CN107862058B - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN107862058B CN107862058B CN201711105137.3A CN201711105137A CN107862058B CN 107862058 B CN107862058 B CN 107862058B CN 201711105137 A CN201711105137 A CN 201711105137A CN 107862058 B CN107862058 B CN 107862058B
- Authority
- CN
- China
- Prior art keywords
- information
- sentence
- keywords
- evidence
- input
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:提取用户所输入的输入信息中的关键词;将所述关键词和所述输入信息导入预先建立的第一生成模型,得到目标关键词;将所述目标关键词和所述输入信息导入预先建立的第二生成模型,得到目标句子信息;根据所述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,其中,所述句子证据对应关系表对应存储有句子信息和证据信息;根据所述目标句子信息和所获取的证据信息生成待推送信息,并将所述待推送信息进行推送。该实施方式提高了机器在人机交互过程中所生成信息的逻辑性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及人工智能技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
人工智能(Artificial Intelligence)是计算机科学的一个分支,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。
在传统的人机交互过程中,需要机器能够理解人表达的思想,即要求机器能够与人聚焦到同一个话题上,并针对这个话题进行回复。通过关键词技术,可以让机器能够抓住人表达的要点,并根据要点生成机器要表达的观点。但这种方式生成的观点,往往比较简短,仅表达机器的意见结果却无证据支持。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:提取用户所输入的输入信息中的关键词;将上述关键词和上述输入信息导入预先建立的第一生成模型,得到目标关键词,其中,上述第一生成模型用于表征关键词和输入信息与目标关键词之间的对应关系;将上述目标关键词和上述输入信息导入预先建立的第二生成模型,得到目标句子信息,其中,上述第二生成模型用于表征目标关键词和输入信息与目标句子信息的对应关系;根据上述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,其中,上述句子证据对应关系表对应存储有句子信息和证据信息;根据上述目标句子信息和所获取的证据信息生成待推送信息,并将上述待推送信息进行推送。
在一些实施例中,上述根据上述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,包括:根据上述目标句子信息从上述句子证据对应关系表中得到至少一条句子信息;对于上述至少一条句子信息中的每一条句子信息,计算上述目标句子信息与该句子信息的相似度;根据计算结果对上述至少一条句子信息进行排序;基于排序结果获取与上述目标句子信息相匹配的句子信息,并获取与所匹配句子信息对应存储的证据信息。
在一些实施例中,上述提取用户所输入的输入信息中的关键词,包括:对上述输入信息进行切分处理,得到至少一个分词,对于上述至少一个分词中的每一个分词,执行以下步骤:将该分词与预先设定的词语词条对应关系表进行匹配,其中,上述词语词条对应关系表对应存储有词语和词语所在页面对应的词条,其中,词语所在页面为包括词条和用于对词条进行解释的页面内容的页面;根据匹配结果统计该分词在设定领域的页面中出现的第一频次,和在预设页面集合中出现的第二频次;计算上述第一频次和上述第二频次的比值,并确定上述比值是否超过预先设定的阈值;响应于确定上述比值超过预先设定的阈值,将该分词作为第一关键词。
在一些实施例中,上述提取用户所输入的输入信息中的关键词,还包括:对上述输入信息进行句法分析;提取上述输入信息中的、与上述第一关键词有句法结构关系的实词作为第二关键词。
在一些实施例中,上述第一生成模型和上述第二生成模型为基于注意力模型的编码-解码模型。
在一些实施例中,上述方法还包括训练上述第一生成模型的步骤,包括:提取样本句子中的关键词,其中,上述样本句子包括第一子句和第二子句;将上述第一子句和上述第一子句的关键词作为第一输入样本,将上述第二子句的关键词作为第一输出样本;使用上述第一输入样本和上述第一输出样本训练得到上述第一生成模型。
在一些实施例中,上述方法还包括训练第二生成模型的步骤,包括:将上述第一子句和上述第二子句的关键词作为第二输入样本,将上述第二子句作为第二输出样本;使用上述第二输入样本和上述第二输出样本训练得到上述第二生成模型。
在一些实施例中,在根据上述目标句子信息从预先设定的句子证据对应关系表中获取证据信息之前,上述方法还包括:提取待挖掘信息中的待用关键词,其中,上述待用关键词包括第一关键词和第二关键词;对上述待挖掘信息进行分类识别,确定上述待挖掘信息是否属于预设类别;响应于确定上述待挖掘信息属于预设类别,将上述待用关键词进行合并得到句子主干;将上述待挖掘信息中的、除上述句子主干之外的部分作为上述句子主干的证据信息,将上述句子主干和上述句子主干的证据信息以键值对的形式对应存储到上述句子证据对应关系表中。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:提取单元,用于提取用户所输入的输入信息中的关键词;第一导入单元,用于将上述关键词和上述输入信息导入预先建立的第一生成模型,得到目标关键词,其中,上述第一生成模型用于表征关键词和输入信息与目标关键词之间的对应关系;第二导入单元,用于将上述目标关键词和上述输入信息导入预先建立的第二生成模型,得到目标句子信息,其中,上述第二生成模型用于表征目标关键词和输入信息与目标句子信息的对应关系;获取单元,用于根据上述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,其中,上述句子证据对应关系表对应存储有句子信息和证据信息;生成单元,用于根据上述目标句子信息和所获取的证据信息生成待推送信息,并将上述待推送信息进行推送。
在一些实施例中,上述获取单元进一步用于:根据上述目标句子信息从上述句子证据对应关系表中得到至少一条句子信息;对于上述至少一条句子信息中的每一条句子信息,计算上述目标句子信息与该句子信息的相似度;根据计算结果对上述至少一条句子信息进行排序;基于排序结果获取与上述目标句子信息相匹配的句子信息,并获取与所匹配句子信息对应存储的证据信息。
在一些实施例中,上述提取单元进一步用于:对上述输入信息进行切分处理,得到至少一个分词,对于上述至少一个分词中的每一个分词,执行以下步骤:将该分词与预先设定的词语词条对应关系表进行匹配,其中,上述词语词条对应关系表对应存储有词语和词语所在页面对应的词条,其中,词语所在页面为包括词条和用于对词条进行解释的页面内容的页面;根据匹配结果统计该分词在设定领域的页面中出现的第一频次,和在预设页面集合中出现的第二频次;计算上述第一频次和上述第二频次的比值,并确定上述比值是否超过预先设定的阈值;响应于确定上述比值超过预先设定的阈值,将该分词作为第一关键词。
在一些实施例中,上述提取单元还进一步用于:对上述输入信息进行句法分析;提取上述输入信息中的、与上述第一关键词有句法结构关系的实词作为第二关键词。
在一些实施例中,上述第一生成模型和上述第二生成模型为基于注意力模型的编码-解码模型。
在一些实施例中,上述装置还包括第一训练单元,上述第一训练单元用于:提取样本句子中的关键词,其中,上述样本句子包括第一子句和第二子句;将上述第一子句和上述第一子句的关键词作为第一输入样本,将上述第二子句的关键词作为第一输出样本;使用上述第一输入样本和上述第一输出样本训练得到上述第一生成模型。
在一些实施例中,上述装置还包括第二训练单元,上述第二训练单元用于:将上述第一子句和上述第二子句的关键词作为第二输入样本,将上述第二子句作为第二输出样本;使用上述第二输入样本和上述第二输出样本训练得到上述第二生成模型。
在一些实施例中,上述装置还包括存储单元,上述存储单元用于:提取待挖掘信息中的待用关键词,其中,上述待用关键词包括第一关键词和第二关键词;对上述待挖掘信息进行分类识别,确定上述待挖掘信息是否属于预设类别;响应于确定上述待挖掘信息属于预设类别,将上述待用关键词进行合并得到句子主干;将上述待挖掘信息中的、除上述句子主干之外的部分作为上述句子主干的证据信息,将上述句子主干和上述句子主干的证据信息以键值对的形式对应存储到上述句子证据对应关系表中。
第三方面,本申请实施例提供了一种终端,该终端包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置,首先提取用户所输入的输入信息中的关键词,其次将上述关键词和上述输入信息导入预先建立的第一生成模型,得到目标关键词,而后将上述目标关键词和上述输入信息导入预先建立的第二生成模型,得到目标句子信息,然后根据上述目标句子信息从句子证据对应关系表中获取证据信息,最后根据上述目标句子信息和所获取的证据信息生成待推送信息,并将上述待推送信息进行推送,从而生成包括证据信息的待推送信息,提高了机器在人机交互过程中所生成信息的逻辑性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是本申请的第一生成模型和第二生成模型的信息生成过程示意图;
图4是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如基于人工智能的人机交互客户端应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持信息交互的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对接收到的用户所输入的输入信息等数据进行处理,并将处理结果(例如针对输入信息生成的回复信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于生成信息的方法可以通过终端设备101、102、103执行,也可以通过服务器105执行。相应地,用于生成信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105。本申请对此不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,提取用户所输入的输入信息中的关键词。
在本实施例中,用于生成信息的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103或服务器105)可以利用各种分析手段对上述输入信息进行分析,从而提取出一个或多个关键词。作为示例,上述电子设备可以首先对上述输入信息进行切词,并将得到的至少一个分词与预先设定的关键词集合中的关键词进行匹配,根据匹配结果得到一个或多个关键词。在这里,上述输入信息可以包括文字信息、语音信息、图片信息等等,在上述输入信息包括语音信息的情况下,上述电子设备可以对语音信息进行语音识别,生成与语音信息相关的文字信息,并对与语音信息相关的文字信息进行分析,提取关键词。在上述输入信息包括图片信息的情况下,上述电子设备可以对图片进行语义识别,生成与图片相关的文字信息,并对与图片相关的文字信息进行分析,提取关键词。
在本实施例的一些可选的实现方式中,上述步骤201可以具体包括:上述电子设备可以对上述输入信息进行切分处理,得到至少一个分词,对于上述至少一个分词中的每一个分词,上述电子设备可以执行以下步骤:
首先,可以将该分词与预先设定的词语词条对应关系表进行匹配,其中,上述词语词条对应关系表对应存储有词语和词语所在页面对应的词条,其中,词语所在页面可以为包括词条和用于对词条进行解释的页面内容的页面,如果该分词与上述词语词条对应关系表中的某个词语匹配成功(例如,相同),则可以表示该分词在匹配成功的词语所在页面出现过一次。作为示例,某页面包括词条A和用于对词条A进行解释的页面内容,而词语B是对该页面内容进行切分得到的一个词语,那词语B和词条A对应存储在词语词条对应关系表中。
其次,可以根据匹配结果统计该分词在设定领域的页面中出现的第一频次,和在预设页面集合中出现的第二频次,在这里,上述设定领域可以是预先设定的多个领域,每个领域的页面可以是指用于对该领域的词条进行解释的页面,例如,当设定领域为NBA(National Basketball Association,美国职业篮球联赛)球员领域时,设定领域的页面可以是指用于对该领域的词条(例如,NBA球员名称)进行解释的页面。作为示例,上述页面集合可以是指目前互联网上所有用于解释词条的页面的集合。
然后,可以计算上述第一频次和上述第二频次的比值,并可以确定上述比值是否超过预先设定的阈值。
最后,响应于确定上述比值超过预先设定的阈值,可以将该分词作为第一关键词。
在一些可选的实现方式中,上述步骤201还可以具体包括:首先,上述电子设备可以对上述输入信息进行句法分析。然后,可以提取上述输入信息中的、与上述第一关键词有句法结构关系的实词作为第二关键词。
步骤202,将关键词和输入信息导入预先建立的第一生成模型,得到目标关键词。
在本实施例中,基于步骤201中得到的关键词,上述电子设备可以将上述关键词和上述输入信息导入预先建立的第一生成模型,从而得到目标关键词,其中,上述第一生成模型可以用于表征关键词和输入信息与目标关键词之间的对应关系。作为示例,上述第一生成模型可以是技术人员基于对大量的关键词和输入信息与目标关键词的统计而预先制定的、存储有多个关键词和输入信息与目标关键词的对应关系的对应关系表。
步骤203,将目标关键词和输入信息导入预先建立的第二生成模型,得到目标句子信息。
在本实施例中,基于步骤202得到的目标关键词,上述电子设备可以将上述目标关键词和上述输入信息导入预先建立的第二生成模型,得到目标句子信息,其中,上述第二生成模型可以用于表征目标关键词和输入信息与目标句子信息的对应关系。作为示例,上述第二生成模型可以是技术人员基于对大量的目标关键词和输入信息与目标句子信息的统计而预先制定的、存储有多个目标关键词和输入信息与目标句子信息的对应关系的对应关系表。
在本实施例的一些可选的实现方式中,上述第一生成模型和上述第二生成模型可以为基于注意力模型的编码-解码模型。上述第一生成模型和第二生成模型可以包括编码器、注意力模型和解码器,上述编码器的输出可以为上述注意力模型的输入,上述注意力模型的输出可以为上述解码器的输入,其中,上述编码器和上述解码器可以为双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)。作为示例,如图3所示,使用第一生成模型生成目标关键词时,首先,可以将关键词和输入信息导入到Bi-LSTM进行编码,分别得到关键词和输入信息对应的编码信息序列;之后,可以基于注意力模型确定上述关键词和上述输入信息对应的编码信息序列生成目标关键词对应的信息序列时的权重;然后,根据确定的权重对上述关键词和上述输入信息对应的编码信息序列进行加权;最后,使用Bi-LSTM对加权得到的编码信息序列进行解码,从而生成目标关键词。使用第二生成模型生成目标句子信息时,首先,可以将上述目标关键词和上述输入信息导入到Bi-LSTM进行编码,分别得到上述目标关键词和上述输入信息对应的编码信息序列;之后,可以基于注意力模型确定上述目标关键词和上述输入信息对应的编码信息序列生成目标句子信息对应的信息序列时的权重;然后,根据确定的权重对上述目标关键词和上述输入信息对应的编码信息序列进行加权;最后,使用Bi-LSTM对加权得到的编码信息序列进行解码,从而生成目标句子信息。
在一些可选的实现方式中,上述用于生成信息的方法还可以包括训练上述第一生成模型的步骤。上述电子设备或者其他用于训练上述第一生成模型的电子设备,首先,可以提取样本句子中的关键词,其中,上述样本句子可以包括第一子句和第二子句,作为示例,当上述样本句子为网友A和网友B在某论坛中的对话内容时,第一子句可以指网友A所说的内容,第二子句可以指网友B针对网友A所说的第一子句所说的内容。需要说明的是,提取样本句子中的关键词的具体实现方式可以参考上述步骤201以及步骤201的可选实现方式,此处不再赘述。然后,可以将上述第一子句和上述第一子句的关键词作为第一输入样本,可以将上述第二子句的关键词作为第一输出样本,最后,可以使用上述第一输入样本和上述第一输出样本训练得到上述第一生成模型。
可选的,上述用于生成信息的方法还可以包括训练上述第二生成模型的步骤。上述电子设备或者其他用于训练上述第二生成模型的电子设备,可以将上述第一子句和上述第二子句的关键词作为第二输入样本,将上述第二子句作为第二输出样本;并可以使用上述第二输入样本和上述第二输出样本训练得到上述第二生成模型。
步骤204,根据目标句子信息从预先设定的句子证据对应关系表中获取证据信息。
在本实施例中,基于步骤203得到的目标句子信息,上述电子设备可以从预先设定的句子证据对应关系表中获取证据信息,其中,上述句子证据对应关系表可以对应存储有句子信息和证据信息。作为示例,上述电子设备可以获取上述句子证据对应关系表中的、与上述目标句子信息相似度最大的句子信息对应的证据信息。
在本实施例的一些可选的实现方式中,上述步骤204可以具体包括:首先,上述电子设备可以根据上述目标句子信息从上述句子证据对应关系表中得到至少一条句子信息,作为示例,上述电子设备可以对上述目标句子信息进行切词处理,得到上述目标句子信息的至少一个分词,使用倒排索引的方式从上述句子证据对应关系表中得到至少一条包括上述目标句子信息的一个或多个分词的句子信息。其次,对于上述至少一条句子信息中的每一条句子信息,上述电子设备可以计算上述目标句子信息与该句子信息的相似度(例如余弦相似度、欧氏距离、编辑距离、杰卡德相似系数等等)。然后,上述电子设备可以根据计算结果对上述至少一条句子信息进行排序,例如,根据相似度由大到小进行排序。最后,上述电子设备可以基于排序结果获取与上述目标句子信息相匹配的句子信息,并获取与所匹配句子信息对应存储的证据信息,例如,上述电子设备可以选取排序结果中排在第一位的句子信息作为相匹配的句子信息。作为示例,上述电子设备还可以选取排序结果中排在前设定位(例如前三位)的设定条句子信息,并根据这设定条句子信息对应的证据信息的长短、被网络用户回复频次等选取最终的证据信息。
在本实施例的一些可选的实现方式中,在步骤204之前,上述用于生成信息的方法还可以包括:
首先,上述电子设备可以提取待挖掘信息中的待用关键词,其中,上述待用关键词可以包括第一关键词和第二关键词,在这里,上述待挖掘信息可以是从互联网(例如,社交网站)抓取的信息,作为示例,待挖掘信息可以是网友针对某件事的评论信息,评论信息中可以包括网友的所表达的观点和对该观点提供支持的证据,例如,对于事件“篮球运动员A单挑能否战胜篮球运动员B”,网友的评论信息为“篮球运动员A赢,篮球运动员A技术比较好”,其中,“篮球运动员A赢”为观点,“篮球运动员A技术比较好”为证据。需要说明的是,提取待挖掘信息中的待用关键词的具体实现方式可以参考上述步骤201的可选实现方式,此处不再赘述。
其次,上述电子设备可以对上述待挖掘信息进行分类识别,例如,可以使用分类模型(例如,决策树、逻辑回归模型、朴素贝叶斯模型、神经网络模型等等)对上述待挖掘信息进行分类识别,确定上述待挖掘信息是否属于预设类别(例如,评价类、比较类、推荐类等等)。
然后,响应于确定上述待挖掘信息属于预设类别,上述电子设备可以将上述待用关键词进行合并(例如,根据在待挖掘信息中的先后顺序对多个待用关键词进行组合)得到句子主干。
最后,上述电子设备可以将上述待挖掘信息中的、除上述句子主干之外的部分作为上述句子主干的证据信息,并可以将上述句子主干和上述句子主干的证据信息以键值对的形式对应存储到上述句子证据对应关系表中。
步骤205,根据目标句子信息和所获取的证据信息生成待推送信息,并将待推送信息进行推送。
在本实施例中,上述电子设备可以根据上述目标句子信息和所获取的证据信息生成待推送信息,并将待推送信息进行推送。例如,上述电子设备可以将上述目标信息和所获取的证据信息进行排序组合(例如,目标信息在前,所获取的证据信息在后),以生成待推送信息。
继续参见图4,图4是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图4的应用场景中,首先提取用户所输入的输入信息“球员甲单挑能否战胜球员乙”中的关键词;其次,将上述关键词和上述输入信息导入第一生成模型,得到目标关键词;再次,将上述目标关键词和上述输入信息导入第二生成模型,得到目标句子信息“球员乙胜”;然后,根据上述目标句子信息从句子证据对应关系表中获取证据信息“毕竟球员乙的身体素质要好一些”;最后,根据上述目标句子信息和所获取的证据信息生成待推送信息“球员乙胜,毕竟球员乙的身体素质要好一些”,并将上述待推送信息进行推送,就会如图4所示。
本申请的上述实施例提供的方法通过生成包括证据信息的待推送信息,提高了机器在人机交互过程中所生成信息的逻辑性,提高了用户与机器继续交流的兴趣。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:提取单元501、第一导入单元502、第二导入单元503、获取单元504和生成单元505。提取单元501用于提取用户所输入的输入信息中的关键词;第一导入单元502用于将上述关键词和上述输入信息导入预先建立的第一生成模型,得到目标关键词,其中,上述第一生成模型用于表征关键词和输入信息与目标关键词之间的对应关系;第二导入单元503用于将上述目标关键词和上述输入信息导入预先建立的第二生成模型,得到目标句子信息,其中,上述第二生成模型用于表征目标关键词和输入信息与目标句子信息的对应关系;获取单元504用于根据上述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,其中,上述句子证据对应关系表对应存储有句子信息和证据信息;生成单元505用于根据上述目标句子信息和所获取的证据信息生成待推送信息,并将上述待推送信息进行推送。
在本实施例中,用于生成信息的装置500的提取单元501、第一导入单元502、第二导入单元503、获取单元504和生成单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述获取单元504可以进一步用于:根据上述目标句子信息从上述句子证据对应关系表中得到至少一条句子信息;对于上述至少一条句子信息中的每一条句子信息,计算上述目标句子信息与该句子信息的相似度;根据计算结果对上述至少一条句子信息进行排序;基于排序结果获取与上述目标句子信息相匹配的句子信息,并获取与所匹配句子信息对应存储的证据信息。
在本实施例的一些可选的实现方式中,上述提取单元501可以进一步用于:对上述输入信息进行切分处理,得到至少一个分词,对于上述至少一个分词中的每一个分词,执行以下步骤:将该分词与预先设定的词语词条对应关系表进行匹配,其中,上述词语词条对应关系表对应存储有词语和词语所在页面对应的词条,其中,词语所在页面为包括词条和用于对词条进行解释的页面内容的页面;根据匹配结果统计该分词在设定领域的页面中出现的第一频次,和在预设页面集合中出现的第二频次;计算上述第一频次和上述第二频次的比值,并确定上述比值是否超过预先设定的阈值;响应于确定上述比值超过预先设定的阈值,将该分词作为第一关键词。
在本实施例的一些可选的实现方式中,上述提取单元501还可以进一步用于:对上述输入信息进行句法分析;提取上述输入信息中的、与上述第一关键词有句法结构关系的实词作为第二关键词。
在本实施例的一些可选的实现方式中,上述第一生成模型和上述第二生成模型为基于注意力模型的编码-解码模型。
在本实施例的一些可选的实现方式中,上述装置还可以包括第一训练单元(图中未示出),上述第一训练单元可以用于:提取样本句子中的关键词,其中,上述样本句子包括第一子句和第二子句;将上述第一子句和上述第一子句的关键词作为第一输入样本,将上述第二子句的关键词作为第一输出样本;使用上述第一输入样本和上述第一输出样本训练得到上述第一生成模型。
在本实施例的一些可选的实现方式中,上述装置500还可以包括第二训练单元(图中未示出),上述第二训练单元用于:将上述第一子句和上述第二子句的关键词作为第二输入样本,将上述第二子句作为第二输出样本;使用上述第二输入样本和上述第二输出样本训练得到上述第二生成模型。
在本实施例的一些可选的实现方式中,上述装置500还可以包括存储单元(图中未示出),上述存储单元可以用于:提取待挖掘信息中的待用关键词,其中,上述待用关键词包括第一关键词和第二关键词;对上述待挖掘信息进行分类识别,确定上述待挖掘信息是否属于预设类别;响应于确定上述待挖掘信息属于预设类别,将上述待用关键词进行合并得到句子主干;将上述待挖掘信息中的、除上述句子主干之外的部分作为上述句子主干的证据信息,将上述句子主干和上述句子主干的证据信息以键值对的形式对应存储到上述句子证据对应关系表中。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU,Central Processing Unit)601,其可以根据存储在只读存储器(ROM,Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM,Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O,Input/Output)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中,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。而在本申请中,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。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括提取单元、第一导入单元、第二导入单元、获取单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,提取单元还可以被描述为“提取用户所输入的输入信息中的关键词的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:提取用户所输入的输入信息中的关键词;将上述关键词和上述输入信息导入预先建立的第一生成模型,得到目标关键词,其中,上述第一生成模型用于表征关键词和输入信息与目标关键词之间的对应关系;将上述目标关键词和上述输入信息导入预先建立的第二生成模型,得到目标句子信息,其中,上述第二生成模型用于表征目标关键词和输入信息与目标句子信息的对应关系;根据上述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,其中,上述句子证据对应关系表对应存储有句子信息和证据信息;根据上述目标句子信息和所获取的证据信息生成待推送信息,并将上述待推送信息进行推送。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于生成信息的方法,包括:
提取用户所输入的输入信息中的关键词;
将所述关键词和所述输入信息导入预先建立的第一生成模型,得到目标关键词,其中,所述第一生成模型用于表征关键词和输入信息与目标关键词之间的对应关系;
将所述目标关键词和所述输入信息导入预先建立的第二生成模型,得到目标句子信息,其中,所述第二生成模型用于表征目标关键词和输入信息与目标句子信息的对应关系;
根据所述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,其中,所述句子证据对应关系表对应存储有句子信息和证据信息;
根据所述目标句子信息和所获取的证据信息生成待推送信息,并将所述待推送信息进行推送;
其中,所述方法还包括训练所述第一生成模型的步骤,包括:提取样本句子中的关键词,其中,所述样本句子包括第一子句和第二子句,所述第二子句为所述第一子句的评论;将所述第一子句和所述第一子句的关键词作为第一输入样本,将所述第二子句的关键词作为第一输出样本;使用所述第一输入样本和所述第一输出样本训练得到所述第一生成模型。
2.根据权利要求1所述的方法,其中,所述根据所述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,包括:
根据所述目标句子信息从所述句子证据对应关系表中得到至少一条句子信息;
对于所述至少一条句子信息中的每一条句子信息,计算所述目标句子信息与该句子信息的相似度;
根据计算结果对所述至少一条句子信息进行排序;
基于排序结果获取与所述目标句子信息相匹配的句子信息,并获取与所匹配句子信息对应存储的证据信息。
3.根据权利要求1所述的方法,其中,所述提取用户所输入的输入信息中的关键词,包括:
对所述输入信息进行切分处理,得到至少一个分词,对于所述至少一个分词中的每一个分词,执行以下步骤:
将该分词与预先设定的词语词条对应关系表进行匹配,其中,所述词语词条对应关系表对应存储有词语和词语所在页面对应的词条,其中,词语所在页面为包括词条和用于对词条进行解释的页面内容的页面;
根据匹配结果统计该分词在设定领域的页面中出现的第一频次,和在预设页面集合中出现的第二频次;
计算所述第一频次和所述第二频次的比值,并确定所述比值是否超过预先设定的阈值;
响应于确定所述比值超过预先设定的阈值,将该分词作为第一关键词。
4.根据权利要求3所述的方法,其中,所述提取用户所输入的输入信息中的关键词,还包括:
对所述输入信息进行句法分析;
提取所述输入信息中的、与所述第一关键词有句法结构关系的实词作为第二关键词。
5.根据权利要求1所述的方法,其中,所述第一生成模型和所述第二生成模型为基于注意力模型的编码-解码模型。
6.根据权利要求1所述的方法,其中,所述方法还包括训练第二生成模型的步骤,包括:
将所述第一子句和所述第二子句的关键词作为第二输入样本,将所述第二子句作为第二输出样本;
使用所述第二输入样本和所述第二输出样本训练得到所述第二生成模型。
7.根据权利要求1所述的方法,其中,在根据所述目标句子信息从预先设定的句子证据对应关系表中获取证据信息之前,所述方法还包括:
提取待挖掘信息中的待用关键词,其中,所述待用关键词包括第一关键词和第二关键词;
对所述待挖掘信息进行分类识别,确定所述待挖掘信息是否属于预设类别;
响应于确定所述待挖掘信息属于预设类别,将所述待用关键词进行合并得到句子主干;
将所述待挖掘信息中的、除所述句子主干之外的部分作为所述句子主干的证据信息,将所述句子主干和所述句子主干的证据信息以键值对的形式对应存储到所述句子证据对应关系表中。
8.一种用于生成信息的装置,包括:
提取单元,用于提取用户所输入的输入信息中的关键词;
第一导入单元,用于将所述关键词和所述输入信息导入预先建立的第一生成模型,得到目标关键词,其中,所述第一生成模型用于表征关键词和输入信息与目标关键词之间的对应关系;
第二导入单元,用于将所述目标关键词和所述输入信息导入预先建立的第二生成模型,得到目标句子信息,其中,所述第二生成模型用于表征目标关键词和输入信息与目标句子信息的对应关系;
获取单元,用于根据所述目标句子信息从预先设定的句子证据对应关系表中获取证据信息,其中,所述句子证据对应关系表对应存储有句子信息和证据信息;
生成单元,用于根据所述目标句子信息和所获取的证据信息生成待推送信息,并将所述待推送信息进行推送;
其中,所述装置还包括第一训练单元,所述第一训练单元用于:提取样本句子中的关键词,其中,所述样本句子包括第一子句和第二子句,所述第二子句为所述第一子句的评论;将所述第一子句和所述第一子句的关键词作为第一输入样本,将所述第二子句的关键词作为第一输出样本;使用所述第一输入样本和所述第一输出样本训练得到所述第一生成模型。
9.根据权利要求8所述的装置,其中,所述获取单元进一步用于:
根据所述目标句子信息从所述句子证据对应关系表中得到至少一条句子信息;
对于所述至少一条句子信息中的每一条句子信息,计算所述目标句子信息与该句子信息的相似度;
根据计算结果对所述至少一条句子信息进行排序;
基于排序结果获取与所述目标句子信息相匹配的句子信息,并获取与所匹配句子信息对应存储的证据信息。
10.根据权利要求8所述装置,其中,所述提取单元进一步用于:
对所述输入信息进行切分处理,得到至少一个分词,对于所述至少一个分词中的每一个分词,执行以下步骤:
将该分词与预先设定的词语词条对应关系表进行匹配,其中,所述词语词条对应关系表对应存储有词语和词语所在页面对应的词条,其中,词语所在页面为包括词条和用于对词条进行解释的页面内容的页面;
根据匹配结果统计该分词在设定领域的页面中出现的第一频次,和在预设页面集合中出现的第二频次;
计算所述第一频次和所述第二频次的比值,并确定所述比值是否超过预先设定的阈值;
响应于确定所述比值超过预先设定的阈值,将该分词作为第一关键词。
11.根据权利要求10所述的装置,其中,所述提取单元还进一步用于:
对所述输入信息进行句法分析;
提取所述输入信息中的、与所述第一关键词有句法结构关系的实词作为第二关键词。
12.根据权利要求8所述的装置,其中,所述第一生成模型和所述第二生成模型为基于注意力模型的编码-解码模型。
13.根据权利要求8所述的装置,其中,所述装置还包括第二训练单元,所述第二训练单元用于:
将所述第一子句和所述第二子句的关键词作为第二输入样本,将所述第二子句作为第二输出样本;
使用所述第二输入样本和所述第二输出样本训练得到所述第二生成模型。
14.根据权利要求8所述的装置,其中,所述装置还包括存储单元,所述存储单元用于:
提取待挖掘信息中的待用关键词,其中,所述待用关键词包括第一关键词和第二关键词;
对所述待挖掘信息进行分类识别,确定所述待挖掘信息是否属于预设类别;
响应于确定所述待挖掘信息属于预设类别,将所述待用关键词进行合并得到句子主干;
将所述待挖掘信息中的、除所述句子主干之外的部分作为所述句子主干的证据信息,将所述句子主干和所述句子主干的证据信息以键值对的形式对应存储到所述句子证据对应关系表中。
15.一种终端,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711105137.3A CN107862058B (zh) | 2017-11-10 | 2017-11-10 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711105137.3A CN107862058B (zh) | 2017-11-10 | 2017-11-10 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862058A CN107862058A (zh) | 2018-03-30 |
CN107862058B true CN107862058B (zh) | 2021-10-22 |
Family
ID=61701517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711105137.3A Active CN107862058B (zh) | 2017-11-10 | 2017-11-10 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862058B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109643229B (zh) * | 2018-04-17 | 2022-10-04 | 深圳鲲云信息科技有限公司 | 网络模型的应用开发方法、平台及计算机可读存储介质 |
CN110472198B (zh) * | 2018-05-10 | 2023-01-24 | 腾讯科技(深圳)有限公司 | 一种关键词的确定方法、文本处理的方法及服务器 |
CN108804423B (zh) * | 2018-05-30 | 2023-09-08 | 深圳平安医疗健康科技服务有限公司 | 医疗文本特征提取与自动匹配方法和系统 |
CN111125501B (zh) * | 2018-10-31 | 2023-07-25 | 北京字节跳动网络技术有限公司 | 用于处理信息的方法和装置 |
CN109902273A (zh) * | 2019-01-30 | 2019-06-18 | 平安科技(深圳)有限公司 | 关键词生成模型的建模方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103229168A (zh) * | 2010-09-28 | 2013-07-31 | 国际商业机器公司 | 在问答期间在多个候选答案之间的证据扩散 |
CN105956011A (zh) * | 2016-04-21 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 搜索方法及装置 |
CN106649868A (zh) * | 2016-12-30 | 2017-05-10 | 首都师范大学 | 问答匹配方法及装置 |
CN106844368A (zh) * | 2015-12-03 | 2017-06-13 | 华为技术有限公司 | 用于人机对话的方法、神经网络系统和用户设备 |
CN107016046A (zh) * | 2017-02-20 | 2017-08-04 | 北京光年无限科技有限公司 | 基于视觉场景化的智能机器人对话方法及系统 |
CN107257970A (zh) * | 2014-12-18 | 2017-10-17 | 纽昂斯通讯公司 | 从结构化和非结构化数据源进行的问题回答 |
CN107273487A (zh) * | 2017-06-13 | 2017-10-20 | 北京百度网讯科技有限公司 | 基于人工智能的聊天数据的生成方法、装置及计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9965705B2 (en) * | 2015-11-03 | 2018-05-08 | Baidu Usa Llc | Systems and methods for attention-based configurable convolutional neural networks (ABC-CNN) for visual question answering |
-
2017
- 2017-11-10 CN CN201711105137.3A patent/CN107862058B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103229168A (zh) * | 2010-09-28 | 2013-07-31 | 国际商业机器公司 | 在问答期间在多个候选答案之间的证据扩散 |
CN107257970A (zh) * | 2014-12-18 | 2017-10-17 | 纽昂斯通讯公司 | 从结构化和非结构化数据源进行的问题回答 |
CN106844368A (zh) * | 2015-12-03 | 2017-06-13 | 华为技术有限公司 | 用于人机对话的方法、神经网络系统和用户设备 |
CN105956011A (zh) * | 2016-04-21 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 搜索方法及装置 |
CN106649868A (zh) * | 2016-12-30 | 2017-05-10 | 首都师范大学 | 问答匹配方法及装置 |
CN107016046A (zh) * | 2017-02-20 | 2017-08-04 | 北京光年无限科技有限公司 | 基于视觉场景化的智能机器人对话方法及系统 |
CN107273487A (zh) * | 2017-06-13 | 2017-10-20 | 北京百度网讯科技有限公司 | 基于人工智能的聊天数据的生成方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
Topic Aware Neural Response Generation;Chen Xing等;《AAAI’17:Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence》;20170228;第3351-3357页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107862058A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193792B (zh) | 基于人工智能的生成文章的方法和装置 | |
CN109241524B (zh) | 语义解析方法及装置、计算机可读存储介质、电子设备 | |
CN107679039B (zh) | 用于确定语句意图的方法和装置 | |
CN107862058B (zh) | 用于生成信息的方法和装置 | |
CN107220386B (zh) | 信息推送方法和装置 | |
CN107273503B (zh) | 用于生成同语言平行文本的方法和装置 | |
CN106960030B (zh) | 基于人工智能的推送信息方法及装置 | |
US20190163742A1 (en) | Method and apparatus for generating information | |
CN107241260B (zh) | 基于人工智能的新闻推送的方法和装置 | |
CN107590172B (zh) | 一种大规模语音数据的核心内容挖掘方法及设备 | |
CN109543058B (zh) | 用于检测图像的方法、电子设备和计算机可读介质 | |
CN112148881B (zh) | 用于输出信息的方法和装置 | |
CN111709240A (zh) | 实体关系抽取方法、装置、设备及其存储介质 | |
CN109582825B (zh) | 用于生成信息的方法和装置 | |
CN113590850A (zh) | 多媒体数据的搜索方法、装置、设备及存储介质 | |
CN107944032B (zh) | 用于生成信息的方法和装置 | |
CN109190123B (zh) | 用于输出信息的方法和装置 | |
CN112183078B (zh) | 文本摘要确定方法和装置 | |
CN115099239B (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN111930792A (zh) | 数据资源的标注方法、装置、存储介质及电子设备 | |
CN112188312A (zh) | 用于确定新闻的视频素材的方法和装置 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN113806588A (zh) | 搜索视频的方法和装置 | |
CN111782793A (zh) | 智能客服处理方法和系统及设备 | |
CN113850291A (zh) | 文本处理及模型训练方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |