1.一種歌詞生成方法，其特征在于，包括：
S1、獲取源歌詞，并確定所述源歌詞中句子的數(shù)量S以及每個(gè)句子的長(zhǎng)度；
S2、基于雙向時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)LSTM模型將待生成句子的主題詞、所述待生成句子的長(zhǎng)度和已生成的歌詞組成的輸入序列進(jìn)行編碼，以將所述輸入序列轉(zhuǎn)換為一組隱狀態(tài)；
S3、基于包含內(nèi)部狀態(tài)向量的時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)LSTM模型對(duì)所述隱狀態(tài)進(jìn)行解碼，以生成所述待生成句子的歌詞；
S4、重復(fù)步驟S2和S3，以生成S句歌詞。
2.如權(quán)利要求1所述的方法，其特征在于，所述步驟S2，包括：
基于正向LSTM模型對(duì)所述輸入序列進(jìn)行正向編碼，以獲取正向隱狀態(tài)；
基于反向LSTM模型對(duì)所述輸入序列進(jìn)行反向編碼，以獲取反向隱狀態(tài)；
拼接所述正向隱狀態(tài)和所述反向隱狀態(tài)，以生成所述隱狀態(tài)。
3.如權(quán)利要求1所述的方法，其特征在于，所述步驟S3，包括：
獲取所述隱狀態(tài)對(duì)應(yīng)的注意力得分；
根據(jù)所述隱狀態(tài)和所述隱狀態(tài)對(duì)應(yīng)的注意力得分獲得所述輸入序列的歷史信息向量；
根據(jù)所述內(nèi)部狀態(tài)向量、所述歷史信息向量和前一個(gè)字生成當(dāng)前字；
將生成的當(dāng)前字組合成所述待生成句子的歌詞。
4.如權(quán)利要求3所述的方法，其特征在于，在根據(jù)所述內(nèi)部狀態(tài)向量、所述歷史信息向量和前一個(gè)字生成當(dāng)前字之后，還包括：
更新所述內(nèi)部狀態(tài)向量。
5.如權(quán)利要求1所述的方法，其特征在于，還包括：
訓(xùn)練所述雙向LSTM模型和包含內(nèi)部狀態(tài)向量的LSTM模型。
6.如權(quán)利要求5所述的方法，其特征在于，訓(xùn)練所述雙向LSTM模型和包含內(nèi)部狀態(tài)向量的LSTM模型，包括：
獲取主題詞樣本和所述主題詞樣本對(duì)應(yīng)的歌詞樣本；
根據(jù)所述主題詞樣本和所述歌詞樣本訓(xùn)練所述雙向LSTM模型和包含內(nèi)部狀態(tài)向量的LSTM模型。
7.一種歌詞生成裝置，其特征在于，包括：
確定模塊，用于獲取源歌詞，并確定所述源歌詞中句子的數(shù)量S以及每個(gè)句子的長(zhǎng)度；
轉(zhuǎn)換模塊，用于基于雙向時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)LSTM模型將待生成句子的主題詞、所述待生成句子的長(zhǎng)度和已生成的歌詞組成的輸入序列進(jìn)行編碼，以將所述輸入序列轉(zhuǎn)換為一組隱狀態(tài)；
生成模塊，用于基于包含內(nèi)部狀態(tài)向量的時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)LSTM模型對(duì)所述隱狀態(tài)進(jìn)行解碼，以生成所述待生成句子的歌詞。
8.如權(quán)利要求7所述的裝置，其特征在于，所述轉(zhuǎn)換模塊，包括：
正向編碼單元，用于基于正向LSTM模型對(duì)所述輸入序列進(jìn)行正向編碼，以獲取正向隱狀態(tài)；
反向編碼單元，用于基于反向LSTM模型對(duì)所述輸入序列進(jìn)行反向編碼，以獲取反向隱狀態(tài)；
拼接單元，用于拼接所述正向隱狀態(tài)和所述反向隱狀態(tài)，以生成所述隱狀態(tài)。
9.如權(quán)利要求7所述的裝置，其特征在于，所述生成模塊，包括：
獲取單元，用于獲取所述隱狀態(tài)對(duì)應(yīng)的注意力得分；
獲得單元，用于根據(jù)所述隱狀態(tài)和所述隱狀態(tài)對(duì)應(yīng)的注意力得分獲得所述輸入序列的歷史信息向量；
生成單元，用于根據(jù)所述內(nèi)部狀態(tài)向量、所述歷史信息向量和前一個(gè)字生成當(dāng)前字；
組合單元，用于將生成的當(dāng)前字組合成所述待生成句子的歌詞。
10.如權(quán)利要求9所述的裝置，其特征在于，還包括：
更新單元，用于在根據(jù)所述內(nèi)部狀態(tài)向量、所述歷史信息向量和前一個(gè)字生成當(dāng)前字之后，更新所述內(nèi)部狀態(tài)向量。
11.如權(quán)利要求7所述的裝置，其特征在于，還包括：
訓(xùn)練模塊，用于訓(xùn)練所述雙向LSTM模型和包含內(nèi)部狀態(tài)向量的LSTM模型。
12.如權(quán)利要求11所述的裝置，其特征在于，所述訓(xùn)練模塊，用于：
獲取主題詞樣本和所述主題詞樣本對(duì)應(yīng)的歌詞樣本；
根據(jù)所述主題詞樣本和所述歌詞樣本訓(xùn)練所述雙向LSTM模型和包含內(nèi)部狀態(tài)向量的LSTM模型。