技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于大语言模型的文案生成方法及装置、存储介质、计算机设备与流程  >  正文

基于大语言模型的文案生成方法及装置、存储介质、计算机设备与流程

  • 国知局
  • 2024-08-08 17:03:07

本技术涉及自然语言处理,尤其是涉及到一种基于大语言模型的文案生成方法及装置、存储介质、计算机设备。

背景技术:

1、为不同的用户群体制定差异化的文案一直是各领域实现信息推荐的核心策略之一,为不同用户群体量身打造得到差异化的文案相比于固定的统一化的文案来说,更能准确抓住不同用户群体的兴趣点,有助于满足不同用户群体的需求。

2、传统的文案生成流程通常依赖专业文案作家的经验与直觉,不仅效率低下,且难以满足日益增长的个性化需求。随着人工智能技术的发展,尤其是大型语言模型的出现,自动化文案生成变得可行。然而现有的自动化文案生成方法还不足以理解复杂的用户特征,导致生成的文案往往缺乏针对性和个性化。

技术实现思路

1、有鉴于此,本技术实施例提供了一种基于大语言模型的文案生成方法及装置、存储介质、计算机设备,使得生成的文案能够更准确地匹配不同用户群的喜好和需求,提高文案的个性化程度和相关性,更好地吸引用户的注意力,有助于提升用户的交互意愿和满意度,从而提升用户体验。

2、根据本技术的一个方面,提供了一种基于大语言模型的文案生成方法,所述方法包括:

3、根据目标文案生成需求,获取至少一个历史用户对应的至少一条数据样本,其中,每条数据样本包括相应历史用户的多种用户特征数据、用户浏览数据和用户交互数据,所述用户浏览数据中的被浏览对象与所述目标文案生成需求匹配,所述用户交互数据表示是否对所述被浏览对象产生交互;

4、利用表示产生交互的用户交互数据所属的数据样本构建正样本,以及利用剩余数据样本构建负样本;

5、通过所述正样本和所述负样本训练决策树,并基于所述决策树的各分支,分别构建用户特征集合,其中,每个用户特征集合包括至少一种用户特征类型标签;

6、针对任一用户特征集合,根据所述用户特征集合和所述目标文案生成需求构建文案生成提示信息,并通过大语言模型基于所述文案生成提示信息生成目标文案。

7、可选地,利用表示产生交互的用户交互数据所属的数据样本构建正样本,以及利用剩余数据样本构建负样本之前,所述方法包括:

8、针对用户特征数据中的连续型特征进行特征分桶,得到每个连续型特征对应的多个特征桶;

9、将用户特征数据中的离散型特征以及所述特征桶作为训练特征,基于所述训练特征对每条用户特征数据进行独热编码,得到每条用户特征数据对应的用户编码特征;

10、相应地,利用表示产生交互的用户交互数据所属的数据样本构建正样本,以及利用剩余数据样本构建负样本,包括:

11、利用表示产生交互的用户交互数据所属的数据样本对应的用户编码特征构建正样本,以及利用剩余数据样本对应的用户编码特征构建负样本。

12、可选地,通过所述正样本和所述负样本训练决策树,并基于所述决策树的各分支,分别构建用户特征集合,包括:

13、基于预设特征重要性条件,通过所述正样本和所述负样本训练决策树,其中,所述决策树包括多个分支,每个分支包括一个叶子节点和至少一个决策节点,各决策节点代表的用户特征类型均符合所述预设特征重要性条件,每个叶子节点标记有该叶子节点的分类标签;

14、根据所述叶子节点的分类标签确定各分支中的目标分支,并基于每个所述目标分支中各决策节点代表的用户特征类型,分别构建用户特征集合。

15、可选地,每个叶子节点还标记有从根节点分裂至该叶子节点的样本数量;基于每个所述目标分支中各决策节点代表的用户特征类型,分别构建用户特征集合,包括:

16、确定所述目标分支中叶子节点对应的样本数量占所述数据样本的总样本数量的比例,并基于所述比例对所述目标分支进行筛选;

17、利用筛选后的每个目标分支中各决策节点代表的用户特征类型,分别构建用户特征集合。

18、可选地,通过大语言模型基于所述文案生成提示信息生成目标文案之后,所述方法还包括:

19、在检测到基于目标用户的目标文案触发展示信号的情况下,基于所述目标用户对应的目标用户特征,在各用户特征集合对应的目标文案中确定目标展示文案;

20、将所述目标展示文案触达至所述目标用户。

21、可选地,在检测到基于目标用户的目标文案触发展示信号的情况下,基于所述目标用户对应的目标用户特征,在各用户特征集合对应的目标文案中确定目标展示文案,包括:

22、在检测到基于目标用户的目标文案触发展示信号的情况下,基于所述目标用户对应的目标用户特征,查询所述用户特征集合中与所述目标用户特征匹配的目标用户特征集合,并确定与所述目标用户特征集合关联的目标文案为所述目标展示文案;

23、若所述用户特征集合均与所述目标用户特征不匹配,则将所述目标文案生成需求对应的标准文案作为所述目标展示文案。

24、可选地,将所述目标展示文案触达至所述目标用户之后,所述方法还包括:

25、获取每种目标文案触达至用户后的用户行为数据,并根据每种目标文案对应的用户行为数据,分别确定每种目标文案的文案效果;

26、根据所述文案效果确定所述目标文案中不符合预设文案效果的待调整文案,对所述待调整文案进行调整和替换。

27、可选地,对所述待调整文案进行调整和替换,包括:

28、根据所述待调整文案对应的用户特征集合、所述目标文案生成需求以及所述待调整文案对应的调整需求,构建文案调整提示信息,并通过大语言模型基于所述文案调整提示信息生成调整文案以替换所述待调整文案。

29、可选地,对所述待调整文案进行调整和替换,包括:

30、将所述待调整文案对应的用户特征集合作为待调整集合,获取所述待调整文案对应的用户行为数据作为重训练样本,并利用所述重训练样本训练新的决策树,基于新的决策树的各分支分别构建新的用户特征集合以替换所述待调整集合;

31、针对任一新的用户特征集合,根据所述新的用户特征集合和所述目标文案生成需求构建新的文案生成提示信息,并通过大语言模型基于所述新的文案生成提示信息生成新的目标文案以替换所述待调整集合对应的原有的目标文案。

32、可选地,所述目标文案生成需求包括以下任一种:目标对象、目标对象种类、目标主题下的至少一个对象、以及目标主题下的至少一个对象种类,其中,对象包括商品或至少一种多媒体素材。

33、根据本技术的另一方面,提供了一种基于大语言模型的文案生成装置,所述装置包括:

34、数据处理模块,用于根据目标文案生成需求,获取至少一个历史用户对应的至少一条数据样本,其中,每条数据样本包括相应历史用户的多种用户特征数据、用户浏览数据和用户交互数据,所述用户浏览数据中的被浏览对象与所述目标文案生成需求匹配,所述用户交互数据表示是否对所述被浏览对象产生交互;

35、模型训练模块,用于利用表示产生交互的用户交互数据所属的数据样本构建正样本,以及利用剩余数据样本构建负样本;通过所述正样本和所述负样本训练决策树;

36、模型解析模块,用于基于所述决策树的各分支,分别构建用户特征集合,其中,每个用户特征集合包括至少一种用户特征类型标签;

37、文案生成模块,用于针对任一用户特征集合,根据所述用户特征集合和所述目标文案生成需求构建文案生成提示信息,并通过大语言模型基于所述文案生成提示信息生成目标文案。

38、可选地,数据处理模块,还用于:

39、针对用户特征数据中的连续型特征进行特征分桶,得到每个连续型特征对应的多个特征桶;

40、将用户特征数据中的离散型特征以及所述特征桶作为训练特征,基于所述训练特征对每条用户特征数据进行独热编码,得到每条用户特征数据对应的用户编码特征;

41、相应地,模型训练模块,还用于:

42、利用表示产生交互的用户交互数据所属的数据样本对应的用户编码特征构建正样本,以及利用剩余数据样本对应的用户编码特征构建负样本。

43、可选地,模型训练模块,还用于基于预设特征重要性条件,通过所述正样本和所述负样本训练决策树,其中,所述决策树包括多个分支,每个分支包括一个叶子节点和至少一个决策节点,各决策节点代表的用户特征类型均符合所述预设特征重要性条件,每个叶子节点标记有该叶子节点的分类标签;

44、模型解析模块,还用于根据所述叶子节点的分类标签确定各分支中的目标分支,并基于每个所述目标分支中各决策节点代表的用户特征类型,分别构建用户特征集合。

45、可选地,每个叶子节点还标记有从根节点分裂至该叶子节点的样本数量;模型解析模块,还用于:

46、确定所述目标分支中叶子节点对应的样本数量占所述数据样本的总样本数量的比例,并基于所述比例对所述目标分支进行筛选;

47、利用筛选后的每个目标分支中各决策节点代表的用户特征类型,分别构建用户特征集合。

48、可选地,所述装置还包括:文案展示模块,用于:

49、在检测到基于目标用户的目标文案触发展示信号的情况下,基于所述目标用户对应的目标用户特征,在各用户特征集合对应的目标文案中确定目标展示文案;

50、将所述目标展示文案触达至所述目标用户。

51、可选地,文案展示模块,还用于:

52、在检测到基于目标用户的目标文案触发展示信号的情况下,基于所述目标用户对应的目标用户特征,查询所述用户特征集合中与所述目标用户特征匹配的目标用户特征集合,并确定与所述目标用户特征集合关联的目标文案为所述目标展示文案;

53、若所述用户特征集合均与所述目标用户特征不匹配,则将所述目标文案生成需求对应的标准文案作为所述目标展示文案。

54、可选地,所述装置还包括:评估优化模块,用于:

55、获取每种目标文案触达至用户后的用户行为数据,并根据每种目标文案对应的用户行为数据,分别确定每种目标文案的文案效果;

56、根据所述文案效果确定所述目标文案中不符合预设文案效果的待调整文案,对所述待调整文案进行调整和替换。

57、可选地,评估优化模块,还用于:

58、根据所述待调整文案对应的用户特征集合、所述目标文案生成需求以及所述待调整文案对应的调整需求,构建文案调整提示信息,并通过大语言模型基于所述文案调整提示信息生成调整文案以替换所述待调整文案。

59、可选地,评估优化模块,还用于:将所述待调整文案对应的用户特征集合作为待调整集合,获取所述待调整文案对应的用户行为数据作为重训练样本,并利用所述重训练样本训练新的决策树,基于新的决策树的各分支分别构建新的用户特征集合以替换所述待调整集合;

60、针对任一新的用户特征集合,根据所述新的用户特征集合和所述目标文案生成需求构建新的文案生成提示信息,并通过大语言模型基于所述新的文案生成提示信息生成新的目标文案以替换所述待调整集合对应的原有的目标文案。

61、可选地,所述目标文案生成需求包括以下任一种:目标对象、目标对象种类、目标主题下的至少一个对象、以及目标主题下的至少一个对象种类,其中,对象包括商品或至少一种多媒体素材。

62、依据本技术又一个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述基于大语言模型的文案生成方法。

63、依据本技术再一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于大语言模型的文案生成方法。

64、借由上述技术方案,本技术实施例提供的一种基于大语言模型的文案生成方法及装置、存储介质、计算机设备,根据目标文案生成需求筛选历史用户的用户浏览数据,并进一步获取与用户浏览数据对应的用户交互数据以及历史用户的用户特征数据共同构建数据样本,基于数据样本中的用户交互数据所指示的用户是否对被浏览对象产生交互行为,将数据样本划分为正样本和负样本,从而训练决策树,基于决策树的各分支分别构建用户特征集合,以实现对用户特征的组合,最终分别为每个用户特征集合构建提示信息,通过大语言模型生成各用户特征集合的目标文案,已形成不同用户特征群体的差异化文案。本技术实施例利用历史用户的多种特征数据和用户行为数据训练决策树,并通过解析决策树各分支对应的用户特征构成用户特征集合,从而针对不同用户特征集合生成文案,使得生成的文案能够更准确地匹配不同用户群的喜好和需求,提高文案的个性化程度和相关性,更好地吸引用户的注意力,有助于提升用户的交互意愿和满意度,从而提升用户体验。

65、上述说明仅是本技术技术方案的概述,为了能够更清楚了解本技术的技术手段,而可依照说明书的内容予以实施,并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂,以下特举本技术的具体实施方式。

本文地址:https://www.jishuxx.com/zhuanli/20240808/272057.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。