建立风格文本生成模型的方法、装置

摘要

本申请公开了一种建立风格文本生成模型的方法、装置，涉及自然语言处理、深度学习技术领域。本申请在建立风格文本生成模型时的方案为：获取训练样本，所述训练样本中包含多个第一文本以及与各第一文本的生成任务相对应、且具有特定风格的第二文本；构建包含生成模型、语言模型、连接器与判别器的神经网络模型，其中所述连接器用于连接生成模型与语言模型；使用所述训练样本对所述神经网络模型中的连接器与判别器进行对抗训练，利用训练得到的所述神经网络模型中的生成模型、语言模型与连接器得到风格文本生成模型。本申请能够使得由风格文本生成模型生成的目标文本在符合相应生成任务的同时，还会具有更加鲜明的风格且更加通顺。

说明书

技术领域

本申请涉及信息处理技术领域，尤其涉及自然语言处理、深度学习技术领域中的一种建立风格文本生成模型的方法、装置、电子设备和可读存储介质。

背景技术

风格文本是指在具体的文本生成任务中，所生成的文本具有特定的风格，风格例如为正向情感、负面情感、幽默、浪漫、标题党等。

现有技术在实现生成风格文本时，通常采用的方式是通过DAE(Denoising AutoEncoder，去噪自编码器)技术和seq2seq技术的多任务训练，来得到用于能够生成风格文本的文本生成模型。但经过研究发现，采用上述方式得到的文本生成模型所生成的风格文本的效果较差。

发明内容

本申请为解决技术问题所采用的技术方案是提供一种建立风格文本生成模型的方法，包括：获取训练样本，所述训练样本中包含多个第一文本以及与各第一文本的生成任务相对应、且具有特定风格的第二文本；构建包含生成模型、语言模型、连接器与判别器的神经网络模型，其中所述连接器用于连接生成模型与语言模型；使用所述训练样本对所述神经网络模型中的连接器与判别器进行对抗训练，利用训练得到的所述神经网络模型中的生成模型、语言模型与连接器得到风格文本生成模型。

本申请为解决技术问题所采用的技术方案是提供一种建立风格文本生成模型的装置，包括：获取单元，用于获取训练样本，所述训练样本中包含多个第一文本以及与各第一文本的生成任务相对应、且具有特定风格的第二文本；构建单元，用于构建包含生成模型、语言模型、连接器与判别器的神经网络模型，其中所述连接器用于连接生成模型与语言模型；训练单元，用于使用所述训练样本对所述神经网络模型中的连接器与判别器进行对抗训练，利用训练得到的所述神经网络模型中的生成模型、语言模型与连接器得到风格文本生成模型。

一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行上述方法。

上述申请中的一个实施例具有如下优点或有益效果：本申请能够使得由风格文本生成模型所生成的目标文本在符合相应生成任务的同时，还会具有更加鲜明的风格且更加通顺。因为采用了由风格文本生成模型中的连接器来动态地预测目标文本中每个字符的风格强度的技术手段，所以克服了现有技术训练得到的文本生成模型所生成文本的效果不稳定的技术问题，实现了目标文本在符合相应生成任务的同时，还会具有更加鲜明的风格且更加通顺的技术效果。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是根据本申请第三实施例的示意图；

图4是根据本申请第四实施例的示意图；

图5是根据本申请第五实施例的示意图；

图6是根据本申请第六实施例的示意图；

图7是用来实现本申请实施例的建立风格文本生成模型的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请第一实施例的示意图。如图1中所示，本实施例的建立风格文本生成模型的方法，具体可以包括如下步骤：

S101、获取训练样本，所述训练样本中包含多个第一文本以及与各第一文本的生成任务相对应、且具有特定风格的第二文本；

S102、构建包含生成模型、语言模型、连接器与判别器的神经网络模型，其中所述连接器用于连接生成模型与语言模型；

S103、使用所述训练样本对所述神经网络模型中的连接器与判别器进行对抗训练，利用训练得到的所述神经网络模型中的生成模型、语言模型与连接器得到风格文本生成模型；

所述风格文本生成模型用于根据待处理文本生成与所述待处理文本的生成任务相对应、且具有特定风格的目标文本。

本实施例提供的建立风格文本生成模型的方法，在构建包含生成模型、语言模型、连接器与判别器的神经网络模型之后，采用对神经网络模型中的连接器与判别器进行对抗训练的方式来训练神经网络模型，从而将训练得到的神经网络模型中的生成模型、语言模型与连接器作为风格文本生成模型，由于风格文本生成模型中的连接器能够动态地预测目标文本中每个字符的风格强度，使得由风格文本生成模型所生成的目标文本在符合相应生成任务的同时，还会具有更加鲜明的风格且更加通顺。

本实施例执行S101获取的训练样本中，第一文本的生成任务可以为对话生成任务、摘要生成任务或者标题生成任务等本生成任务中的一种；第二文本的特定风格可以为正向情感、负向情感、幽默、浪漫、标题党、武侠风等风格中的一种。

其中，本实施例执行S101获取的多个第一文本对应于同一个生成任务，获取的第二文本的特定风格为多个风格中的一种。举例来说，若生成任务为标题生成，特定风格为武侠风，则本实施例获取的训练样本中的第二文本为具有武侠风风格的第一文本的标题。

本实施例在执行S101获取训练样本之后，执行S102构建包含生成模型、语言模型、连接器与判别器的神经网络模型，其中连接器用于连接生成模型与语言模型。

本实施例通过预先训练得到生成模型，其用于根据输入文本来输出对应特定生成任务的文本，本实施例中的生成模型对应一种生成任务。

举例来说，若生成模型对应的生成任务为标题生成任务，则生成模型输出的是对应所输入文本的标题文本；若生成模型对应的生成任务为对话生成任务，则生成模型输出的是对应所输入文本的回复文本。

本实施例通过预先训练得到语言模型(Language Model，LM)，其用于根据当前输入文本来输出位于当前输入文本之后的下一个具有特定风格的字符，再将所输出的字符与当前输入文本的拼接结果作为当前输入文本之后，继续输入语言模型，以此迭代多次，所输入的当前输入文本为生成模型输出的部分字符，例如生成模型输出的文本中的第一个字或词语，所输出的字符为字或者词语，本实施例中的语言模型对应一种风格。

举例来说，若语言模型对应的特定风格为正向情感，则语言模型输出的是位于当前输入文本之后且具有正向情感的下一个字符；若语言模型对应的特定风格为武侠风，则语言模型输出的是位于当前输入文本之后且具有武侠风的下一个字符。

本实施例通过预先训练得到判别器，该判别器可以为基于双塔的DSSM(DeepStructured Semantic Model，深度语义匹配模型)，其用于判断所生成的文本是否满足输入文本的生成任务，例如判断所生成的文本是否能够作为输入文本的标题。

本实施例中的连接器为基于编码器与解码器结构的神经网络模型，其用于首先根据生成模型的输入文本与语言模型的当前输入文本得到位于当前输入文本之后的下一个字符的第一概率值，然后根据所得到的字符的位置，再结合生成模型与语言模型的输出文本中对应位置处的字符的第二概率值与第三概率值，得到位于该位置处的字符的最终概率值，最后根据位于每个位置处的字符的最终概率值得到输出文本。

可以理解的是，本实施例中的连接器在根据各位置处字符的概率值得到该位置处字符的最终概率值时，可以将上述三个概率值的均值作为最终概率值，也可以采用以下计算公式计算：

fina_prob＝lm_prob*(gate)+g_prob(1-gate)

在公式中：final_prob表示位于各位置处字符的最终概率值；lm_prob表示语言模型输出的位于各位置处字符的第三概率值；gate表示连接器输出的位于各位置处字符的第一概率值；g_prob表示生成模型输出的位于各位置处字符的第二概率值。

本实施例在执行S102构建包含生成模型、语言模型、连接器与判别器的神经网络模型之后，执行S103使用训练样本对神经网络模型中的连接器与判别器进行对抗训练，利用训练得到的神经网络模型中的生成模型、语言模型与连接器得到风格文本生成模型。其中，使用本实施例训练得到的风格文本生成模型，能够根据所输入的待处理文本生成与待处理文本的生成任务相对应、且具有特定风格的目标文本。

本实施例执行S103对连接器与判别器进行对抗训练时，即为固定生成模型与语言模型的参数，而对连接器与判别器进行对抗训练，使得连接器的输出文本能够最大程度地融入特定风格，且被判别器判断为符合输入文本对应的生成任务，当神经网络模型收敛时，认为神经网络模型的训练结束，进而将训练得到的神经网络模型中的生成模型、语言模型与连接器作为风格文本生成模型。

具体地，本实施例执行S103使用训练样本对神经网络模型中的连接器与判别器进行对抗训练时，可以采用的可选实现方式为：将训练样本中的第二文本作为对应第一文本的真实样本；将第一文本作为神经网络模型的输入，将第一文本经过生成模型、语言模型与连接器处理得到的输出结果作为对应第一文本的生成样本；将第一文本及其对应的真实样本、生成样本作为判别器的输入，根据判别器的输出结果，分别得到连接器的损失函数和判别器的损失函数；根据连接器的损失函数与判别器的损失函数，调整连接器与判别器的参数，直至神经网络模型收敛。

其中，本实施例在执行S103根据判别器的输出结果得到判别器的损失函数时，可以采用的可选实现方式为：将第一文本及其对应的真实样本输入判别器，得到判别器对应第一文本的第一输出；将第一文本及其对应的生成样本输入判别器，得到判别器对应第一文本的第二输出；根据对应第一文本的第一输出与第二输出，得到判别器的损失函数。

其中，本实施例中由判别器所输出的第一输出与第二输出为位于0～1之间的数值；本实施例在根据第一输出与第二输出得到判别器的损失函数时，可以基于交叉熵损失函数的计算方式获取。

本实施例在执行S103根据判别器的输出结果得到连接器的损失函数时，可以采用的可选实现方式为：确定连接器根据第一文本与语言模型的当前输入文本所得到的位于当前输入文本之后的下一个字符的第一概率值；根据位于全部位置处字符的第一概率值，得到概率均值；将第一文本及其对应的生成样本输入判别器，得到判别器对应第一文本的第二输出；根据所得到的概率均值与第二输出，得到连接器的损失函数，例如将两者的和作为连接器的损失函数。

由于本实施例中连接器的损失函数由两部分构成，因此能够使得连接器得到的输出具有特定风格，且无法由判别器区分该输出为生成样本还是真实样本。

具体地，本实施例在根据损失函数调整连接器与判别器的参数时，连接器与判别器的训练目标为使得两者所对应的损失函数同时收敛。当连接器的损失函数与判别器的损失函数同时收敛时，即认为对神经网络模型的训练完成，便能够将神经网络模型中的生成模型、语言模型与连接器作为风格文本生成模型。

利用本实施例得到的风格文本生成模型，将待处理文本输入之后，该风格文本生成模型即可生成与待处理文本的生成任务对应、且具有特定风格的目标文本。

通过本实施例提供的上述方法，采用对神经网络模型中的连接器与判别器进行对抗训练的方式来训练神经网络模型，从而将训练得到的神经网络模型中的生成模型、语言模型与连接器作为风格文本生成模型，由于风格文本生成模型中的连接器能够动态地预测目标文本中每个字符的风格强度，使得由风格文本生成模型所生成的目标文本在符合相应生成任务的同时，还会具有更加鲜明的风格且更加通顺。

图2是根据本申请第二实施例的示意图。如图2中所示，该图示出了神经网络模型中连接器的网络结构：其中，编码器的输入为生成模型的输入，即第一文本；解码器的输入为语言模型的输入，即当前输入文本；所输出的Gate output即为连接器输出的位于当前输入文本之后的下一个字符的第一概率值；G output为生成模型的输出文本中对应位置处的字符的第二概率值；LM output为语言模型的输出文本中对应位置处的字符的第三概率值；Final output为对应位置处的字符的最终概率值。

图3是根据本申请第三实施例的示意图。如图3中所示，该图示出了神经网络模型中判别器的网络结构：其中，A为第一文本，B为真实样本或者生成样本；将第一文本经过Transformer结构之后，进行池化，再进行全连接处理，得到对应第一文本的全连接结果；将真实样本或者生成样本经过Transformer结构之后，进行池化，再进行全连接处理，得到对应真实样本或者生成样本的全连接结果；将对应第一文本的全连接结果与对应真实样本的全连接结果进行全连接处理，得到对应第一文本的第一输出；将对应第一文本的全连接结果与对应生成样本的全连接结果进行全连接处理，得到对应第一文本的第二输出。

图4是根据本申请第四实施例的示意图。如图4中所示，该图示出了在对连接器进行对抗训练的示意图；虚线框内为风格文本生成模型；输入A为第一文本，输出B’为生成样本；loss-gs表示概率均值；loss-gd表示第二输出；连接器的损失函数为：loss-gs与loss-gd的和。

图5是根据本申请第五实施例的示意图。如图5中所示，该图示出了在对判别器进行对抗训练的示意图；虚线框内为风格文本生成模型；输入A为第一文本，输出B’为生成样本，真实B为与第一文本对应的第二文本；loss-d表示判别器的损失函数。

图6是根据本申请第六实施例的示意图。如图6中所示，本实施例的建立风格文本生成模型的装置，包括：

获取单元601、用于获取训练样本，所述训练样本中包含多个第一文本以及与各第一文本的生成任务相对应、且具有特定风格的第二文本；

构建单元602、用于构建包含生成模型、语言模型、连接器与判别器的神经网络模型，其中所述连接器用于连接生成模型与语言模型；

训练单元603、用于使用所述训练样本对所述神经网络模型中的连接器与判别器进行对抗训练，利用训练得到的所述神经网络模型中的生成模型、语言模型与连接器得到风格文本生成模型；

本实施例中的获取单元601的训练样本中，第一文本的生成任务可以为对话生成任务、摘要生成任务或者标题生成任务等本生成任务中的一种；第二文本的特定风格可以为正向情感、负向情感、幽默、浪漫、标题党、武侠风等风格中的一种。

其中，本实施例中的获取单元601获取的多个第一文本对应于同一个生成任务，获取的第二文本的特定风格为多个风格中的一种。

本实施例在由获取单元601获取训练样本之后，由构建单元602构建包含生成模型、语言模型、连接器与判别器的神经网络模型，其中连接器用于连接生成模型与语言模型。

构建单元602通过预先训练得到生成模型，其用于根据输入文本来输出对应特定生成任务的文本，本实施例中的生成模型对应一种生成任务。

构建单元602通过预先训练得到语言模型(Language Model，LM)，其用于根据当前输入文本来输出位于当前输入文本之后的下一个具有特定风格的字符，再将所输出的字符与当前输入文本的拼接结果作为当前输入文本之后，继续输入语言模型，以此迭代多次，所输入的当前输入文本为生成模型输出的部分字符，例如生成模型输出的文本中的第一个字或词语，所输出的字符为字或者词语，本实施例中的语言模型对应一种风格。

构建单元602通过预先训练得到判别器，该判别器可以为基于双塔的DSSM(DeepStructured Semantic Model，深度语义匹配模型)，其用于判断所生成的文本是否满足输入文本的生成任务，例如判断所生成的文本是否能够作为输入文本的标题。

构建单元602中的连接器为基于编码器与解码器结构的神经网络模型，其用于首先根据生成模型的输入文本与语言模型的当前输入文本得到位于当前输入文本之后的下一个字符的第一概率值，然后根据所得到的字符的位置，再结合生成模型与语言模型的输出文本中对应位置处的字符的第二概率值与第三概率值，得到位于该位置处的字符的最终概率值，最后根据位于每个位置处的字符的最终概率值得到输出文本。

可以理解的是，构建单元602中的连接器在根据各位置处字符的概率值得到该位置处字符的最终概率值时，可以将上述三个概率值的均值作为最终概率值，也可以采用以下计算公式计算：

fina_prob＝lm_prob*(gate)+g_prob(1-gate)

在公式中：final_prob表示位于各位置处字符的最终概率值；lm_prob表示语言模型输出的位于各位置处字符的第三概率值；gate表示连接器输出的位于各位置处字符的第一概率值；g_prob表示生成模型输出的位于各位置处字符的第二概率值。

本实施例在由构建单元602构建包含生成模型、语言模型、连接器与判别器的神经网络模型之后，由训练单元603使用训练样本对神经网络模型中的连接器与判别器进行对抗训练，利用训练得到的神经网络模型中的生成模型、语言模型与连接器得到风格文本生成模型。其中，使用训练单元603训练得到的风格文本生成模型，能够根据所输入的待处理文本生成与待处理文本的生成任务相对应、且具有特定风格的目标文本。

本实施例中的训练单元603在对连接器与判别器进行对抗训练时，即为固定生成模型与语言模型的参数，而对连接器与判别器进行对抗训练，使得连接器的输出文本能够最大程度地融入特定风格，且被判别器判断为符合输入文本对应的生成任务，当神经网络模型收敛时，认为神经网络模型的训练结束，进而将训练得到的神经网络模型中的生成模型、语言模型与连接器作为风格文本生成模型。

具体地，本实施例中的训练单元603在使用训练样本对神经网络模型中的连接器与判别器进行对抗训练时，可以采用的可选实现方式为：将训练样本中的第二文本作为对应第一文本的真实样本；将第一文本作为神经网络模型的输入，将第一文本经过生成模型、语言模型与连接器处理得到的输出结果作为对应第一文本的生成样本；将第一文本及其对应的真实样本、生成样本作为判别器的输入，根据判别器的输出结果，分别得到连接器的损失函数和判别器的损失函数；根据连接器的损失函数与判别器的损失函数，调整连接器与判别器的参数，直至神经网络模型收敛。

其中，本实施例中的训练单元603在根据判别器的输出结果得到判别器的损失函数时，可以采用的可选实现方式为：将第一文本及其对应的真实样本输入判别器，得到判别器对应第一文本的第一输出；将第一文本及其对应的生成样本输入判别器，得到判别器对应第一文本的第二输出；根据对应第一文本的第一输出与第二输出，得到判别器的损失函数。

其中，训练单元603中由判别器所输出的第一输出与第二输出为位于0～1之间的数值；训练单元603在根据第一输出与第二输出得到判别器的损失函数时，可以基于交叉熵损失函数的计算方式获取。

本实施例中的训练单元603在根据判别器的输出结果得到连接器的损失函数时，可以采用的可选实现方式为：确定连接器根据第一文本与语言模型的当前输入文本所得到的位于当前输入文本之后的下一个字符的第一概率值；根据位于全部位置处字符的第一概率值，得到概率均值；将第一文本及其对应的生成样本输入判别器，得到判别器对应第一文本的第二输出；根据所得到的概率均值与第二输出，得到连接器的损失函数。

由于训练单元603中连接器的损失函数由两部分构成，因此能够使得连接器得到的输出具有特定风格，且无法由判别器区分该输出为生成样本还是真实样本。

具体地，训练单元603在根据损失函数调整连接器与判别器的参数时，连接器与判别器的训练目标为使得两者所对应的损失函数同时收敛。当连接器的损失函数与判别器的损失函数同时收敛时，即认为对神经网络模型的训练完成，便能够将神经网络模型中的生成模型、语言模型与连接器作为风格文本生成模型。

根据本申请的实施例，本申请还提供了一种电子设备和一种计算机可读存储介质。

如图7所示，是根据本申请实施例的建立风格文本生成模型的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的建立风格文本生成模型的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的建立风格文本生成模型的方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的建立风格文本生成模型的方法对应的程序指令/模块(例如，附图6所示的获取单元601、构建单元602以及训练单元603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的建立风格文本生成模型的方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至建立风格文本生成模型的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

建立风格文本生成模型的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与建立风格文本生成模型的方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。

根据本申请实施例的技术方案，采用对神经网络模型中的连接器与判别器进行对抗训练的方式来训练神经网络模型，从而将训练得到的神经网络模型中的生成模型、语言模型与连接器作为风格文本生成模型，由于风格文本生成模型中的连接器能够动态地预测目标文本中每个字符的风格强度，使得由风格文本生成模型所生成的目标文本在符合相应生成任务的同时，还会具有更加鲜明的风格且更加通顺。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。