1.一种条件文本生成方法，其特征在于，包括：S1、采集文本数据；数据预处理，将文本数据转化为适合训练的数据集；

S2、构建编码器、解码器；

S3、将条件信息和文本数据分别通过编码器编码，得到条件特征、文本特征；将条件特征和文本特征进行特征融合，得到融合后的特征，记为融合特征；

S4、将所述融合特征作为解码器的输入，得到解码器的输出结果；

S5、计算损失；

S6、基于解码器的输出结果和损失，对网络模型进行训练，直到满足训练条件或达到最大训练次数，输出训练后的网络模型；

S7、向训练后的网络模型中输入条件信息和提示文本，生成文本。

2.根据权利要求1所述的一种条件文本生成方法，其特征在于，步骤S1中，通过爬虫采集网上公开的文本数据，并存储为json格式；所采集的文本数据包括内容和主题。

3.根据权利要求1所述的一种条件文本生成方法，其特征在于，步骤S1中，所述数据预处理包括：

S101、噪声清除：将爬取的数据利用正则去掉无用符号、多余空白、数字、人名和地名；

S102、归一化：替换特殊符号、替换稀有词汇；

S103、关键词提取：对采集的文本数据进行关键词提取，筛选出包含指定关键词的文本作为数据集；

S104、分词：利用分词工具对数据集进行分词，将分词后的词语转化为词典中对应的位置编号。

4.根据权利要求1所述的一种条件文本生成方法，其特征在于，步骤S2中，利用采集的文本数据训练GPT‑2模型，将训练好的模型记为模型M，以模型M作为编码器和解码器。

5.根据权利要求4所述的一种条件文本生成方法，其特征在于，步骤S3包括：S301、将条件信息输入模型M，得到条件特征fc；

S302、将包含所述条件信息的文本数据输入模型M，得到文本特征fp；

S303、将fc和fp进行特征融合，得到融合特征fcp。

6.根据权利要求5所述的一种条件文本生成方法，其特征在于，步骤S303包括：S3031、确定条件信息的个数n，各条件信息的条件特征依次记为fc1、fc2…fcn；其中n取正整数；

S3032、将各条件特征的键向量keyc1、keyc2…keycn、值向量valuec1、valuec2…valuecn分别依次连接到文本特征fp的键向量key、值向量value之前，并保持文本特征fp的查询向量query不变，得到连接后的键向量keylast、值向量valuelast：keylast＝[keyc1；keyc2…keycn；key]；

valuelast＝[valuec1；valuec2…valuecn；value]；

S3033、通过如下公式计算输出值scroe：T

式中，q代表查询向量query，k 代表keylast的转置，v代表valuelast，dk代表keylast的维度；

S3034、将scroe输入前馈神经网络，得到融合特征fcp。

7.根据权利要求1所述的一种条件文本生成方法，其特征在于，步骤S5中，计算损失的方法包括：

S501、计算条件信息与文本数据的互信息损失Lpoint：x ‑1

Lpoint＝(e‑1) ；

式中，a表示文本数据，c表示条件信息；x为文本数据和条件信息之间的互信息计算结果；p(a)表示文本数据中每个词出现概率的累积；p(c)表示条件信息与文本数据中每个词出现概率的累积；p(a,c)表示文本数据中每个词与条件信息的概率累积；

S502、将条件信息设置为空集，计算无条件内容损失Lnull：式中，c表示条件信息；xi表示当前生成的词；{x1,x2…xi‑1}表示生成xi需要的提示文本；

表示xi的后验概率；k表示生成文本的最大长度；

S503、通过如下公式计算最终损失Loss：式中，当所述互信息损失参与训练时， 否则当所述无条件内容损失参与训练时， 否则

8.一种条件文本生成系统，其特征在于，包括：数据采集模块，用于通过爬虫采集文本数据并存储为json格式；

预处理模块，用于对文本数据进行预处理，将文本数据转化为适合训练的数据集；

模型训练模块，用于构建条件文本生成模型，并输出训练后的网络模型；

文本生成模块，通过输入的提示文本和条件信息，根据训练后的网络模型预测下一词概率，然后经过softmax归一化，采用top‑k和top‑p结合输出下一个词，直至完成文本生成；

其中，所述模型训练模块包括：

预训练语言模型单元，用于构建编码器和解码器；

编码器，用于将条件信息和文本数据分别作为输入，得到条件特征、文本特征；

特征融合单元，用于将条件特征和文本特征进行特征融合，得到融合特征；

损失计算单元，用于计算模型训练过程中的损失；

解码器，用于将融合特征作为输入，得到输出结果，以指导文本生成。

9.根据权利要求8所述的一种条件文本生成系统，其特征在于，所述特征融合单元包括：

前置子单元，用于确定条件信息的个数n，将各条件信息的条件特征依次记为fc1、fc2…fcn；其中n取正整数；

连接子单元，用于将各条件特征的键向量keyc1、keyc2…keycn、值向量valuec1、valuec2…valuecn分别依次连接到文本特征fp的键向量key、值向量value之前，并保持文本特征fp的查询向量query不变，得到连接后的键向量keylast、值向量valuelast：keylast＝[keyc1；keyc2…keycn；key]；

valuelast＝[valuec1；valuec2…valuecn；value]；

第一计算子单元，用于通过如下公式计算输出值scroe： 式T

中，q代表查询向量query，k代表keylast的转置，v代表valuelast，dk代表keylast的维度；

第二计算子单元，用于将scroe输入前馈神经网络，得到融合特征fcp。

10.根据权利要求8所述的一种条件文本生成系统，其特征在于，所述损失计算单元包括：

互信息损失子单元，用于通过如下公式计算条件信息与文本数据的互信息损失Lpoint：x ‑1

Lpoint＝(e‑1) ；

式中，a表示文本数据，c表示条件信息；x为文本数据和条件信息之间的互信息计算结果；p(a)表示文本数据中每个词出现概率的累积；p(c)表示条件信息与文本数据中每个词出现概率的累积；p(a,c)表示文本数据中每个词与条件信息的概率累积；

无条件内容损失子单元，用于将条件信息设置为空集，并通过如下公式计算无条件内容损失Lnull：

式中，c表示条件信息；xi表示当前生成的词；{x1,x2…xi‑1}表示生成xi需要的提示文本；

表示xi的后验概率；k表示生成文本的最大长度；

结合子单元，用于通过如下公式结合互信息损失和无条件内容损失，得到最终损失Loss：

式中，当所述互信息损失参与训练时， 否则当所述无条件内容损失参与训练时， 否则