CN113886553B 一种文本生成方法、装置、设备以及存储介质 （北京百度网讯科技有限公司）

质2将所述商品详情信息拆分为多个段落；针对每一段落，依据所问题的关联程度，将与所述段落关联程度最高的代表问题作为所述段落回答的代表问题；依据各个问题的语义向量的距离，对所述至少一个问答对中的问表问题的关联程度，将与所述段落关联程度最高的代表问题作为所述段落回答的代表问将所述段落输入文本分类模型，通过所述文本分类模型输出与所述针对各个问答对，标注样本问答对中的答案文本以及所述答标注样本商品详情信息中的答案文本以及各个答案文本对应的代表问3标注模块，用于针对各个问答对，标注样本问答对中的答案文本以及所训练模块，用于利用所述多个答案文本以及以及所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被45[0022]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特[0025]图2是根据本公开实施例的对至少一个问答对中的问题进行聚类，得到至少一个[0027]图4是根据本公开实施例的基于所述商品详情信息，提取回答所述代表问题的答6[0050]至少一个问答对可以包括用户提出的问题以及针对该问7对应的问题类别的文本分类模型，例如，用于文本分类的卷积神经网络(ConvolutionalNeuralNetworksforSentenceClassification，TextCNN)，然后，利用训练好的该[0060]可以利用语义向量模型，例如word2vec模型为每个问题计算一个语义级别的向[0064]或者，可以使用聚类算法进行自适应聚类，例如，使用基于密度的聚类算法(Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN)对多个问8落关联程度最高的代表问题，并将文本分类模型输出的代表问题作为段落回答的代表问[0076]例如，用于确定段落对应的代表问题的文本分类模型可以是TextCNN文本分类模型，该TextCNN文本分类模型将段落转换为语义向量，然后提取段落的语义向量的关键特9注信息；标注样本商品详情信息中的答案文本以及各个答案文本对应的代表问题标注信详情信息中的答案文本以及各个答案文本对应的代表问题标注信息即训练文本分类模型[0086]本公开实施例中，样本问答对和样本商品详情信息来源于多个场景下的实际数[0088]每个代表问题可以对应多个段落，即多个段落对应的代表问题有可能是相同[0089]当回答的代表问题相同的多个段落不存在冗余，且该多[0103]答案生成阶段的模型训练包括利用样本问答对中的答案文本以及答案文本对应[0110]获取模块601，用于获取原始物料，原始物料包括至少一个问答对和商品详情信[0112]聚类模块603，用于对至少一个问答对中的问题进行聚类，得到至少一个代表问[0120]训练模块702，用于利用多个答案文本以及以及各个答案文本对应的代表问题标的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执因特网的计算机网络和/或各种电信网络与其他设备交换信者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器[0128]用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器[0131]可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计如，本发公开中记载的各步骤可以并行地执行也可以顺序