一种基于深度学习的语文范文生成方法与流程

本发明涉及范文生成技术领域，尤其涉及一种基于深度学习的语文范文生成方法。

背景技术：

随着互联网的快速发展，互联网用户越来越多，用户之间通过信息共享方式，关系也变得越来越紧密。其中，信息共享不仅使得资源配置更加合理，同时也能节约社会成本，创造更多的财富。目前信息共享的资源有很多，包括范文、论文、软件程序、电影、音乐等等。其中，在范文资源共享方面，用户可以通过互联网的方式，在某些目标网站上可获得范文资源，但是在范文检索查询过程中，用户输入范文关键字后，往往会出现检索出来的范文非常多、格式也各不相同，用户只能花费大量的时间排除掉不相关的范文，因此急需一种范文生成方法，能快速、准确地生成用户需要的范文。

技术实现要素：

本发明提供一种基于深度学习的语文范文生成方法，用于解决目前没有一种语文范文生成方法能快速、准确地生成用户期望语文范文的问题。本发明提供的一种基于深度学习的语文范文生成方法，通过计算用户输入的语文写作信息与各类融合模型的匹配值，然后将匹配值最大的类融合模型对应范文集中的范文展示给用户，保证了展示的范文即为用户期望的范文。

本发明提供一种基于深度学习的语文范文生成方法，包括：

对从目标网站中爬取到的若干范文按照范文类型进行归类，得到不同类型的范文集；

构建每个范文集中每篇范文的范文模型；

对于每个范文集，将其中所有范文各自对应的范文模型融合为与该范文集对应的类融合模型；

接收用户输入的语文写作信息；所述语文写作信息至少包括写作主题和写作类型；

根据预设匹配值算法，计算所述语文写作信息与各类融合模型的匹配值；

输出计算出的最大匹配值对应的类融合模型对应范文集中的范文。

在一个实施例中，所述构建每个范文集中每篇范文的范文模型，包括：

提取每个范文集中每篇范文的关键条目及其对应的条目属性；

根据每篇范文的所有条目属性，构建每篇范文的范文模型。

在一个实施例中，所述对于每个范文集，将其中所有范文各自对应的范文模型融合为与该范文集对应的类融合模型，包括：

对于每个范文集，根据当前范文集中每篇范文的范文模型、每篇范文的条目属性及预设范文融合值算法，计算当前范文集中所有范文的范文模型的融合值；

判断当前范文集对应的范文模型的融合值是否小于预设融合值；

若所述当前范文集对应的范文模型的融合值小于预设融合值，则根据所述当前范文集中全部范文和预设范文生成模型，生成对应的类融合模型；

若所述当前范文集对应的范文模型的融合值不小于预设融合值，则从所述目标网站中爬取若干范文，并重新执行对从目标网站中爬取到的若干范文按照范文类型进行归类，得到不同类型的范文集的步骤。

在一个实施例中，所述预设范文融合值算法为：

其中，r为当前范文集中所有范文的范文模型的融合值，m为当前范文集中的范文总数；表示当前范文集中的第j个范文模型的模型融合因子，且取值范围为[0.5,0.8]；表示当前范文集中的第j+1个范文模型的模型融合因子，且取值范围为[0.5,0.8]；表示当前范文集中的所有范文模型的标准融合因子，为一预设定值；exp()表示指数函数；h为当前范文集中的第j个范文模型对应的条目属性的总个数；ηh为当前范文集中的第j个范文模型中的第h个条目属性的属性值；η表示当前范文集中的第j个范文模型所有条目属性的属性值平均值。

在一个实施例中，所述预设匹配值算法为：

其中，pi表示用户输入的语文写作信息与第i个类融合模型的匹配值；n表示预先得到的类融合模型的总数；βi为所述写作主题与所述第i个类融合模型的关联值，βi的取值范围为[0,1]；δi为所述写作类型与所述第i个类融合模型的关联值，δi的取值范围为[0.8,1]；fi为所述第i个类融合模型的模型信任度值，取值范围为[3,5]。

在一个实施例中，所述目标网站为与文章相关的网站。

在一个实施例中，所述范文关键条目可以包括：范文主题、范文关键词汇、范文技术内容、范文语言修饰、范文描述流利度；对应条目属性可以包括：主体属性、关键词属性、技术属性、语言修饰属性、描述流利度属性。

本发明提供一种基于深度学习的语文范文生成方法，通过从目标网站爬取范文并进行归类处理，得到不同类型的范文集，且通过确定每篇范文的范文关键条目及其对应的条目属性，进而构建每个范文的范文模型，然后根据预设范文融合值算法计算范文集中所有范文的范文模型的融合值，当范文模型的融合值小于预设融合值，则根据范文集中全部范文和预设范文生成模型，生成对应的类融合模型，保证构建的范文模型的可靠性和准确性。最后，在获取用户输入的语文主体和写作类型等语文写作信息后，计算语文写作信息与各类融合模型的匹配值，最后将匹配值最高的类融合模型对应的范文集中的范文展示给用户，保证了展示给用户的范文是用户期望的范文。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于深度学习的语文范文生成方法实施例一的流程图；

图2为图1中步骤s102的方法流程图；

图3为本发明实施例中一种基于深度学习的语文范文生成方法实施例二的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1为本发明实施例中一种基于深度学习的语文范文生成方法实施例一流程图。如图1所示，该方法包括以下步骤：

s101：对从目标网站中爬取到的若干范文按照范文类型进行归类，得到不同类型的范文集；

本实施例中，范文类型可以包括如：应用类范文、情感类范文、科研类范文等等，目标网站为与文章相关的网站，例如知网、万方、维普、百度等。

s102：构建每个范文集中每篇范文的范文模型；

本实施例中，本步骤s102可以包括：

s201：提取每个范文集中每篇范文的关键条目及其对应的条目属性；

本步骤中，所述关键条目可以包括：范文主题、范文关键词汇、范文技术内容、范文语言修饰、范文描述流利度等；对应条目属性可以包括：主体属性、关键词属性、技术属性、语言修饰属性、描述流利度属性等。在提取同类范文集中对应的每篇范文的所有范文关键条目时，基于范文属性标定模型，可向每篇范文中的每个范文关键条目标定对应的条目属性。

s202：根据每篇范文的所有条目属性，构建每篇范文的范文模型。

本步骤中，范文模型中包括了条目属性及其属性值。

s103：对于每个范文集，将其中所有范文各自对应的范文模型融合为与该范文集对应的类融合模型；

本实施例中，类融合模型可以为应用类、情感类、科研类等单一融合的模型，也可为组合的融合模型，如可以为应用类和情感类融合模型，例如：存在模型a，用于生成应用类范文，存在模型b，用于生成情感类范文，通过将模型a与模型b融合，生成模型c，且模型c即可以生成应用类范文，也可以生成情感类范文。

s104：接收用户输入的语文写作信息；所述语文写作信息至少包括写作主题和写作类型；

s105：根据预设匹配值算法，计算所述语文写作信息与各类融合模型的匹配值；

s106：输出计算出的最大匹配值对应的类融合模型对应范文集中的范文。

本实施例中，计算语文写作信息与各类融合模型的匹配值，然后获得匹配值最大的类融合模型对应的范文集中的范文，此范文即为用户期望的范文。

本发明实施例提供的一种基于深度学习的语文范文生成方法，通过从目标网站爬取范文并进行归类处理，得到不同类型的范文集，且通过确定每篇范文的范文关键条目确定对应的条目属性，进而构建每个范文的范文模型，然后将范文集中的范文模型生成对应的类融合模型。最后，在获取用户输入的语文主体和写作类型等语文写作信息后，计算语文写作信息与各类融合模型的匹配值，最后将匹配值最高的类融合模型对应的范文集中的范文展示给用户，保证了展示给用户的范文是用户期望的范文。

图3为本发明实施例中一种基于深度学习的语文范文生成方法实施例二流程图。如图3所示，该方法包括以下步骤：

s301：对从目标网站中爬取到的若干范文按照范文类型进行归类，得到不同类型的范文集；

s302：提取每个范文集中每篇范文的关键条目及其对应的条目属性；

s303：根据每篇范文的所有条目属性，构建每篇范文的范文模型；

s304：对于每个范文集，根据当前范文集中每篇范文的范文模型、每篇范文的条目属性及预设范文融合值算法，计算当前范文集中所有范文的范文模型的融合值；

本实施例中，所述预设范文融合值算法为：

其中，r为当前范文集中所有范文的范文模型的融合值，m为当前范文集中的范文总数；表示当前范文集中的第j个范文模型的模型融合因子，且取值范围为[0.5,0.8]，取值越大，表示融合的越好，取值越小，表示融合的越不好；表示当前范文集中的第j+1个范文模型的模型融合因子，且取值范围为[0.5,0.8]，取值越大，表示融合的越好，取值越小，表示融合的越不好；表示当前范文集中的所有范文模型的标准融合因子，为一预设定值；exp()表示指数函数；h为当前范文集中的第j个范文模型对应的条目属性的总个数；ηh为当前范文集中的第j个范文模型中的第h个条目属性的属性值；η表示当前范文集中的第j个范文模型所有条目属性的属性值平均值。

s305：判断当前范文集对应的范文模型的融合值是否小于预设融合值，是则执行步骤s307，否则执行步骤s306；

s306：从所述目标网站中爬取若干范文，并执行步骤s301；

s307：根据所述当前范文集中全部范文和预设范文生成模型，生成对应的类融合模型；

s308：接收用户输入的语文写作信息；所述语文写作信息至少包括写作主题和写作类型；

s309：根据预设匹配值算法，计算所述语文写作信息与各类融合模型的匹配值；

本实施例中，所述预设匹配值算法为：

其中，pi表示用户输入的语文写作信息与第i个类融合模型的匹配值；n表示预先得到的类融合模型的总数；βi为所述写作主题与所述第i个类融合模型的关联值，βi的取值范围为[0,1]，其中关联值越大，表示写作主题与所述第i个类融合模型关联度越高；δi为所述写作类型与所述第i个类融合模型的关联值，δi的取值范围为[0.8,1]，其中关联值越大，表示写作类型与所述第i个类融合模型关联度越高；fi为所述第i个类融合模型的模型信任度值，取值范围为[3,5]，其中模型信任度值越大，表示第i个类融合模型的模型信任度越高。

s310：输出计算出的最大匹配值对应的类融合模型对应范文集中的范文。

本发明实施例提供的一种基于深度学习的语文范文生成方法，通过从目标网站爬取范文并进行归类处理，得到不同类型的范文集，且通过确定每篇范文的范文关键条目确定对应的条目属性，进而构建每个范文的范文模型，然后根据预设范文融合值算法计算范文集中所有范文的范文模型的融合值，当范文模型的融合值小于预设融合值，则根据范文集中全部范文和预设范文生成模型，将范文集中的范文模型生成对应的类融合模型；当范文模型的融合值不小于预设融合值时，则从目标网站爬取范文，重新构造范文集来获取类融合模型，从而保证构建的范文模型的可靠性和准确性。最后，在获取用户输入的语文主体和写作类型等语文写作信息后，计算语文写作信息与各类融合模型的匹配值，最后将匹配值最高的类融合模型对应的范文集中的范文展示给用户，保证了展示给用户的范文是用户期望的范文。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。