【技术实现步骤摘要】
本专利技术提供一种文案生成方法，属于多模态人工智能大模型，特别涉及一种基于多模态人工智能大模型的商品推荐文案生成方法。
技术介绍
1、随着电子商务平台的快速发展，商品的种类和数量迅速增加，商家需要生成大量高质量的推荐文案，以吸引顾客并提高销售量。传统的文案生成方法主要依赖人工编写，不仅耗时耗力，而且难以保证文案的一致性和质量。随着人工智能和机器学习技术的发展，基于数据驱动的自动化文案生成方法逐渐成为研究热点。
2、申请号为cn202410293678、7的中国专利技术专利提出一种基于跨模态大模型的全局视觉引导图像描述生成方法，属于图像处理领域。包括：将分类标签、待测图像输入跨模态模型得到预测标签；将预测标签与语法提示语句结合构建语言模型提示语句；将提示语句输入大规模预训练语言模型得到预选词汇，基于预选词汇与预测标签得到词汇候选列表；基于候选列表中词汇对应的得分得到生成词汇；将生成词汇与所述提示语句合并并输入所述语言模型进行迭代直至迭代次数达到阈值或生成结束符，根据所有生成词汇的得分得到待测图像的图像描述。该方法通过将与图像特征强相关的标签输入语言模型并纳入词汇候选列表，通过加权的图文一致性分数和语义流畅度分数得到生成词汇，提高了图像描述的精准性和自然性。
3、申请号为cn202410822792、4的中国专利技术专利提出一种基于大模型的事件抽取方法、装置、设备和介质，涉及自然语言处理领域。该方法包括：对事件实例进行依存句法分析，获取所述事件实例的三元组；根据所述事件实例和所述三元组，通过提取模型，获取所述
4、申请号为cn202311295531、3的中国专利技术专利提出一种基于大模型的视觉样本数据自动标注方法及系统，包括：根据视觉特征生成视觉词直方图，根据视觉词直方图计算视觉样本数据中每幅图像的潜在主题分布；根据潜在主题分布及原始标签生成视觉样本训练特征，利用视觉样本训练特征对卷积神经网络进行训练；利用视觉样本标注模型对待标注视觉样本数据进行标签标注，计算初始标注词的第一标注词置信度；计算初始标注词与视觉样本数据之间的视觉词相关度，根据视觉词相关度计算待标注视觉样本数据的第二标注词置信度；根据第一标注词置信度及第二标注词置信度生成视觉样本数据的标注数据。本专利技术可以提高视觉样本数据自动标注时的准确度。
5、基于上述多种现有方案，现有技术存在以下不足：
6、1、现有技术在数据扩充方面，传统的生成对抗网络在样本生成的多样性和丰富性上存在不足，导致训练数据量不足，模型的泛化能力较差。
7、2、现有技术在特征提取方面，传统的神经网络在训练过程中容易遇到梯度消失、梯度爆炸或陷入局部最优解的问题，影响了特征提取的稳定性和模型性能。
8、3、现有技术在特征降维方面，常规自编码器在降维过程中无法充分捕捉和保留数据的内在关联性和结构特征，导致降维效果不佳。
9、4、现有技术在文案生成方面，传统的transformer模型在处理多模态数据时，注意力机制的优化不足，导致模态间特征融合效果差，文本生成质量不高。
技术实现思路
1、本申请实施例为了弥补现有技术的不足，通过提供一种基于多模态人工智能大模型的商品推荐文案生成方法，解决了现有技术在数据扩充、特征提取、降维和多模态文本生成方面存在局限，如生成对抗网络多样性不足、神经网络训练稳定性差、自编码器降维效果不佳和transformer模型模态特征融合效果差，影响模型泛化和性能。
2、为了解决上述技术问题，本专利技术提供如下技术方案：一种基于多模态人工智能大模型的商品推荐文案生成方法，包括以下步骤：
3、s1、数据采集与标注：从多个电商平台采集商品的多模态信息，包括商品图像、参数介绍等，并进行人工标注；
4、s2、数据扩充：采用基于量子隧穿效应的生成对抗网络进行样本生成，实现数据扩充；
5、s3、特征提取：采用3层全连接神经网络，基于自适应生物影响优化算法提取特征；
6、s4、特征降维：采用基于特征自适应细化的自编码神经网络进行特征降维；
7、s5、生成式ai模型训练：采用基于高阶张量累积的transformer模型进行训练；
8、s6、商品推荐文案生成：利用训练完成的模型生成针对新商品的推荐文案。
9、优选的：所述步骤s2中基于量子隧穿效应的生成对抗网络包括：
10、s201、初始化生成器和判别器的权重参数；
11、s202、将输入数据通过量子位叠加的多状态编码转换成高维量子态；
12、s203、生成器利用量子隧穿算法模拟数据生成过程，产生新数据；
13、s204、判别器采用量子态估计策略，评估生成样本与真实样本的统计契合度；
14、s205、迭代训练直至满足预设条件。
15、优选的：所述步骤s201中生成器和判断其的权重服从于特定分布，特定分布以0为均值、为方差的正态分布；所述步骤s202中通过量子位叠加的多状态编码，将输入数据转换为高维量子态，从而使每个数据点表示为量子态概率分布；所述步骤s203中生成器通过量子隧穿算法模拟数据生成过程，结合量子纠错编码提高鲁棒性，使用量子逻辑门序列化表示；所述步骤s204、步骤205中在对抗训练阶段，生成器通过最小化损失函数来欺骗判别器，判别器则评估生成样本与真实样本的相似度；损失函数包括生成样本与真实样本的对数损失，以及正则化项；判别器的输出基于量子态的测量概率，生成器和判别器的权重通过量子导数优化方法更新；所述步骤s2迭代训练直至满足最大迭代次数。
16、优选的：所述步骤s3中神经网络的参数通过模拟生物体的生存竞争和资源适应过程进行优化；
17、优选的：所述神经网络的训练过程中使用正态分布初始化权重和偏置；每次迭代评估网络参数表现后计算损失和环境适应度；根据资源竞争更新权重和偏置，并使用动量项平滑学习过程；调整学习率和敏感度参数以适应环境变化；动态调整资源分配敏感度超参数以避免局部最优；所述步骤s3迭代直到达到预设的最大次数或停止条件。
18、优选的：所述步骤s4中自编码神经网络通过编码器和解码器实现特征的低维转换和高维重构，同时采用特征耦合机制捕捉数据的内在关联性和结构特征。
19、优选的：所述自编码器的训练过程中使用正态分布初始化网络参数；前向传播将输入数据编码为低维表示并重构；在隐藏层中应用动态权重调整以实现自适应特征细化；计算损失函数(包括均方误差和l1正则化本文档来自技高网...
【技术保护点】
1.一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述步骤S2中基于量子隧穿效应的生成对抗网络包括：
3.根据权利要求2所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述步骤S201中生成器和判断其的权重服从于特定分布，特定分布以0为均值、为方差的正态分布；所述步骤S202中通过量子位叠加的多状态编码，将输入数据转换为高维量子态，从而使每个数据点表示为量子态概率分布；所述步骤S203中生成器通过量子隧穿算法模拟数据生成过程，结合量子纠错编码提高鲁棒性，使用量子逻辑门序列化表示；所述步骤S204、步骤205中在对抗训练阶段，生成器通过最小化损失函数来欺骗判别器，判别器则评估生成样本与真实样本的相似度；损失函数包括生成样本与真实样本的对数损失，以及正则化项；判别器的输出基于量子态的测量概率，生成器和判别器的权重通过量子导数优化方法更新；所述步骤S2迭代训练直至满足最大迭代次数。
4.根据权利要求1所述的一
5.根据权利要求4所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述神经网络的训练过程中使用正态分布初始化权重和偏置；每次迭代评估网络参数表现后计算损失和环境适应度；根据资源竞争更新权重和偏置，并使用动量项平滑学习过程；调整学习率和敏感度参数以适应环境变化；动态调整资源分配敏感度超参数以避免局部最优；所述步骤S3迭代直到达到预设的最大次数或停止条件。
6.根据权利要求1所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述步骤S4中自编码神经网络通过编码器和解码器实现特征的低维转换和高维重构，同时采用特征耦合机制捕捉数据的内在关联性和结构特征。
7.根据权利要求6所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述自编码器的训练过程中使用正态分布初始化网络参数；前向传播将输入数据编码为低维表示并重构；在隐藏层中应用动态权重调整以实现自适应特征细化；计算损失函数(包括均方误差和L1正则化)；使用梯度下降法更新参数；动态调整学习率以适应不同训练阶段；所述步骤S4迭代直到达到预设的最大次数或停止条件。
8.根据权利要求1所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述步骤S5中基于高阶张量累积的Transformer模型的训练流程包括：
9.根据权利要求8所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述步骤S502-S505中将注意力分数矩阵分解为多个较小矩阵，每个矩阵关注不同模态间的关系，从而提高文本生成的能力；所述步骤S501使用近似正态分布随机初始化Transformer模型的参数；所述步骤S502定义和处理特征向量，包括特征提取和降维，并通过自注意力机制计算特征间的权重；所述步骤S503通过对偶分解技术优化特征之间的相互作用，使用了张量积操作来实现特征的融合；所述步骤S504中交叉熵损失和正则化项组成损失函数，交叉熵损失计算模型输出与真实标签之间的误差，正则化项用于控制模型复杂度，防止过拟合，所述反向传播算法用于计算损失函数对模型参数的梯度，并通过梯度下降法更新参数。
10.根据权利要求1-9任一所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述Transformer模型针对输入的处理后的特征值生成推荐文案。
...【技术特征摘要】
1.一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述步骤s2中基于量子隧穿效应的生成对抗网络包括：
3.根据权利要求2所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述步骤s201中生成器和判断其的权重服从于特定分布，特定分布以0为均值、为方差的正态分布；所述步骤s202中通过量子位叠加的多状态编码，将输入数据转换为高维量子态，从而使每个数据点表示为量子态概率分布；所述步骤s203中生成器通过量子隧穿算法模拟数据生成过程，结合量子纠错编码提高鲁棒性，使用量子逻辑门序列化表示；所述步骤s204、步骤205中在对抗训练阶段，生成器通过最小化损失函数来欺骗判别器，判别器则评估生成样本与真实样本的相似度；损失函数包括生成样本与真实样本的对数损失，以及正则化项；判别器的输出基于量子态的测量概率，生成器和判别器的权重通过量子导数优化方法更新；所述步骤s2迭代训练直至满足最大迭代次数。
4.根据权利要求1所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述步骤s3中神经网络的参数通过模拟生物体的生存竞争和资源适应过程进行优化。
5.根据权利要求4所述的一种基于多模态人工智能大模型的商品推荐文案生成方法，其特征在于：所述神经网络的训练过程中使用正态分布初始化权重和偏置；每次迭代评估网络参数表现后计算损失和环境适应度；根据资源竞争更新权重和偏置，并使用动量项平滑学习过程；调整学习率和敏感度参数以适应环境变化；动态调整资源分配敏感度超参数以避免局部最优；所述步骤s3迭代直到达到预设的最大次数或停止条件。
6.根据权利要求1所述的一种基于多模态人工智能大模型的商品推...
【专利技术属性】
技术研发人员：武凯，王宝咪，张成振，韦阳阳，
申请(专利权)人：杭州归一智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。