基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法与流程

摘要: 本发明涉及文本生成,具体为基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法。背景技术:1、文本生成技术是自然语言处理领域的计算分支,主要依托预训练语言模型...
基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法与流程

本发明涉及文本生成,具体为基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法。

背景技术:

1、文本生成技术是自然语言处理领域的计算分支,主要依托预训练语言模型与深度神经网络实现自然语言文本的自动化输出。随着数字营销的发展,跨平台营销文案生成技术逐渐成为该领域的重要应用方向,其旨在基于多源商品数据,利用计算机与大规模参数模型自动输出适配特定分发平台的文本内容。在该过程中,模型通常将跨平台商品的文本数据映射聚合为统一维度的高维语义特征向量,并通过自注意力网络与解码器自回归生成目标文本序列。

2、现有跨平台文案生成技术主要依赖通用文本生成模型与基础数据处理工程。主流的技术路线通常通过清洗全网海量评论与详情数据来提取高频通用特征,将其作为商品卖点输入至预训练语言模型中进行端到端生成,利用历史营销语料对模型权重进行基础微调,或者在解码阶段采用固定的概率采样策略输出离散文本。这些技术方案能够实现结构化属性数据到自然语言长句的基础映射转换,构建文案自动化生成的初始框架。

3、然而,现有跨平台文本生成方法在处理多平台数据时,针对不同分发平台之间语义分布差异与对抗性特征的计算机制仍不够完善。使得现有的通用文本生成模型在特征提取过程中,提取的特征参量通常为跨平台的全局通用特征,解码器生成的文本序列在目标平台与竞品平台缺乏区隔度以及跨平台同质化严重的问题。产生该问题的原因在于现有的算法架构难以将目标分发平台与竞品平台的双向特征作为有效的约束条件充分注入到模型的解码过程中,导致自回归生成的词元概率分布容易偏离特定平台的语义空间,导致文本生成模型在跨领域应用场景下输出序列的适配性与精准度不够理想。因此,亟需一种通过计算机自动识别并编码不同分发平台之间的语义分布差异,并将其作为约束条件注入到文本生成模型的方法以解决上述问题。

技术实现思路

1、针对相关技术中的问题,本发明提供了一种基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法,以克服现有相关技术所存在的所述技术问题。

2、为解决所述技术问题,本发明是通过以下技术方案实现的:

3、本发明实施例提供了一种基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法,具体包括:

4、获取跨平台商品的文本数据进行去噪处理,并通过预训练语言模型聚合为高维语义特征向量集合;

5、基于所述高维语义特征向量集合与目标分发平台营销转化参数构建目标分发平台的特征变换矩阵;

6、基于可学习原型参数矩阵执行柯列斯基分解与正交化空间映射,提取竞争区隔性卖点特征集合;

7、将所述目标分发平台的营销传播参数映射为平台特征嵌入,与所述竞争区隔性卖点特征集合拼接,经多层感知机输出引导条件张量;

8、将所述引导条件张量转换为连续前缀提示矩阵,利用目标平台与竞品平台的词表偏置差值向量对基础对数概率分布进行调整并生成跨平台营销文案。

9、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,所述高维语义特征向量集合的生成包括:

10、获取跨平台商品的文本数据进行去噪过滤与结构化属性数据转换映射,拼接形成待处理文本序列;

11、利用预训练语言模型的子词分词器对待处理文本序列进行分词映射获取词元索引序列,生成注意力掩码序列;

12、将所述词元索引序列与所述注意力掩码序列输入预训练语言模型,提取隐藏层词元特征向量集合;

13、采用注意力掩码加权的平均池化机制对所述隐藏层词元特征向量集合进行降维聚合计算,构建高维语义特征向量集合。

14、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,所述目标分发平台的特征变换矩阵的构建包括:

15、对所述高维语义特征向量集合进行中心化操作,获取中心化特征矩阵,基于中心化特征矩阵计算原始样本协方差矩阵;

16、提取原始样本协方差矩阵的迹结合收缩强度因子,计算自适应平滑常数,基于自适应平滑常数构建对角正则化项并叠加至原始样本协方差矩阵,构建严格正定协方差矩阵;

17、提取目标分发平台的平台痛点相关度指标、平台情绪唤醒度指标、平台历史转化权重指标,拼接构建平台偏好型营销向量;

18、采用平台感知投影矩阵将平台偏好型营销向量进行映射,获取权重对角矩阵,结合严格正定协方差矩阵的精度矩阵构建目标分发平台的特征变换矩阵。

19、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,所述平台偏好型营销向量的构建包括:

20、提取目标分发平台历史营销语料的负向评价高频词汇,构建平台专属痛点种子词库并映射为种子词嵌入向量,计算高维语义特征向量与种子词嵌入向量的平均余弦相似度,并结合词频比例输出平台痛点相关度指标;

21、通过情感分析网络预测强情绪波动类别标签的预测概率值,调取历史数据流的情绪波动预测概率全局均值与全局标准差对预测概率值,执行动态标准化处理与非线性映射,输出平台情绪唤醒度指标;

22、提取目标商品的点击率与购买转化率,结合点击行为权重系数与购买行为权重系数,通过非线性对数映射函数输出平台历史转化权重指标。

23、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,所述构建目标分发平台的特征变换矩阵之后,还包括:

24、初始化可学习原型参数矩阵,采用自适应矩估计优化器对平台感知投影矩阵内部参数以及可学习原型参数矩阵实施联合迭代更新;

25、计算高维语义特征向量与可学习原型参数矩阵中各个原型特征向量的对抗性马氏距离,基于归一化指数函数的软分配机制提取高维语义特征向量归属于原型特征向量的概率权重;

26、基于概率权重对原型特征向量执行加权,引入软加函数进行平滑近似估算构建排斥惩罚项,计算目标竞争双重驱动联合优化损失函数,利用辅助分类头预测目标平台标签构建交叉熵辅助分类损失函数,叠加构建端到端全局联合损失函数,执行迭代更新并结合独立验证集早停机制,获取收敛后的可学习原型参数矩阵。

27、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,所述提取竞争区隔性卖点特征集合,包括:

28、对目标分发平台的特征变换矩阵执行柯列斯基分解,提取下三角矩阵;

29、利用下三角矩阵的转置对高维语义特征向量集合与可学习原型参数矩阵执行全局线性预投影,构建正交化特征向量与正交化原型向量;

30、计算正交化特征向量与正交化原型向量之间的平方欧氏距离,将正交化特征向量划分至聚类簇;

31、对聚类簇内部包含的正交化特征向量执行算术平均运算,提取正交空间质心,利用下三角矩阵的转置的逆矩阵将正交空间质心逆向变换映射为平台专属卖点特征向量聚合,构建竞争区隔性卖点特征集合。

32、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,所述输出引导条件张量,包括:

33、提取目标分发平台的信息密度、情绪波动率、互动指令频次拼接构建平台属性向量,通过平台嵌入映射层变换矩阵将平台属性向量映射构建平台特征嵌入;

34、通过注意力权重矩阵对竞争区隔性卖点特征集合进行非线性变换与加权求和,输出为单一维度的平台综合卖点向量;

35、将平台综合卖点向量与平台特征嵌入沿特征维度进行张量拼接,构建联合特征向量;

36、将联合特征向量输入多层感知机,依次通过高斯误差线性单元激活、层归一化算子、双曲正切激活函数进行非线性变换与特征维度对齐,输出引导条件张量。

37、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,提取目标分发平台的信息密度、情绪波动率、互动指令频次,包括:

38、计算历史营销文案集合中文案的实体词与功效属性词数量总和占总词数的比例,输出信息密度;

39、计算文案内部句子预测概率值的方差,获得情绪波动幅度,利用历史营销语料流的情绪波动幅度全局均值与全局标准差对情绪波动幅度,执行动态标准化处理与非线性激活映射,输出情绪波动率;

40、统计文案中包含的互动意图诱导词汇出现次数占总句子数的比例,输出互动指令频次。

41、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,所述跨平台营销文案的生成包括:

42、对引导条件张量执行仿射变换,获得一维扩展向量并重构为连续前缀提示矩阵;

43、将连续前缀提示矩阵附加至离散文本指令的指令特征嵌入矩阵的首部区域,构建初始输入张量;

44、文本生成模型解码器基于历史生成词元序列与初始输入张量提取当前隐藏层状态,输出基础对数概率分布;

45、获取预先计算并存储的目标分发平台特征嵌入与竞品平台特征嵌入,通过平台风格分类矩阵映射计算目标平台偏好分布向量与竞品平台偏好分布向量,计算差值并通过偏置激活阈值执行分段截断过滤,构建目标平台与竞品平台的词表偏置差值向量;

46、利用目标平台与竞品平台的词表偏置差值向量对基础对数概率分布进行加权叠加调整,采用top-k与top-p联合采样策略生成离散词元,构建跨平台营销文案。

47、作为本发明所述基于多源数据融合的商品卖点自动挖掘与跨平台文案生成方法的一种优选方案,其中,利用目标平台与竞品平台的词表偏置差值向量对基础对数概率分布进行加权叠加调整,包括:

48、计算基础对数概率分布的基础归一化概率分布,基于基础归一化概率分布计算香农信息熵;

49、结合基础惩罚权重与熵值激励系数计算自适应惩罚权重因子;

50、引入非线性双曲正切函数对目标平台与竞品平台的词表偏置差值向量执行边界严格约束计算,结合自适应惩罚权重因子对基础对数概率分布进行定向加权叠加,获得调整后的对数概率分布。

51、本发明具备以下有益效果:

52、1、本发明通过构建包含目标竞争双重驱动联合优化损失函数的特征变换矩阵,引入竞品平台的转化效果标签推远包含竞品平台爆款特征的样本空间距离,并放大目标分发平台高转化价值维度的方差差异,进而采用特征变换矩阵计算样本点与聚类中心之间的对抗性马氏距离,提取竞争区隔性卖点特征集合,解决现有通用文本生成模型提取全局通用特征导致生成的文本序列在目标平台与竞品平台上缺乏区隔度以及跨平台同质化严重的问题,输出适配目标分发平台的引导条件张量。

53、2、本发明将引导条件张量转换为连续前缀提示矩阵以构建初始输入空间,在文本生成模型解码过程的前向计算环节,提取目标平台与竞品平台的词表偏置差值向量,并利用基于分布信息熵计算的自适应惩罚权重因子对基础对数概率分布进行动态惩罚调整,解决现有算法架构难以将目标分发平台与竞品平台的双向特征作为约束条件注入到模型解码过程中的问题,避免自回归生成的词元概率分布偏离特定平台的语义空间,提升文本生成模型输出序列在跨领域应用场景下的适配性与精准度。

54、当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。