标评语文本。


2.根据权利要求1所述的方法，其特征在于，所述样本评语文本包括：第一样本评语文本和第二样本评语文本，所述第一样本评语文本为所述样本点评项对应的样本评语文本，所述第二样本评语文本包括：正样本评语文本和负样本评语文本，所述正样本评语文本携带通顺标签，所述负样本评语文本携带不通顺标签；
所述多任务学习模型的训练方法，包括：
获取样本点评项、第一样本评语文本、掩码处理后的第一样本评语文本和第二样本评语文本；
将所述样本点评项和掩码处理后的第一样本评语文本输入至待训练的多任务学习模型中，得到预测评语文本；
将所述第二样本评语文本输入待训练的多任务学习模型中，得到预测检测结果；
根据所述样本评语文本和所述预测评语文本形成的第一目标函数和根据所述预测检测结果和所述样本评语文本携带的标签形成的第二目标函数训练所述待训练的多任务学习模型的模型结构和模型参数；
返回执行将所述样本点评项和掩码处理后的第一样本评语文本输入至待训练的多任务学习模型中，得到预测评语文本，将所述第二样本评语文本输入待训练的多任务学习模型中，得到预测检测结果的操作，直至得到多任务学习模型。


3.根据权利要求2所述的方法，其特征在于，获取掩码处理后的第一样本评语文本，包括：
对所述第一样本评语文本进行分词处理；
对分词处理后的第一样本评语文本中的至少一个词进行掩码处理，得到掩码处理后的第一样本评语文本。


4.根据权利要求2所述的方法，其特征在于，获取负样本评语文本包括：
删除所述第一样本评语文本中的至少一个词和/或短语得到负样本评语文本；
和/或，
复制所述第一样本评语文本中的至少一个词和/或短语得到负样本评语文本。


5.根据权利要求1所述的方...

【专利技术属性】
技术研发人员：黄世锋，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东;44