基于人工智能的评论生成方法及装置、设备与可读介质与流程

【技术领域】

本发明涉及计算机应用技术领域，尤其涉及一种基于人工智能的评论生成方法及装置、设备与可读介质。

背景技术：

人工智能(artificialintelligence；ai)，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

随着网络科技的发展，各种网络多媒体的兴起，增加了用户获取各种新闻资讯的途经，提高人们阅读新闻资讯的效率。例如，用户可以通过下载新闻应用(application；app)随时随地阅读新闻。

现有技术中，每个新闻应用(application；app)里都包含了大量冷门新闻，评论区只有少量评论甚至没有评论。这种新闻用户参与度低。通常情况下，为了吸引用户的参与和关注，新闻app的开发团队可以采用人工手动撰写评论的方式，来撰写多条评论，吸引用户的关注和参与。

但是现有技术中，人工手动的方式撰写评论的效率非常低。

技术实现要素：

本发明提供了一种基于人工智能的评论生成方法及装置、设备与可读介质，用于提高评论生成效率。

本发明提供一种基于人工智能的评论生成方法，所述方法包括：

从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词；

分别获取所述目标分词的所述候选分词对应的对齐特征、语言特征以及上下文特征；

根据所述目标分词的所述候选分词对应的所述对齐特征、所述语言特征以及所述上下文特征以及预先训练的可行性打分模型，预测所述评论语句中所述候选分词能够替换对应的所述目标分词的可行性分值；

若所述可行性分值大于或者等于预设的可行性分数阈值，将所述评论语句中的所述目标分词替换为所述候选分词，生成所述主题对应的评论语句。

进一步可选地，如上所述的方法中，从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词之前，所述方法还包括：

从评论库中获取与所述主题扣题的所述评论语句；

对所述评论语句进行分词处理，得到多个所述目标分词。

进一步可选地，如上所述的方法中，从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词，具体包括：

根据预先训练的候选词挖掘模型，获取与所述评论语句中的所述目标分词与所述分词语料库中各所述分词预料的对齐概率；

从所述分词语料库的多个分词预料中获取对齐概率大于或者等于预设概率阈值的分词预料，作为与所述目标分词对齐的所述候选分词。

进一步可选地，如上所述的方法中，获取所述目标分词的所述候选分词对应的对齐特征，具体包括：

分别获取所述目标分词与所述候选分词的第一对齐概率、所述目标分词对应的第一前分词与所述候选分词对应的第一前分词的第二对齐概率、所述目标分词对应的第二前分词与所述候选分词对应的第二前分词的第三对齐概率、所述目标分词对应的第一后分词与所述候选分词对应的第一后分词的第四对齐概率、以及所述目标分词对应的第二后分词与所述候选分词对应的第二后分词的第五对齐概率；其中，所述目标分词对应的第一前分词为所述目标分词与所述评论语句中所述目标分词的前相邻的第一个分词构成的分词，所述候选分词对应的第一前分词为所述候选分词与所述评论语句中所述目标分词的前相邻的第一个分词构成的分词；所述目标分词对应的第二前分词为所述目标分词与所述评论语句中所述目标分词的前相邻的两个分词构成的分词，所述候选分词对应的第二前分词为所述候选分词与所述评论语句中所述目标分词的前相邻的两个分词构成的分词；所述目标分词对应的第一后分词为所述目标分词与所述评论语句中所述目标分词的后相邻的第一个分词构成的分词，所述候选分词对应的第一后分词为所述候选分词与所述评论语句中所述目标分词的后相邻的第一个分词构成的分词；所述目标分词对应的第二后分词为所述目标分词与所述评论语句中所述目标分词的后相邻的两个分词构成的分词，所述候选分词对应的第二后分词为所述候选分词与所述评论语句中所述目标分词的后相邻的两个分词构成的分词；

根据所述第一对齐概率、所述第二对齐概率、所述第三对齐概率、所述第四对齐概率和所述第五对齐概率，生成所述目标分词的所述候选分词对应的对齐特征。

进一步可选地，如上所述的方法中，获取所述目标分词的所述候选分词对应的语言特征，具体包括：

获取所述评论语句中所述目标分词前相邻的两个分词；

根据所述目标分词、所述目标分词前相邻的两个分词和根据评论语料库预先训练的语言模型，获取所述目标分词对应的第一语言分值；

根据所述候选分词、所述目标分词前相邻的两个分词和预先训练的语言模型，获取所述候选分词对应的第二语言分值；

根据所述第一语言分值和所述第二语言分值，生成所述目标分词的所述候选分词对应的语言特征。

进一步可选地，如上所述的方法中，获取所述目标分词的所述候选分词对应的上下文特征，具体包括：

获取所述目标分词在所述评论语句中的前相邻的两个分词和后相邻的两个分词构成的词向量；

获取所述目标分词和所述候选分词构成的替换向量；

根据所述词向量、所述替换向量以及根据评论语料库预先训练的上下文模型，获取所述目标分词的所述候选分词对应的上下文特征。

本发明还提供一种基于人工智能的评论生成装置，所述装置包括：

挖掘模块，用于从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词；

获取模块，用于分别获取所述目标分词的所述候选分词对应的对齐特征、语言特征以及上下文特征；

预测模块，用于根据所述目标分词的所述候选分词对应的所述对齐特征、所述语言特征以及所述上下文特征以及预先训练的可行性打分模型，预测所述评论语句中所述候选分词能够替换对应的所述目标分词的可行性分值；

生成模块，用于若所述可行性分值大于或者等于预设的可行性分数阈值，将所述评论语句中的所述目标分词替换为所述候选分词，生成所述主题对应的评论语句。

进一步可选地，如上所述的装置中，还包括分词模块；

所述获取模块，还用于从评论库中获取与所述主题扣题的所述评论语句；

所述分词模块，用于对所述评论语句进行分词处理，得到多个所述目标分词。

进一步可选地，如上所述的装置中，所述挖掘模块，具体用于：

根据预先训练的候选词挖掘模型，获取与所述评论语句中的所述目标分词与所述分词语料库中各所述分词预料的对齐概率；

从所述分词语料库的多个分词预料中获取对齐概率大于或者等于预设概率阈值的分词预料，作为与所述目标分词对齐的所述候选分词。

进一步可选地，如上所述的装置中，所述获取模块，具体用于：

分别获取所述目标分词与所述候选分词的第一对齐概率、所述目标分词对应的第一前分词与所述候选分词对应的第一前分词的第二对齐概率、所述目标分词对应的第二前分词与所述候选分词对应的第二前分词的第三对齐概率、所述目标分词对应的第一后分词与所述候选分词对应的第一后分词的第四对齐概率、以及所述目标分词对应的第二后分词与所述候选分词对应的第二后分词的第五对齐概率；其中，所述目标分词对应的第一前分词为所述目标分词与所述评论语句中所述目标分词的前相邻的第一个分词构成的分词，所述候选分词对应的第一前分词为所述候选分词与所述评论语句中所述目标分词的前相邻的第一个分词构成的分词；所述目标分词对应的第二前分词为所述目标分词与所述评论语句中所述目标分词的前相邻的两个分词构成的分词，所述候选分词对应的第二前分词为所述候选分词与所述评论语句中所述目标分词的前相邻的两个分词构成的分词；所述目标分词对应的第一后分词为所述目标分词与所述评论语句中所述目标分词的后相邻的第一个分词构成的分词，所述候选分词对应的第一后分词为所述候选分词与所述评论语句中所述目标分词的后相邻的第一个分词构成的分词；所述目标分词对应的第二后分词为所述目标分词与所述评论语句中所述目标分词的后相邻的两个分词构成的分词，所述候选分词对应的第二后分词为所述候选分词与所述评论语句中所述目标分词的后相邻的两个分词构成的分词；

根据所述第一对齐概率、所述第二对齐概率、所述第三对齐概率、所述第四对齐概率和所述第五对齐概率，生成所述目标分词的所述候选分词对应的对齐特征。

进一步可选地，如上所述的装置中，所述获取模块，还具体用于：

获取所述评论语句中所述目标分词前相邻的两个分词；

根据所述目标分词、所述目标分词前相邻的两个分词和根据评论语料库预先训练的语言模型，获取所述目标分词对应的第一语言分值；

根据所述候选分词、所述目标分词前相邻的两个分词和预先训练的语言模型，获取所述候选分词对应的第二语言分值；

根据所述第一语言分值和所述第二语言分值，生成所述目标分词的所述候选分词对应的语言特征。

进一步可选地，如上所述的装置中，所述获取模块，还具体用于：

获取所述目标分词在所述评论语句中的前相邻的两个分词和后相邻的两个分词构成的词向量；

获取所述目标分词和所述候选分词构成的替换向量；

根据所述词向量、所述替换向量以及根据评论语料库预先训练的上下文模型，获取所述目标分词的所述候选分词对应的上下文特征。

本发明还提供一种计算机设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于人工智能的评论生成方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于人工智能的评论生成方法。

本发明的基于人工智能的评论生成方法及装置、设备与可读介质，通过从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词；分别获取目标分词的候选分词对应的对齐特征、语言特征以及上下文特征；根据目标分词的候选分词对应的对齐特征、语言特征以及上下文特征以及预先训练的可行性打分模型，预测评论语句中候选分词能够替换对应的目标分词的可行性分值；若可行性分值大于或者等于预设的可行性分数阈值，将评论语句中的目标分词替换为候选分词，生成主题对应的评论语句。本发明的技术方案，不仅能够考虑能够综合考虑目标分词和候选分词的词义、评论语句的上下文特性以及连贯性，获取目标分词的候选分词对应的对齐特征、语言特征以及上下文特征；并进而结合预先训练的可行性打分模型，能够准确预测评论语句中候选分词替换对应的目标分词的可行性分值；从而可以根据可行性分值生成与评论语句中的上下文连贯性非常好、比较通顺、可读性非常好的评论语句。而且采用本发明的技术方案，能够自动生成评论语句，能够有效地节省人力成本，提高评论生成的效率。

【附图说明】

图1为本发明的基于人工智能的评论生成方法实施例的流程图。

图2为本发明的基于人工智能的评论生成装置实施例一的结构图。

图3为本发明的基于人工智能的评论生成装置实施例二的结构图。

图4为本发明的计算机设备实施例的结构图。

图5为本发明提供的一种计算机设备的示例图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的基于人工智能的评论生成方法实施例的流程图。如图1所示，本实施例的基于人工智能的评论生成方法，具体可以包括如下步骤：

100、从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词；

本发明的基于人工智能的评论生成方法的执行主体为基于人工智能的评论生成装置，该基于人工智能的评论生成装置可以为一电子的实体装置，也可以为采用软件集成的装置。

本实施例的基于人工智能的评论生成方法，可以应用于新闻评论的领域中。例如对于一些冷门的新闻主题，为了吸引用户的关注度和参与度，可以通过本实施例的基于人工智能的评论生成方法，自动生成评论。而不用用户一条一条的去撰写评论，可以提高评论的生成效率，从而可以提高用户对该冷门的新闻主题的关注度和参与度。

本实施例中，评论语句中的目标分词可以评论语句中待研究的分词。预设的分词语料库为预先采集的包括很多分词预料构成的语料库。本实施例中与目标分词对应的候选分词为与该目标分词的对齐概率大于或者等于一定的预设概率阈值，即该候选分词的语义与目标分词的语义较为接近，但是在生成评论语句的时候，该候选分词是否能够替换目标分词，还需要后续进行进一步处理。

例如，本实施例的步骤100“从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词”之前，还可以包括如下步骤：

(a1)从评论库中获取与主题扣题的评论语句；

(a2)对评论语句进行分词处理，得到多个目标分词。

本实施例的评论库可以为对现有的各种新闻主题的评论语句进行采集，生成评论库。本实施例中，可以对评论库中的每一评论语句的语义进行分析，并对当前需要生成评论语句的新闻的主题进行语义分析，获取与该新闻的主题扣题的评论语句。然后对扣题的评论语句进行分词处理，从而得到多个可以用来研究是否可以替换为候选分词生成评论语句的多个目标分词。

进一步可选地，本实施例的步骤100“从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词”，具体可以包括如下步骤：

(b1)根据预先训练的候选词挖掘模型，获取评论语句中的目标分词与分词语料库中各分词预料的对齐概率；

(b2)从分词语料库的多个分词预料中获取对齐概率大于或者等于预设概率阈值的分词预料，作为与目标分词对齐的候选分词。

本实施例的技术方案需要预先训练候选词挖掘模型，然后向该候选词挖掘模型输入目标分词，该候选词挖掘模型可以根据该目标分词以及分词预料库中每个分词预料的语义信息，计算目标分词与分词预料库中每个分词预料的对齐概率；然后从分词预料库中获取对齐概率大于或者等于预设概率阈值的分词预料，作为与目标分词对齐的候选分词。例如，候选词挖掘模型的挖掘方法具体可以通过已有的ibm1算法，并利用phrase抽取技术从分词预料库中获取多个分词预料到多个分词预料的对齐以及对齐概率。例如目标分词为出租车、分词预料为的士时，出租车＝>的士，对齐概率为0.05。再例如北京_出租车＝>首都_的士，对齐概率为0.07。假设分词预料库中的分词预料非常丰富的时候，可以对分词语料库中的每一个分词预料输入至候选词挖掘模型中，得到该分词预料对应的候选分词预料以及对齐概率，并将对齐概率大于或者等于预设概率阈值的候选分词预料，按照分词预料-候选分词预料-对齐概率的方式存储；通过收集分词语料库中的每一个分词预料的“分词预料-候选分词预料-对齐概率”信息并存储生成一个对齐表。

101、分别获取目标分词的候选分词对应的对齐特征、语言特征以及上下文特征；

本实施例中，在判断该候选分词是否可以替换目标分词，需要考虑三个特征，第一个为对齐特征，该对齐特征根据目标分词、替换分词、目标分词在评论语句中的前相邻的第一分词、目标分词在评论语句中的前相邻的两个分词、目标分词在评论语句中的后相邻的第一分词以及目标分词在评论语句中的后相邻的两个分词，共计算出来的多个对齐概率来确定的。对齐特征是用于考虑评论语句中的上下文对使用候选分词替换目标分词的影响。第二个特征为语言特征，该语言特征是用来检测该候选分词与评论语句中该目标分词前相邻的两个分词的连贯性及搭配性，看候选分词放在评论语句中该目标分词的位置，语句是否通顺，以及与目标分词在位置的差别。该语言特征可以采用一个预先训练的语言模型来获得。第三个特征为上下文特征，这个上下文特征是用来检测评论语句中该目标分词的上下文对该候选分词的一个打分情况。上下文特征具体可以采用神经网络(neuralnetworks；nn)模型来获得。

102、根据目标分词的候选分词对应的对齐特征、语言特征以及上下文特征以及预先训练的可行性打分模型，预测评论语句中候选分词替换对应的目标分词的可行性分值；

102、若可行性分值大于或等于预设的可行性分数阈值，将评论语句中的目标分词替换为候选分词，生成主题对应的评论语句。

在获取目标分词的候选分词对应的对齐特征、语言特征以及上下文特征之后，将对齐特征、语言特征以及上下文特征输入至预先训练的可行性打分模型，该可行性打分模型便可以预测评论语句中候选分词替换对应的目标分词的可行性分值；例如该可行性打分模型可以采用随机森林树模型学习得到。最后判断可行性分值是否大于或者等于预设的可行性分数阈值，若可行性分值大于或等于预设的可行性分数阈值，将评论语句中的目标分词替换为候选分词，生成主题对应的评论语句；否则若可行性分值小于预设的可行性分数阈值，此时确定该候选分词不能替换该目标分词，放弃目标分词的该候选分词。

本实施例的基于人工智能的评论生成方法，通过采用上述方案，通过根据与主题扣题的评论语句中的目标分词和候选分词，获取对应的对齐特征、语言特征以及上下文特征，并根据目标分词的候选分词对应的对齐特征、语言特征以及上下文特征以及预先训练的可行性打分模型，预测评论语句中候选分词替换对应的目标分词的可行性分值，若可行性分值大于或等于预设的可行性分数阈值，将评论语句中的目标分词替换为候选分词，生成主题对应的评论语句。本实施例的技术方案，可以对评论库中的每一个评论语句中的每一个目标分词进行分词，生成不同的评论语句，由于该生成的评论语句考虑到对齐特征、语言特征以及上下文特征，因此，该候选分词替换目标分词时，与评论语句中该目标分词的前文连贯性很好，目标分词的上下文对该候选分词的打分也比较高，总之，将该候选分词替换目标分词后的评论语句中词与词之间连贯性非常好，比较通顺，整个评论语句的可读性非常好，而且采用基于人工智能的评论生成装置能够自动生成评论语句，能够有效地节省人力成本，提高评论生成的效率。

进一步可选地，在上述实施例的技术方案的基础上，其中步骤101中“获取目标分词的候选分词对应的对齐特征”，具体可以包括如下步骤：

(c1)分别获取目标分词与候选分词的第一对齐概率、目标分词对应的第一前分词与候选分词对应的第一前分词的第二对齐概率、目标分词对应的第二前分词与候选分词对应的第二前分词的第三对齐概率、目标分词对应的第一后分词与候选分词对应的第一后分词的第四对齐概率、以及目标分词对应的第二后分词与候选分词对应的第二后分词的第五对齐概率；

其中，目标分词对应的第一前分词为目标分词与评论语句中目标分词的前相邻的第一个分词构成的分词，候选分词对应的第一前分词为候选分词与评论语句中目标分词的前相邻的第一个分词构成的分词；目标分词对应的第二前分词为目标分词与评论语句中目标分词的前相邻的两个分词构成的分词，候选分词对应的第二前分词为候选分词与评论语句中目标分词的前相邻的两个分词构成的分词；目标分词对应的第一后分词为目标分词与评论语句中目标分词的后相邻的第一个分词构成的分词，候选分词对应的第一后分词为候选分词与评论语句中目标分词的后相邻的第一个分词构成的分词；目标分词对应的第二后分词为目标分词与评论语句中目标分词的后相邻的两个分词构成的分词，候选分词对应的第二后分词为候选分词与评论语句中目标分词的后相邻的两个分词构成的分词。

例如，为便于描述，若评论语句中某一段的分词可以表示为“abcdefg”，若目标分词为d，采用上述实施例的方式，目标分词对应的第一前分词为cd，目标分词对应的第二前分词为bcd，目标分词对应的第一后分词为de，目标分词对应的第二后分词为def；若目标分词d对应的候选分词为h，此时对应的，候选分词对应的第一前分词为ch，候选分词对应的第二前分词为bch，候选分词对应的第一后分词为he，候选分词对应的第二后分词为hef。然后获取d与h之间的第一对齐概率、cd与ch之间的第二对齐概率、bcd与bch之间的第三对齐概率、de与he之间的第四对齐概率和def与hef之间的第五对齐概率。具体地，可以使用上述实施例中的候选词挖掘模型分别计算第一对齐概率、第二对齐概率、第三对齐概率第四对齐概率和第五对齐概率。或者也可以根据预先生成的对齐表中，依次获取第一对齐概率、第二对齐概率、第三对齐概率、第三对齐概率。如果对齐表中没有某个对齐概率，可以根据上述实施例中的训练的候选词挖掘模型计算其对齐概率，并可以进一步更新在对齐表中。

(c2)根据第一对齐概率、第二对齐概率、第三对齐概率第四对齐概率和第五对齐概率，生成目标分词的候选分词对应的对齐特征。

例如，可以将第一对齐概率、第二对齐概率、第三对齐概率第四对齐概率和第五对齐概率按照顺序排列，生成一个向量，作为目标分词的候选分词对应的对齐特征。

另外，需要说明的是，若目标分词为评论语句的第一个分词、第二个分词、倒数第一个分词或者倒数第二个分词时，此时，按照上述方式，缺失的分词可以采用空位符来表示，此时对应的对齐概率设置为0。

进一步可选地，在上述实施例的技术方案的基础上，其中步骤101中“获取目标分词的候选分词对应的语言特征”，具体可以包括如下步骤：

(d1)获取评论语句中目标分词前相邻的两个分词；

(d2)根据目标分词、目标分词前相邻的两个分词和根据评论语料库预先训练的语言模型，获取目标分词对应的第一语言分值；

(d3)根据候选分词、目标分词前相邻的两个分词和预先训练的语言模型，获取候选分词对应的第二语言分值；

(d4)根据第一语言分值和第二语言分值，生成目标分词的候选分词对应的语言特征。

由于该语言特征是用来检测该候选分词与评论语句中该目标分词前相邻的两个分词的连贯性及搭配性，因此，需要获取评论语句中该目标分词的前相邻的两个分词。然后将目标分词、评论语句中的该目标分词的前相邻的两个分词共三个分词分别输入至预先训练的语言模型中，该语言模型可以预测出该目标分词在评论语句中的第一语言分值；然后将候选分词、目标分词前相邻的两个分词共三个分词分别输入至预先训练的语言模型中，该语言模型此时可以预测出若该候选分词替换目标分词，在评论语句中的第二语言分值；然后可以根据第一语言分值和第二语言分值，生成目标分词的候选分词对应的语言特征；例如可以先计算第二语言分值与第一语言分值的差值的绝对值，然后取第二语言分值、第二语言分值与第一语言分值的差值的绝对值构成语言特征。同理该，语言特征也可以采用向量的形式标识。

本实施例中的语言模型，可以通过统计评论语料库的各评论语料中每一个训练目标分词，与在各评论语料中、该训练目标分词前相邻的两个分词的共现频率来确定的。例如，对于某目标分词x，在评论语料库中与前相邻的两个分词b和c的共现频率，低于评论语料库中与前相邻的两个分词e和f的共现频率，那么对于该目标分词位于前相邻的两个分词b和c之后的语言分值，便低于该目标分词位于前相邻的两个分词e和f之后的语言分值。即对应地，目标分词在评论语料库中与前相邻的两个分词的共现频率越高，对应的语言分值越高；目标分词在评论语料库中与前相邻的两个分词的共现频率越低，对应的语言分值越低。

同理，若目标分词为评论语句的第一个分词，此时获取的语言特征可以为0。而当目标分词为评论语句的第二个分词时，此时，按照上述方式，缺失的分词可以采用空位符来表示。

进一步可选地，在上述实施例的技术方案的基础上，其中步骤101中“获取目标分词的候选分词对应的上下文特征”，具体可以包括如下步骤：

(e1)获取目标分词在评论语句中的前相邻的两个分词和后相邻的两个分词构成的词向量；

(e2)获取目标分词和候选分词构成的替换向量；

(e3)根据词向量、替换向量以及根据评论语料库预先训练的上下文模型，获取目标分词的候选分词对应的上下文特征。

本实施例中，上下文模型是用来检测评论语句中该目标分词的上下文对该候选分词的一个打分；因此该上下文模型在使用时，需要获取目标分词在评论语句中的前相邻的两个分词和后相邻的两个分词构成的词向量；同时还需要获取目标分词和候选分词构成的替换向量；然后把这两个向量输入至预先训练的上下文模型中，然后该上下文模型可以输出替换向量的打分值，即评论语句中该目标分词的上下文对该替换向量中的候选分词进行打分的打分值。该打分值为该目标分词的候选分词对应的上下文特征。该上下文模型采用nn模型，并通过bp算法计算，得到最终的打分值。

例如，对于某评论语句“淘宝店铺什么信用才能开”，分词处理后得到的分词分别为淘宝店铺、什么、信用、才能、开。取其中的信用为目标分词，对应的候选分词为信誉。此时得到的上细纹的词向量可以表示为(淘宝店铺、什么、才能、开)，替换向量表示为(信用＝>信誉)，然后将词向量和替换向量，可以输出上下文对该替换向量的打分值。

同理，本实施例中的上下文模型在训练时，也可以采用评论语料库中的评论语料来训练。首先需要根据评论语料库中的评论语料采集训练数据。每一条训练数据可以包括训练目标分词对应的词向量、替换向量以及该训练数据是正例还是负例；其中词向量为该训练目标分词的评论语料中前相邻的两个分词和后相邻的两个分词构成的；替换向量为该训练目标分词和对应的训练候选分词构成的。其中训练目标分词和训练候选分词的获取方式可以参考上述实施例的记载。训练之前，上下文模型中的各参数设置有初始值，当采用第一条训练数据训练时，将第一条训练数据中的词向量、替换向量输入至上下文模型中，然后该上下文模型预测出该替换向量的打分值。如果训练数据为正例时，此时该替换向量的打分值应该比较高，例如大于或者等于某预设打分阈值；而此时计算的该替换向量的打分值小于该预设打分阈值，此时可以调整语言模型的参数，使得该替换向量的打分值朝向大于或者等于预设打分阈值的方向靠近。当该训练数据为负例时，此时该替换向量的打分值应该比较低，小于该预设打分阈值；而此时计算的该替换向量的打分值大于或者等于预设打分阈值，此时可以调整语言模型的参数，使得该替换向量的打分值朝向小于预设打分阈值的方向靠近。经过无数条训练数据的训练，可以使得训练的上下文模型能够准确预测出该替换向量的打分值。

同理，若目标分词为评论语句的第一个分词、第二个分词、倒数第一个分词或者倒数第二个分词时，此时，按照上述方式，缺失的分词可以采用空位符来表示。

采用上述方式，可以获取到目标分词的候选分词对应的对齐特征、语言特征以及上下文特征，然后将获取的目标分词的候选分词对应的对齐特征、语言特征以及上下文特征输入至可行性打分模型中，该可行性打分模型可以根据对齐特征、语言特征以及上下文特征对该评论语句中，使用该候选分词替换目标分词的可行性进行打分，得到该评论语句中候选分词替换对应的目标分词的可行性分值。

最后需要说明的是，本实施例的步骤102“根据目标分词的候选分词对应的对齐特征、语言特征以及上下文特征以及预先训练的可行性打分模型，预测评论语句中候选分词替换对应的目标分词的可行性分值”之前，还可以包括：训练可行性打分模型。

由于可行性打分模型的训练是基于前述的候选词挖掘模型、语言模型和上下文模型，采用随机森林树模型来训练的。且可行性打分模型在训练过程所需要的训练数据，除了包括步骤102中预测时所需要的对齐特征、语言特征以及上下文特征之外，还需要知道该训练数据为正例还是负例；对于每一条训练数据的对齐特征、语言特征以及上下文特征，可以参考上述实施例的记载来获取，在此不再赘述。同理，当为正例的时候，可行性分值应该比较高，例如大于或者等于某预设可行性分数阈值；而此时计算的该可行性分值小于该预设可行性分数阈值，此时可以调整可行性打分模型的参数，使得该可行性分值朝向大于或者等于预设可行性分数阈值的方向靠近。当该训练数据为负例时，此时该可行性分值应该比较低，小于该预设可行性分数阈值；而此时计算的该可行性分值大于或者等于预设可行性分数阈值，此时可以调整可行性打分模型的参数，使得该可行性分值朝向小于该预设可行性分数阈值的方向靠近。经过无数条训练数据的训练，可以使得训练的上下文模型能够准确预测出该候选分词替换对应的目标分词的可行性分值。

上述本实施例中的目标分词作为评论语句中的替换点，在检测时，可以使用beamsearch来检测，beamsearch是一种启发式图搜索算法，在每一步深度扩展的时候，剪掉一些质量比较差的替换点，保留下一些效果比较好的替换点。这样可以在损失极少的情况下减少搜索空间，提高解码效率。

而且，上述实施例的基于人工智能的评论生成方法，不仅考虑了改写的打分，而且考虑了改写后对用户的吸引程度。实际应用中，还可以根据历史评论，统计了所有替换点的点赞比。最终组合了可行性分值+点赞打分作为beamsearch解码的参考，以保证改写后的句子通顺、多样、且吸引人。

采用上述实施例的基于人工智能的评论生成方法，通过采用上述技术方案，不仅能够考虑能够综合考虑目标分词和候选分词的词义、评论语句的上下文特性以及连贯性，获取目标分词的候选分词对应的对齐特征、语言特征以及上下文特征；并进而结合预先训练的可行性打分模型，能够准确预测评论语句中候选分词替换对应的目标分词的可行性分值；从而可以根据可行性分值生成与评论语句中的上下文连贯性非常好、比较通顺、可读性非常好的评论语句。而且采用本实施例的技术方案，能够自动生成评论语句，能够有效地节省人力成本，提高评论生成的效率。

图2为本发明的基于人工智能的评论生成装置实施例一的结构图。如图2所示，本实施例的基于人工智能的评论生成装置，具体可以包括：挖掘模块10、获取模块11、预测模块12和生成模块13。

其中挖掘模块10用于从预设的分词语料库中挖掘与主题扣题的评论语句中的目标分词对齐的候选分词；获取模块11用于分别获取挖掘模块10挖掘的目标分词的候选分词对应的对齐特征、语言特征以及上下文特征；预测模块12用于根据获取模块11获取的目标分词的候选分词对应的对齐特征、语言特征以及上下文特征以及预先训练的可行性打分模型，预测评论语句中候选分词能够替换对应的目标分词的可行性分值；生成模块13用于若预测模块12预测的可行性分值大于或者等于预设的可行性分数阈值，将评论语句中的目标分词替换为候选分词，生成主题对应的评论语句。

本实施例的基于人工智能的评论生成装置，通过采用上述模块实现评论生成的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图3为本发明的基于人工智能的评论生成装置实施例二的结构图。如图3所示，本实施例的基于人工智能的评论生成装置，在上述图2所示实施例的技术方案的基础上，进一步还可以包括如下技术方案。

如图3所示，本实施例的基于人工智能的评论生成装置，还包括分词模块14。

获取模块11还用于从评论库中获取与主题扣题的评论语句；

分词模块14用于对获取模块11获取的评论语句进行分词处理，得到多个目标分词。

进一步可选地，本实施例的基于人工智能的评论生成装置中，挖掘模块10具体用于：

根据预先训练的候选词挖掘模型，获取与评论语句中的目标分词与分词语料库中各分词预料的对齐概率；

从分词语料库的多个分词预料中获取对齐概率大于或者等于预设概率阈值的分词预料，作为与目标分词对齐的候选分词。

进一步可选地，本实施例的基于人工智能的评论生成装置中，获取模块11具体用于：

分别获取目标分词与候选分词的第一对齐概率、目标分词对应的第一前分词与候选分词对应的第一前分词的第二对齐概率、目标分词对应的第二前分词与候选分词对应的第二前分词的第三对齐概率、目标分词对应的第一后分词与候选分词对应的第一后分词的第四对齐概率、以及目标分词对应的第二后分词与候选分词对应的第二后分词的第五对齐概率；其中，目标分词对应的第一前分词为目标分词与评论语句中目标分词的前相邻的第一个分词构成的分词，候选分词对应的第一前分词为候选分词与评论语句中目标分词的前相邻的第一个分词构成的分词；目标分词对应的第二前分词为目标分词与评论语句中目标分词的前相邻的两个分词构成的分词，候选分词对应的第二前分词为候选分词与评论语句中目标分词的前相邻的两个分词构成的分词；目标分词对应的第一后分词为目标分词与评论语句中目标分词的后相邻的第一个分词构成的分词，候选分词对应的第一后分词为候选分词与评论语句中目标分词的后相邻的第一个分词构成的分词；目标分词对应的第二后分词为目标分词与评论语句中目标分词的后相邻的两个分词构成的分词，候选分词对应的第二后分词为候选分词与评论语句中目标分词的后相邻的两个分词构成的分词；

根据第一对齐概率、第二对齐概率、第三对齐概率、第四对齐概率和第五对齐概率，生成目标分词的候选分词对应的对齐特征。

进一步可选地，本实施例的基于人工智能的评论生成装置中，获取模块11还具体用于：

获取评论语句中目标分词前相邻的两个分词；

根据目标分词、目标分词前相邻的两个分词和根据评论语料库预先训练的语言模型，获取目标分词对应的第一语言分值；

根据候选分词、目标分词前相邻的两个分词和预先训练的语言模型，获取候选分词对应的第二语言分值；

根据第一语言分值和第二语言分值，生成目标分词的候选分词对应的语言特征。

进一步可选地，本实施例的基于人工智能的评论生成装置中，获取模块11还具体用于：

获取目标分词在评论语句中的前相邻的两个分词和后相邻的两个分词构成的词向量；

获取目标分词和候选分词构成的替换向量；

根据词向量、替换向量以及根据评论语料库预先训练的上下文模型，获取目标分词的候选分词对应的上下文特征。

本实施例的基于人工智能的评论生成装置，通过采用上述模块实现评论生成的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图4为本发明的计算机设备实施例的结构图。如图4所示，本实施例的计算机设备，包括：一个或多个处理器30，以及存储器40，存储器40用于存储一个或多个程序，当存储器40中存储的一个或多个程序被一个或多个处理器30执行，使得一个或多个处理器30实现如上实施例的基于人工智能的评论生成方法。图4所示实施例中以包括多个处理器30为例。

例如，图5为本发明提供的一种计算机设备的示例图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12a的框图。图5显示的计算机设备12a仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备12a以通用计算设备的形式表现。计算机设备12a的组件可以包括但不限于：一个或者多个处理器16a，系统存储器28a，连接不同系统组件(包括系统存储器28a和处理器16a)的总线18a。

总线18a表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机设备12a典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12a访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28a可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30a和/或高速缓存存储器32a。计算机设备12a可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34a可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18a相连。系统存储器28a可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明上述图1-图3各实施例的功能。

具有一组(至少一个)程序模块42a的程序/实用工具40a，可以存储在例如系统存储器28a中，这样的程序模块42a包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42a通常执行本发明所描述的上述图1-图3各实施例中的功能和/或方法。

计算机设备12a也可以与一个或多个外部设备14a(例如键盘、指向设备、显示器24a等)通信，还可与一个或者多个使得用户能与该计算机设备12a交互的设备通信，和/或与使得该计算机设备12a能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22a进行。并且，计算机设备12a还可以通过网络适配器20a与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20a通过总线18a与计算机设备12a的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12a使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理器16a通过运行存储在系统存储器28a中的程序，从而执行各种功能应用以及数据处理，例如实现上述实施例所示的基于人工智能的评论生成方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所示的基于人工智能的评论生成方法。

本实施例的计算机可读介质可以包括上述图5所示实施例中的系统存储器28a中的ram30a、和/或高速缓存存储器32a、和/或存储系统34a。

随着科技的发展，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载，或者采用其他方式获取。因此，本实施例中的计算机可读介质不仅可以包括有形的介质，还可以包括无形的介质。

本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。