文本生成方法、装置和电子设备与流程

本公开涉及文本生成领域，尤其涉及一种文本生成方法、装置、电子设备及计算机可读存储介质。

背景技术：

文本自动生成是自然语言处理领域的一个重要研究方向，实现文本自动生成也是人工智能走向成熟的一个重要标志。我们期待未来有一天计算机能够像人类一样会写作，能够撰写出高质量的自然语言文本。文本自动生成技术极具应用前景。

在很多网站的展示页面上，一般会展示有物品的图片以及描述信息。通常需要用户在上传图片之后，撰写一段描述图片中的物品的信息以能够激起其他用户的兴趣而点击该图片所对应的链接。然后由于图片的数量一般比较多，针对每个图片都撰写一段文字信息来描述该图片中的物品是非常费时且低效的。

技术实现要素：

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

为了解决现有技术中生成文本费时低效的问题，本公开实施例提出如下技术方案。

第一方面，本公开实施例提供一种文本生成方法，包括：

获取输入图像以及第一文本；

抽取所述输入图像的特征得到输入图像的特征向量；

对所述第一文本进行编码得到第一文本的特征向量；

根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量；

将所述联合特征向量进行解码生成第二文本。

第二方面，本公开实施例提供一种文本生成装置，包括：

输入模块，用于获取输入图像以及第一文本；

抽取模块，用于抽取所述输入图像的特征得到输入图像的特征向量；

编码模块，用于对所述第一文本进行编码得到第一文本的特征向量；

联合模块，用于根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量；

解码模块，用于将所述联合特征向量进行解码生成第二文本。

第三方面，本公开实施例提供一种电子设备，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，所述存储器存储有能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前述第一方面中的任一所述的方法。

第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，该非暂态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前述第一方面中的任一所述的方法。

本公开实施例公开了一种文本生成方法、装置、电子设备和计算机可读存储介质。其中该文本生成方法包括：获取输入图像以及第一文本；抽取所述输入图像的特征得到输入图像的特征向量；对所述第一文本进行编码得到第一文本的特征向量；根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量；将所述联合特征向量进行解码生成第二文本。上述方法通过图像特征和文本特征生成联合特征向量，同通过对练个特向向量解码生成描述图像的第二文本，解决了现有技术中生成图像描述信息费时和效率低的技术问题。

上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例提供的文本生成方法的流程示意图；

图2为本公开实施例提供的文本生成方法中得到第一文本的特征向量的流程示意图；

图3为本公开实施例提供的文本生成方法中的得到第一文本的键值对的流程示意图；

图4为本公开实施例提供的文本生成方法中得到第一文本的特征向量的另一流程示意图；

图5为本公开实施例提供的文本生成方法中得到联合特征向量的流程示意图；

图6为本公开实施例提供的文本生成装置的实施例的结构示意图；

图7为根据本公开实施例提供的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1为本公开实施例提供的文本生成方法实施例的流程图，本实施例提供的该文本生成方法可以由一文本生成装置来执行，该文本生成装置可以实现为软件，或者实现为软件和硬件的组合，该文本生成装置可以集成设置在文本生成系统中的某设备中，比如文本生成服务器或者文本生成终端设备中。如图1所示，该方法包括如下步骤：

步骤s101，获取输入图像以及第一文本；

其中所述输入图像为任意图像，示例性的，所述图像为商品的展示图片，该展示图片可以用于在电商网站中展示商品或者在广告落地页中展示商品。所述第一文本为用户输入的描述所述图像的文字，示例性的，所述图片中为白色的女鞋，则所述第一文本为：白色女鞋。

其中，所述输入图像也可以视频中的关键帧，此时获取输入图像需要首先获取输入视频，之后对所述输入视频进行关键帧抽取，得到所述输入图像；或者对所述抽取的多个关键帧进行处理得到能够表示多个关键帧的一帧图像作为输入图像；所述输入图像也可以是所述视频的多个视频帧，在此不做限制。

步骤s102，抽取所述输入图像的特征得到输入图像的特征向量；

示例性的，所述步骤s102包括：将所述输入图像输入卷积神经网络得到所述输入图像的特征向量。

在一个实施例中，所述卷积神经网络为经过预训练的卷积神经网络，示例性的，所述卷积神经网络通过预训练，可以对所述输入图像中的物品进行分类；如所述文本生成方法应用于服装图片的描述文本生成，则所述卷积神经网络可以通过服装训练集预先进行训练，使得所述卷积神经网络能够抽取到所述输入图像中的表示服装的特征向量。

示例性的，所述卷积神经网络将所述输入图像通过多个卷积层的卷积计算生成一个大小为v的向量，所述v表示向量中元素的个数，其中v为大于0的整数；示例性的，所述大小为v的向量为包括v个元素的一维向量。示例性的，如果所述大小为v的向量为一个a*b的向量，其中a*b＝v，则可以将其展开为一个1*v的一维向量，其中a和b均为大于0的整数。

可以理解的，上述输入图像的特征向量的抽取方式仅仅是举例，不构成对本公开的限制，实际上任何图像特征的抽取方法均可以应用到本公开中。

步骤s103，对所述第一文本进行编码得到第一文本的特征向量；

示例性的，所述步骤s103包括：将所述第一文本输入编码器进行编码得到所述第一文本的特征向量。示例性的，所述编码器为lstm编码器或者任何其他文本生成模型的编码器。

在一个实施例中，使用所述编码器包括m层编码层，其中m为所述第一文本中的文字的个数，其中m为大于0的整数；在第t时刻，所述编码器的第t个编码层接收第t个文字以及第t-1层编码层输入的向量以生成第t层的向量,其中t为大于0小于m的整数。在一个实施例中，直接将第m层编码层输出的向量作为所述第一文本的特征向量，所述第一文本的特征向量中包括所述第一文本中每个字的信息，且每个字的信息在所述第一文本的特征向量中是同权的。

可选的，所述步骤s103包括：

步骤s201，对所述第一文本进行文本抽取得到第一文本的键值对；

步骤s202，对所述键值对进行编码得到所述第一文本的特征向量。

在步骤s201中，对所述第一文本进行文本抽取，以抽取中其中能够表达所述第一文本中的关键信息的字或词，以生成第一文本的键值对。

示例性的，所述步骤s201包括：

步骤s301，对所述第一文本进行分词得到分词结果；

步骤s302，对所述分词结果进行语义分析得到与预设的键对应的分词结果以生成所述键值对。

在步骤s301中，对第一文本进行分词，得到至少一个分词结果。如上述示例中的“白色女鞋”，进行分词得到分词结果为：“白色”、“女”、“鞋”。在步骤s302中。对分词结果进行语义分析，所述语义分析可以通过语义模型执行，如语义模块可以将输入的字或者词进行分类，以将输入的字或词分类为与预设的键对应的类别；示例性的，所述键值对中的键为：颜色、性别、品类,则所述第一文本“白色女鞋”经过抽取得到与其对应的键值对：颜色：白色，性别：女，品类：鞋。

此后，在步骤s202中，对所述键值对进行编码得到所述的第一文本的特征向量。步骤s202中的编码同样可以使用上述编码器的方式进行编码，在此不再赘述。使用上述键值对进行编码得到的特征向量中包括了第一文本的语义信息，在需要生成带有第一文本中的语音信息的文本的场景下，可以使得生成的文本更加准确。

可以理解的，在所述步骤s201中可以直接使用预先训练好的键值对生成模型，输入第一文本直接输出与之对应的键值对，在此不再赘述。

可选的，所述步骤s103包括：

步骤s401，根据所述第一文本中的前n个字生成所述第一文本的特征向量的第n个分量直至得到m个分量；

步骤s402，根据所述m个分量得到所述第一文本的特征向量；其中，m为所述第一文本中文字的数量。

在步骤s401中，n为大于0小于m的整数，通过编码器中的编码层对所述第一文本进行编码，其中所述编码器包括m个编码层，其中m为所述第一文本中的文字的个数，在第t时刻，所述编码器的第t个编码层接收第t个文字以及第t-1层编码层输入的向量以生成第t层的向量。在该实施例中，将每个时刻所述编码层的输出作为所述第一文本的特征向量的一个分量，其中每个分量的大小相同，示例性的每个分量均为大小为v的一维向量，则所述第一文本的特征向量为m个大小为v的一维向量所组成的m*v的向量。

可以理解的，上述对所述第一文本进行编码得到第一文本的特征向量的过程以及得到的第一文本的特征向量均为举例，实际上任何其他的编码方式以及得到的第一文本的特征向量均可以应用到本公开的实施例中，在此不再赘述。

步骤s104，根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量；

为了能够通过输入图像以及用户输入的第一文本得到要生成的文本，在该步骤中将图像的特征和所述第一文本的特征进行联合。

可选的，所述步骤s104包括：将所述输入图像的特征向量和所述第一文本的特征向量拼接得到所述联合特征向量。

在该实施例中，所述输入图像的特征向量和所述第一文本的特征向量均为一维向量，则将所述输入图像的特征向量和所述第一文本的特征向量拼接，组成一个联合特征向量，设所述输入图像的特征向量为一个大小为v的一维向量，所述第一文本的特征向量为一个大小为w的一维向量，则所述联合特征向量为一个大小为v+w的一维向量,其中v和w均为大于0的整数。如果所述输入图像的特征向量和/或所述第一文本的特征向量不是一维向量，则可以将其展开为一维向量之后进行拼接得到联合特征向量。

可选的，所述步骤s104包括：

步骤s501，分别计算所述输入图像的特征向量与所述第一文本的特征向量的m个分量的相似度得到m个相似度；

步骤s502，根据所述m个相似度计算所述m个分量的权重值得到m个权重值；

步骤s503，根据所述m个权重值以及所述m个分量计算得到所述联合特征向量。

示例性的，所述输入图像的特征向量为一个大小为v的一维向量，所述第一文本的特征向量有m个分量，所述m个分量为所述编码器中的m个编码层的输出，每个分量均为大小为v的一维向量。由此，在步骤s501中分别计算所述输入图像的特征向量与所述m个分量中的每一个分量的相似度，得到m个相似度或者得到一个大小为m的相似度向量。示例性的，所述相似度为余弦相似度；设m个相似度分别为c1,c2……,cm在步骤s502中根据所述m个相似度计算所述m个分量的权重值得到m个权重值，其中：

其中，ai表示第i个分量的权重值，ci表示第i个分量与所述输入图像的特征向量的相似度。由此，可以计算出每个分量的权重值，且这m个权重值的和为1，其中1≤i≤m。

在步骤s503中，根据所述m个权重值以及所述m个分量计算得到所述联合特征向量。由于权重值是通过相似度计算出来的，而相似度是通过输入图像的特征向量计算出来的，因此所述权重值中包括了输入图像的信息，因此通过m个权重值以及所述m个分量计算得到所述联合特征向量中带有所述输入图像的信息。

进一步的，所述步骤s503包括：

根据每个分量和与其对应的权重值计算出m个权重分量；

将所述m个权重分量相加得到所述联合特征向量。

上述两个步骤可以使用以下公式表示：

其中tⁱ表示所述第一文本的特征向量的第i个分量,ai*tⁱ表示第i个权重分量，t'表示m个权重分量相加之后得到的联合特征向量。因此，通过一个大小为v的输入图像的特征向量和m个大小为v的第一文本的特征向量的分量计算出来的联合特征向量是一个大小为v的联合特征向量。

步骤s105,将所述联合特征向量进行解码生成第二文本。

可选的，所述步骤s105包括：将所述联合特征向量输入解码器进行解码得到所述第二文本。

在一个实施例中，所述解码器包括多个解码层，每个解码层用于输出所述第二文本中的一个文字，将所述联合特征向量和当前解码层中的上一个解码层的输出作为当前解码层的输入得到当前解码层输出的文字。可以理解的，所述多个解码层仅仅是时间概念上的划分，即一个解码层在多个时刻的复用，在此不再赘述。

其中所述解码器每个时刻的输出该时刻每个文字的概率，并选择概率最大的值所对一个的文字作为该时刻的输出文字，并通过该文字继续输出下一个文字。但是这样输出仅仅只能输出一个文本，为了能输出多个文本以增加第二文本的多样性，在本公开中在解码器输出时加入第一约束。

可选的，所述将所述联合特征向量输入解码器进行解码得到所述第二文本，包括：

所述解码器获取当前时刻的输出文字的概率；

根据所述概率获取预设个数的文字；

根据所述预设个数的文字生成多个第二文本。

示例性的，所述解码器的输出包括6000个文字所对应的概率，则第一约束限制第一个文字选择概率最大的前k个文字作为当前时刻的输出文字和下一时刻的输入文字，这样可以得到k个第二文本；或者第一约束限制每一时刻都选择概率最大的前k个文字作为当前时刻的输出文字和下一时刻的输入文字，这样可以得到kⁿ个第二文本，其中n表示第二文本的长度,其中k和n均为大于0的整数。由此，通过设置每个时刻输入中所选择的文字的个数，可以得到多个不同的第二文本。

可选的，所述解码器根据第一约束生成多个第二文本，包括：

获取当前时刻的预先指定的多个文字；

根据所述多个文字生成所述多个第二文本。

在该可选实施例中，为当前时刻预先指定多个文字作为输出文字；示例性的，可以指定几个文字作为第一个输出文字，此时，无论第一个输出文字的概率如何，都限定在固定几个文字中，这样可以得到指定首文字的第二文本，并且由于指定了多个文字，因此可以通过所述多个文字生成后续的文字以生成多个第二文本。

在上述实施例中，所述卷积神经网络、编码器和解码器为同一个文本生成模型中的子网络。在该实施例中，所述文本生成模型通过以下步骤训练得到：

获取训练文本集合，其中所述训练文本集合中包括第一图像和第一训练文本以及第二训练文本，其中所述第一训练文本为第一图像的第一文字描述，所述第二训练文本为所述第一图像的第二文字描述；

初始化所述文本生成模型的参数；

将所述第一图像和第一训练文本输入待训练的文本生成模型得到预测的二文本；

根据所述预测的第二文本和所述第二训练文本计算误差值；

根据所述误差值更新所述文本生成模型的参数；

迭代上述参数的更新过程直至达到收敛条件得到所述文本生成模型。

通过上述文本生成方法，可以生成与输入图像相关的描述文本，相较于人工撰写描述文本，使用本公开的文本生成方法，在有大量输入图像的场景下，可以更准确、快速的生成图像的描述文本，节省人力、提高效率。

本公开实施例公开了一种文本生成方法，该文本生成方法包括：获取输入图像以及第一文本；抽取所述输入图像的特征得到输入图像的特征向量；对所述第一文本进行编码得到第一文本的特征向量；根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量；将所述联合特征向量进行解码生成第二文本。上述方法通过图像特征和文本特征生成联合特征向量，同通过对练个特向向量解码生成描述图像的第二文本，解决了现有技术中生成图像描述信息费时和效率低的技术问题。

在上文中，虽然按照上述的顺序描述了上述方法实施例中的各个步骤，本领域技术人员应清楚，本公开实施例中的步骤并不必然按照上述顺序执行，其也可以倒序、并行、交叉等其他顺序执行，而且，在上述步骤的基础上，本领域技术人员也可以再加入其他步骤，这些明显变型或等同替换的方式也应包含在本公开的保护范围之内，在此不再赘述。

图6为本公开实施例提供的文本生成装置实施例的结构示意图，如图6所示，该装置600包括：输入模块601、抽取模块602、编码模块603、联合模块604和解码模块605。其中，

输入模块601，用于获取输入图像以及第一文本；

抽取模块602，用于抽取所述输入图像的特征得到输入图像的特征向量；

编码模块603，用于对所述第一文本进行编码得到第一文本的特征向量；

联合模块604，用于根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量；

解码模块605，用于将所述联合特征向量进行解码生成第二文本。

进一步的，所述抽取模块602，还用于：

将所述输入图像输入卷积神经网络得到所述输入图像的特征向量。

进一步的，所述编码模块603，还用于：

将所述第一文本输入编码器进行编码得到所述第一文本的特征向量。

进一步的，所述联合模块604，还用于：

将所述输入图像的特征向量和所述第一文本的特征向量拼接得到所述联合特征向量。

进一步的，所述编码模块603，还用于：

对所述第一文本进行文本抽取得到第一文本的键值对；

对所述键值对进行编码得到所述第一文本的特征向量。

进一步的，所述编码模块603，还用于：

对所述第一文本进行分词得到分词结果；

对所述分词结果进行语义分析得到与预设的键对应的分词结果以生成所述键值对。

进一步的，所述编码模块603，还用于：

根据所述第一文本中的前n个字生成所述第一文本的特征向量的第n个分量直至得到m个分量；

根据所述m个分量得到所述第一文本的特征向量；其中，m为所述第一文本中文字的数量。

进一步的，所述联合模块604，还用于：

分别计算所述输入图像的特征向量与所述第一文本的特征向量的m个分量的相似度得到m个相似度；

根据所述m个相似度计算所述m个分量的权重值得到m个权重值；

根据所述m个权重值以及所述m个分量计算得到所述联合特征向量。

进一步的，所述联合模块604，还用于：

根据每个分量和与其对应的权重值计算出m个权重分量；

将所述m个权重分量相加得到所述联合特征向量。

进一步的，所述解码模块605，还用于：

将所述联合特征向量输入解码器进行解码得到所述第二文本。

图6所示装置可以执行图1-图5所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图5所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图5所示实施例中的描述，在此不再赘述。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

通常，以下装置可以连接至i/o接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：执行本公开实施例所述的任一方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种文本生成方法，包括：

获取输入图像以及第一文本；

抽取所述输入图像的特征得到输入图像的特征向量；

对所述第一文本进行编码得到第一文本的特征向量；

根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量；

将所述联合特征向量进行解码生成第二文本。

进一步的，所述抽取所述输入图像的特征得到输入图像的特征向量，包括：

将所述输入图像输入卷积神经网络得到所述输入图像的特征向量。

进一步的，所述对所述第一文本进行编码得到第一文本的特征向量，包括：

将所述第一文本输入编码器进行编码得到所述第一文本的特征向量。

进一步的，所述根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量，包括：

将所述输入图像的特征向量和所述第一文本的特征向量拼接得到所述联合特征向量。

进一步的，所述对所述第一文本进行编码得到第一文本的特征向量，包括：

对所述第一文本进行文本抽取得到第一文本的键值对；

对所述键值对进行编码得到所述第一文本的特征向量。

进一步的，所述对所述第一文本进行文本抽取得到第一文本的键值对，包括：

对所述第一文本进行分词得到分词结果；

对所述分词结果进行语义分析得到与预设的键对应的分词结果以生成所述键值对。

进一步的，所述对所述第一文本进行编码得到第一文本的特征向量，包括：

根据所述第一文本中的前n个字生成所述第一文本的特征向量的第n个分量直至得到m个分量；

根据所述m个分量得到所述第一文本的特征向量；其中，m为所述第一文本中文字的数量。

进一步的，所述根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量，包括：

分别计算所述输入图像的特征向量与所述第一文本的特征向量的m个分量的相似度得到m个相似度；

根据所述m个相似度计算所述m个分量的权重值得到m个权重值；

根据所述m个权重值以及所述m个分量计算得到所述联合特征向量。

进一步的，所述根据所述m个权重值以及所述m个分量计算得到所述联合特征向量，包括：

根据每个分量和与其对应的权重值计算出m个权重分量；

将所述m个权重分量相加得到所述联合特征向量。

进一步的，所述将所述联合特征向量进行解码生成第二文本，包括：

将所述联合特征向量输入解码器进行解码得到所述第二文本。

根据本公开的一个或多个实施例，提供了一种文本生成装置，包括：

输入模块，用于获取输入图像以及第一文本；

抽取模块，用于抽取所述输入图像的特征得到输入图像的特征向量；

编码模块，用于对所述第一文本进行编码得到第一文本的特征向量；

联合模块，用于根据所述输入图像的特征向量和所述第一文本的特征向量得到联合特征向量；

解码模块，用于将所述联合特征向量进行解码生成第二文本。

进一步的，所述抽取模块，还用于：

将所述输入图像输入卷积神经网络得到所述输入图像的特征向量。

进一步的，所述编码模块，还用于：

将所述第一文本输入编码器进行编码得到所述第一文本的特征向量。

进一步的，所述联合模块，还用于：

将所述输入图像的特征向量和所述第一文本的特征向量拼接得到所述联合特征向量。

进一步的，所述编码模块，还用于：

对所述第一文本进行文本抽取得到第一文本的键值对；

对所述键值对进行编码得到所述第一文本的特征向量。

进一步的，所述编码模块，还用于：

对所述第一文本进行分词得到分词结果；

对所述分词结果进行语义分析得到与预设的键对应的分词结果以生成所述键值对。

进一步的，所述编码模块，还用于：

根据所述第一文本中的前n个字生成所述第一文本的特征向量的第n个分量直至得到m个分量；

根据所述m个分量得到所述第一文本的特征向量；其中，m为所述第一文本中文字的数量。

进一步的，所述联合模块，还用于：

分别计算所述输入图像的特征向量与所述第一文本的特征向量的m个分量的相似度得到m个相似度；

根据所述m个相似度计算所述m个分量的权重值得到m个权重值；

根据所述m个权重值以及所述m个分量计算得到所述联合特征向量。

进一步的，所述联合模块，还用于：

根据每个分量和与其对应的权重值计算出m个权重分量；

将所述m个权重分量相加得到所述联合特征向量。

进一步的，所述解码模块，还用于：

将所述联合特征向量输入解码器进行解码得到所述第二文本。根据本公开的一个或多个实施例，提供了一种电子设备，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，所述存储器存储有能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前述第一方面中的任一所述文本生成方法。

根据本公开的一个或多个实施例，提供了一种非暂态计算机可读存储介质，其特征在于，该非暂态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前述第一方面中的任一所述文本生成方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。