近年来,类别可控的古诗生成式学习技术渐渐成为了前沿研究热点。诗歌智能生成技术在生成式预训练模型的基础上引入规划机制,成功实现对生成诗歌的自主可控。自主可控能力弱、存储成本高、格式限制严格是当前诗歌文本智能生成亟待解决的主要难题。针对给用户分发特定主题词的规划,会造成类别不平衡的问题;针对模型在小样本下生成与主题词相适的古典诗歌的规划,虽然语料成本降低,但训练、测试时参数存储成本过高;针对模型生成满足特定格律规则要求的古典诗歌的规划,存在可控生成精度较差的问题。针对以上问题,本文聚焦生成式预训练模型,依次提出正负类别不平衡下的主题词点击率预测技术、小样本下的可控诗歌生成技术以及严格格式限制下的可控诗歌生成技术。（1）针对正负类别不平衡造成Area Under Curve（AUC）和准确率较差的问题,提出主题词点击率预测技术,避免由于主题词的不准确分发而导致生成诗歌的自主可控能力弱。所提方法利用重采样方法构建基线模型以尽可能不破坏数据真实分布,而后划分重组数据集构建修饰模型以有效利用重采样被丢弃的数据信息,接着在修饰模型中加入最优修正函数以有效利用修饰模型预测结果信息,最后将修正后的修饰模型与基线模型集成。实验证明,基于修饰模型集成的主题词点击率预测技术在该场景下能兼顾AUC和准确率的提升。（2）针对小样本造成模型无法兼顾可控生成精度和参数存储成本的问题,提出可控诗歌生成技术。所提方法利用提示学习将准确率高的主题词作为提示进行参数精调整以降低各类别存储模型参数的成本,而后引入轻量级精调以更新提示参数从而降低参数更新的存储成本。实验证明,本文提出的基于轻量级提示学习的可控诗歌生成技术在保证可控生成精度的同时,大幅降低了参数存储成本。（3）针对严格格式限制造成格律可控生成能力和多样性偏差的问题,提出严格格式限制下的可控诗歌生成技术。考虑到不同格律间数据分布差异较大,所提方法基于生成式预训练模型加入可控层归一化,而后利用度量学习以进一步减少各类别间数据分布差异。实验证明,本文提出的基于Layer-Normalized（LN）Transformer的可控诗歌生成技术提升了该限制下可控生成能力和多样性。