一种文案生成方法技术

本申请提供了一种文案生成方法

【技术实现步骤摘要】
一种文案生成方法、装置、电子设备及存储介质


[0001]本申请涉及计算机
，特别涉及一种文案生成方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]传统人工生成文案，依赖于人工写作技巧，导致效率低
。
由计算机自动生成文案，可以提高文案生成效率
。
但是计算机生成的大多数文案具有同质化的特点
。
例如，出行平台在进行营销活动时，使用计算机生成的营销文案均是一致的，无法满足用户多样化的需求
。
[0003]如何生成多样化的文案，以满足用户多样化的需求，是亟待解决的问题
。

技术实现思路

[0004]为了解决上述现有技术中的问题，本申请实施例提供了一种文案生成方法
、
装置
、
电子设备及存储介质，可以生成多样化的文案，以满足用户多样化的需求
。
[0005]第一方面，本申请实施例提供了一种文案生成方法，所述方法包括：
[0006]获取多个关键词；
[0007]将所述多个关键词输入文案生成模型，得到所述文案生成模型输出的多个文案；所述文案生成模型是对预训练语言模型的全连接层的参数进行调整得到的；
[0008]将所述多个文案输入质量检测模型，通过所述质量检测模型，按照质量分数由高到低的顺序，对所述多个文案进行排序；
[0009]按照所述多个文案的排序，输出所述多个文案
。
[0010]在一种可能的实施方式中，所述文案生成模型包括编码层
、
解码层和全连接层；所述将所述多个关键词输入文案生成模型，得到所述文案生成模型输出的多个文案，包括：
[0011]将所述多个关键词输入所述文案生成模型的编码层，得到所述多个关键词的语义编码向量；
[0012]将所述多个关键词的语义编码向量输入所述文案生成模型的解码层，得到所述多个关键词的语义解码向量；
[0013]将所述多个关键词的语义解码向量输入所述文案生成模型的全连接层，得到多个文案
。
[0014]在一种可能的实施方式中，所述质量检测模型包括编码层
、
解码层
、
全连接层和回归层；所述将所述多个文案输入质量检测模型，通过所述质量检测模型，按照质量分数由高到低的顺序，对所述多个文案进行排序，包括：
[0015]将所述多个文案输入所述质量检测模型的编码层，得到所述多个文案的语义编码向量；
[0016]将所述多个文案的语义编码向量输入所述质量检测模型的解码层，得到所述多个文案的语义解码向量；
[0017]将所述多个文案的语义解码向量输入所述质量检测模型的全连接层，得到所述多
个文案的文案输出向量；
[0018]将所述多个文案的文案输出向量输入所述质量检测模型的回归层，得到按照质量分数由高到低的顺序排序的多个文案
。
[0019]在一种可能的实施方式中，所述文案生成模型的训练过程，包括如下步骤：
[0020]获取多个训练样本数据集；每个训练样本数据集包括多个关键词与所述多个关键词对应的样本文案；
[0021]将所述多个关键词输入预训练语言模型，得到所述预训练语言模型输出的初始文案；
[0022]确定所述初始文案与所述样本文案的第一语义相似度，并根据所述第一语义相似度确定损失值；
[0023]根据所述损失值对所述预训练语言模型的全连接层的参数进行调整，直至所述损失值收敛至预设的期望值为止，得到已训练的文案生成模型
。
[0024]在一种可能的实施方式中，所述确定所述初始文案与所述样本文案的第一语义相似度，并根据所述第一语义相似度确定损失值，包括：
[0025]分别确定所述初始文案的第一语义编码向量和所述样本文案的第二语义编码向量；
[0026]确定所述第一语义编码向量和所述第二语义编码向量的余弦相似度，并将所述余弦相似度作为所述初始文案与所述样本文案的第一语义相似度；
[0027]将所述第一语义相似度输入损失函数，得到损失值
。
[0028]在一种可能的实施方式中，所述质量检测模型包括已训练的文案生成模型和回归层；所述质量检测模型的训练过程，包括如下步骤：
[0029]获取多个训练文案中的每个训练文案对应的目标质量分数；
[0030]将所述每个训练文案输入所述待训练的质量检测模型，得到每个训练文案的质量检测分数；
[0031]确定所述每个训练文案的质量检测分数，与所述每个训练文案对应的目标质量分数的误差值，并根据所述误差值对所述待训练的质量检测模型的回归层的参数进行调整，直至所述误差值收敛至预设的期望值为止，得到已训练的质量检测模型
。
[0032]在一种可能的实施方式中，所述每个训练文案对应有参考文案，所述将所述每个训练文案输入所述待训练的质量检测模型，得到每个训练文案的质量检测分数，包括：
[0033]将所述每个训练文案，以及所述每个训练文案对应的参考文案，分别输入所述已训练的文案生成模型，得到所述每个训练文案的文案输出向量，以及所述每个训练文案对应的参考文案的文案输出向量；
[0034]确定所述每个训练文案的文案输出向量，与所述每个训练文案对应的参考文案的文案输出向量的第二语义相似度；
[0035]将所述第二语义相似度作为每个训练文案的质量检测分数
。
[0036]第二方面，本申请实施例提供了一种文案生成装置，所述装置包括：
[0037]获取单元，用于获取多个关键词；
[0038]文案生成单元，用于将所述多个关键词输入文案生成模型，得到所述文案生成模型输出的多个文案；所述文案生成模型是对预训练语言模型的全连接层的参数进行调整得
到的；
[0039]将所述多个文案输入质量检测模型，通过所述质量检测模型，按照质量分数由高到低的顺序，对所述多个文案进行排序；
[0040]文案输出单元，用于按照所述多个文案的排序，输出所述多个文案
。
[0041]第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现第一方面文案生成方法中任一项所述的方法
。
[0042]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面文案生成方法中任一项所述的方法
。
[0043]本申请实施例提供的一种文案生成方法
、
装置
、
电子设备及存储介质，可以将多个关键词输入文案生成模型，得到多个文案，其中，文案生成模型是对预训练语言模型的全连接层的参数进行调整得到的
。
因此，可以减少对训练数据的本文档来自技高网...

【技术保护点】

【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：获取多个关键词；将所述多个关键词输入文案生成模型，得到所述文案生成模型输出的多个文案；所述文案生成模型是对预训练语言模型的全连接层的参数进行调整得到的；将所述多个文案输入质量检测模型，通过所述质量检测模型，按照质量分数由高到低的顺序，对所述多个文案进行排序；按照所述多个文案的排序，输出所述多个文案
。2.
根据权利要求1所述的方法，其特征在于，所述文案生成模型包括编码层
、
解码层和全连接层；所述将所述多个关键词输入文案生成模型，得到所述文案生成模型输出的多个文案，包括：将所述多个关键词输入所述文案生成模型的编码层，得到所述多个关键词的语义编码向量；将所述多个关键词的语义编码向量输入所述文案生成模型的解码层，得到所述多个关键词的语义解码向量；将所述多个关键词的语义解码向量输入所述文案生成模型的全连接层，得到多个文案
。3.
根据权利要求1所述的方法，其特征在于，所述质量检测模型包括编码层
、
解码层
、
全连接层和回归层；所述将所述多个文案输入质量检测模型，通过所述质量检测模型，按照质量分数由高到低的顺序，对所述多个文案进行排序，包括：将所述多个文案输入所述质量检测模型的编码层，得到所述多个文案的语义编码向量；将所述多个文案的语义编码向量输入所述质量检测模型的解码层，得到所述多个文案的语义解码向量；将所述多个文案的语义解码向量输入所述质量检测模型的全连接层，得到所述多个文案的文案输出向量；将所述多个文案的文案输出向量输入所述质量检测模型的回归层，得到按照质量分数由高到低的顺序排序的多个文案
。4.
根据权利要求1所述的方法，其特征在于，所述文案生成模型的训练过程，包括如下步骤：获取多个训练样本数据集；每个训练样本数据集包括多个关键词与所述多个关键词对应的样本文案；将所述多个关键词输入预训练语言模型，得到所述预训练语言模型输出的初始文案；确定所述初始文案与所述样本文案的第一语义相似度，并根据所述第一语义相似度确定损失值；根据所述损失值对所述预训练语言模型的全连接层的参数进行调整，直至所述损失值收敛至预设的期望值为止，得到已训练的文案生成模型
。5.
根据权利要求4所述的方法，其特征在于，所述确定所述初始文案与所述样本文案的第一语义相似度，并根据所述第一语义相似度确定损失值，包括...

【专利技术属性】
技术研发人员：张琦，孙世杰，
申请(专利权)人：南京领行科技股份有限公司，
类型：发明
国别省市：