本發(fā)明涉及內(nèi)容生成，尤其涉及一種基于人工智能的內(nèi)容生成方法。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)的快速發(fā)展和信息化的普及，用戶對(duì)高質(zhì)量?jī)?nèi)容的需求不斷增加。傳統(tǒng)的內(nèi)容創(chuàng)作方式通常依賴人工編輯和創(chuàng)作，然而，這種方式不僅耗時(shí)耗力，而且創(chuàng)作質(zhì)量受到編輯者個(gè)人能力和經(jīng)驗(yàn)的限制。此外，面對(duì)大規(guī)模的內(nèi)容需求，傳統(tǒng)方法難以實(shí)現(xiàn)快速響應(yīng)和高效產(chǎn)出。

2、人工智能技術(shù)，尤其是基于深度學(xué)習(xí)的自然語(yǔ)言處理（nlp）和生成對(duì)抗網(wǎng)絡(luò)（gan）等方法的發(fā)展，為內(nèi)容自動(dòng)生成提供了新的解決方案。通過(guò)訓(xùn)練模型，使其具備理解和生成自然語(yǔ)言文本的能力，人工智能技術(shù)能夠在短時(shí)間內(nèi)生成大量高質(zhì)量的內(nèi)容，包括但不限于新聞文章、產(chǎn)品描述、市場(chǎng)報(bào)告、社交媒體帖子等。

3、目前，已有多種基于人工智能的內(nèi)容生成方法被提出和應(yīng)用，例如，基于遞歸神經(jīng)網(wǎng)絡(luò)（rnn）的文本生成方法、基于轉(zhuǎn)換器模型（transformer）的自然語(yǔ)言生成方法等。這些方法在一定程度上提高了文本生成的效率和質(zhì)量，但仍存在一些問題和挑戰(zhàn)，無(wú)法有效的理解用戶對(duì)話的意圖和情感，對(duì)于多類型的對(duì)話無(wú)法有效識(shí)別，尤其對(duì)于圖像數(shù)據(jù)，缺乏有效的內(nèi)容驗(yàn)證機(jī)制和修正機(jī)制，內(nèi)容生成過(guò)分依賴單一模型，容易因?yàn)槟Ｐ偷木植咳毕輰?dǎo)致無(wú)法生成有效內(nèi)容。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于人工智能的內(nèi)容生成方法，包括：s1.獲取用戶的對(duì)話數(shù)據(jù)，包括文本、語(yǔ)音和圖像三種類型的數(shù)據(jù)，對(duì)每種類型的對(duì)話數(shù)據(jù)進(jìn)行不同的處理，得到對(duì)話數(shù)據(jù)的意圖及情感類別；文本數(shù)據(jù)：對(duì)文本數(shù)據(jù)進(jìn)行文法分析獲取意圖類別和關(guān)鍵詞，文法分析包括詞類分析、短語(yǔ)分析、句型分析和意圖分析；語(yǔ)音數(shù)據(jù)：使用語(yǔ)音識(shí)別技術(shù)將語(yǔ)音數(shù)據(jù)轉(zhuǎn)換為文本數(shù)據(jù)；圖像數(shù)據(jù)：將圖像數(shù)據(jù)送入圖像識(shí)別模型中進(jìn)行內(nèi)容識(shí)別，圖像識(shí)別模型由5個(gè)子單元構(gòu)成，分別為第一區(qū)域劃分單元、第二名詞獲取單元、第三動(dòng)詞獲取單元、第四形容詞獲取單元和第五文本生成單元，圖像數(shù)據(jù)經(jīng)過(guò)內(nèi)容識(shí)別后轉(zhuǎn)換為文本數(shù)據(jù)；對(duì)轉(zhuǎn)換的文本數(shù)據(jù)進(jìn)行文法分析獲取意圖類別；對(duì)文本數(shù)據(jù)和轉(zhuǎn)換的文本數(shù)據(jù)進(jìn)行文本情感分析，獲取對(duì)話數(shù)據(jù)的情感類別；s2.將用戶對(duì)話數(shù)據(jù)的文本數(shù)據(jù)、意圖類別和情感類別送入內(nèi)容生成模型中進(jìn)行內(nèi)容生成，文本數(shù)據(jù)首先進(jìn)入內(nèi)容生成模型的通道選擇層，根據(jù)用戶對(duì)話數(shù)據(jù)的意圖類別、關(guān)鍵詞、情感類別、對(duì)話關(guān)聯(lián)性選擇內(nèi)容生成模型的合適通道進(jìn)行內(nèi)容生成；內(nèi)容生成模型有3條通道，分別為模版內(nèi)容生成通道、規(guī)則內(nèi)容生成通道和神經(jīng)網(wǎng)絡(luò)內(nèi)容生成通道；3條通道根據(jù)用戶對(duì)話數(shù)據(jù)的意圖類別和情感類別，分別進(jìn)行模版匹配生成、規(guī)則匹配生成和神經(jīng)網(wǎng)絡(luò)生成；模版匹配生成使用匹配模版替換變量后生成內(nèi)容，規(guī)則匹配生成通過(guò)匹配的規(guī)則生成內(nèi)容；神經(jīng)網(wǎng)絡(luò)生成通過(guò)預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型生成內(nèi)容；進(jìn)入內(nèi)容生成模型的內(nèi)容生成層，生成3條有差異的內(nèi)容，將第一次生成的內(nèi)容記為第一內(nèi)容，獲取每條第一內(nèi)容的意圖類別和情感類別，對(duì)第一內(nèi)容進(jìn)行主觀評(píng)估及客觀評(píng)估，得到第一內(nèi)容的主觀評(píng)估分?jǐn)?shù)及客觀評(píng)估分?jǐn)?shù)，主觀評(píng)估分?jǐn)?shù)基于生成內(nèi)容與用戶對(duì)話的意圖類別及情感類別的匹配分?jǐn)?shù)，客觀評(píng)估分?jǐn)?shù)基于生成內(nèi)容的邏輯性、準(zhǔn)確性和可讀性評(píng)估分?jǐn)?shù)；將主觀評(píng)估分?jǐn)?shù)和客觀評(píng)估分?jǐn)?shù)加權(quán)求和獲取第一內(nèi)容綜合評(píng)估分?jǐn)?shù)，選擇第一內(nèi)容綜合評(píng)估分?jǐn)?shù)最高的內(nèi)容輸出，將第一內(nèi)容保存在內(nèi)容生成模型的內(nèi)容修正層中；接收到后續(xù)的用戶對(duì)話后，再次對(duì)第一內(nèi)容進(jìn)行主觀評(píng)估和客觀評(píng)估，得到第一內(nèi)容的修正評(píng)估分?jǐn)?shù)，修正評(píng)估分?jǐn)?shù)由修正主觀評(píng)估分?jǐn)?shù)和修正客觀評(píng)估分?jǐn)?shù)加權(quán)求和得到，修正主觀評(píng)估分?jǐn)?shù)基于第一內(nèi)容與后續(xù)用戶對(duì)話的意圖類別及情感類別的匹配分?jǐn)?shù)，修正客觀評(píng)估分?jǐn)?shù)基于第一內(nèi)容與后續(xù)用戶對(duì)話連接段的邏輯性、準(zhǔn)確性和可讀性評(píng)估分?jǐn)?shù)，將第一內(nèi)容的綜合評(píng)估分?jǐn)?shù)和修正評(píng)估分?jǐn)?shù)進(jìn)行加權(quán)求和，得到修正選擇分?jǐn)?shù)；若修正選擇分?jǐn)?shù)與第一內(nèi)容綜合評(píng)估分?jǐn)?shù)對(duì)應(yīng)的內(nèi)容一致，則根據(jù)后續(xù)的用戶對(duì)話匹配內(nèi)容生成通道進(jìn)行內(nèi)容生成，在連續(xù)的對(duì)話中，根據(jù)后續(xù)的用戶對(duì)話匹配內(nèi)容生成通道進(jìn)行內(nèi)容生成得到的內(nèi)容，稱為第二內(nèi)容；否則，輸出意圖理解錯(cuò)誤和修正分?jǐn)?shù)最高的第一內(nèi)容，并根據(jù)修正后的第一內(nèi)容進(jìn)行內(nèi)容生成，在連續(xù)的對(duì)話中，根據(jù)修正后的第一內(nèi)容進(jìn)行內(nèi)容生成得到的內(nèi)容，稱為第二內(nèi)容；s3.記錄每個(gè)用戶的歷史行為，獲取用戶的語(yǔ)言習(xí)慣、生成類型偏好、生成模式偏好。

2、作為本發(fā)明的一種優(yōu)選技術(shù)方案，還包括對(duì)文本數(shù)據(jù)進(jìn)行文法分析獲取意圖類別和關(guān)鍵詞；對(duì)文本進(jìn)行預(yù)處理，包括文本清理、數(shù)據(jù)轉(zhuǎn)換、分節(jié)處理和分詞處理；文本清理，去除多余的空格及格式標(biāo)記；數(shù)據(jù)轉(zhuǎn)換，將文本中摻雜的表情符號(hào)進(jìn)行標(biāo)記，并轉(zhuǎn)換為文字類型數(shù)據(jù)進(jìn)行替換；分節(jié)處理，將每段話劃分為短語(yǔ)；分節(jié)處理，將短語(yǔ)劃分為詞；詞類分析，獲取每個(gè)詞的所有可能的詞類，記為獨(dú)立詞類，根據(jù)短語(yǔ)結(jié)構(gòu)對(duì)獨(dú)立詞類進(jìn)行篩選，得到每個(gè)短語(yǔ)的詞的所有可能的詞性組合，記為關(guān)聯(lián)詞類，根據(jù)句子結(jié)構(gòu)對(duì)關(guān)聯(lián)詞類進(jìn)行篩選，得到句子的每個(gè)詞的詞性，記為句的詞類，并添在每個(gè)對(duì)應(yīng)的詞上進(jìn)行標(biāo)記；短語(yǔ)結(jié)構(gòu)和句子結(jié)構(gòu)均記錄在文法詞典中；短語(yǔ)分析，根據(jù)詞的詞性標(biāo)記獲取短語(yǔ)的結(jié)構(gòu)類型，根據(jù)結(jié)構(gòu)類型和詞在文法詞典中匹配短語(yǔ)的關(guān)鍵詞；句型分析，根據(jù)句子的非短語(yǔ)部分在文法詞典中進(jìn)行句型結(jié)構(gòu)的匹配，得到句子的句型結(jié)構(gòu)；意圖分析，根據(jù)短語(yǔ)的關(guān)鍵詞和句子的句型結(jié)構(gòu)，通過(guò)文法詞典中的句法規(guī)則得出文本的意圖類別及關(guān)鍵詞。

3、作為本發(fā)明的一種優(yōu)選技術(shù)方案，還包括情感分析；在文本數(shù)據(jù)中通過(guò)對(duì)情感相關(guān)詞的檢索，對(duì)檢索到的每種情感的情感相關(guān)詞進(jìn)行分?jǐn)?shù)疊加，每種情感的程度根據(jù)分?jǐn)?shù)區(qū)間進(jìn)行判定，情感相關(guān)詞的分?jǐn)?shù)具體記錄在文法詞典中的情感詞區(qū)中，若一個(gè)文本數(shù)據(jù)的情感為輕度悲傷，中度憤怒，則記為ed={s1、f2}。

4、作為本發(fā)明的一種優(yōu)選技術(shù)方案，還包括語(yǔ)音數(shù)據(jù)轉(zhuǎn)換和圖像數(shù)據(jù)轉(zhuǎn)換；語(yǔ)音數(shù)據(jù)通過(guò)預(yù)訓(xùn)練的語(yǔ)音識(shí)別模型轉(zhuǎn)換為文本數(shù)據(jù)；圖像數(shù)據(jù)通過(guò)圖像識(shí)別模型中進(jìn)行內(nèi)容識(shí)別后轉(zhuǎn)換為文本數(shù)據(jù)，圖像識(shí)別模型由5個(gè)子單元構(gòu)成，分別為第一區(qū)域劃分單元、第二名詞獲取單元、第三動(dòng)詞獲取單元、第四形容詞獲取單元和第五文本生成單元；第一區(qū)域劃分單元，通過(guò)mask?r-cnn對(duì)圖片中的物體進(jìn)行區(qū)域劃分，輸出物體的劃分掩碼，將掩碼傳遞至下一個(gè)子單元進(jìn)行對(duì)象檢測(cè)；第二名詞獲取單元、第三動(dòng)詞獲取單元和第四形容詞獲取單元通過(guò)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建，三個(gè)單元分別對(duì)應(yīng)卷積神經(jīng)網(wǎng)絡(luò)中不同隱藏層，第二名詞獲取單元為前三層的隱藏層，通過(guò)對(duì)劃分掩碼進(jìn)行識(shí)別，得到對(duì)應(yīng)的物體的識(shí)別結(jié)果，即物體名詞，第三動(dòng)詞獲取單元為第五至七層的隱藏層，通過(guò)對(duì)第二名詞獲取單元的輸出進(jìn)行識(shí)別，得到物體對(duì)應(yīng)的動(dòng)詞識(shí)別結(jié)果，第四形容詞獲取單元為第八至十層的隱藏層，通過(guò)對(duì)第三動(dòng)詞獲取單元的輸出進(jìn)行識(shí)別，得到物體的形容詞識(shí)別結(jié)果，模型的第四層隱藏層用于獲取不同區(qū)域的相鄰關(guān)系，三個(gè)單元的隱藏層間通過(guò)3個(gè)全連接層進(jìn)行連接；最終輸出每個(gè)區(qū)域的對(duì)應(yīng)的短語(yǔ)與區(qū)域的相鄰關(guān)系；第五文本生成單元通過(guò)文法規(guī)則，根據(jù)區(qū)域的相鄰關(guān)系和短語(yǔ)進(jìn)行文本生成。

5、作為本發(fā)明的一種優(yōu)選技術(shù)方案，內(nèi)容生成模型包括通道選擇層，內(nèi)容生成層和內(nèi)容修正層；通道選擇層用于根據(jù)用戶對(duì)話數(shù)據(jù)的意圖類別、關(guān)鍵詞、情感類別、對(duì)話關(guān)聯(lián)性進(jìn)行內(nèi)容生成通道選擇，獲取用戶的意圖類別，若類別為特定領(lǐng)域，則選擇模版內(nèi)容生成通道，計(jì)算用戶對(duì)話的復(fù)雜度，若復(fù)雜度為超出設(shè)定閾值且意圖類別不為特定領(lǐng)域，則選擇規(guī)則內(nèi)容生成通道，若復(fù)雜度超過(guò)設(shè)定閾值則選擇神經(jīng)網(wǎng)絡(luò)內(nèi)容生成通道；復(fù)雜度的計(jì)算公式為：公式中為情感權(quán)重，用于平衡情感對(duì)復(fù)雜度的影響，為情感分?jǐn)?shù)的合，輕度記為1，中度記為2，ht為意圖類別得分，為關(guān)鍵詞得分的合，意圖類別得分和關(guān)鍵詞得分在文法詞典中記錄，n為表示當(dāng)前為連續(xù)的第n條對(duì)話，表示當(dāng)前對(duì)話與前一條對(duì)話意圖類別的差異得分，為當(dāng)前對(duì)話和前一條對(duì)話的關(guān)鍵詞的差異得分，差異得分通過(guò)矩陣中的距離差得到，若當(dāng)前為第一條對(duì)話，則差異得分為0，通過(guò)該公式可根據(jù)對(duì)話數(shù)據(jù)本身的意圖類別和關(guān)鍵詞得出原始復(fù)雜度，并根據(jù)情感類別和對(duì)話間的關(guān)聯(lián)性進(jìn)行復(fù)雜度的進(jìn)一步評(píng)估；內(nèi)容生成層用于根據(jù)用戶的意圖類別和情感類別進(jìn)行內(nèi)容生成，模版內(nèi)容生成通道中通過(guò)設(shè)定的意圖類別對(duì)應(yīng)的模版，根據(jù)關(guān)鍵詞和情感類別替換模版中的變量及取值范圍后生成對(duì)應(yīng)的內(nèi)容，規(guī)則內(nèi)容生成通道中通過(guò)用戶的意圖類別和情感類別，在規(guī)則庫(kù)中匹配規(guī)則，按照規(guī)則邏輯生成對(duì)應(yīng)的內(nèi)容，神經(jīng)網(wǎng)絡(luò)內(nèi)容生成通道中通過(guò)將用戶的意圖類別和情感類別，及關(guān)鍵詞信息送入到預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)內(nèi)容生成模型中，生成復(fù)雜度較高的內(nèi)容；內(nèi)容修正層用于根據(jù)用戶的后續(xù)對(duì)話進(jìn)行內(nèi)容驗(yàn)證及修正。

6、作為本發(fā)明的一種優(yōu)選技術(shù)方案，還包括內(nèi)容驗(yàn)證及修正；內(nèi)容驗(yàn)證，對(duì)生成的內(nèi)容進(jìn)行文法分析和情感分析，得到各生成內(nèi)容的內(nèi)容類別，關(guān)鍵詞和情感類別，計(jì)算主觀評(píng)估得分，主觀評(píng)估得分的公式為：公式中為情感影響權(quán)重，表示每個(gè)用戶對(duì)話的情感類別得分，與生成內(nèi)容的每個(gè)情感類別得分的差的總和，分別表示用戶對(duì)話文本與生成內(nèi)容的意圖類別和關(guān)鍵詞的關(guān)聯(lián)得分，通過(guò)文法詞典中關(guān)聯(lián)向量獲取；通過(guò)該公式可以獲取主觀上的生成內(nèi)容與用戶對(duì)話的關(guān)聯(lián)性；客觀評(píng)估得分計(jì)算，對(duì)生成內(nèi)容進(jìn)行邏輯性檢測(cè)，準(zhǔn)確性檢測(cè)和可讀性檢測(cè)，得到客觀評(píng)估得分po，邏輯性檢測(cè)通過(guò)計(jì)算生成內(nèi)容中相鄰句子的語(yǔ)義相似度，得到邏輯評(píng)分，準(zhǔn)確性檢測(cè)通過(guò)計(jì)算生成內(nèi)容中所有可驗(yàn)證事實(shí)的準(zhǔn)確率，得到準(zhǔn)確評(píng)分，可讀性檢測(cè)通過(guò)smog可讀性公式計(jì)算生成內(nèi)容的可讀評(píng)分；

7、綜合評(píng)估得分p=α1ps+α2po，選擇綜合評(píng)估得分最高的生成內(nèi)容輸出，完成內(nèi)容驗(yàn)證；內(nèi)容修正，獲取用戶的后續(xù)對(duì)話后，獲取后續(xù)對(duì)話的意圖類別、關(guān)鍵詞和情感類別，并計(jì)算修正評(píng)估得分，計(jì)算的公式為：，式中ks為修正評(píng)估的主觀評(píng)估部分，計(jì)算方法與ps一致，ko為修正評(píng)估的客觀評(píng)估部分，通過(guò)第一內(nèi)容與用戶后續(xù)對(duì)話的連接段的邏輯性檢測(cè)，準(zhǔn)確性檢測(cè)和可讀性檢測(cè)評(píng)分得到；計(jì)算修正選擇得分和綜合評(píng)估得分的合v=γ1p+γ2k，若v和p的值最高的為同一條內(nèi)容，則繼續(xù)生成第二內(nèi)容，若v和p的值最高的不為同一條內(nèi)容，則輸出輸出意圖理解錯(cuò)誤和v值最高的第一內(nèi)容，并根據(jù)修正后的第一內(nèi)容進(jìn)行內(nèi)容生成第二內(nèi)容。

8、作為本發(fā)明的一種優(yōu)選技術(shù)方案，還包括用戶行為分析；獲取用戶使用的歷史行為，為每個(gè)用戶建立使用偏好對(duì)象，偏好對(duì)象中包括用戶的語(yǔ)言習(xí)慣、類型偏好、模式偏好；檢測(cè)用戶的語(yǔ)言習(xí)慣，在生成內(nèi)容時(shí)，優(yōu)選選擇語(yǔ)言習(xí)慣對(duì)應(yīng)的語(yǔ)言，檢測(cè)用戶的類型偏好，在生成內(nèi)容時(shí)，若未檢測(cè)到用戶的內(nèi)容類型需求，則生成類型偏好對(duì)應(yīng)的內(nèi)容類型，檢測(cè)用戶的模式偏好，在生成內(nèi)容時(shí)，優(yōu)選模式偏好對(duì)應(yīng)的內(nèi)容生成通道；語(yǔ)言習(xí)慣、類型偏好、模式偏好，通過(guò)需修改的記錄獲取，具體為3者各種類的初始權(quán)重一致，每產(chǎn)生一個(gè)歷史行為記錄，增加該種類的權(quán)重占比。

9、本發(fā)明具有以下優(yōu)點(diǎn)：1、本發(fā)明通過(guò)對(duì)圖像數(shù)據(jù)進(jìn)行區(qū)域劃分，名稱、動(dòng)詞、形容詞分析后生成圖像數(shù)據(jù)對(duì)應(yīng)的文本數(shù)據(jù)，并對(duì)文本數(shù)據(jù)進(jìn)行詳細(xì)的文法分析，獲取文本的詞的正確詞類后，獲取文本的短語(yǔ)，提取短語(yǔ)的關(guān)鍵詞，并根據(jù)關(guān)鍵詞對(duì)文本進(jìn)行意圖分析，獲取文本數(shù)據(jù)的意圖類別，通過(guò)詞典對(duì)文本數(shù)據(jù)進(jìn)行情感分析，獲取文本數(shù)據(jù)的詳細(xì)情感類別，提高了在內(nèi)容生成過(guò)程中，對(duì)用戶對(duì)話的理解能力。

10、2、本發(fā)明通過(guò)設(shè)置基于意圖和情感的上下文驗(yàn)證及修正機(jī)制，并在驗(yàn)證及修正機(jī)制中引入主觀及客觀劃分，在生成內(nèi)容時(shí)，對(duì)生成的多條內(nèi)容進(jìn)行驗(yàn)證，獲取最匹配意圖和情感的內(nèi)容進(jìn)行輸出，并基于后續(xù)的對(duì)話，對(duì)生成的內(nèi)容進(jìn)行再次驗(yàn)證與選擇性修正，提高了內(nèi)容生成過(guò)程中內(nèi)容生成的準(zhǔn)確性和內(nèi)容的修正性能。

11、3、本發(fā)明通過(guò)設(shè)置多通道的內(nèi)容生成模型，3個(gè)通道分別基于模版、規(guī)則和神經(jīng)網(wǎng)絡(luò)，并計(jì)算復(fù)雜度以選擇合適的通道，通過(guò)這種多通道的方式，提高了資源利用能力，并防止了因?yàn)槟Ｐ偷木植咳毕荻鵁o(wú)法生成有效內(nèi)容。