一种迭代润色的诗歌自动生成方法、存储介质及终端技术领域技术

本发明专利技术涉及自然语言处理技术领域，具体涉及一种迭代润色的诗歌自动生成方法、存储介质及终端，所述诗歌自动生成方法包括：包括以下步骤：S10，获取诗歌训练集；S20，对诗歌训练集进行预处理，得到训练样本集；S30，通过训练样本集对诗歌生成模型进行训练；S40，将用户提供的表示用户意图的关键词作为诗歌生成模型的输入，训练好的诗歌生成模型输出生成的草诗；S50，将草诗以及关键词作为诗歌生成模型的输入进行诗歌润色，并通过迭代，生成最终诗歌并输出；具有提高诗歌连贯性的有益效果。具有提高诗歌连贯性的有益效果。具有提高诗歌连贯性的有益效果。

【技术实现步骤摘要】
一种迭代润色的诗歌自动生成方法、存储介质及终端

[0001]本专利技术涉及自然语言处理
，具体涉及一种迭代润色的诗歌自动生成方法、存储介质及终端。

技术介绍

[0002]近年来人工智能与文学艺术的结合日趋紧密，AI自动绘画、自动作曲、作诗等方向都成为研究热点。
[0003]随着深度学习的发展，研究人员通过使用深度学习的方法，建立自动诗歌的生成模型并加以应用，开发了人工智能诗歌协作系统等软件；然而，这累软件通常只能学习到古诗中常见的意象，而很难触类旁通，因此不能取得比较好的结果。
[0004]工作记忆( working memory) 是指个体在执行认知任务中，对信息暂时储存与操作的能力；2018年Yi等人提出的基于工作记忆模型的中国诗歌生成方法，通过工作记忆的形式，极大的提高了生成诗歌的上下文关联性，进而使得生成诗歌的质量和连贯性有效提高。
[0005]然而，该方法虽然能够提高生成诗歌的质量和连贯性，但是在连贯性的表现上并没有特别出色，为此我们将解决这个问题。

技术实现思路

[0006]有鉴于此，有必要针对的问题，提供一种迭代润色的诗歌自动生成方法、存储介质及终端，能够提高诗歌的连贯性。
[0007]本专利技术提供了一种迭代润色的诗歌自动生成方法，包括以下步骤：S10，获取诗歌训练集；S20，对诗歌训练集进行预处理，得到训练样本集；S30，通过训练样本集对诗歌生成模型进行训练；S40，将用户提供的表示用户意图的关键词作为诗歌生成模型的输入，训练好的诗歌生成模型输出生成的草诗；S50，将草诗以及关键词作为诗歌生成模型的输入进行诗歌润色，并通过迭代，生成最终诗歌并输出。
[0008]可选地，所述步骤S50，将草诗以及关键词作为诗歌生成模型的输入进行诗歌润色，并通过迭代，生成最终诗歌并输出，包括：S501，初始化诗歌生成模型的参数；S502，将草诗以及关键词作为诗歌生成模型的输入，诗歌生成模型输出润色后的诗歌；S503，判断是否达到最大迭代次数，如是，则将润色后的诗歌作为最终结果输出，否则，执行步骤S504；S504，判断是否达到寻优精度，如达到，则将润色后的诗歌作为最终结果输出，结
束迭代；否则，当前迭代次数+1后，执行步骤S502。
[0009]可选地，所述步骤S503中，判断是否达到寻优精度的过程为：S5031，对诗歌生成模型两次输出的诗歌，进行诗歌向量的余弦相似度计算，得到两次诗歌之间的余弦相似度值；S5032，判断余弦相似度值是否大于余弦相似度预设值，如是，则表示达到寻优精度，否则表示未达到寻优精度。
[0010]可选地，所述步骤S502，将草诗以及关键词作为诗歌生成模型的输入，诗歌生成模型输出润色后的诗歌；具体包括：S502
‑
1，对部分关键词进行替换，得到替换后的关键词；S502
‑
2，将草诗以及替换后的关键词作为诗歌生成模型的输入，诗歌生成模型输出润色后的诗歌。
[0011]可选地，S20，对诗歌训练集进行预处理，得到训练样本集；具体包括：S201，通过词嵌入将诗歌训练集中的每个原始诗歌映射到向量空间，得到每个原始诗歌对应的诗歌词向量；S202，将诗歌训练集中的每个原始诗歌进行分词处理；分词后，原始诗歌中的每一句诗被分割为多个词语；S203，通过TextRank公式计算每个词语的分值大小，提取得分最高的词语作为每句诗的关键词；S204，每个原始诗歌对应的关键词和诗歌词向量构成预处理后的训练样本集。
[0012]可选地，所述步骤S30，通过训练样本集对诗歌生成模型进行训练中，具体包括：S301，所述的诗歌生成模型包括：双向GRU编码器和GRU解码器；S302，将训练样本集中的关键词和诗歌词向量输入到双向GRU编码器编码后得到隐藏状态的向量表示；S303，将隐藏状态的向量表示输入到GRU解码器中进行解码后，得到训练样本的输出诗歌。
[0013]可选地，所述双向GRU编码器包括：采用正向学习的正向GRU
‑
L及采用反向学习的反向GRU
‑
R；所述步骤S30，通过训练样本集对诗歌生成模型进行训练，还包括：S304，采用Adam优化函数设置优化参数来训练反向GRU
‑
R。
[0014]可选地，所述优化参数包括：学习率，所述学习率为0.02。
[0015]本专利技术还提供了一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上所述的一种迭代润色的诗歌自动生成方法方法。
[0016]本专利技术还提供了终端，包括：处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行如上所述的一种迭代润色的诗歌自动生成方法。
[0017]本申请提供的技术方案的优点在于：1、本专利技术中，模拟了诗人创作诗歌的过程，在诗歌生成模型生成一首诗歌之后，对诗歌进行了迭代润色，使得最终生成的诗歌在连贯性的表现上更好，实用性极强。
[0018]2、本专利技术中，使用Adam优化函数指导优化，使用标准交叉熵对参数调优，使得预测生成的字符与原数据相同，使得训练好的诗歌生成模型具有更高的预测精度。
附图说明
[0019]图1是本专利技术实施例提供的一种迭代润色的诗歌自动生成方法的一个实施例的流程示意图；图2是本专利技术实施例提供的一种迭代润色的诗歌自动生成方法中步骤S20的流程示意图；图3是本专利技术实施例提供的一种迭代润色的诗歌自动生成方法中步骤S30的流程示意图；图4是本专利技术实施例提供的一种迭代润色的诗歌自动生成方法中步骤S50的流程示意图。
具体实施方式
[0020]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0021]实施例一参阅图1，一种迭代润色的诗歌自动生成方法，包括以下步骤：S10，获取诗歌训练集；S20，对诗歌训练集进行预处理，得到训练样本集；S30，通过训练样本集对诗歌生成模型进行训练；S40，将用户提供的表示用户意图的关键词作为诗歌生成模型的输入，训练好的诗歌生成模型输出生成的草诗；S50，将草诗以及关键词作为诗歌生成模型的输入进行诗歌润色，并通过迭代，生成最终诗歌并输出。
[0022]需要说明的是，所述诗歌生成模型可采用工作记忆模型。
[0023]需要说明的是，本实施例诗歌训练集中的诗歌可选为2000首；所述的诗歌为一种诗歌体裁，可包括：五言绝句、七言绝句、五言律诗、七言律诗、或各种词牌等。
[0024]需要说明的是，参阅图2，所述步骤S20，对诗歌训练集进行预处理，得到训练样本集；具体包括：S201，通过词嵌入将诗歌训练集中的每个原始诗歌映射到向量空间，得到每个原始诗歌对应的诗歌本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种迭代润色的诗歌自动生成方法，其特征在于：包括以下步骤：S10，获取诗歌训练集；S20，对诗歌训练集进行预处理，得到训练样本集；S30，通过训练样本集对诗歌生成模型进行训练；S40，将用户提供的表示用户意图的关键词作为诗歌生成模型的输入，训练好的诗歌生成模型输出生成的草诗；S50，将草诗以及关键词作为诗歌生成模型的输入进行诗歌润色，并通过迭代，生成最终诗歌并输出。2.根据权利要求1所述的一种迭代润色的诗歌自动生成方法，其特征在于：所述步骤S50，将草诗以及关键词作为诗歌生成模型的输入进行诗歌润色，并通过迭代，生成最终诗歌并输出，包括：S501，初始化诗歌生成模型的参数；S502，将草诗以及关键词作为诗歌生成模型的输入，诗歌生成模型输出润色后的诗歌；S503，判断是否达到最大迭代次数，如是，则将润色后的诗歌作为最终结果输出，否则，执行步骤S504；S504，判断是否达到寻优精度，如达到，则将润色后的诗歌作为最终结果输出，结束迭代；否则，当前迭代次数+1后，执行步骤S502。3.根据权利要求2所述的一种迭代润色的诗歌自动生成方法，其特征在于：所述步骤S503中，判断是否达到寻优精度的过程为：S5031，对诗歌生成模型两次输出的诗歌，进行诗歌向量的余弦相似度计算，得到两次诗歌之间的余弦相似度值；S5032，判断余弦相似度值是否大于余弦相似度预设值，如是，则表示达到寻优精度，否则表示未达到寻优精度。4.根据权利要求2所述的一种迭代润色的诗歌自动生成方法，其特征在于：所述步骤S502，将草诗以及关键词作为诗歌生成模型的输入，诗歌生成模型输出润色后的诗歌；具体包括：S502
‑
1，对部分关键词进行替换，得到替换后的关键词；S502
‑
2，将草诗以及替换后的关键词作为诗歌生成模型的输入，诗歌生成模型输出润色后的诗歌。5.根据权利要求1所述的一种迭代润色的诗歌自动生成方法，其特征在于：...

【专利技术属性】
技术研发人员：毛明毅，郑晓艳，王可可，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：