文本生成方法技术

本申请适用于机器学习技术领域，提供了文本生成方法

【技术实现步骤摘要】
文本生成方法、装置、电子设备及计算机可读存储介质


[0001]本申请属于机器学习
，尤其涉及文本生成方法
、
装置
、
电子设备及计算机可读存储介质
。

技术介绍

[0002]目前，用户通过网络售卖平台可以方便地购买其所需的物品
。
[0003]网络售卖平台通常会根据当前的促销活动以及售卖的物品的名称等生成卖点文本，并展示在网络售卖平台的界面
。
这样，当用户浏览该网络售卖平台的界面时，用户可根据该卖点文本快速查找到其所需购买的物品
。
[0004]现有的卖点文本生成方法中，主要依赖商品预设的卖点文案模板或已有的卖点文案关键词，导致生成的卖点文本的内容较单一
。

技术实现思路

[0005]本申请实施例提供了文本生成方法
、
装置
、
电子设备及计算机可读存储介质，可以解决现有方法生成的卖点文本的内容过于单一的问题
。
[0006]第一方面，本申请实施例提供了一种文本生成方法，包括：获取商品在至少两个维度上的商品信息；根据获取的所述商品信息确定长文本；根据所述长文本生成所述商品对应的卖点文本
。
[0007]第二方面，本申请实施例提供了一种文本生成装置，包括：商品信息获取模块，用于获取商品在至少两个维度上的商品信息；长文本确定模块，用于根据获取的所述商品信息确定长文本；卖点文本生成模块，用于根据所述长文本生成所述商品对应的卖点文本
。
[0008]第三方面，本申请实施例提供了一种电子设备，包括存储器
、
处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的方法
。
[0009]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存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法
。
[0010]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面所述的方法
。
[0011]本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，由于长文本是由商品的至少2个维度的商品信息得到，因此，根据该长文本确定商品的卖点文本时，相当于依赖更丰富的商品信息，从而能够提高得到的卖点文本的多样性，使得生成的卖点文本与商品的匹配度更高，进而使得生成的卖点文本的准确度更高
。
附图说明
[0012]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍
。
[0013]图1是本申请一实施例提供的一种文本生成方法的流程示意图；图2是本申请一实施例提供的一种详情页图片的示意图；图3是本申请一实施例提供的一种对图2的详情页图片进行文本识别后得到的文本序列的示意图；图4是本申请一实施例提供的一种文本生成装置的结构示意图；图5是本申请实施例提供的一种电子设备的结构示意图
。
具体实施方式
[0014]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构
、
技术之类的具体细节，以便透彻理解本申请实施例
。
然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请
。
在其它情况中，省略对众所周知的系统
、
装置
、
电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述
。
[0015]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征
、
整体
、
步骤
、
操作
、
元素和
/
或组件的存在，但并不排除一个或多个其它特征
、
整体
、
步骤
、
操作
、
元素
、
组件和
/
或其集合的存在或添加
。
[0016]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和
/
或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合
。
[0017]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性
。
[0018]在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征
、
结构或特点
。
由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调
。
[0019]在生成卖点文本时，若只是依赖商品的卖点文案模板或已有的卖点文案关键词，则由于卖点文案模板或卖点文案关键词所包含的信息量较少，将导致生成的卖点文本的内容过于单一
。
[0020]为了丰富生成的卖点文本所包含的信息，本申请实施例提供了一种文本生成方法
。
在该文本生成方法中，获取商品在至少两个维度上的商品信息，以保证获取较多的商品信息，再根据该商品信息确定长文本，以该长文本生成商品的卖点文本
。
[0021]下面结合附图对本申请实施例提供的文本生成方法进行描述
。
[0022]图1示出了本申请实施例提供的一种文本生成方法的流程示意图，详述如下：
S11、
获取商品在至少两个维度上的商品信息
。
[0023]其中，这里的商品是指在网络售卖平台上售卖的商品，该商品包括具有实际体积的物品，也可以包括没有实际体积的服务等
。
[0024]其中，这里的维度包括但不限于以下维度：商品的标题
、
商品的分类
、
商品的描述
文本
、
商品的详情页图片等
。
[0025]其中，商品的标题对应的商品信息通常包括商品的品牌和具体的分类的信息，如品牌
A
面霜
。
[0026]其中，商品的分类对应的商品信息包括该商品所属的一级分类
、
二级分类等各个分类的信息
。
需要指出的是，这里的分类的数量与网络售卖平台对商品的分类确定，即该商品的分类所包括的分类的数量与一级分类到该商品对应的最小的分类所包括的数量相等
。
例如，对于面霜来说，其一级分类可能为“美妆”，二级分类可能为“乳液面霜”，则“本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种文本生成方法，其特征在于，包括：获取商品在至少两个维度上的商品信息；根据获取的所述商品信息确定长文本；根据所述长文本生成所述商品对应的卖点文本
。2.
如权利要求1所述的文本生成方法，其特征在于，若获取的所述商品信息包括详情页图片，则所述根据获取的所述商品信息确定长文本，包括：对所述详情页图片进行文本识别，得到所述详情页图片对应的文本序列；对每一个所述文本序列，采用预设的文本过滤模型对所述文本序列进行处理，得到所述文本过滤模型输出的文本置信度，其中，所述文本过滤模型用于确定并输出所述文本序列的文本置信度，所述文本置信度用于指示所述文本序列是否需要过滤；根据各个所述文本置信度过滤所述详情页图片对应的文本序列，得到过滤后的文本序列；根据所述过滤后的文本序列确定所述长文本
。3.
如权利要求2所述的文本生成方法，其特征在于，所述预设的文本过滤模型的结构包括
BERT
模型和
Dense
神经网络层；所述
BERT
模型用于将所述文本序列拆分成多个
token
，得到
token
序列，提取所述
token
序列的深层语义特征，根据提取的各个所述深层语义特征构造句子特征序列；所述
Dense
神经网络层根据所述句子特征序列输出所述文本置信度
。4.
如权利要求1所述的文本生成方法，其特征在于，所述文本生成方法还包括：获取所述商品的品牌信息；所述根据所述长文本生成所述商品对应的卖点文本，包括：将所述长文本作为预设的卖点生成模型的正向输入，以及，将所述品牌信息作为卖点生成模型的负向输入，得到所述卖点生成模型输出的所述商品对应的卖点文本
。5.
如权利要求4所述的文本生成方法，其特征在于，在所述将所述长文本作为预设的卖点生成模型的正向输入之前，还包括：获取多...

【专利技术属性】
技术研发人员：张俊峰，张炜，韦国迎，
申请(专利权)人：深圳市灵智数字科技有限公司，
类型：发明
国别省市：