评论生成模型训练方法、评论生成方法、设备及存储介质技术

本申请实施例提供了一种评论生成模型训练方法、评论生成方法、设备及存储介质，其中方法包括：获取在音乐场景下的第一样本评论文本集；在第一样本评论文本集中的每个第一样本评论文本的样本位置添加样本评论提示信息；将添加样本评论提示信息后的每个第一样本评论文本输入预训练的评论生成模型中进行类别预测，得到预训练的评论生成模型所输出的每个第一样本评论文本对应的预测类别；根据每个第一样本评论文本对应的预测类别和类别标签进行损失计算来对预训练的评论生成模型进行调整处理，得到训练后的评论生成模型，训练后的评论生成模型用于生成评论类别下的评论文本，可训练得到自动生成评论文本的评论生成模型，智能快速地生成评论文本。快速地生成评论文本。快速地生成评论文本。

【技术实现步骤摘要】
评论生成模型训练方法、评论生成方法、设备及存储介质


[0001]本申请涉及互联网
，具体涉及一种评论生成模型训练方法、评论生成方法、设备及存储介质。

技术介绍

[0002]随着互联网技术的快速发展，互联网上的各种音乐网站或者手机音乐应用提供了无数的歌曲，用户可以随时随地的欣赏到各种音乐，极大地满足了人们的需求。在现有技术中，用户可以欣赏完一首歌曲之后，可在音乐评论区中写下歌曲或者歌曲对应的歌手的评论，但这种方式不够智能且评论文本生成效率较低。

技术实现思路

[0003]本申请实施例提供了一种评论生成模型训练方法、评论生成方法、设备及存储介质，可智能快速地生成在评论类别下的评论文本。
[0004]一方面，本申请实施例提供了一种评论生成模型训练方法，该方法包括：
[0005]获取在音乐场景下的第一样本评论文本集，所述第一样本评论文本集中包括多个第一样本评论文本以及每个第一样本评论文本对应的类别标签；
[0006]在每个所述第一样本评论文本的样本位置添加样本评论提示信息，所述样本评论提示信息用于指示每个第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种评论生成模型训练方法，其特征在于，包括：获取在音乐场景下的第一样本评论文本集，所述第一样本评论文本集中包括多个第一样本评论文本以及每个第一样本评论文本对应的类别标签；在每个所述第一样本评论文本的样本位置添加样本评论提示信息，所述样本评论提示信息用于指示每个第一样本评论文本的评论类别；将添加样本评论提示信息后的每个第一样本评论文本输入预训练的评论生成模型中进行类别预测，得到所述预训练的评论生成模型所输出的每个第一样本评论文本对应的预测类别；根据所述每个第一样本评论文本对应的预测类别和类别标签进行损失计算，得到总损失值；基于所述总损失值对所述预训练的评论生成模型进行调整处理，得到训练后的评论生成模型，所述训练后的评论生成模型用于生成评论类别下的评论文本。2.如权利要求1所述的方法，其特征在于，所述方法还包括：获取在音乐场景下的第二样本评论文本集，所述第二样本评论文本集包括一个或多个第二样本评论文本；将每个第二样本评论文本输入初始的评论生成模型，由所述初始的评论生成模型对所述每个样本评论文本中的各个位置进行样本评论词预测，得到所述初始的评论生成模型所输出的每个第二样本评论文本中各个位置对应的样本评论词的概率值；根据所述每个第二样本评论文本中各个位置对应的样本评论词的概率值进行模型损失计算，得到模型损失；基于所述模型损失对所述初始的评论生成模型进行优化处理，得到预训练的评论生成模型。3.如权利要求2所述的方法，其特征在于，所述由所述初始的评论生成模型对所述每个样本评论文本中的各个位置进行样本评论词预测，得到所述初始的评论生成模型所输出的每个第二样本评论文本中各个位置对应的样本评论词的概率值，包括：由所述初始的评论生成模型提取所述每个第二样本评论文本中的各个位置对应的样本评论词的嵌入向量，对所述每个第二样本评论文本中的各个位置依次采用降序位置编码处理，得到所述每个第二样本评论文本中的各个位置对应的位置向量；所述降序位置编码用于控制生成评论文本的文本长度小于等于长度阈值；由所述初始的评论生成模型中的解码模块分别对所述每个第二样本评论文本中的各个位置以及所述各个位置对应的样本评论词的嵌入向量进行掩码注意力分析，得到所述每个第二样本评论文本中各个位置对应的样本评论词的概率值。4.一种评论生成方法，其特征在于，包括：获取目标音乐标识和所述目标音乐标识对应的评论提示信息，所述评论提示信息用于指示生成的评论文本的目标评论类别；将所述评论提示信息和所述目标音乐标识输入如权利要求1
‑
3任一项所述的训练后的评论生成模型，获得所述训练...

【专利技术属性】
技术研发人员：周蓝珺，
申请(专利权)人：腾讯音乐娱乐科技深圳有限公司，
类型：发明
国别省市：