[发明专利]一种基于深度学习的评价文本生成方法

说明书

一种基于深度学习的评价文本生成方法，该方法包括以下步骤：S1、利用自然语言处理工具HanLP对评审文本进行编码并形成词向量；S2、通过K‑Bert神经网络搭建训练网络模型；S3、改善训练网络模型特性并对词向量进行训练；S4、利用BLUE、ROUGE校核训练网络模型的准确性，并获得训练网络模型的最佳参数设置；S5、将设计文本输入校核后的训练网络模型以生成评价文本。本发明不仅提高了智能化程度，而且提高了工作效率。

技术领域

本发明涉及自然语言处理技术领域，尤其涉及一种基于深度学习的评价文本生成方法，主要适用于提高评审的智能化程度与工作效率。

背景技术

自然语言生成(Natural Language Generation，NLG)是一种利用人工智能技术将结构化的文本或数据转化为叙述性文本的技术。NLG技术能将海量数据简化为简洁的、符合人类语言表达的文本。自然语言生成在输入法、摘要生成、自动邮件回复、AI聊天机器人等领域有着广泛的应用，但是在电力生产过程中的应用却相对滞后。

现如今，NLG在电力文本生成中基本没有应用，电力文本生成更多的是基于固定模板填词，智能性不强。以工程项目评审为例，技术管理者在形成评审意见、批复的过程中，仍然大量依赖重复的、冗余的人工，实际上其中很多流程都可以通过自然语言处理与文本生成的手段进行替代。自然语言生成技术可以将技术管理人员从冗杂的工作中解放出来，将时间分配到更具建设性的工作上。

在国内，几乎没有将自然语言处理(Natural Language Processing，NLP)用于工程项目全过程的范例；在国外，相关应用也起步较晚。Frenette和Kyriakidis于2016年利用NLP技术检查早期设计阶段术语表达的正确性，以降低项目风险。Zhang和El-Gohary于2015将前期阶段设计文本文档转换为规范和结构化数据用于信息建模，以降低成本以及减小人工信息摘取中所出现的错漏。Zou等人于2017年将NLP技术用于案例库推理(Case BaseReasoning，CBR)，将过往事故、风险的案例和经验构建为数据库，通过自然语言处理方法来提高调取和检索这些数据的效率。Lee和Yi于2017年提出了一种预测工程投标风险的，对非结构化的文本数据进行文本挖掘，作为风险预测模型的主要影响因子。Lee等人于2019年构建了一种基于NLP审查合同风险的系统，可以快速的审查、检索大量合同并发现其中有问题的条款。不过总的来说，在工程管理全过程中所使用的这些工具，大多是基于规则匹配以及其它传统算法，极少有使用深度神经网络的。这些传统方法只能针对相对固定的文本，不能适应语义和语言结构上的复杂变化。基于深度神经网络算法的自然语言处理系统，对于复杂的文本具有更好的适配性和容错性，且有较强的学习功能，可以自我更新优化、持续改进。

发明内容

本发明的目的是克服现有技术中存在的智能化程度低、工作效率低的缺陷与问题，提供一种智能化程度高、工作效率高的基于深度学习的评价文本生成方法。

为实现以上目的，本发明的技术解决方案是：一种基于深度学习的评价文本生成方法，该方法包括以下步骤：

S1、利用自然语言处理工具HanLP对评审文本进行编码并形成词向量；

S2、通过K-Bert神经网络搭建训练网络模型；

S3、改善训练网络模型特性并对词向量进行训练；

S4、利用BLUE、ROUGE校核训练网络模型的准确性，并获得训练网络模型的最佳参数设置；

S5、将设计文本输入校核后的训练网络模型以生成评价文本。

步骤S1具体包括以下步骤：

S11、利用正则匹配将评审文本按章、节标题进行切分，生成多个子文件并编号，从多个子文件中筛选出需要进行评价的章节所在的子文件，并将这些子文件储存；