文本生成项目（第三步短评语生成）

项目场景：

最后一步就是短评语句生成，短评语句生成，和标题的区别，就是长度比标题长，可能据关键词，部分内容进行总结，这里也是我学习和跑通的一下技术点，没有应用到自己的垂直领域中，因此，这里也只是记录改代码点，和数据集的整理。

---

文本生成任务之营销文本生成

这里是根据作者ond_dependent博客学习而来传送门，具体代码描写可以参考这个博主，目前代码缺少对应数据集，经过查找找到了一个，能够适应该任务的数据集，但根据训练的感受，数据集必须要有一个依据已经写好的评论当测试集，如果没有，最后生成的话有些奇怪，另一个感受，数据增强那部分即英翻中，中翻英部分可以对最后整体的影响并不是很大，如果放到特点垂直领域，包含特有关键词那这部分影响可能就更小了，因此这一部分，我并没有运行，其余代码中缺少代码和缺少的数据都已经补全。数据集百度云地址：链接：https://pan.baidu.com/s/1Tz0y_tkrP8ubrNAoz0IXtw
包含所需的词向量，和训练集测试集。
github:https://github.com/zhichen-roger/comment_generation_learn.git

---

生成结果

我将预测.py里面随机句子换成固定的句子样子如下：

if __name__ == "__main__":
    pred = Predict()
    print('vocab_size: ', len(pred.vocab))
    # Randomly pick a sample in test set to predict.
    with open(config.test_data_path, 'r', encoding='utf-8') as test:
        # picked = random.choice(list(test))
        picked = '户外 服装 情侣 拼接 男女 皮肤 风衣 快速 防护 晒衣服 女款 天蓝 玫红 模特 展示 ， 细节 展示 ， 产品 展示 ， 拥抱 夏季 ， 轻 时尚 ， 拼 出色 ， 防 泼水 面料 ， 我们 ' \
                 '的 优点 ， 夏季 与 你 更 亲密 ， 抗撕裂 ， 还有 更 多 ， 舒适 透气 ， 保护 你 我们 更 用心 ! ， 我们 都 有 ! ， 轻盈 舒适 ， 拼色 皮肤 衣带 你 ， 附赠 收纳 ' \
                 '包 ， 科技 快干 ， 户外 防护 ， 拼色 时尚 轻薄 皮肤 风衣 ， 女款 ， 防 泼水 ， 透气 测试 展示 ， 男款 ， 第三步 ， I 女款 ， 第四步 ， 第二步 ， 让 你 与 夏天 ' \
                 '更 亲近 ， 接缝 细节 出众 ， 时尚 拼色 ， 防 泼水 / 户外 防护 1 ， 应有 的 ， 游泳池 ， 户外 ， 一件 好 的 皮肤 衣 ， 即可 快速 晒干 ， 畅享 户外 乐趣 ， ， ' \
                 '30 ℃ 以上 通风 环境 ， 阳光 照射 ， 大 特点 ， 对 阳光 有 较 好 的 折射 、 反射 、 散射 ， 立体 剪裁 ， 基本 信 ， 性能 ， 从而 达到 防护 作用 ， 把 收纳袋 ' \
                 '口 拉紧 ， ， 产品 特点 ， 男款 / 女款 ， 准备 好 皮肤 衣 和 ， 夏季 自 在 穿行 ， 海滩 ， 皮肤 风衣 收纳 步骤 ， 颜色 : 男款 ， 透气 ， 袋中 ， 立即 抢 ， ' \
                 '收纳袋 ， 透气性 : ， 把 整理 好 的 皮肤 ， 拿出 收纳袋 ， 把 皮肤 ， 收纳 步骤 完成 ， 主 面料 : 锦 訾 面料 ， 运动 更 随心 ， 名称 : ， 衣 竖向 放入 收纳 ' \
                 '， 户外 穿行 ， 经过 防护 处理 的 多 微孔 纤维 组成 ， ， 防晒尺码 S 适用人群 女士 材质 锦涤 功能 防风 款式 标准型 <sep>舒爽 透气 ， 快速 散热 ， 让 身体 畅快 ' \
                 '吸收 ， 轻盈 面料 ， 丝柔 触感 ， 亲肌 柔顺 ， 轻松 出行 ， 抗撕裂 面料 ， 让 你 运动 更 舒心 。 '
        source, ref = picked.strip().split('<sep>')
    print('source: ', source.replace(" ", ""), '\n')
    greedy_prediction = pred.predict(source.split(),  beam_search=False)
    print('greedy: ', greedy_prediction.replace(" ", ""), '\n')
    beam_prediction = pred.predict(source.split(),  beam_search=True)
    print('beam: ', beam_prediction.replace(" ", ""), '\n')
    print('ref: ', ref.replace(" ", ""), '\n')

预测结果：