[发明专利]评论生成及评论生成模型训练方法、装置及存储介质有效

专利信息
申请号: 201910521306.4 申请日: 2019-06-17
公开(公告)号: CN110377750B 公开(公告)日: 2022-05-27
发明(设计)人: 黄俊衡;陈思姣;罗雨;彭卫华 申请(专利权)人: 北京百度网讯科技有限公司
主分类号: G06F16/36 分类号: G06F16/36;G06F16/34;G06F40/30;G06N3/04;G06N3/08
代理公司: 北京鸿德海业知识产权代理有限公司 11412 代理人: 田宏宾
地址: 100085 北京市*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 评论 生成 模型 训练 方法 装置 存储 介质
【权利要求书】:

1.一种评论生成方法,其特征在于,包括:

获取待处理的文章中的关键词;

分别获取各关键词的主题信息,包括:针对任一关键词,分别获取所述关键词的第一向量和第二向量,所述第一向量为所述关键词的语义向量,所述第二向量为所述关键词相关的文章语义向量,将所述第一向量和所述第二向量进行拼接,得到主题向量,将所述主题向量作为所述关键词的主题信息,其中,所述第二向量为对所述第一向量及所述文章的语义向量执行注意力操作后得到的向量;

利用预先训练得到的评论生成模型,以所述主题信息作为引导,基于所述主题信息生成所述文章的评论,其中,所述评论中的每个词的生成均依赖于所述主题信息。

2.根据权利要求1所述的方法,其特征在于,

所述获取所述关键词的第一向量包括:将所述关键词输入长短期记忆网络模型,得到所述关键词的第一向量。

3.根据权利要求1所述的方法,其特征在于,

获取所述文章的语义向量包括:将所述文章输入长短期记忆网络模型,得到所述文章的语义向量。

4.一种评述生成模型训练方法,其特征在于,包括:

获取作为训练语料的文章中的关键词;

针对各关键词,分别从所述文章对应的评论集中查找出至少一个与所述关键词相匹配的评论;

利用查找出的评论与所述文章组成训练对;

分别获取各关键词的主题信息,包括:针对任一关键词,分别获取所述关键词的第一向量和第二向量,所述第一向量为所述关键词的语义向量,所述第二向量为所述关键词相关的文章语义向量,将所述第一向量和所述第二向量进行拼接,得到主题向量,将所述主题向量作为所述关键词的主题信息,其中,所述第二向量为对所述第一向量及所述文章的语义向量执行注意力操作后得到的向量;

根据所述训练对及所述主题信息训练得到评论生成模型。

5.根据权利要求4所述的方法,其特征在于,

所述分别从所述文章对应的评论集中查找出至少一个与所述关键词相匹配的评论包括:

针对任一关键词,从所述评论集中查找出包含所述关键词的评论;

若查找出的评论数大于一,则选出其中的一条评论作为与所述关键词相匹配的评论。

6.根据权利要求4所述的方法,其特征在于,

所述获取所述关键词的第一向量包括:将所述关键词输入长短期记忆网络模型,得到所述关键词的第一向量。

7.根据权利要求4所述的方法,其特征在于,

获取所述文章的语义向量包括:将所述文章输入长短期记忆网络模型,得到所述文章的语义向量。

8.一种评论生成装置,其特征在于,包括:第一获取单元、第二获取单元以及生成单元;

所述第一获取单元,用于获取待处理的文章中的关键词;

所述第二获取单元,用于分别获取各关键词的主题信息,包括:针对任一关键词,分别获取所述关键词的第一向量和第二向量,所述第一向量为所述关键词的语义向量,所述第二向量为所述关键词相关的文章语义向量,将所述第一向量和所述第二向量进行拼接,得到主题向量,将所述主题向量作为所述关键词的主题信息,其中,所述第二向量为对所述第一向量及所述文章的语义向量执行注意力操作后得到的向量;

所述生成单元,用于利用预先训练得到的评论生成模型,以所述主题信息作为引导,基于所述主题信息生成所述文章的评论,其中,所述评论中的每个词的生成均依赖于所述主题信息。

9.根据权利要求8所述的装置,其特征在于,

所述第二获取单元将所述关键词输入长短期记忆网络模型,得到所述关键词的第一向量。

10.根据权利要求8所述的装置,其特征在于,

所述第二获取单元将所述文章输入长短期记忆网络模型,得到所述文章的语义向量。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京百度网讯科技有限公司,未经北京百度网讯科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910521306.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top