[发明专利]长文本生成方法、装置、终端及存储介质

权利要求书

1.一种长文本生成方法，其特征在于，包括：

获取输入数据，所述输入数据包括多个属性以及每个属性对应的值；

基于所述输入数据构建预设数量个计划子文本，每个所述计划子文本均包括所有属性；

计算每个所述属性在每个所述计划子文本的概率，并根据所述概率筛选出符合预设要求的目标属性，并将所述目标属性作为所述计划子文本的最终输出属性；

根据所述输入数据和每个所述计划子文本的最终输出属性生成与所述计划子文本对应的多个输出子文本，每个所述子文本包括所述最终输出属性对应的值，所述多个输出子文本构成一个长文本。

2.根据权利要求1所述的方法，其特征在于，所述基于所述输入数据构建预设数量个计划子文本，每个所述计划子文本均包括所有属性，包括：

对所述输入数据进行编码操作，并结合预设的第一神经网络模型计算得到第一隐变量分布，并从所述第一隐变量分布中随机采样得到第一隐变量；

根据所述输入数据、所述第一隐变量计算得到概率分布最大的一组所述计划子文本。

3.根据权利要求2所述的方法，其特征在于，所述计算每个所述属性在每个所述计划子文本的概率，并根据所述概率筛选出符合预设要求的目标属性，并将所述目标属性作为所述计划子文本的最终输出属性，包括：

计算每个属性在每个所述计划子文本中的概率；

分别判断所述计划子文本中是否存在所述概率大于预设阈值的目标属性；

若存在，则将所述目标属性作为所述计划子文本的最终输出属性；

若不存在，则将所述概率最大的属性作为所述最终输出属性。

4.根据权利要求2所述的方法，其特征在于，所述根据所述输入数据和每个所述计划子文本的最终输出属性生成与所述计划子文本对应的多个输出子文本，每个所述子文本包括所述最终输出属性对应的值，所述多个输出子文本构成一个长文本，包括：

利用预设的第一解码端进行文本解码操作，得到第一解码端的隐状态；

根据所述第一解码端的隐状态、所述输入数据、所述第一隐变量、所述计划子文本的最终输出属性和预设的第二神经网络模型计算得到第二隐变量分布；

从所述第二隐变量分布中随机采样得到第二隐变量；

根据所述输入数据、所述第一隐变量、所述计划子文本的最终输出属性和所述第二隐变量计算得到概率分布最大的一组输出子文本的表现形式，所述表现形式用于反映所述输出子文本之间的关系；

通过预设的第二解码端基于所述输出子文本的表现形式、所述输入数据、所述第一隐变量、所述计划子文本的最终输出属性、所述第二隐变量生成所述多个输出子文本，所述多个输出子文本组合构成一个长文本。

5.根据权利要求4所述的方法，其特征在于，所述第一神经网络模型预先训练，并在训练过程中使用预先设置的第一损失函数反向传播更新所述第一神经网络模型，所述第一损失函数为：

其中，所述logP(y|x)为第一损失函数值，所述是指在根据x,y学习出分布并采样Z^P的情况下，y＝argmax_yP(y|g,x,z^p)表示最终的输出结果，所述P(y|x,z^P)是在输入x和从分布采样出的z^P来代表隐藏层数据的情况下预测到y的概率，D_KL是散度计算，是计算q_θ′(z^P|x,y)分布与p_θ(z^p|x)分布的差异，p_θ(z^p|x)是预先获取的输入数据x编码后的真实分布，q_θ′(z^P|x,y)是指所述第一神经网络模型学习到的分布。