自适应多模态风格融合的高流量运营内容量产方法.pdf

《自适应多模态风格融合的高流量运营内容量产方法.pdf》由会员分享，可在线阅读，更多相关《自适应多模态风格融合的高流量运营内容量产方法.pdf（8页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202311759695.7(22)申请日 2023.12.20(71)申请人 苏州小棉袄信息技术股份有限公司地址 215000 江苏省苏州市东吴北路299号1901室(1909、1910、1911)(72)发明人 乐涛黄楚涛张宗仁刘小纯姜宝成董津汐(74)专利代理机构 绍兴市越兴专利事务所(普通合伙)33220专利代理师 高林(51)Int.Cl.G06Q 30/0201(2023.01)G06Q 30/0601(2023.01)G06F 18/241(2023.01)G06F 18/25(20。

2、23.01)(54)发明名称自适应多模态风格融合的高流量运营内容量产方法(57)摘要本发明属于人工智能技术领域，尤其涉及一种自适应多模态风格融合的高流量运营内容量产方法，通过构建多模态风格图谱，实时监测社会网络传媒的热点，进行多模态数据融合，利用人工智能生成式模型与数据反馈模型，实现自适应生成风格多样的高流量运营内容；本发明对提升电商运营内容的质量、效率和社会影响力，具有重要意义。权利要求书1页 说明书4页 附图2页CN 117710001 A2024.03.15CN 117710001 A1.一种自适应多模态风格融合的高流量运营内容量产方法，其特征在于，包括以下步骤：构建多模态风格图谱，训练。

3、多模态风格识别分类模型；实时监测全网热门内容并进行量化分析，形成候选热门内容；结合电商数据，利用语义模型，从候选的热门内容中筛选出适合电商数据的热门内容，利用生成式大模型将电商数据和热门内容进行语义拼接，然后利用已训练的多模态风格识别分类模型进行风格预测，进而获得风格标签，根据风格标签从多模态风格图谱中获取适配的风格内容；再次利用生成式大模型将电商数据、热门内容、风格内容进行语义生成，得到具有风格化的电商运营内容，进行运营推广。2.如权利要求1所述的一种自适应多模态风格融合的高流量运营内容量产方法，其特征在于，还包括自适应反馈：在电商运营过程中，实时监测热门内容的变化趋势与运营推广的数据反馈，。

4、根据反馈数据，实时量化分析热门内容获取新的热门内容，再进行风格融合生成新的运营内容。3.如权利要求2所述的一种自适应多模态风格融合的高流量运营内容量产方法，其特征在于，所述自适应反馈还包括：根据多模态风格图谱的检索频次，训练质量评估模型，通过质量评估模型对已有数据进行排名打分，低于阈值的数据进行清除，实现多模态风格图谱数据的主动式动态更新。4.如权利要求1所述的一种自适应多模态风格融合的高流量运营内容量产方法，其特征在于，所述构建多模态风格图谱，训练多模态风格识别分类模型包括以下步骤：S1.分析全网的电商平台，形成多模态数据；S2.整理出风格标签体系，根据风格标签体系，利用人工智能算法对多模态。

5、数据进行分类，形成多模态风格图谱数据；S3.根据多模态风格图谱数据，训练多模态风格识别分类模型；S4.利用训练好的模型对新的多模态数据进行分类计算，不断丰富多模态风格图谱数据。5.如权利要求4所述的一种自适应多模态风格融合的高流量运营内容量产方法，其特征在于，丰富多模态风格图谱数据时，对入库的数据先进行数据分类及打分，对同一类别下的数据选择择优入库。6.如权利要求1所述的一种自适应多模态风格融合的高流量运营内容量产方法，其特征在于，所述实时监测全网热门内容并进行量化分析，形成候选热门内容包括以下步骤：T1.根据专家经验，在全网筛选出高质量的热门内容数据源；T2.对筛选的热门内容进行量化分析，获。

6、取前N1位的热门内容；T3.对前N1位的热门内容，利用多模态风格识别分类模型，得到风格指数，根据风格指数对前N1位的热门内容进行排序，获取前N2位的热门内容作为候选热门内容，其中N2N1。7.如权利要求1所述的一种自适应多模态风格融合的高流量运营内容量产方法，其特征在于，所述多模态风格识别分类模型包括数据本身属性、中文修辞手法属性、影音处理技术属性。权利要求书1/1 页2CN 117710001 A2自适应多模态风格融合的高流量运营内容量产方法技术领域0001本发明属于人工智能技术领域，尤其涉及一种自适应多模态风格融合的高流量运营内容量产方法。背景技术0002随着互联网技术的发展，电商运营的形。

7、式也是不断创新，电商运营内容的重要性日益凸显。然而，如何及时抓住社会热点并结合产品及品牌特点进行多样化铺量推广宣传，生成具有吸引力的电商运营内容，提高用户的购买欲望，成为电商运营中的关键问题。0003现有方法在生成电商运营内容时，内容模式固定，无法实时紧跟社会热点，不能高效量产，不适配快节奏的互联网风向，导致产品推广的内容与用户需求的结合度不高，影响电商运营效果。0004基于此，本案由此提出。发明内容0005本发明的目的在于提供一种自适应多模态风格融合的高流量运营内容量产方法，旨在通过人工智能模型助力电商带货场景，快速批量创作出富有情感、自带流量、个性化突出的运营内容，从而达到高效推广宣传的效。

8、果。0006为了实现上述目的，本发明的技术方案如下：一种自适应多模态风格融合的高流量运营内容量产方法，包括以下步骤：构建多模态风格图谱，训练多模态风格识别分类模型；实时监测全网热门内容并进行量化分析，形成候选热门内容；结合电商数据，利用语义模型，从候选的热门内容中筛选出适合电商数据的热门内容，利用生成式大模型将电商数据和热门内容进行语义拼接，然后利用已训练的多模态风格识别分类模型进行风格预测，进而获得风格标签，根据风格标签从多模态风格图谱中获取适配的风格内容；所述电商数据为产品及品牌数据；再次利用生成式大模型将电商数据、热门内容、风格内容进行语义生成，得到具有风格化的电商运营内容，进行运营推广。

9、。0007进一步的，还包括自适应反馈，在电商运营过程中，实时监测热门内容的变化趋势与运营推广的数据反馈，根据反馈数据，实时量化分析热门内容获取新的热门内容，再进行风格融合生成新的运营内容。0008进一步的，所述自适应反馈还包括根据多模态风格图谱的检索频次，训练质量评估模型，通过质量评估模型对已有数据进行排名打分，低于阈值的数据进行清除，实现多模态风格图谱数据的主动式动态更新。0009进一步的，所述构建多模态风格图谱，训练多模态风格识别分类模型包括以下步骤：S1.分析全网的电商平台，形成多模态数据；说明书1/4 页3CN 117710001 A3S2.整理出风格标签体系，根据风格标签体系，利用人。

10、工智能算法对多模态数据进行分类，形成多模态风格图谱数据；S3.根据多模态风格图谱数据，训练多模态风格识别分类模型；S4.利用训练好的模型对新的多模态数据进行分类计算，不断丰富多模态风格图谱数据。0010进一步的，丰富多模态风格图谱数据时，对入库的数据先进行数据分类及打分，对同一类别下的数据选择择优入库。0011进一步的，所述实时监测全网热门内容并进行量化分析，形成候选热门内容包括以下步骤：T1.根据专家经验，在全网筛选出高质量的热门内容数据源；T2.对筛选的热门内容进行量化分析，获取前N1位的热门内容；T3.对前N1位的热门内容，利用多模态风格识别分类模型，得到风格指数，根据风格指数对前N1位。

11、的热门内容进行排序，获取前N2位的热门内容作为候选热门内容，其中N2N1。0012进一步的，所述多模态风格识别分类模型包括数据本身属性、中文修辞手法属性、影音处理技术属性。0013与现有技术相比，本发明的优点在于：1.通过自适应机制，能够根据实时的网络热点、自有数据风格、用户需求，生成与品牌及产品高度结合的、高质量、吸引人的电商运营内容，提升电商运营效果，提高用户的购买欲望；2.能够根据用户的反馈，进行自适应调整，优化生成的内容，提高内容的吸引力和转化率；3.能够不断更新生成的内容，保持内容的时效性和新颖性，吸引更多的用户关注和购买。附图说明0014图1为实施例中风格图谱建设示意图；图2为实施。

12、例中热门内容数据监测及量化分析示意图；图3为实施例中电商数据、热门内容、风格内容融合示意图。具体实施方式0015以下结合实施例对本发明作进一步详细描述。0016以下结合实施例对本发明作进一步详细描述，需要理解的是，文中术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。0017本实施例提出一种自适应多模态风格融合的高流量运营内容量产方法，在实现整套方法中，需要先建立风格图谱。

13、，然后利用图谱数据训练出多模态风格识别分类模型，同时说明书2/4 页4CN 117710001 A4在全网搜集热门高流量的内容，进行适度处理后选出高质量的热门内容作为侯选；之后结合提供的电商数据，进行语义模板拼接，生成基础模板，然后通过风格指数对比选出更适合电商数据的热门内容；最后，检索风格图谱，匹配风格数据，生成指令模板，再利用生成式模型生成风格独特的高流量的运营内容。0018上述内容通过一下13个步骤进行详细阐述：1）如图1所示，构建多模态风格图谱过程中，首先分析全网的电商平台，人工筛选出经典文案、视频、图文、配音、配乐等数据来源，此处的经典主要定义为各个电商细分行业中，知名品牌的具有特别。

14、影响力的推广宣传内容，这些不同类型的数据进行向量化处理存储在一个数据空间就是多模态数据。00192）建立风格标签体系，也就是风格图谱的关系属性，利用风格标签体系可以将多模态数据进行标签划分，实现数据的分类，形成多模态风格图谱数据。主要标签有数据格式、内容形式、结构特点、行业分类、产品类别、传播形式、表达情绪、用户年龄、消费群体、社群性质、使用场景等标签，其中行业分类属于多级分类，会从行业大类到二类再到三类，一般是3级标签，当然也可以更细；在优化过程中，也可根据不断积累的数据，对风格标签体系进行优化，对标签进行必要的增减，保证数据的新鲜度。00203）在有了数据源和风格标签后，可以先人工标注一批。

15、种子数据，即给数据搭上多种分类标签，然后利用启发式学习算法，训练数据标注模型，获得更多的标注数据，为了保证标注数据的高质量，最后还需要数据审核算法进行质量把控。00214）在标注数据达到一定程度后，训练基于深度学习框架的多模态风格识别分类模型，一般传统的crf+BIlstm模型可以保证分类结果达到88%，为了保证效果更精准，在深度学习模型训练结果输出层，再加了一层启发式约束模型，保证效果稳定达到92%左右，因为这是一个多分类模型，对于标签的准确性不要求100%，所以在整体运用效果以及表现上很出色。00225）图谱框架及多模态风格识别分类模型完成后，需要开始往数据库里存储数据，丰富多模态风格图谱。

16、数据。为提高多模态风格图谱数据的质量，要对入库的数据先进行数据分类及打分，同一类别下的数据选择择优入库，一般设定阈值在0.85（1.0是最高值），设定阈值越高数据质量越好。00236）数据不断入库后，根据应用检索的情况，需要维护数据，不断淘汰相对低质量的数据。通过训练质量评估模型来评估多模态风格图谱数据的质量，一般需要给质量评估模型输入每天图谱数据的被检索次数、热度指数（根据本发明的量化分析模型计算得到）、风格指数、时间序列属性（该数据从被创作开始，每天的阅读量；入库后，每天被检索的次数）等，然后各指数进行回归计算得到综合打分，将低于70分（100分最高）的数据淘汰出库，整个数据更新机制属于自。

17、适应启动模式，一次启动永久运转。00247）多模态风格图谱数据和热门内容数据的准备都是同时进行的，如图2所示，热门内容的获取是全网实时监测分析，我们不是所有的热点都会获取，首先需要根据专家经验确定一批好的数据源，如影视传媒、直播网站、社交网站、广告网站、游戏娱乐、新闻网站等方向，好的数据源是保证数据高质量的第一步；之后对热门内容数据进行量化分析，量化分析模型是基于深度学习框架的二分类模型（真热门，非热门），热度指数是未进行二值分化（sigmod函数）的结果数据，是一个概率值，主要特征属性有该热门内容的用户点评量、转发说明书3/4 页5CN 117710001 A5量、阅读量、点赞量、内容情绪值。

18、（1：正面及中立,0：负面）、是否被新闻关联报道、是否关联社会人物、关联行业、社会群体、时序数据（持续一个月的转发量、持续一周的情绪值等）等，选取量化分析后热度指数排名前100个的热门内容数据。00258）筛选出top100的热门内容数据后，需要在计算热门内容的风格属性，利用上述多模态风格识别分类模型进行风格预测，得到风格标签，即得到了一个分类结果，将分类结果通过sigmod函数处理，得到风格指数，选择风格指数排名top50的数据作为候选热门内容，从TOP100到TOP50，相当于对热门内容数据进行了2次筛选。00269）选出的top50热门数据和输入的电商数据（电商数据为提供的产品及品牌数据。

19、）进行语义拼接，根据语义模板拼接，其中语义模板可自定义，本实施例根据风格库建设中用到的结构特点生成的多种模板，可以自由组合，也就是此处的语义拼接会得到一个侯选池，假设结构语义模板有n个，那就是1*50*n个语义拼接结果。002710）利用风格相似度计算，从候选池中选择top10的语义拼接内容，其中进行风格相似度计算中，主要对比的是原来的电商数据和拼接热门数据后的电商数据的相似性，选择相识度高的进行下一步的风格融合；这个对比的目的是，避免热点内容带偏主要的电商内容，因为本方案的目的是生成电商运营内容，电商内容才是主要的，不能让热门数据带偏，其中的计算均是利用多模态风格识别分类模型进行的。0028。

20、11）选择了top10的拼接数据后，检索风格图谱，匹配对应的风格数据，然后再根据结构模板进行语义拼接，产生生成大模型的输入指令，此处的结构模板你和上述步骤9中的结构模板不一样，该结构模板是根据大模型的指令规则进行优化的结构模板，该模板只有一个。002912）根据生成的10个指令，传入生成式模型进行内容创作，可以创作出大量的独创的高流量运营内容，一般一个指令可以生成100条高质量的运营内容。003013）运营内容上线后，拿到反馈数据（用户点评、转发量、阅读量、转化率、群体属性、时序属性、情绪属性等）以及热门内容的实时热度指数，输入到反馈模型（基于深度学习的二分类模型），如果计算出当前运营内容不具备吸引力，则需要对运营内容中的热门内容进行更新，以此反复循环进行电商运营内容的更新；与此同时，热门内容数据也是在不断更新迭代，以此实现整套内容的自动化实时更新迭代，最终目的是提高电商运营的效率和质量，达到高曝光高转化。0031上述实施例仅用于解释说明本发明的构思，而非对本发明权利保护的限定，凡利用此构思对本发明进行非实质性的改动，均应落入本发明的保护范围。说明书4/4 页6CN 117710001 A6图1图2说明书附图1/2 页7CN 117710001 A7图3说明书附图2/2 页8CN 117710001 A8。