CN107423274B - 基于人工智能的比赛解说内容生成方法、装置及存储介质 - Google Patents
基于人工智能的比赛解说内容生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN107423274B CN107423274B CN201710423242.5A CN201710423242A CN107423274B CN 107423274 B CN107423274 B CN 107423274B CN 201710423242 A CN201710423242 A CN 201710423242A CN 107423274 B CN107423274 B CN 107423274B
- Authority
- CN
- China
- Prior art keywords
- text
- comment
- model
- content
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3347—Query execution using vector based model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/55—Rule-based translation
- G06F40/56—Natural language generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Machine Translation (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了基于人工智能的比赛解说内容生成方法、装置及存储介质,其中方法包括:获取历史比赛的人工文字解说内容及结构化数据;根据获取到的信息生成解说模型;在对比赛进行直播的过程中,针对每次获取到的结构化数据,分别根据解说模型确定出对应的文字解说内容。应用本发明所述方案,能够减少延时和提升解说内容的准确性等。
Description
【技术领域】
本发明涉及计算机应用技术,特别涉及基于人工智能的比赛解说内容生成方法、装置及存储介质。
【背景技术】
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
在体育比赛直播中,通过对比赛进行解说,可以帮助观众更好的了解比赛,目前,通常采用人工文字解说或人工语音解说的方式对比赛进行解说。
人工文字解说,即指从多方获取信息,整理信息,人工实时进行文字解说。
比如,对于一场NBA比赛,可以根据比赛的实时进展情况,提供实时的人工文字解说内容,从而通过文字方式对比赛进行直播。
但是,上述方式在实际应用中会存在一定的问题,比如:人工文字解说需要一定的时间来整理信息,因此在直播时会有不同程度的延时,另外,会很容易出现错误,如在数据的准确性以及打字等问题上均可能出现错误,从而降低了解说内容的准确性。
【发明内容】
有鉴于此,本发明提供了基于人工智能的比赛解说内容生成方法、装置及存储介质,能够减少延时和提升解说内容的准确性。
具体技术方案如下:
一种基于人工智能的比赛解说内容生成方法,包括:
获取历史比赛的人工文字解说内容及结构化数据;
根据获取到的信息生成解说模型;
在对比赛进行直播的过程中,针对每次获取到的结构化数据,分别根据所述解说模型确定出对应的文字解说内容。
根据本发明一优选实施例,所述根据获取到的信息生成解说模型包括:
对齐人工文字解说内容与结构化数据,得到一系列由人工文字解说内容与对应的结构化数据组成的第一数据对;
根据各第一数据对生成所述解说模型。
根据本发明一优选实施例,所述解说模型包括:第一解说模型以及第二解说模型;
所述针对每次获取到的结构化数据,分别根据所述解说模型确定出对应的文字解说内容包括:
针对每次获取到的结构化数据,根据所述第一解说模型确定出第一文字解说内容,根据所述第二解说模型确定出第二文字解说内容;
从所述第一文字解说内容和所述第二文字解说内容中选出较优的一个作为最终的文字解说内容。
根据本发明一优选实施例,所述第一解说模型为解说模式模型,根据各第一数据对生成所述解说模式模型包括:
针对每个第一数据对,分别进行以下处理:
根据预先构建的领域知识库,对所述第一数据对中的人工文字解说内容进行槽位抽取和泛化,并从泛化结果中去除多余的修饰成分,生成解说模板;
针对所述第一数据对,结合所述领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应所述特征向量中的一维;
建立所述特征向量与所述解说模板之间的对应关系,得到一个第二数据对;
将得到的各第二数据对作为所述解说模式模型。
根据本发明一优选实施例,所述抽取出的特征包括三类:当前事件特征、上下文特征以及动态特征。
根据本发明一优选实施例,所述针对每次获取到的结构化数据,根据所述第一解说模型确定出第一文字解说内容包括:
生成获取到的结构化数据对应的特征向量;
根据所述特征向量对所述解说模式模型进行检索,得到相匹配的解说模板,并选择最优的解说模板生成所述第一文字解说内容。
根据本发明一优选实施例,所述第二解说模型为序列生成模型,根据各第一数据对生成所述序列生成模型包括:
针对每个第一数据对,分别进行以下处理:
针对所述第一数据对,结合预先构建的领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应所述特征向量中的一维;
生成所述特征向量对应的序列文本;
建立所述序列文本与所述第一数据对中的人工文字解说内容之间的对应关系,得到一个第三数据对;
将所述序列文本作为输入,将所述人工文字解说内容作为输出,根据各第三数据对训练得到所述序列生成模型。
根据本发明一优选实施例,所述生成所述特征向量对应的序列文本包括:
分别对所述特征向量中的每个维度的特征进行特征名和特征值的直译;
将各维度的特征的直译结果按预定顺序进行拼接,得到所述序列文本。
根据本发明一优选实施例,所述针对每次获取到的结构化数据,根据所述第二解说模型确定出第二文字解说内容包括:
生成获取到的结构化数据对应的特征向量;
生成所述特征向量对应的序列文本;
将所述序列文本输入给所述序列生成模型,得到所述序列生成模型输出的所述第二文字解说内容。
一种基于人工智能的比赛解说内容生成装置,包括:预处理单元以及解说单元;
所述预处理单元,用于获取历史比赛的人工文字解说内容及结构化数据,并根据获取到的信息生成解说模型;
所述解说单元,用于在对比赛进行直播的过程中,针对每次获取到的结构化数据,分别根据所述解说模型确定出对应的文字解说内容。
根据本发明一优选实施例,所述预处理单元中包括:获取子单元以及训练子单元;
所述获取子单元,用于获取历史比赛的人工文字解说内容及结构化数据;
所述训练子单元,用于对齐人工文字解说内容与结构化数据,得到一系列由人工文字解说内容与对应的结构化数据组成的第一数据对,根据各第一数据对生成所述解说模型。
根据本发明一优选实施例,所述解说模型包括:第一解说模型以及第二解说模型;
所述解说单元针对每次获取到的结构化数据,根据所述第一解说模型确定出第一文字解说内容,根据所述第二解说模型确定出第二文字解说内容,从所述第一文字解说内容和所述第二文字解说内容中选出较优的一个作为最终的文字解说内容。
根据本发明一优选实施例,所述第一解说模型为解说模式模型,所述训练子单元针对每个第一数据对,分别进行以下处理:
根据预先构建的领域知识库,对所述第一数据对中的人工文字解说内容进行槽位抽取和泛化,并从泛化结果中去除多余的修饰成分,生成解说模板;
针对所述第一数据对,结合所述领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应所述特征向量中的一维;
建立所述特征向量与所述解说模板之间的对应关系,得到一个第二数据对;
将得到的各第二数据对作为所述解说模式模型。
根据本发明一优选实施例,所述抽取出的特征包括三类:当前事件特征、上下文特征以及动态特征。
根据本发明一优选实施例,所述解说单元生成获取到的结构化数据对应的特征向量,根据所述特征向量对所述解说模式模型进行检索,得到相匹配的解说模板,并选择最优的解说模板生成所述第一文字解说内容。
根据本发明一优选实施例,所述第二解说模型为序列生成模型,所述训练子单元针对每个第一数据对,分别进行以下处理:
针对所述第一数据对,结合预先构建的领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应所述特征向量中的一维;
生成所述特征向量对应的序列文本;
建立所述序列文本与所述第一数据对中的人工文字解说内容之间的对应关系,得到一个第三数据对;
将所述序列文本作为输入,将所述人工文字解说内容作为输出,根据各第三数据对训练得到所述序列生成模型。
根据本发明一优选实施例,所述训练子单元分别对所述特征向量中的每个维度的特征进行特征名和特征值的直译,将各维度的特征的直译结果按预定顺序进行拼接,得到所述序列文本。
根据本发明一优选实施例,所述解说单元生成获取到的结构化数据对应的特征向量,并生成所述特征向量对应的序列文本,将所述序列文本输入给所述序列生成模型,得到所述序列生成模型输出的所述第二文字解说内容。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出,采用本发明所述方案,可根据历史比赛的人工文字解说内容及结构化数据生成解说模型,这样,后续在对比赛进行直播的过程中,针对每次获取到的结构化数据,可根据解说模型自动地生成对应的文字解说内容,而且,只要获取到了结构化数据,即可生成文字解说内容,基本没有延时,从而相比于现有技术降低了延时,而且,自动地生成文字解说内容,可避免现有技术中所述的错误,从而提升了解说内容的准确性,另外,无需专业的解说人员,只需构建一次解说模型等即可进行多次自动解说,具有很低的实现成本,再有,对于所有生成结构化数据的比赛,本发明所述方案均可适用,具有广泛适用性。
【附图说明】
图1为本发明所述比赛解说内容生成方法实施例的流程图。
图2为本发明所述得到解说模式模型的方法实施例的流程图。
图3为本发明所述encoder-decoder框架的示意图。
图4为本发明所述得到序列生成模型的方法实施例的流程图。
图5为本发明所述生成实时的文字解说内容的方法实施例的流程图。
图6为本发明所述篮球解说界面的示意图。
图7为本发明所述比赛解说内容生成装置实施例的组成结构示意图。
图8示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
现在基本上所有的体育比赛都实现了很完善的信息化,在比赛过程中,会有实时的比赛数据生成,这些数据通常都是存储在数据库中的结构化数据,目前这些数据一般用于比赛技术统计,本发明所述方案中,可基于这些数据,生成实时的文字解说内容,实现解说的自动化。
为了使本发明的技术方案更加清楚、明白,以下参照附图并举实施例,对本发明所述方案进行进一步说明。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明所述比赛解说内容生成方法实施例的流程图,如图1所示,包括以下具体实现方式:
在101中,获取历史比赛的人工文字解说内容及结构化数据;
在102中,根据获取到的信息生成解说模型;
在103中,在对比赛进行直播的过程中,针对每次获取到的结构化数据,分别根据解说模型确定出对应的文字解说内容。
可以看出,上述实施例中主要包括两个过程,即线下训练过程和线上实时解说过程,以下分别进行详细介绍。
一)线下训练过程
如前所述,在比赛中,会有实时的比赛数据生成,这些数据通常都是存储在数据库中的结构化数据。
一条结构化数据可以对应一个或多个事件,较佳地,可对应一个事件。
比赛中和某一项或某几项数据相关联的一系列动作可称为一个事件,比如,篮球比赛中,两分投篮是一个事件。
为得到解说模型,可首先获取训练数据。
具体地,可获取多场历史比赛的人工文字解说内容及结构化数据,以NBA解说为例,可获取多场历史NBA比赛的人工文字解说内容及结构化数据,如获取2016年NBA总决赛第一场的全场的人工文字解说内容及结构化数据等。
另外,还可预先构建领域知识库,即基于比赛类型,构建实体属性知识库,以NBA解说为例,需要构建球员、球队、篮球术语等组成的领域知识库。
针对获取到的历史比赛的人工文字解说内容及结构化数据,可根据结构化数据中的字段值以及人工文字解说内容中抽取出的字段值等,对齐人工文字解说内容与结构化数据,从而得到一系列由人工文字解说内容与对应的结构化数据组成的第一数据对。
其中,在对齐人工文字解说内容与结构化数据之前,还可先进行数据过滤,如去掉人工文字解说内容中与解说无关的数据,可包括评论、引申报道及消息插入等。
另外,还可能会涉及到多个事件对齐的问题,比如,当一条人工文字解说内容中有多个事件时,则需要进行多个事件的对齐,多个事件的对齐的难点在于事件边界的判定,边界分为两种情况:边界明显和边界交叉重叠,对于边界交叉重叠这种情况,可基于结构化数据采用补全的方式进行事件的切分。
举例说明:
洛瑞持球过来,给到德罗赞,中距离跳投,投进;
对齐事件1(助攻):洛瑞持球过来,给到德罗赞;
对齐事件2(二分投篮):【德罗赞】中距离跳投,投进;
其中【德罗赞】就是补全的结果。
在得到各第一数据对之后,即可根据各第一数据对生成解说模型,具体地,可包括两个解说模型,即第一解说模型和第二解说模型。
其中,第一解说模型可为解说模式模型,第二解说模型可为序列生成模型,以下分别对如何得到这两个模型进行详细说明。
图2为本发明所述得到解说模式模型的方法实施例的流程图,如图2所示,包括以下具体实现方式。
在201中,对各第一数据对进行预处理。
可对各第一数据对进行数据清洗,如去除数据中的乱码、多余的标点、表情符号等。
在202中,针对每个第一数据对,分别按照203~206所示方式进行处理。
在203中,根据领域知识库,对该第一数据对中的人工文字解说内容进行槽位抽取和泛化。
比如,可将领域知识库中包括的球员、球队等作为槽位值,进行槽位的抽取,并泛化相应的槽位,如将槽位值“库里”对应的槽位泛化为“球员”。
在204中,从泛化结果中去除多余的修饰成分,生成解说模板。
对于泛化结果,可抽取出句子的主干,去除多余的修饰成分,从而生成解说模板。
在205中,针对该第一数据对,结合领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应特征向量中的一维。
所述推理可包括上下文推理以及属性推理等,通过推理,可实现信息的扩展,丰富信息内容。
较佳地,抽取出的特征可分为三类:当前事件特征、上下文特征以及动态特征。
以NBA解说为例,各类特征可分别包括:
当前事件特征可包括:
比赛特征:第几节、本节剩余时间、主队得分、客队得分等;
事件特征:三分投篮、二分投篮、助攻、罚球、篮板、抢断等;
结果特征:成功、失败;
事件属性特征:罚球(共几个罚球、第几个罚球)、篮板(前场篮板、后场篮板)等;
上下文特征可包括:
连续同一事件上下文、状态转换上下文、同一事件上下文、同一球队同一事件上下文、同一运动员同一事件上下文、比赛事件上下文等;
比如,当前的事件为勇士队球员汤普森进行两次罚球中的第二罚,罚进,第一罚未罚进,那么则可得到上下文特征:两罚一中;
再比如,当前的事件为勇士队球员库里投中三分,之前库里已经投了两次三分,其中一次投进,另一次投失,那么则可得到上下文特征:三分球三投两中;
动态特征可包括:
球员三分连续次数、球队三分连续次数、球员进球连续次数、球队进球连续次数、球队投球不进连续次数等。
需要说明的是,上述各特征仅为举例说明,并不用于限制本发明的技术方案,具体实施时,需要抽取哪些特征可根据实际需要而定,不限于以上所示。
预先规定对哪些特征进行抽取,在每次进行抽取时,针对某一特征,可能能够抽取出该特征,也可能不能抽取出该特征,对于后一种情况,可将抽取出的内容设置为空(为0)。
每个特征对应特征向量中的一维,特征的个数即为特征向量的维度,首先初始化特征向量为0,之后可根据各特征的离散化结果对特征向量进行更新,从而得到所需的特征向量。
在206中,建立特征向量与解说模板之间的对应关系,得到一个第二数据对。
按照上述方式进行处理后,针对每个第一数据对,可分别得到一个第二数据对。
在207中,将得到的各第二数据对作为解说模式模型。
得到的各第二数据对即为所需的解说模式模型。
以上介绍的是如何得到解说模式模型,以下对如何得到序列生成模型进行说明。
序列生成模型采用编码(encoder)-解码(decoder)框架,图3为本发明所述encoder-decoder框架的示意图,如图3所示,首先对输入序列X1X2…XT进行encode,再基于encode结果进行decode,生成输出序列Y1Y2…YT。
回归到本发明中,输入的是结构化数据,输出的是文本序列,因此需要将结构化数据构建成序列化输入,较佳地,可采用结构化数据直译的方式得到所述序列化输入。
相应地,图4为本发明所述得到序列生成模型的方法实施例的流程图,如图4所示,包括以下具体实现方式。
在401中,针对每个第一数据对,分别按照402~404所示方式进行处理。
在402中,针对该第一数据对,结合领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应特征向量中的一维。
具体实现可参照前述实施例中的相关说明,不再赘述。
在403中,生成特征向量对应的序列文本。
比如,可分别对特征向量中的每个维度的特征进行特征名和特征值的直译,进而将各维度的特征的直译结果按预定顺序进行拼接,从而得到所需的序列文本。
在404中,建立序列文本与该第一数据对中的人工文字解说内容之间的对应关系,得到一个第三数据对。
显然,针对每个第一数据对,可分别得到一个第三数据对。
在405中,将序列文本作为输入,将人工文字解说内容作为输出,根据各第三数据对训练得到序列生成模型。
序列生成模型可为循环神经网络(RNN,Recurrent Neural Networks)模型等。
可将得到的各第三数据对作为训练数据,训练得到序列生成模型,如何训练得到序列生成模型为现有技术。
在分别得到解说模式模型和序列生成模型之后,即可利用这两个模型来进行线上实时解说。
二)线上实时解说过程
在对某一比赛进行直播的过程中,针对每次获取到的结构化数据,可分别根据解说模型确定出对应的文字解说内容。
具体地,针对每次获取到的结构化数据,可根据解说模式模型确定出第一文字解说内容,并根据序列生成模型确定出第二文字解说内容,进而从第一文字解说内容和第二文字解说内容中选出较优的一个作为最终的文字解说内容。
图5为本发明所述生成实时的文字解说内容的方法实施例的流程图,如图5所示,包括以下具体实现方式。
在501中,对获取到的结构化数据进行预处理。
该处理是可选的,如可包括对结构化数据的组合拆分以及部分字段的推理等,具体实现为现有技术。
在502中,生成获取到的结构化数据对应的特征向量,之后分别执行503和504。
如何生成特征向量可参照前述实施例中的相关说明,不再赘述。
在503中,根据生成的特征向量对解说模式模型进行检索,得到相匹配的解说模板,并选择最优的解说模板生成第一文字解说内容,之后执行506。
如何进行检索为现有技术,检索到的相匹配的解说模板的数量可能为一,也可能大于一。
如果为一,那么可根据该解说模板及结构化数据生成第一文字解说内容,如果大于一,那么可从中选出一个最优的解说模板,根据选出的解说模板及结构化数据生成第一文字解说内容。
其中,当大于一时,可按照预先设定的规则,对各解说模板进行排序,进而选出排序后处于第一位的解说模板,将该解说模板作为最优的解说模板,所述规则具体为何种规则可根据实际需要而定。
可通过将结构化数据中的各字段值填入到解说模板的槽位中等操作,得到第一文字解说内容。
在504中,生成特征向量对应的序列文本。
如何生成序列文本可参照前述实施例中的相关说明,不再赘述。
在505中,将序列文本输入给序列生成模型,得到序列生成模型输出的第二文字解说内容。
在506中,从第一文字解说内容和第二文字解说内容中选出较优的一个作为最终的文字解说内容。
比如,可基于对结构化数据的信息覆盖度等对第一文字解说内容和第二文字解说内容进行选择。
通过上述介绍可以看出,采用本发明所述方案,可根据历史比赛的人工文字解说内容及结构化数据生成解说模型,这样,后续在对比赛进行直播的过程中,针对每次获取到的结构化数据,可根据解说模型自动地生成对应的文字解说内容,而且,只要获取到了结构化数据,即可生成文字解说内容,基本没有延时,从而相比于现有技术降低了延时,而且,自动地生成文字解说内容,可避免现有技术中所述的错误,从而提升了解说内容的准确性,另外,无需专业的解说人员,只需构建一次解说模型等即可进行多次自动解说,具有很低的实现成本,再有,对于所有生成结构化数据的比赛,本发明所述方案均可适用,具有广泛适用性。
在上述自动解说的基础上,还可以进行解说情感强度的控制,引入情感强度相关的语气词和emoji表情符等进行更加人性化的解说。
另外,以篮球解说为例,在进行产品展现时,除了对比赛进行全场解说外,还可以选择球员视角进行解说,即只对某一位球员在比赛中的表现进行解说,从而为喜欢某位球员但又没有太多时间关注全场比赛的用户带来方便。
图6为本发明所述篮球解说界面的示意图,如图6所示,直播的是美国对委内瑞拉的比赛,用户可以选择“只看安东尼”或“只看杜兰特”等。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
图7为本发明所述比赛解说内容生成装置实施例的组成结构示意图,如图7所示,包括:预处理单元701以及解说单元702。
预处理单元701,用于获取历史比赛的人工文字解说内容及结构化数据,并根据获取到的信息生成解说模型。
解说单元702,用于在对比赛进行直播的过程中,针对每次获取到的结构化数据,分别根据解说模型确定出对应的文字解说内容。
其中,预处理单元701中可进一步包括:获取子单元7011以及训练子单元7012。
获取子单元7011,用于获取历史比赛的人工文字解说内容及结构化数据。
训练子单元7012,用于对齐人工文字解说内容与结构化数据,得到一系列由人工文字解说内容与对应的结构化数据组成的第一数据对,根据各第一数据对生成解说模型。
获取子单元7011可获取多场历史比赛的人工文字解说内容及结构化数据,以NBA解说为例,可获取多场历史NBA比赛的人工文字解说内容及结构化数据。
另外,还可预先构建领域知识库,即基于比赛类型,构建实体属性知识库,以NBA解说为例,需要构建球员、球队、篮球术语等组成的领域知识库。
针对获取到的历史比赛的人工文字解说内容及结构化数据,训练子单元7012可根据结构化数据中的字段值以及人工文字解说内容中抽取出的字段值等,对齐人工文字解说内容与结构化数据,从而得到一系列由人工文字解说内容与对应的结构化数据组成的第一数据对。
其中,在对齐人工文字解说内容与结构化数据之前,还可先进行数据过滤,如去掉人工文字解说内容中与解说无关的数据,可包括评论、引申报道及消息插入等。
在得到各第一数据对之后,训练子单元7012即可根据各第一数据对生成解说模型,具体地,可包括两个解说模型,即第一解说模型和第二解说模型。
其中,第一解说模型可为解说模式模型,第二解说模型可为序列生成模型。
为得到解说模式模型,训练子单元7012可针对每个第一数据对,分别进行以下处理:
根据领域知识库,对第一数据对中的人工文字解说内容进行槽位抽取和泛化,并从泛化结果中去除多余的修饰成分,生成解说模板;
针对第一数据对,结合领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应特征向量中的一维;
建立特征向量与解说模板之间的对应关系,得到一个第二数据对;
将得到的各第二数据对作为解说模式模型。
抽取出的特征可包括:当前事件特征、上下文特征以及动态特征等。
为得到序列生成模型,训练子单元7012可针对每个第一数据对,分别进行以下处理:
针对第一数据对,结合领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应特征向量中的一维;
生成特征向量对应的序列文本;
建立序列文本与第一数据对中的人工文字解说内容之间的对应关系,得到一个第三数据对;
将序列文本作为输入,将人工文字解说内容作为输出,根据各第三数据对训练得到序列生成模型。
具体地,训练子单元7012可分别对特征向量中的每个维度的特征进行特征名和特征值的直译,并将各维度的特征的直译结果按预定顺序进行拼接,从而得到序列文本。
在分别得到解说模式模型和序列生成模型之后,解说单元702即可利用这两个模型来对比赛进行线上实时解说,即在对比赛进行直播的过程中,针对每次获取到的结构化数据,可分别根据解说模型确定出对应的文字解说内容。
具体地,解说单元702可生成获取到的结构化数据对应的特征向量,根据特征向量对解说模式模型进行检索,得到相匹配的解说模板,并选择最优的解说模板生成第一文字解说内容。
并且,解说单元702可生成获取到的结构化数据对应的特征向量,并生成特征向量对应的序列文本,将序列文本输入给序列生成模型,得到序列生成模型输出的第二文字解说内容。
也就是说,针对每次获取到的结构化数据,解说单元702可根据第一解说模型确定出第一文字解说内容,根据第二解说模型确定出第二文字解说内容,之后,可从第一文字解说内容和第二文字解说内容中选出较优的一个作为最终的文字解说内容。
图7所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
图8示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图8显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器(处理单元)16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现图1所示实施例中的方法,即获取历史比赛的人工文字解说内容及结构化数据,根据获取到的信息生成解说模型,在对比赛进行直播的过程中,针对每次获取到的结构化数据,分别根据解说模型确定出对应的文字解说内容。
具体实现请参照前述各实施例中的相关说明,不再赘述。
本发明同时公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时将实现如图1所示实施例中的方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法等,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (18)
1.一种基于人工智能的比赛解说内容生成方法,其特征在于,包括:
获取历史比赛的人工文字解说内容及结构化数据;
根据获取到的信息生成解说模型;
其中,所述解说模型包括第一解说模型,所述第一解说模型包括解说模式模型;生成所述解说模式模型包括:针对每个由人工文字解说内容与对应的结构化数据组成的第一数据对,分别进行以下处理:根据预先构建的领域知识库,对所述第一数据对中的人工文字解说内容进行槽位抽取和泛化,并从泛化结果中去除多余的修饰成分,生成解说模板;针对所述第一数据对,结合所述领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应所述特征向量中的一维;建立所述特征向量与所述解说模板之间的对应关系,得到一个第二数据对;将得到的各第二数据对作为所述解说模式模型;
在对比赛进行直播的过程中,针对每次获取到的结构化数据,分别根据所述解说模型确定出对应的文字解说内容。
2.根据权利要求1所述的方法,其特征在于,
该方法进一步包括:对齐人工文字解说内容与结构化数据,得到一系列由人工文字解说内容与对应的结构化数据组成的第一数据对。
3.根据权利要求2所述的方法,其特征在于,
所述解说模型进一步包括:第二解说模型;
所述针对每次获取到的结构化数据,分别根据所述解说模型确定出对应的文字解说内容包括:
针对每次获取到的结构化数据,根据所述第一解说模型确定出第一文字解说内容,根据所述第二解说模型确定出第二文字解说内容;
从所述第一文字解说内容和所述第二文字解说内容中选出较优的一个作为最终的文字解说内容。
4.根据权利要求1所述的方法,其特征在于,
所述抽取出的特征包括三类:当前事件特征、上下文特征以及动态特征。
5.根据权利要求3所述的方法,其特征在于,
所述针对每次获取到的结构化数据,根据所述第一解说模型确定出第一文字解说内容包括:
生成获取到的结构化数据对应的特征向量;
根据所述特征向量对所述解说模式模型进行检索,得到相匹配的解说模板,并选择最优的解说模板生成所述第一文字解说内容。
6.根据权利要求3所述的方法,其特征在于,
所述第二解说模型为序列生成模型,生成所述序列生成模型包括:
针对每个第一数据对,分别进行以下处理:
针对所述第一数据对,结合预先构建的领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应所述特征向量中的一维;
生成所述特征向量对应的序列文本;
建立所述序列文本与所述第一数据对中的人工文字解说内容之间的对应关系,得到一个第三数据对;
将所述序列文本作为输入,将所述人工文字解说内容作为输出,根据各第三数据对训练得到所述序列生成模型。
7.根据权利要求6所述的方法,其特征在于,
所述生成所述特征向量对应的序列文本包括:
分别对所述特征向量中的每个维度的特征进行特征名和特征值的直译;
将各维度的特征的直译结果按预定顺序进行拼接,得到所述序列文本。
8.根据权利要求6所述的方法,其特征在于,
所述针对每次获取到的结构化数据,根据所述第二解说模型确定出第二文字解说内容包括:
生成获取到的结构化数据对应的特征向量;
生成所述特征向量对应的序列文本;
将所述序列文本输入给所述序列生成模型,得到所述序列生成模型输出的所述第二文字解说内容。
9.一种基于人工智能的比赛解说内容生成装置,其特征在于,包括:预处理单元以及解说单元;
所述预处理单元,用于获取历史比赛的人工文字解说内容及结构化数据,并根据获取到的信息生成解说模型;
所述解说单元,用于在对比赛进行直播的过程中,针对每次获取到的结构化数据,分别根据所述解说模型确定出对应的文字解说内容;
所述预处理单元中包括:获取子单元以及训练子单元;
所述获取子单元,用于获取历史比赛的人工文字解说内容及结构化数据;
所述训练子单元,用于根据各由人工文字解说内容与对应的结构化数据组成的第一数据对生成所述解说模型;其中,所述解说模型包括第一解说模型,所述第一解说模型包括解说模式模型;针对每个第一数据对,分别进行以下处理:根据预先构建的领域知识库,对所述第一数据对中的人工文字解说内容进行槽位抽取和泛化,并从泛化结果中去除多余的修饰成分,生成解说模板;针对所述第一数据对,结合所述领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应所述特征向量中的一维;建立所述特征向量与所述解说模板之间的对应关系,得到一个第二数据对;将得到的各第二数据对作为所述解说模式模型。
10.根据权利要求9所述的装置,其特征在于,
所述训练子单元进一步用于,对齐人工文字解说内容与结构化数据,得到一系列由人工文字解说内容与对应的结构化数据组成的第一数据对。
11.根据权利要求10所述的装置,其特征在于,
所述解说模型进一步包括:第二解说模型;
所述解说单元针对每次获取到的结构化数据,根据所述第一解说模型确定出第一文字解说内容,根据所述第二解说模型确定出第二文字解说内容,从所述第一文字解说内容和所述第二文字解说内容中选出较优的一个作为最终的文字解说内容。
12.根据权利要求9所述的装置,其特征在于,
所述抽取出的特征包括三类:当前事件特征、上下文特征以及动态特征。
13.根据权利要求11所述的装置,其特征在于,
所述解说单元生成获取到的结构化数据对应的特征向量,根据所述特征向量对所述解说模式模型进行检索,得到相匹配的解说模板,并选择最优的解说模板生成所述第一文字解说内容。
14.根据权利要求11所述的装置,其特征在于,
所述第二解说模型为序列生成模型,所述训练子单元针对每个第一数据对,分别进行以下处理:
针对所述第一数据对,结合预先构建的领域知识库进行推理和特征抽取,根据抽取出的特征生成特征向量,每个特征对应所述特征向量中的一维;
生成所述特征向量对应的序列文本;
建立所述序列文本与所述第一数据对中的人工文字解说内容之间的对应关系,得到一个第三数据对;
将所述序列文本作为输入,将所述人工文字解说内容作为输出,根据各第三数据对训练得到所述序列生成模型。
15.根据权利要求14所述的装置,其特征在于,
所述训练子单元分别对所述特征向量中的每个维度的特征进行特征名和特征值的直译,将各维度的特征的直译结果按预定顺序进行拼接,得到所述序列文本。
16.根据权利要求14所述的装置,其特征在于,
所述解说单元生成获取到的结构化数据对应的特征向量,并生成所述特征向量对应的序列文本,将所述序列文本输入给所述序列生成模型,得到所述序列生成模型输出的所述第二文字解说内容。
17.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~8中任一项所述的方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423242.5A CN107423274B (zh) | 2017-06-07 | 2017-06-07 | 基于人工智能的比赛解说内容生成方法、装置及存储介质 |
US16/001,119 US11550998B2 (en) | 2017-06-07 | 2018-06-06 | Method and apparatus for generating a competition commentary based on artificial intelligence, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423242.5A CN107423274B (zh) | 2017-06-07 | 2017-06-07 | 基于人工智能的比赛解说内容生成方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423274A CN107423274A (zh) | 2017-12-01 |
CN107423274B true CN107423274B (zh) | 2020-11-20 |
Family
ID=60428487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710423242.5A Active CN107423274B (zh) | 2017-06-07 | 2017-06-07 | 基于人工智能的比赛解说内容生成方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11550998B2 (zh) |
CN (1) | CN107423274B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699689B (zh) * | 2014-01-09 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 事件知识库的构建方法及装置 |
CN108153866A (zh) * | 2017-12-25 | 2018-06-12 | 中译语通科技(青岛)有限公司 | 一种多语体育术语知识库的构建方法 |
CN108337573A (zh) * | 2018-03-26 | 2018-07-27 | 京东方科技集团股份有限公司 | 一种赛事实时解说的实现方法和介质 |
CN109145733A (zh) * | 2018-07-17 | 2019-01-04 | 焦点科技股份有限公司 | 一种篮球比赛的人工智能解说方法及系统 |
BR112021010468A2 (pt) * | 2018-12-31 | 2021-08-24 | Intel Corporation | Sistemas de segurança que empregam inteligência artificial |
CN110362823B (zh) * | 2019-06-21 | 2023-07-28 | 北京百度网讯科技有限公司 | 描述文本生成模型的训练方法和装置 |
CN110377902B (zh) * | 2019-06-21 | 2023-07-25 | 北京百度网讯科技有限公司 | 描述文本生成模型的训练方法和装置 |
US11285390B2 (en) | 2019-09-26 | 2022-03-29 | Sony Interactive Entertainment Inc. | Artificial intelligence (AI) controlled camera perspective generator and AI broadcaster |
US11103782B2 (en) * | 2019-09-26 | 2021-08-31 | Sony Interactive Entertainment Inc. | Artificial intelligence (AI) controlled camera perspective generator and AI broadcaster |
CN110990550B (zh) * | 2019-11-29 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 一种话术生成的方法、基于人工智能的解说方法及装置 |
CN110971964B (zh) * | 2019-12-12 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 智能解说生成、播放方法、装置、设备及存储介质 |
CN111290724B (zh) * | 2020-02-07 | 2021-07-30 | 腾讯科技(深圳)有限公司 | 在线虚拟解说方法、设备和介质 |
US11847424B1 (en) * | 2020-03-20 | 2023-12-19 | Amazon Technologies, Inc. | Natural language generation |
CN111460224B (zh) * | 2020-03-27 | 2024-03-08 | 广州虎牙科技有限公司 | 评论数据的质量标注方法、装置、设备及存储介质 |
CN111477244B (zh) * | 2020-04-13 | 2023-09-22 | 南京邮电大学 | 一种面向用户的自定义体育赛事解说增强方法 |
CN111539978B (zh) * | 2020-04-23 | 2023-06-27 | 抖音视界有限公司 | 用于生成解说信息的方法、装置、电子设备和介质 |
CN111581926B (zh) * | 2020-05-15 | 2023-09-01 | 抖音视界有限公司 | 文案生成方法、装置、设备和计算机可读存储介质 |
CN112040272A (zh) * | 2020-09-08 | 2020-12-04 | 海信电子科技(武汉)有限公司 | 体育赛事智能解说方法、服务器及显示设备 |
CN113569095A (zh) * | 2021-07-23 | 2021-10-29 | 北京百度网讯科技有限公司 | 结构化信息抽取方法、装置、设备以及存储介质 |
CN113792183B (zh) * | 2021-09-17 | 2023-09-08 | 咪咕数字传媒有限公司 | 一种文本生成方法、装置及计算设备 |
CN114401417B (zh) * | 2022-01-28 | 2024-02-06 | 广州方硅信息技术有限公司 | 直播流对象跟踪方法及其装置、设备、介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102427507A (zh) * | 2011-09-30 | 2012-04-25 | 北京航空航天大学 | 一种基于事件模型的足球视频集锦自动合成方法 |
CN106776523A (zh) * | 2017-01-22 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 基于人工智能的新闻速报生成方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7930169B2 (en) * | 2005-01-14 | 2011-04-19 | Classified Ventures, Llc | Methods and systems for generating natural language descriptions from data |
-
2017
- 2017-06-07 CN CN201710423242.5A patent/CN107423274B/zh active Active
-
2018
- 2018-06-06 US US16/001,119 patent/US11550998B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102427507A (zh) * | 2011-09-30 | 2012-04-25 | 北京航空航天大学 | 一种基于事件模型的足球视频集锦自动合成方法 |
CN106776523A (zh) * | 2017-01-22 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 基于人工智能的新闻速报生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US11550998B2 (en) | 2023-01-10 |
CN107423274A (zh) | 2017-12-01 |
US20180357508A1 (en) | 2018-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423274B (zh) | 基于人工智能的比赛解说内容生成方法、装置及存储介质 | |
CN107193792B (zh) | 基于人工智能的生成文章的方法和装置 | |
US10949744B2 (en) | Recurrent neural network architectures which provide text describing images | |
CN110232183B (zh) | 关键词提取模型训练方法、关键词提取方法、装置及存储介质 | |
CN110245259B (zh) | 基于知识图谱的视频打标签方法及装置、计算机可读介质 | |
CN109618236B (zh) | 视频评论处理方法和装置 | |
CN109691124B (zh) | 用于自动生成视频亮点的方法和系统 | |
CN109688428B (zh) | 视频评论生成方法和装置 | |
CN112135671A (zh) | 基于远程用户输入的上下文游戏内元素识别、注释和交互 | |
CN110234018B (zh) | 多媒体内容描述生成方法、训练方法、装置、设备及介质 | |
CN109189989B (zh) | 一种视频描述方法及装置、计算机设备和存储介质 | |
CN111159414B (zh) | 文本分类方法及系统、电子设备、计算机可读存储介质 | |
US9020865B2 (en) | Method for summarizing event-related texts to answer search queries | |
US11531693B2 (en) | Information processing apparatus, method and non-transitory computer readable medium | |
CN107807915B (zh) | 基于纠错平台的纠错模型建立方法、装置、设备和介质 | |
CN109815482B (zh) | 一种新闻交互的方法、装置、设备和计算机存储介质 | |
CN112163560A (zh) | 一种视频信息处理方法、装置、电子设备及存储介质 | |
CN115463424A (zh) | 虚拟角色的显示控制方法、装置和电子设备 | |
Himakunthala et al. | Let’s think frame by frame with VIP: A video infilling and prediction dataset for evaluating video chain-of-thought | |
CN112559711A (zh) | 一种同义文本提示方法、装置及电子设备 | |
CN109710945B (zh) | 基于数据生成文本方法、装置、计算机设备和存储介质 | |
CN114491152B (zh) | 一种摘要视频的生成方法、存储介质、电子装置 | |
CN114297354B (zh) | 一种弹幕生成方法及装置、存储介质、电子装置 | |
CN111222328A (zh) | 标签提取方法、装置和电子设备 | |
CN110772794B (zh) | 智能游戏处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |