文本数据的生成方法及装置、存储介质、电子装置制造方法及图纸

本发明专利技术提供了一种文本数据的生成方法及装置、存储介质、电子装置，其中，上述方法包括：获取待生成的文本数据的目标要求，其中，目标要求至少包含以下之一：文本数据的体裁、文本数据的语料、文本数据的字数；将目标要求输入到全局联邦强化学习模型中，在全局联邦强化学习模型所包括的多个强化学习模型中，根据选择的目标强化学习模型对目标要求进行处理，以生成待生成的文本数据，采用上述技术方案，解决了相关技术中，对于文本数据的生成方式单一，并无法确定生成的文本数据的类型等问题，通过全局联邦强化学习模型，使得生成文本数据的方式更加多样，给予用户更多的个性化选择。

【技术实现步骤摘要】
文本数据的生成方法及装置、存储介质、电子装置
本专利技术涉及通信领域，具体而言，涉及一种文本数据的生成方法及装置、存储介质、电子装置。
技术介绍
传统诗歌生成模型如图1所示，采用两层LSTM(LongShort-TermMemory，长短期记忆网络，是一种特定形式的循环神经网络，简称为LSTM)结合Dropout和全连接层的结构。由于模型目的是基于前文预测之后的字符，属于分类问题，所以选用CrossEntropyLoss作为损失函数。经过多次对比与尝试，优化器的选择定为Adam效果最优。传统的诗歌生成方法缺点在于无法保证句子之间的连贯性。传统方法落足于数学统计角度，将生成过程表示为概率函数，并针对诗歌的独特结构在目标函数上进行数学层面的约束。但这种方法并没有考虑到诗歌中任意连续两句之间内容上的关联，该方法本质上将各个句子独立看待和处理，并且现代的诗歌生成方法功能和类型较为单一。现有模型往往要求输入的字符数量固定，模型只服务于例如藏头诗这一特定业务场景，且生成的诗歌所属类型模糊不定。针对相关技术中，对于文本数据的生成方式单一，并无本文档来自技高网...

【技术保护点】
1.一种文本数据的生成方法，其特征在于，包括：/n获取待生成的文本数据的目标要求，其中，所述目标要求至少包含以下之一：文本数据的体裁、文本数据的语料、文本数据的字数；/n将所述目标要求输入到全局联邦强化学习模型中，在所述全局联邦强化学习模型所包括的多个强化学习模型中，根据选择的目标强化学习模型对所述目标要求进行处理，以生成所述待生成的文本数据。/n

【技术特征摘要】
1.一种文本数据的生成方法，其特征在于，包括：
获取待生成的文本数据的目标要求，其中，所述目标要求至少包含以下之一：文本数据的体裁、文本数据的语料、文本数据的字数；
将所述目标要求输入到全局联邦强化学习模型中，在所述全局联邦强化学习模型所包括的多个强化学习模型中，根据选择的目标强化学习模型对所述目标要求进行处理，以生成所述待生成的文本数据。


2.根据权利要求1所述的方法，其特征在于，将所述目标要求输入到全局联邦强化学习模型中，包括：
获取目标对象输出的待生成的文本数据所包含的目标字符；
将所述目标字符与所述目标要求输入至所述全局联邦强化学习模型中。


3.根据权利要求1所述的方法，其特征在于，根据选择的目标强化学习模型对所述目标要求进行处理之前，所述方法还包括：
根据输入的所述目标要求确定所述目标要求对应的强化学习，并从所述多个强化学习模型中确定所述强化学习对应的强化学习模型；
通过所述强化学习模型对所述目标要求进行强化学习，得到强化学习结果；
根据强化学习结果确定所述目标要求的目标强化学习模型。


4.根据权利要求3所述的方法，其特征在于，将所述目标要求输入到全局联邦强化学习模型中之后，所述方法还包括以下至少之一：
对所述目标要求进行同态加密处理，将同态加密处理后的目标要求输入到所述目标强化学习模型中；
对通过所述目标强化学习模型生成的所述待生成的文本数据进行同态加密处理。


5.根据权利要求3所述的方法，其特征在于，根据强化学习结果确定所述目标要求的目标强化学习模型，包括：
确定所述强化学习结果与所述目标要求的契合度；
在所述契...

【专利技术属性】
技术研发人员：王义文，王鹏，王灵芝，田江，向小佳，丁永建，李璠，
申请(专利权)人：光大科技有限公司，
类型：发明
国别省市：北京;11