[发明专利]一种评论生成方法、装置、设备及存储介质

权利要求书

1.一种评论生成方法，其特征在于，包括：

获取目标对象的上下文信息，其中，所述上下文信息包括所述目标对象的标识、购买所述目标对象的用户的标识，所述用户对所述目标对象的评分；

通过所述评论生成模型和所述目标对象的上下文信息，预测能够反映待生成的目标评论文本的整体内容走向的评论主题序列；

通过所述评论生成模型和所述评论主题序列，生成评论模板，其中，所述评论模板中包括表征粗粒度语义的词，缺失表征细粒度语义的词；

通过所述评论生成模型为所述评论模板补充所述表征细粒度语义的词，获得所述目标评论文本。

2.根据权利要求1所述的评论生成方法，其特征在于，所述通过所述评论生成模型和所述目标对象的上下文信息，预测能够反映待生成的所述目标评论文本的整体内容走向的评论主题序列，包括：

通过所述评论生成模型的上下文编码器，将所述目标对象的上下文信息编码为上下文向量；

通过所述评论生成模型的主题解码器和所述上下文向量，预测所述评论主题序列。

3.根据权利要求1所述的评论生成方法，其特征在于，所述通过所述评论生成模型和所述评论主题序列，生成评论模板，包括：

通过所述评论生成模型的模板解码器，为所述评论主题序列中的每个主题预测一个评论模板，获得所述评论主题序列中每个主题对应的评论模板。

4.根据权利要求1所述的评论生成方法，其特征在于，所述通过所述评论生成模型为所述评论模板补充所述表征细粒度语义的词，获得所述目标评论文本，包括：

通过所述评论生成模型的模板编码器，对所述评论模板进行编码，获得所述评论模板的向量表示；

通过所述评论生成模型的评论解码器和所述评论模板的向量表示，预测所述评论模板缺失的表征细粒度语义的词，并将预测出的词补充至所述评论模板中。

5.根据权利要求1所述的评论生成方法，其特征在于，预先建立所述评论生成模型的过程包括：

获取训练数据集，其中，所述训练数据集中包括多条训练数据，每条训练数据包括一训练上下文信息、该训练上下文信息对应的真实评论文本、该训练上下文信息对应的真实主题序列以及该训练上下文信息对应的真实评论模板；

利用所述训练数据集中的训练数据训练评论生成模型。

6.根据权利要求5所述的评论生成方法，其特征在于，所述评论生成模型包括上下文编码器、主题解码器、模板解码器、模板编码器和评论解码器；

所述利用所述训练数据集中的训练数据训练评论生成模型，包括：

利用训练数据中的训练上下文信息训练所述上下文编码器；

利用训练数据中的训练上下文信息和该训练上下文信息对应的真实主题序列，训练主题解码器；

利用训练数据中训练上下文信息对应的真实主题序列和该训练上下文信息对应的真实评论模板，训练模板解码器；

利用训练数据中训练上下文信息对应的真实评论模板和该训练上下文信息对应的真实评论文本，训练模板编码器和评论解码器。

7.根据权利要求6所述的评论生成方法，其特征在于，所述利用训练数据中的训练上下文信息和训练上下文信息对应的真实主题序列，训练所述主题解码器，包括：

通过训练得到的上下文编码器，将训练上下文信息编码为上下文向量，得到该训练上下文信息对应的上下文向量；

将该训练上下文信息对应的上下文向量输入主题解码器，获得主题解码器预测的主题序列，作为该训练上下文信息对应的预测主题序列；

根据该训练上下文信息对应的预测主题序列、该训练上下文信息对应的真实主题序列，以及预设的第一损失函数，更新主题解码器的参数。