文案生成方法、文案评估模型的训练方法、装置及设备

摘要

本申请公开了一种文案生成方法、文案评估模型的训练方法、装置、及设备，属于互联网技术领域。所述方法包括：获取目标文本描述信息；获取目标文本描述信息对应的目标候选文案集；基于目标候选文案集，获取目标候选文案集中各个候选推送文案的概率信息；根据概率信息，将目标候选文案集中准确度最高的候选推送文案确定为目标文本描述信息对应的目标推送文案。本申请实施例提供的技术方案中，避免人工获取推送文案造成的文案生成效率低的问题，提高目标推送文案的获取效率，对各个候选推送文案的准确度进行评估，从候选推送文案中选择准确度最高的候选推送文案作为目标推送文案，保证目标推送文案的准确度。

说明书

技术领域

本申请实施例涉及互联网技术领域，特别涉及一种文案生成、文案评估模型的训练方法、装置及设备。

背景技术

目前，应用程序的推送文案能够直接影响用户针对该推送文案对应的文本描述信息的浏览情况。

在相关技术中，为了吸引用户浏览对应的文本描述信息，在获取用户针对某个商品的文本描述信息之后，由工作人员对用户的文本描述信息进行关键字提取、图片配置，生成该文本描述信息对应的推送文案，进而在显示界面中显示该推送文案，以吸引用户点击推送文案并浏览该推送文案对应的文本描述信息，进而实现对上述商品的推广。

发明内容

本申请实施例提供了一种文案生成方法、文案评估模型的训练方法、装置及设备。所述技术方案如下：

一方面，本申请实施例提供了一种文案生成方法，所述方法包括：

获取目标文本描述信息；

获取所述目标文本描述信息对应的目标候选文案集，所述目标候选文案集中包括至少一个候选推送文案；

基于所述目标候选文案集，获取所述目标候选文案集中各个候选推送文案的概率信息，所述概率信息用于表征所述候选推送文案对应于所述目标文本描述信息的准确度；

根据所述概率信息，将所述目标候选文案集中所述准确度最高的候选推送文案确定为所述目标文本描述信息对应的目标推送文案。

另一方面，本申请实施例提供了一种文案评估模型的训练方法，所述方法包括：

获取候选训练样本集，所述候选训练样本集中包括至少一个正样本和至少一个负样本；其中，所述正样本是指点击率大于阈值的推送文案，所述负样本是指所述点击率小于所述阈值的推送文案；

基于所述候选训练样本集中的各个推送文案对应的特征词，对所述候选训练样本集进行扩展，得到目标训练样本集；

采用所述目标训练样本集对所述文案评估模型进行训练。

又一方面，本申请实施例提供了一种文案生成装置，所述装置包括：

信息获取模块，用于获取目标文本描述信息；

候选获取模块，用于获取所述目标文本描述信息对应的目标候选文案集，所述目标候选文案集中包括至少一个候选推送文案；

概率获取模块，用于基于所述目标候选文案集，获取所述目标候选文案集中各个候选推送文案的概率信息，所述概率信息用于表征所述候选推送文案对应于所述目标文本描述信息的准确度；

文案确定模块，用于根据所述概率信息，将所述目标候选文案集中所述准确度最高的候选推送文案确定为所述目标文本描述信息对应的目标推送文案。

再一方面，本申请实施例提供了一种文案评估模型的训练装置，所述装置包括：

样本获取模块，用于获取候选训练样本集，所述候选训练样本集中包括至少一个正样本和至少一个负样本；其中，所述正样本是指点击率大于阈值的推送文案，所述负样本是指所述点击率小于所述阈值的推送文案；

样本扩展模块，用于基于所述候选训练样本集中的各个推送文案对应的特征词，对所述候选训练样本集进行扩展，得到目标训练样本集；

模型训练模块，用于采用所述目标训练样本集对所述文案评估模型进行训练。

还一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述文案生成方法，或实现上述文案评估模型的训练方法。

还一方面，本申请实施例提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述文案生成方法，或实现上述文案评估模型的训练方法。

还一方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机设备上运行时，使得计算机设备执行上述文案生成方法，或实现上述文案评估模型的训练方法。

本申请实施例提供的技术方案可以带来如下有益效果：

由计算机设备通过目标文本描述信息获取对应的目标推送文案，避免人工获取推送文案造成的文案生成效率低的问题，提高目标推送文案的获取效率而且，计算机设备在获取目标文本描述信息对应的候选推送文案之后，对各个候选推送文案的准确度进行评估，从候选推送文案中选择准确度最高的候选推送文案作为目标推送文案，保证目标推送文案的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例提供的文案生成系统的示意图；

图2是本申请一个实施例提供的文案生成方法的流程图；

图3示例性示出了一种注意力机制的工作原理的示意图；

图4示例性示出了一种文案评估模型的结构的示意图；

图5是本申请另一个实施例提供的文案生成方法的流程图；

图6示例性示出了一种文本属性信息的示意图；

图7示例性示出了一种文本统计信息的示意图；

图8示例性示出了一种用于展示的推送文案的示意图；

图9示例性示出了一种用于展示的推送文案的显示方式的示意图；

图10示例性示出了一种最终用于展示的文案的获取方式的示意图；

图11是本申请一个实施例提供的文案评估模型的训练方法的流程图；

图12示例性示出了一种目标训练样本集的获取方式的示意图；

图13示例性示出了一种本申请中的文案生成方法获取的推送文案与相关技术获取的推送文案之间的区别的示意图；

图14是本申请一个实施例提供的文案生成装置的框图；

图15是本申请另一个实施例提供的文案生成装置的框图；

图16是本申请一个实施例提供的文案评估模型的训练装置的框图；

图17是本申请另一个实施例提供的文案评估模型的训练装置的框图；

图18是本申请一个实施例提供的计算机设备的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

请参考图1，其示出了本申请一个实施例提供的文案生成系统的示意图。该文案生成系统可以包括：终端10和计算机设备20。

终端10用于向计算机设备20发送文本信息，该文本信息包括文本描述信息的具体内容和文本描述信息的统计信息。其中，文本描述信息的具体内容是指文本描述信息在显示界面中向用户展示的内容，文本描述信息的统计信息是指针对文本描述信息的用户操作对应的统计信息，如文本描述信息的点赞次数、浏览量和转发次数等。可选地，终端10可以是诸如手机、平板电脑、游戏主机、电子书阅读器、多媒体播放设备、可穿戴设备、PC(Personal Computer，个人计算机)等电子设备。其中，该终端10中可以安装应用程序的客户端，该应用程序可以是任意能够向用户展示推送文案的应用程序，如购买应用程序、阅读应用程序、社交应用程序、资讯应用程序等。在本申请实施例中，用户可以通过针对推送文案的触发操作，来控制当前显示界面跳转至推送文案对应的文本描述信息的显示界面。其中，上述触发操作可以是点击操作、滑动操作或长按操作等，本申请实施例对此不作限定。可选地，上述应用程序可以是需要下载安装的应用程序，也可以是即点即用的应用程序。

计算机设备20用于根据终端10发送的文本信息获取对应的推送文案。可选地，计算机设备20可以是为终端10中的应用程序的客户端提供后台服务的服务器。其中，该服务器可以是上述应用程序的后台服务器。服务器可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。可选地，服务器可以同时为多个终端10中的应用程序提供后台服务。在本申请实施例中，计算机设备20中设置有文案评估模型。其中，该文案评估模型是指用于对文本描述信息对应的候选推送文案进行准确度评估的深度学习模型，该文案评估模型可以为基于注意力机制的双向神经网络模型。可选地，在通过终端10发送的文本信息中提取出上述文本描述信息对应的候选推送文案之后，计算机设备20根据文案评估模型对候选推送文案进行准确度评估，并基于评估结果选择准确度最高的候选推送文案作为文本描述信息对应的推送文案。之后，由计算机设备20向终端10发送该推送文案，使得终端10能够向用户展示该推送文案。

可选地，终端10和计算机设备20之间可以通过网络进行互相通信。

请参考图2，其示出了本申请一个实施例提供的文案生成方法的流程图。该方法可以应用于图1所示文案生成系统的计算机设备20中，如各步骤的执行主体可以是计算机设备20。该方法可以包括以下几个步骤(201～204)：

步骤201，获取目标文本描述信息。

目标文本描述信息是指用户输入的文本，该文本可以是针对某个功能、物品或商店等的评价。可选地，该目标文本描述信息中包括文字信息、图片信息、或语音信息等，本申请实施例对此不作限定。其中，上述用户可以是某个应用程序或应用平台的使用者，也可以是某个应用程序或应用平台的后台工作者。在本申请实施例中，计算机设备可以通过用户的终端获取目标文本描述信息。

在一种可能的实施方式中，终端自动向计算机设备发送上述目标文本描述信息。可选地，终端在检测到上述目标文本描述信息之后，向计算机设备发送该目标文本描述信息，进一步地，计算机设备获取该目标文本描述信息；或者，终端按照一定的时间间隔收集并向计算机设备发送文本描述信息，进一步地，计算机设备能够以此来获取上述目标文本描述信息，其中，上述时间间隔可以是0.1s、1s、1h、1天或1周等，本申请实施例对此不作限定。

在另一种可能的实施方式中，计算机设备主动从终端获取上述目标文本描述信息。可选地，计算机设备在确定自身处于可负荷状态时，向终端发送文本获取请求，进而终端依据该文本获取请求向计算机设备发送上述目标文本描述信息；或者，计算机设备按照一定的时间间隔向终端发送文本获取请求，进而终端依据该文本获取请求向计算机设备发送文本描述信息，进一步地，计算机设备能够以此来获取上述目标文本描述信息，其中，上述时间间隔可以是0.1s、1s、1h、1天或1周等，本申请实施例对此不作限定。

需要说明的一点是，计算机设备在获取上述目标文本描述信息之后，可以实时对该目标文本描述信息进行处理，也可以先将该目标文本描述信息进行存储并另选时间对该目标文本描述信息进行处理，本申请实施例对此不作限定。可选地，计算机设备在对目标文本描述信息进行存储时，可以依据目标文本描述信息中的具体内容，对该目标文本描述信息进行分类，并将该目标文本描述信息存储至分类结果对应的存储队列中。

步骤202，获取目标文本描述信息对应的目标候选文案集。

目标候选文案集是指上述目标文本描述信息对应的候选推送文案的集合。可选地，该目标候选文案集中包括至少一个候选推送文案。其中，推送文案是指用于表征文本描述信息的主要内容的文本，该推送文案中可以包括文字信息、图片信息或语音信息等，本申请实施例对此不作限定。

在本申请实施例中，计算机设备在获取上述目标文本描述信息之后，获取该目标文本描述信息对应的目标候选文案集。可选地，计算机设备可以基于上述目标文本描述信息，获取该目标文本描述信息对应的目标候选文案集。

在一种可能的实施方式中，计算机设备基于文案提取规则，从上述目标文本描述信息中提取上述目标候选文案集。可选地，计算机设备在获取上述目标文本描述信息之后，获取该目标文本描述信息对应的文案提取规则。其中，不同类型的目标文本描述信息对应的文案提取规则不同。例如，若目标文本描述信息为评论信息，则文案提取规则为从文字信息与图片信息中提取目标候选文案集；若目标文本描述信息为对话信息，则文案提取规则为从文字信息与语音信息中提取目标候选文案集。进一步地，计算机设备在获取上述文案提取规则之后，依据该文案提取规则，从上述目标文本描述信息中获取该目标文本描述信息对应的目标候选文案集。

在另一种可能的实施方式中，由工作人员对上述目标文本描述信息进行总结概括，以获取上述目标候选文案集。可选地，计算机设备在获取上述目标文本描述信息之后，将该目标文本描述信息发送至工作人员的终端，由工作人员对终端所接收到的目标文本描述信息进行总结概括，以此来获取该目标文本描述信息对应的目标候选文案集。其中，不同类型的目标文本描述信息对应的工作人员的终端可以不同。

在再一种可能的实施方式中，计算机设备基于文案提取模型从上述目标文本描述信息中提取上述目标候选文案集。可选地，计算机设备在获取上述目标文本描述信息之后，将该目标文本描述信息输入至文案提取模型，并获取该文案提取模型输出的目标候选文案集。其中，上述文案提取模型可以为深度学习模型，不同类型的目标文本描述信息对应的文案提取模型可以不同。

步骤203，基于目标候选文案集，获取目标候选文案集中各个候选推送文案的概率信息。

概率信息用于表征候选推送文案对应于目标文本描述信息的准确度。可选地，该概率信息中包括概率分数。其中，该概率分数为取值范围为[0，1]的数值，且概率分数与上述准确度呈正相关，即概率分数越大，候选推送文案的准确度越高。在本申请实施例中，计算机设备在获取上述目标候选文案集之后，基于该目标候选文案集，获取目标候选文案集中各个候选推送文案的概率信息。

在一种可能的实施方式中，计算机设备基于文案评估模型，获取上述目标候选文案集中各个候选推送文案的概率信息。可选地，上述步骤203包括以下几个步骤：

1、将目标候选文案集中各个候选推送文案分别输入至文案评估模型。

文案评估模型是基于注意力机制的双向神经网络模型。其中，注意力机制用于决定候选推送文案中的重要内容分布情况，并依据候选推送文案中的重要内容分布情况确定针对候选推送文案的计算机设备资源分配。

示例性地，结合参考图3，对注意力机制的原理进行简单介绍。采用小型神经网络g来逼近，用来计算输出层在t-1时刻的状态输出S

e

进一步地，依据关系分数e

其中，T

之后，采用权重a

进一步地，采用循环神经网络f对输出层在t-1时刻的状态输出S

S

可选地，在本申请实施例中，上述文案评估模型包括输入层、词嵌入层、神经网络层、注意力机制层和输出层。示例性地，如图4所示，文案评估模型中包括输入层41、词嵌入层42、神经网络层43、注意力机制层44和输出层45。其中，输入层41用于输入候选推送文案；词嵌入层42用于获取候选推送文案的各个分词对应的词嵌入；神经网络层43用于对各个词嵌入进行双向遍历，得到至少一个句子向量；注意力机制层44用于基于候选推送文案中的重要内容分布情况，对各个句子向量进行加权处理；输出层45用于基于各个句子向量的加权处理结果，输出候选推送文案的概率信息。其中，上述双向遍历包括基于各个词嵌入对应的分词的输入顺序的正向遍历，以及基于各个词嵌入对应的分词的输入顺序的反向遍历。当然，在本申请实施例中，为了保证文案评估模型的准确性与高效率，可以对文案评估模型的参数进行特殊设置，例如，将文案评估模型的输入序列的长度设置为25。

在本申请实施例中，计算机设备在获取上述目标候选文案集之后，将该目标候选文案集中的各个候选推送文案分别输入至上述文案评估模型。

示例性地，本申请实施例中的基于注意力机制的双向神经网络模型与其它深度学习模型之间的比较如表1所示：

表1基于注意力机制的双向神经网络模型与其它深度学习模型之间的比较

2、获取文案评估模型输出的概率信息。

在本申请实施例中，计算机设备在将目标候选文案集中的各个候选推送文案分别输入至上述文案评估模型之后，获取文案评估模型输出的概率信息。

在另一种可能的实施方式中，计算机设备基于文案评估规则，获取上述目标候选文案集中各个候选推送文案的概率信息。可选地，计算机设备在获取上述目标候选文案集之后，获取该目标候选文案集对应的文案评估规则，并基于该文案评估规则对目标候选文案集中的各个候选推送文案进行评估，进而获取各个候选推送文案的概率信息。

在再一种可能的实施方式中，由工作人员对上述目标候选文案集进行人工评估，以获取上述目标候选文案集中各个候选推送文案的概率信息。可选地，计算机设备在获取上述目标候选文案集之后，将该目标候选文案集中的各个候选推送文案发送至工作人员的终端，由工作人员对终端所接收到的候选推送文案进行评估，进而获取各个候选推送文案的概率信息。

步骤204，根据概率信息，将目标候选文案集中准确度最高的候选推送文案确定为目标文本描述信息对应的目标推送文案。

目标推送文案是指用于表征上述目标文本描述信息的主要内容的文本，该目标推送文案中可以包括文字信息、图片信息或语音信息等，本申请实施例对此不作限定。

在本申请实施例中，计算机设备在获取上述各个候选推送文案的概率信息之后，对各个概率信息进行比较，进而根据该概率信息，将目标候选文案集中准确度最高的候选推送文案确定为上述目标文本描述信息对应的目标推送文案。可选地，若上述概率信息包括概率分数，则计算机设备可以将概率分数最大的候选推送文案确定为上述目标推送文案。

综上所述，本申请实施例提供的技术方案中，由计算机设备通过目标文本描述信息获取对应的目标推送文案，避免人工获取推送文案造成的文案生成效率低的问题，提高目标推送文案的获取效率；而且，计算机设备在获取目标文本描述信息对应的候选推送文案之后，对各个候选推送文案的准确度进行评估，从候选推送文案中选择准确度最高的候选推送文案作为目标推送文案，保证目标推送文案的准确度。

下面，对目标候选文案集的获取方式进行介绍。

在示例性实施例中，上述步骤202包括以下几个步骤：

1、对目标文本描述信息进行句法预处理，从目标文本描述信息中提取第一候选文案集。

在本申请实施例中，计算机设备在获取上述目标文本描述信息之后，对该目标文本描述信息进行句法预处理，从该目标文本描述信息中提取第一候选文案集。其中，第一候选文案集中包括至少一个候选推送文案。

可选地，计算机设备在获取上述目标文本描述信息之后，去除该目标文本描述信息中的符号，得到第一处理信息。其中，上述符号可以包括标点符号、数字符号、希腊字母、表情符号等，本申请实施例对此不作限定。可选地，计算机设备中可以存储有符号库，计算机设备在去除目标文本描述信息中的符号时，可以基于该符号库中所包含的符号，去除目标文本描述信息中的符号。

可选地，计算机设备在获取上述第一处理信息之后，对第一处理信息中的各个短句进行拼接，得到第二处理信息。其中，上述短句是指目标文本描述信息中由上述符号间隔开的句子，上述第二处理信息中包括多于一个长句。需要说明的一点是，在短句拼接时，进行拼接的短句数量可以是2、3、4或5等，本申请实施例对此不作限定。当然，在进行短句拼接时，可以对相邻的短句进行拼接，也可以对不相邻的短句进行拼接，本申请实施例对此不作限定。

可选地，计算机设备在获取上述第二处理信息之后，基于语法逻辑规则，从第二处理信息中去除未满足语法逻辑规则的长句，得到第一候选文案集。其中，上述语法逻辑规则中包括句法规则和词法规则。句法规则用于检测上述第二处理信息中的各个长句的结构，以及各个长句中的词之间的依赖关系。词法规则用于检测上述第二处理信息中的各个长句中的词自身的结构与性质。

2、从第一候选文案集中选择质量满足目标条件的候选推送文案，得到目标候选文案集。

在本申请实施例中，计算机设备在获取上述第一候选文案集之后，从第一候选文案集中选择质量满足目标条件的候选推送文案，去除质量未满足目标条件的候选推送文案，进而得到上述目标候选文案集。

在一种可能的实施方式中，上述目标条件为满足目标要求。其中，目标要求包括但不限于以下至少一项：包含正面情绪、文案用词优美、文案通顺、文案丰富、文案排版正常。可选地，计算机设备在获取上述第一候选文案集之后，对该第一候选文案集进行检测，从第一候选文案集中去除未满足目标要求的推送文案，得到上述目标候选文案集。示例性地，上述正面情绪是指非消极情绪；上述文案用词优美是指文案中不包括目标词库中的词，该目标词库中存储有非优美用词。

在另一种可能的实施方式中，上述目标条件为未包含负面词。其中，负面词是指具有某种特殊倾向的词，计算机设备中可以存储有包含负面词的一个或多个词库，不同类型的负面词可以存储在不同的词库中。可选地，计算机设备在获取上述第一候选文案集之后，对该第一候选文案集进行分词过滤，从第一候选文案集中去除包含负面词的推送文案，得到上述目标候选文案集。

在再一种可能的实施方式中，上述目标条件为字符长度小于目标值。其中，目标值可以为任意数值，如24、25或26等，本申请实施例对此不作限定。可选地，计算机设备在获取上述第一候选文案集之后，对该第一候选文案集进行句子过滤，从第一候选文案集中去除字符长度大于目标值的推送文案，得到上述目标候选文案集；或者，计算机设备在获取上述第一候选文案集之后，基于字符长度对应的目标值，对第一候选文案集中的候选推送文案进行字符补充或字符截取，得到上述目标候选文案集。示例性地，上述字符补充是指使用字符“0”对候选推送文案进行补充；字符截取是指从候选推送文案中截取目标值对应的字符，如从候选推送文案的起始字符开始，顺序截取目标值对应的字符。

需要说明的一点是，在实际运用中，工作人员可以根据实际情况对上述目标条件进行灵活设置，如目标条件可以包括上述任意一种或多种条件，本申请实施例对此不作限定。

请参考图5，其示出了本申请另一个实施例提供的文案生成方法的流程图。该方法可以应用于图1所示文案生成系统的计算机设备20中，如各步骤的执行主体可以是计算机设备20。该方法可以包括以下几个步骤(501～506)：

步骤501，获取目标文本描述信息。

步骤502，获取目标文本描述信息对应的目标候选文案集。

步骤503，基于目标候选文案集，获取目标候选文案集中各个候选推送文案的概率信息。

步骤504，根据概率信息，将目标候选文案集中准确度最高的候选推送文案确定为目标文本描述信息对应的目标推送文案。

上述步骤501-504与图2实施例中的步骤201-204相同，具体参见图2实施例，在此不作赘述。

步骤505，根据目标文本描述信息，获取目标推送文案对应的关键信息。

关键信息是指用于使得目标推送文案展示效果更加丰富的信息。可选地，计算机设备可以使用该关键信息对目标推送文案进行内容填充。其中，该关键信息的填充位置可以是目标推送文案的任意位置，本申请实施例对此不作限定。

在本申请实施例中，计算机设备可以根据上述目标文本描述信息，获取上述目标推送文案对应的关键信息。可选地，计算机设备可以在获取上述目标推送文案之后，获取该目标推送文案对应的关键信息，进而在目标推送文案中增加关键信息；或者，计算机设备可以在获取上述目标推送文案之前，获取该目标推送文案对应的关键信息，并存储该关键信息，进而在获取上述目标推送文案之后，直接在目标推送文案中增加关键信息。

在一种可能的实施方式中，上述关键信息中包括目标文本描述信息所属类目。其中，该所属类目用于指示上述目标文本描述信息对应的分类。可选地，计算机设备根据上述目标文本描述信息，对该目标文本描述信息进行分类，确定该目标文本描述信息所属类目，并从目标文本描述信息所属类目对应的推荐库中，获取目标推送文案对应的推荐语。其中，不同的所属类型对应的推荐库包含的推荐语可以相同，也可以不同。示例性地，上述推荐语中包括图像信息。

在另一种可能的实施方式中，上述关键信息中包括文本属性信息。其中，该文本属性信息用于指示上述目标文本描述信息的内容信息。可选地，计算机设备根据上述目标文本描述信息，对该目标文本描述信息进行内容检测，获取该目标推送文案对应的文本属性信息。示例性地，如图6所示，文本属性信息60中包括目标文本描述信息的关键词61、实体名62、推荐理由63和情感分析64。其中，关键词61中可以包括目标文本描述信息的关键词，该关键词可以是目标文本描述信息的标题，也可以是目标文本描述信息中出现频率在预设范围内的词；实体名62中可以包括目标文本描述信息针对的商品名、商店名、商圈名，目标文本描述信息的作者名，以及目标文本描述信息所属类目的类目名；推荐理由63中可以包括目标文本描述信息的标签，该标签可以是目标文本描述信息的作者在输入目标文本描述信息时所选择的，也可以是计算机设备根据目标文本描述信息的内容所分配的，示例性地，该标签可以为吃、逛、娱乐、住店、打折等；情感分析64中可以包括目标文本描述信息中所包含的情绪，如喜欢、非常喜欢、喜欢但是存在某些问题等。

在再一种可能的实施方式中，上述关键信息中包括文本统计信息。其中，文本统计信息用于指示针对目标文本描述信息的用户操作的统计信息，该用户操作可以为点击操作、浏览操作、转发操作等，本申请实施例对此不作限定。可选地，计算机设备根据上述目标文本描述信息，对针对该目标文本描述信息的用户操作进行统计，获取该目标推送文案对应的文本统计信息。示例性地，结合参考图7，文本统计信息70中包括内容热度71、内容转化72、购买情况73和质量指标74。其中，内容热度71中包括目标文本描述信息对应的点赞数、浏览数、收藏数、作者粉丝数和点击数；内容转化72中包括目标文本描述信息对应的评价数和分享数；购买情况73中包括目标文本描述信息所包含的商品对应的销量、折扣和均价；质量指标74中包括目标文本描述信息所包含的商品对应的星级和推荐次数。

需要说明的一点是，在实际运用中，工作人员可以根据实际情况对上述关键信息进行灵活设置，如关键信息可以包括上述任意一种或多种信息，本申请实施例对此不作限定。

步骤506，在目标推送文案中增加关键信息，得到用于展示的推送文案。

在本申请实施例中，计算机设备在获取上述关键信息之后，在上述目标推送文案中增加关键信息，得到用于展示的推送文案。其中，该用于展示的推送文案是指在向用户概括展示目标文本描述信息的主要内容的同时，能够对用户产生吸引力的文案。以上述关键信息为推荐语为例，如图8所示，用于展示的推送文案81中包括推荐语82，用于展示的推送文案83中包括推荐语84，用于展示的推送文案85中包括推荐语86。

需要说明的一点是，在本申请实施例中，计算机设备还可以在用于展示的推送文案中增加标题。可选地，计算机设备获取用于展示的推送文案针对的用户帐号的用户信息，并基于该用户信息，在用于展示的推送文案中增加标题。其中，上述用户帐号是指用于展示该用于展示的推送文案的终端的使用者对应的用户帐号。可选地，上述用户信息中包括用户名称、用户头像、用户帐号对应的字符串等；上述标题中可以包括用户信息中的任意一种或多种信息，本申请实施例对此不作限定。

可选地，计算机设备对上述用户展示的推送文案增加标题之后，可以向终端发送该具有标题的用于展示的推送文案，对应的，终端接收该具有标题的用于展示的推送文案，并在显示界面中向用户展示该具有标题的用于展示的推送文案，如图9所示，在显示界面90中包括用于展示的推送文案91，以及用于展示的推送文案91的标题92。其中，用于展示的推送文案91中包括关键信息93。

当然，在实际运用中，上述标题也可以由终端进行添加。可选地，计算机设备在获取上述用于展示的推送文案之后，可以向终端发送该用于展示的推送文案，进而，终端在获取该用于展示的推送文案之后，根据用户帐号的用户信息，在该用于展示的推送文案中添加标题，并在显示界面中向用户展示具有标题的用于展示的推送文案。

综上所述，在本申请实施例提供的技术方案中，通过在目标推送文案中增加关键信息，得到用于展示的推送文案，使得向用户展示的推送文案内容丰富，提高推送文案对用户的吸引力。

另外，结合参考图10，对本申请中的文案生成方式进行完整介绍。计算机设备在获取目标文本描述信息之后，对该目标文本描述信息进行语义提取，得到多个候选推送文案，并依据文案评估模型，从候选推送文案中抽取目标推送文案，进而在目标推送文案中增加关键信息，得到用于展示的推送文案。之后，在用于展示的推送文案中添加标题，得到最终用于展示的文案。另外，计算机设备在确定上述标题时，可以依据用户行为进行用户兴趣挖掘，进而根据用户兴趣确定对应的标题，使得最终用于展示的文案对用户具有针对性和吸引力。

请参考图11，其示出了本申请一个实施例提供的文案评估模型的训练方法的流程图。该方法可以应用于图1所示文案生成系统的计算机设备20中，可以应用于其它任意计算机设备中。该方法可以包括以下几个步骤(1101～1103)：

步骤1101，获取候选训练样本集。

候选训练样本是指文案评估模型对应的训练样本的候选集合。可选地，计算机设备可以从推送文案库中，获取点击次数大于某个数值的推送文案，进而获取候训练样本集。

可选地，上述候选训练样本集中包括至少一个正样本和至少一个负样本。其中，正样本是指点击率大于阈值的推送文案，负样本是指点击率小于阈值的推送文案。其中，上述点击率是指推送文案的点击次数于展示次数之间的比值，该点击率是可以灵活设置的任意数值。

步骤1102，基于候选训练样本集中的各个推送文案对应的特征词，对候选训练样本集进行扩展，得到目标训练样本集。

特征词是指用于指示推送文案特点的词。可选地，该特征词可以是根据候选推送文案提取获取的。在本申请实施例中，计算机设备在获取上述候选训练样本集之后，获取该候选训练样本集中的各个推送文案对应的特征词，并基于该特征词，对候选训练样本集进行扩展，进而得到目标训练样本集。

步骤1103，采用目标训练样本集对文案评估模型进行训练。

文案评估模型是指用于对文本描述信息对应的候选推送文案进行准确度评估的深度学习模型，该文案评估模型可以为基于注意力机制的双向神经网络模型。在本申请实施例中，计算机设备在获取上述目标训练样本集之后，采用该目标训练样本集对文案评估模型进行训练。

可选地，计算机设备在获取上述目标训练样本集之后，去除该目标训练样本集的推送文案中的符号，得到第一处理后的目标训练样本集。其中，上述符号可以包括标点符号、数字符号、希腊字母、表情符号等，本申请实施例对此不作限定。进一步地，计算机设备对第一处理后的目标训练样本集进行质量检测，去除质量未满足目标条件的推送文案，得到第二处理后的目标训练样本集。其中，上述目标条件包括但不限于以下至少一项：包含正面情绪、文案用词优美、文案通顺、文案丰富、文案排版正常、未包括负面词、字符长度小于目标值。之后，计算机设备采用第二处理后的目标训练样本集对文案评估模型进行训练。

需要说明的一点是，在本申请实施例中，文案评估模型的训练完成需要多轮训练，且由于推送文案的点击率是实时变化的，因此，计算机设备在对文案评估模型进行每一轮训练时，可以对目标训练样本集进行更新。可选地，计算机设备基于点击率的更新，对上述候选训练样本集中的正样本和负样本进行更新，得到更新后的候选样本训练集。其中，正样本是指点击率大于阈值的推送文案，负样本是指点击率小于阈值的推送文案。进一步地，计算机设备根据更新后的候选样本训练集，获取更新后的扩展样本集，并采用更新后的候选样本训练集和更新后的扩展样本集，对文案评估模型进行下一轮训练。

综上所述，本申请实施例提供的技术方案中，通过对候选训练样本集进行扩展得到目标训练样本集，且目标训练样本集为文案评估模型的训练样本，有效地解决了模型训练样本少的问题，保证文案评估模型的训练的可靠性和准确性。

下面，对上述目标训练样本集的获取方式进行介绍。

在示例性实施例中，上述步骤1102包括以下几个步骤：

1、从候选训练样本集的各个推送文案中提取特征词。

在本申请实施例中，计算机设备在获取上述候选训练样本集之后，从该候选训练样本集的各个推送文案中提取特征词。

可选地，计算机设备在获取上述候选训练样本集之后，去除该候选训练样本集的各个推送文案中的符号，得到处理后的各个推送文案。其中，上述符号可以包括标点符号、数字符号、希腊字母、表情符号等，本申请实施例对此不作限定。可选地，计算机设备中可以存储有符号库，计算机设备在去除目标文本描述信息中的符号时，可以基于该符号库中所包含的符号，去除目标文本描述信息中的符号。

可选地，计算机设备在获取上述处理后的各个推送文案之后，对该处理后的各个推送文案进行分词处理，得到处理后的各个推送文案对应的分词。进一步地，从处理后的各个推送文案对应的分词中去除目标分词，得到处理后的各个推送文案对应的关键词。其中，上述目标分词包括但不限于以下至少一项：停用词、在推送文案中的出现频率大于第一目标值的分词、在推送文案中的出现频率小于第二目标值的分词，上述第一目标值大于上述第二目标值。

可选地，计算机设备在获取上述关键词之后，获取该关键词对应的同义词，并将关键词，以及关键词对应的同义词，确定为上述特征词。

2、基于特征词，从推送文案库中选择与特征词之间的相似度大于门限值的其它推送文案。

在本申请实施例中，计算机设备在获取上述特征词之后，基于该特征词，从推送文案库中选择与特征词之间的相似度大于门限值的其它推送文案。其中，该门限值可以是任意数值，本申请实施例对此不作限定。

可选地，计算机设备在获取上述特征词之后，对推送文案库中的推送文案进行遍历，在推送文案中的分词与上述特征词之间的重合度大于某个数值之后，确定该推送文案与上述特征词之间的相似度大于上述门限值，即该推送文案为上述其它推送文案。

3、将与正样本对应的特征词之间的相似度大于门限值的其它推送文案标注为正样本，将与负样本对应的特征词之间的相似度大于门限值的其它推送文案标注为负样本，得到扩展样本集。

在本申请实施例中，计算机设备在获取上述其它推送文案之后，对该其它推送文案进行标注，进而得到扩展样本集。可选地，计算机设备将与正样本对应的特征词之间的相似度大于门限值的其它推送文案标注为正样本，将与负样本对应的特征词之间的相似度大于门限值的其它推送文案标注为负样本，进而得到上述扩展样本集。

4、在候选训练样本集中添加扩展样本集，得到目标训练样本集。

在本申请实施例中，计算机设备在获取上述扩展样本集之后，在上述候选训练样本集中添加扩展样本集，得到目标训练样本集。

示例性地，结合参考图12，对目标训练样本集的获取方式进行完整介绍。首先，从推送文案库120中获取点击率大于某个数值的推送文案121，并对推送文案121进行标注，将点击率大于阈值的推送文案121标注为正样本，将点击率小于阈值的推送文案121标注为负样本，得到候选训练样本集122。之后，计算机设备从候选训练样本集122中获取特征词，并依据该特征词对候选训练样本集122进行扩展，得到目标训练样本集123。

当然，依据本申请中的文案生成方法获取的推送文案，与依据相关技术获取的推送文案相比，在点击率和点击数量上具有显著提升，如图13所示，上述点击率增加7.2％，上述点击数量增加8.0％。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图14，其示出了本申请一个实施例提供的文案生成装置的框图。该装置具有实现上述文案生成方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置1400可以包括：信息获取模块1410、候选获取模块1420、概率获取模块1430和文案确定模块1440。

信息获取模块1410，用于获取目标文本描述信息。

候选获取模块1420，用于获取所述目标文本描述信息对应的目标候选文案集，所述目标候选文案集中包括至少一个候选推送文案。

概率获取模块1430，用于基于所述目标候选文案集，获取所述目标候选文案集中各个候选推送文案的概率信息，所述概率信息用于表征所述候选推送文案对应于所述目标文本描述信息的准确度。

文案确定模块1440，用于根据所述概率信息，将所述目标候选文案集中所述准确度最高的候选推送文案确定为所述目标文本描述信息对应的目标推送文案。

在示例性实施例中，所述候选获取模块1420，包括：第一获取单元和第二获取单元。

第一获取单元，用于对所述目标文本描述信息进行句法预处理，从所述目标文本描述信息中提取第一候选文案集，所述第一候选文案集中包括至少一个候选推送文案。

第二获取单元，用于从所述第一候选文案集中选择质量满足目标条件的候选推送文案，得到目标候选文案集。

在示例性实施例中，所述第一获取单元，用于去除所述目标文本描述信息中的符号，得到第一处理信息；对所述第一处理信息中的各个短句进行拼接，得到第二处理信息；其中，所述短句是指所述目标文本描述信息中由所述符号间隔开的句子，所述第二处理信息中包括多于一个长句；基于语法逻辑规则，从所述第二处理信息中去除未满足所述语法逻辑规则的长句，得到所述第一候选文案集。

在示例性实施例中，所述第二获取单元，用于对所述第一候选文案集进行检测，从所述第一候选文案集中去除未满足目标要求的推送文案，得到所述目标候选文案集；其中，所述目标要求包括以下至少一项：包含正面情绪、文案用词优美、文案通顺、文案丰富、文案排版正常；或者，对所述第一候选文案集进行分词过滤，从所述第一候选文案集中去除包含负面词的推送文案，得到所述目标候选文案集；或者，对所述第一候选文案集进行句子过滤，从所述第一候选文案集中去除字符长度大于目标值的推送文案，得到所述目标候选文案集；或者，基于字符长度对应的目标值，对所述第一候选文案集中的候选推送文案进行字符补充或字符截取，得到所述目标候选文案集。

在示例性实施例中，所述概率获取模块1430，用于将所述目标候选文案集中各个候选推送文案分别输入至文案评估模型，所述文案评估模型是基于注意力机制的双向神经网络模型；获取所述文案评估模型输出的概率信息。

在示例性实施例中，所述文案评估模型包括输入层、词嵌入层、神经网络层、注意力机制层和输出层；其中，所述输入层，用于输入所述候选推送文案；所述词嵌入层，用于获取所述候选推送文案的各个分词对应的词嵌入；所述神经网络层，用于对所述各个词嵌入进行双向遍历，得到至少一个句子向量；其中，所述双向遍历包括基于所述各个词嵌入对应的分词的输入顺序的正向遍历，以及基于所述各个词嵌入对应的分词的输入顺序的反向遍历；所述注意力机制层，用于基于所述候选推送文案中的重要内容分布情况，对各个所述句子向量进行加权处理；所述输出层，用于基于各个所述句子向量的加权处理结果，输出所述候选推送文案的概率信息。

在示例性实施例中，如图15所示，所述装置1400还包括：关键获取模块1450和文案获取模块1460。

关键获取模块1450，用于根据所述目标文本描述信息，获取所述目标推送文案对应的关键信息。

文案获取模块1460，用于在所述目标推送文案中增加所述关键信息，得到用于展示的推送文案。

在示例性实施例中，所述关键获取模块1450，用于根据所述目标文本描述信息，确定所述目标文本描述信息所属类目；从所述目标文本描述信息所属类目对应的推荐库中，获取所述目标推送文案对应的推荐语；或者，根据所述目标文本描述信息，获取所述目标推送文案对应的文本属性信息；其中，所述文本属性信息用于指示所述目标文本描述信息的内容信息；或者，根据所述目标文本描述信息，获取所述目标推送文案对应的文本统计信息；其中，所述文本统计信息用于指示针对所述目标文本描述信息的用户操作的统计信息。

在示例性实施例中，如图15所示，所述装置1400还包括：用户获取模块1470和标题增加模块1480。

用户获取模块1470，用于获取所述用于展示的推送文案针对的用户帐号的用户信息。

标题增加模块1480，用于基于所述用户信息，在所述用于展示的推送文案中增加标题。

综上所述，本申请实施例提供的技术方案中，由计算机设备通过目标文本描述信息获取对应的目标推送文案，避免人工获取推送文案造成的文案生成效率低的问题，提高目标推送文案的获取效率；而且，计算机设备在获取目标文本描述信息对应的候选推送文案之后，对各个候选推送文案的准确度进行评估，从候选推送文案中选择准确度最高的候选推送文案作为目标推送文案，保证目标推送文案的准确度。

请参考图16，其示出了本申请一个实施例提供的文案评估模型的训练装置的框图。该装置具有实现上述文案评估模型的训练方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置1600可以包括：样本获取模块1610、样本扩展模块1620和模型训练模块1630。

样本获取模块1610，用于获取候选训练样本集，所述候选训练样本集中包括至少一个正样本和至少一个负样本；其中，所述正样本是指点击率大于阈值的推送文案，所述负样本是指所述点击率小于所述阈值的推送文案。

样本扩展模块1620，用于基于所述候选训练样本集中的各个推送文案对应的特征词，对所述候选训练样本集进行扩展，得到目标训练样本集。

模型训练模块1630，用于采用所述目标训练样本集对所述文案评估模型进行训练。

在示例性实施例中，所述样本扩展模块1620，包括：特征提取单元、文案获取单元、文案标注单元和样本获取单元。

特征提取单元，用于从所述候选训练样本集的各个推送文案中提取特征词。

文案获取单元，用于基于所述特征词，从推送文案库中选择与所述特征词之间的相似度大于门限值的其它推送文案。

文案标注单元，用于将与所述正样本对应的特征词之间的相似度大于所述门限值的其它推送文案标注为正样本，将与所述负样本对应的特征词之间的相似度大于所述门限值的其它推送文案标注为负样本，得到扩展样本集。

样本获取单元，用于在所述候选训练样本集中添加所述扩展样本集，得到所述目标训练样本集。

在示例性实施例中，所述特征提取单元，用于去除所述候选训练样本集的各个推送文案中的符号，得到处理后的各个推送文案；对所述处理后的各个推送文案进行分词处理，得到处理后的各个推送文案对应的分词；从所述处理后的各个推送文案对应的分词中去除目标分词，得到所述处理后的各个推送文案对应的关键词；其中，所述目标分词包括以下至少一项：停用词、在推送文案中的出现频率大于第一目标值的分词、在推送文案中的出现频率小于第二目标值的分词，所述第一目标值大于所述第二目标值。将所述关键词，以及所述关键词对应的同义词，确定为所述特征词。

在示例性实施例中，所述模型训练模块1630，用于去除所述目标训练样本集的推送文案中的符号，得到第一处理后的目标训练样本集；对所述第一处理后的目标训练样本集进行质量检测，去除质量未满足目标条件的推送文案，得到第二处理后的目标训练样本集；其中，所述目标条件包括以下至少一项：包含正面情绪、文案用词优美、文案通顺、文案丰富、文案排版正常、未包括负面词、字符长度小于目标值；采用所述第二处理后的目标训练样本集对所述文案评估模型进行训练。

在示例性实施例中，如图17所示，所述装置1600还包括：候选更新模块1640和样本更新模块1650。

候选更新模块1640，用于基于点击率的更新，对所述候选训练样本集中的正样本和负样本进行更新，得到更新后的候选样本训练集；其中，所述正样本是指点击率大于所述阈值的推送文案，所述负样本是指点击率小于所述阈值的推送文案。

样本更新模块1650，用于根据所述更新后的候选样本训练集，获取更新后的扩展样本集。

所述模型训练模块1630，还用于采用所述更新后的候选样本训练集和所述更新后的扩展样本集，对所述文案评估模型进行下一轮训练。

综上所述，本申请实施例提供的技术方案中，通过对候选训练样本集进行扩展得到目标训练样本集，且目标训练样本集为文案评估模型的训练样本，有效地解决了模型训练样本少的问题，保证文案评估模型的训练的可靠性和准确性。

需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

请参考图18，其示出了本申请一个实施例提供的计算机设备1800的结构框图。该计算机设备可以是图1所示的计算机设备20，该计算机设备20可以实现上述文案生成方法或上述文案评估模型的训练方法。具体来讲：

该计算机设备1800包括处理单元(如CPU(Central Processing Unit，中央处理器)、GPU(Graphics Processing Unit，图形处理器)和FPGA(Field Programmable GateArray，现场可编程逻辑门阵列)等)1801、包括RAM(Random Access Memory，随机存取存储器)1802和ROM(Read Only Memory，只读存储器)1803的系统存储器1804，以及连接系统存储器1804和中央处理单元1801的系统总线1805。该计算机设备1800还包括帮助计算机设备内的各个器件之间传输信息的基本I/O系统(Input/Output，输入/输出)1806，和用于存储操作系统1813、应用程序1814和其他程序模块1815的大容量存储设备1807。

该基本输入/输出系统1806包括有用于显示信息的显示器1808和用于用户输入信息的诸如鼠标、键盘之类的输入设备1809。其中，该显示器1808和输入设备1809都通过连接到系统总线1805的输入输出控制器1810连接到中央处理单元1801。该基本输入/输出系统1806还可以包括输入输出控制器1810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1810还提供输出到显示屏、打印机或其他类型的输出设备。

该大容量存储设备1807通过连接到系统总线1805的大容量存储控制器(未示出)连接到中央处理单元1801。该大容量存储设备1807及其相关联的计算机可读介质为计算机设备1800提供非易失性存储。也就是说，该大容量存储设备1807可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。

不失一般性，该计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，电可擦可编程只读存储器)、闪存或其他固态存储其技术，CD-ROM、DVD(Digital Video Disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知该计算机存储介质不局限于上述几种。上述的系统存储器1804和大容量存储设备1807可以统称为存储器。

根据本申请实施例，该计算机设备1800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1800可以通过连接在该系统总线1805上的网络接口单元1811连接到网络1812，或者说，也可以使用网络接口单元1811来连接到其他类型的网络或远程计算机系统(未示出)。

该存储器中存储有计算机程序，该计算机程序由处理器加载并实现上述计算机设备侧的文案生成方法，或实现上述配置终端侧的文案评估模型的训练方法。

在示例性实施例中，还提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器执行时以实现上述文案生成方法；或者，所述计算机程序被配置终端的处理器执行时以实现上述文案评估模型的训练方法。

可选地，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。

在示例性实施例中，还提供一种计算机程序产品，当所述计算机程序产品在计算机设备上运行时，执行上述文案生成方法；当所述计算机程序产品在配置终端上运行时，执行上述文案评估模型的训练方法。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。