文本生成方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例公开了一种文本生成方法、装置、电子设备及存储介质，该方法包括：获取历史对话文本、候选文本和参考知识文本，在多个候选文本中筛选出与历史对话文本相似的目标文本，根据目标文本和对应的参考知识文本构建第一提示文本，根据历史对话文本构建第二提示文本，利用大语言模型推理出准确的预测知识文本，由于大语言模型的知识储备深厚，所以由大语言模型生成的预测知识文本的类型和来源广泛，根据历史对话文本和预测知识文本得到内容丰富的目标拼接文本，利用大语言模型处理响应文本的文本生成任务，能够提高大语言模型的泛化性能，从而生成效果较好的响应文本，可广泛应用于云技术、人工智能、聊天、智慧交通等场景。

【技术实现步骤摘要】

本申请涉及计算机，特别是涉及一种文本生成方法、装置、电子设备及存储介质。

技术介绍

1、在人工智能领域，大语言模型是大型语言模型(large language modeling，llm)的简称，是指使用大量文本数据训练的深度学习模型，可以生成自然语言文本或理解语言文本的含义，大语言模型可以处理多种自然语言任务，例如文本分类、问答、对话等。

2、目前，在处理对话任务时，虽然大语言模型具备较优的文本理解和生成能力，但是在许多情况下，大语言模型生成的响应文本会出现错误，导致响应文本的生成效果较差，大语言模型的泛化性能较低。

技术实现思路

1、以下是对本申请详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

2、本申请实施例提供了一种文本生成方法、装置、电子设备及存储介质，能够提高大语言模型的泛化性能，从而生成效果较好的响应文本。

3、一方面，本申请实施例提供了一种文本生成方法，包括：

4、获取多个轮次的历史对话文本、多个预设的候选文本和各个所述候选文本对应本文档来自技高网...

【技术保护点】

1.一种文本生成方法，其特征在于，包括：

2.根据权利要求1所述的文本生成方法，其特征在于，所述候选文本的知识粒度类型的数量为至少一种，所述在多个所述候选文本中筛选出与所述历史对话文本相似的目标文本，包括：

3.根据权利要求2所述的文本生成方法，其特征在于，所述参考知识文本的知识粒度类型包括第一知识粒度类型和第二知识粒度类型，所述第一知识粒度类型的粒度范围大于所述第二知识粒度类型的粒度范围，所述在所述知识粒度类型与所述查询文本对应的所述候选文本中，筛选出与所述查询文本相似的目标文本，包括：

4.根据权利要求3所述的文本生成方法，其特征在于，所述预测知识...

【技术特征摘要】

1.一种文本生成方法，其特征在于，包括：

2.根据权利要求1所述的文本生成方法，其特征在于，所述候选文本的知识粒度类型的数量为至少一种，所述在多个所述候选文本中筛选出与所述历史对话文本相似的目标文本，包括：

3.根据权利要求2所述的文本生成方法，其特征在于，所述参考知识文本的知识粒度类型包括第一知识粒度类型和第二知识粒度类型，所述第一知识粒度类型的粒度范围大于所述第二知识粒度类型的粒度范围，所述在所述知识粒度类型与所述查询文本对应的所述候选文本中，筛选出与所述查询文本相似的目标文本，包括：

4.根据权利要求3所述的文本生成方法，其特征在于，所述预测知识文本包括所述第一知识粒度类型对应的第一知识文本，以及所述第二知识粒度类型对应的第二知识文本，所述将多个轮次的历史对话文本与所述预测知识文本进行拼接，得到目标拼接文本，包括：

5.根据权利要求3所述的文本生成方法，其特征在于，所述预测知识文本包括所述第一知识粒度类型对应的第一知识文本，以及所述第二知识粒度类型对应的第二知识文本，所述将多个轮次的历史对话文本与所述预测知识文本进行拼接，得到目标拼接文本，包括：

6.根据权利要求3所述的文本生成方法，其特征在于，所述在所述第一知识粒度类型的所述候选文本中，筛选出与至少两个轮次的所述历史对话文本相似的目标文本，包括：

7.根据权...

【专利技术属性】
技术研发人员：倪宣凡，李丕绩，蔡登，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：