CN109684394A - 文本生成方法、装置、设备和存储介质 - Google Patents

Abstract

本发明实施例公开了一种文本生成方法、装置、设备和存储介质。该方法包括：以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据；从所述当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序；根据各属性目标数据的排序结果，生成目标领域的当前播报文本。本发明实施例基于知识图谱的指导，能够对各领域场景下具有随机性的结构化数据进行文本的转换，避免了文本转化时结构化数据的固定模式，提高了文本转换的适用性和灵活性，从而提高了转换后文本对于关键信息的传达效率。

Description

文本生成方法、装置、设备和存储介质

技术领域

本发明实施例涉及信息处理技术领域，尤其涉及一种文本生成方法、装置、设备和存储介质。

背景技术

随着信息处理技术的快速发展，越来越多的领域采用结构化数据来快速记录或存储事务信息，当需要连续完整的文本内容时，再将结构化数据转换为文章或报告，例如常见的体育快讯或天气预警播报等领域。

现有技术中，通常采用基于模板的转换方法，即通过人工将结构化数据配置到模板中，由模板按照预设规则生成对应的文本。或者通过结构化数据与模板的匹配，将模板中固定模式的内容转换为文本。此外，较为灵活的还可以采用基于深度学习的转换方法，即通过模型将离散的结构化数据生成为语句通顺的文本内容。

然而，现有技术对于待为转换的结构化数据的形式模式和数据内容的要求较为单一且固定，无法从离散的结构化数据中提取出关键信息进行信息的整合以生成文本，转换得到的文本主旨较不明确，结构化数据向文本转换的适用性和灵活性较低。

发明内容

本发明实施例提供了一种文本生成方法、装置、设备和存储介质，能够提高结构化数据向文本转换的适用性、灵活性以及关键信息的传达效率。

第一方面，本发明实施例提供了一种文本生成方法，包括：

以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据；

从所述当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序；

根据各属性目标数据的排序结果，生成目标领域的当前播报文本。

第二方面，本发明实施例提供了一种文本生成装置，包括：

结构化数据确定模块，用于以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据；

数据筛选和排序模块，用于从所述当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序；

文本生成模块，用于根据各属性目标数据的排序结果，生成目标领域的当前播报文本。

第三方面，本发明实施例提供了一种设备，包括：

一个或多个处理器；

存储器，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，使得所述一个或多个处理器实现本发明任意实施例所述的文本生成方法。

第四方面，本发明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，该程序被处理器执行时实现本发明任意实施例所述的文本生成方法。

本发明实施例在待转换结构化数据关联的知识图谱的指导下，确定待转换结构化数据在目标领域的当前结构化数据，从当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序，从而根据各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本。本发明实施例基于知识图谱的指导，能够对各领域场景下具有随机性的结构化数据进行文本的转换，避免了文本转化时结构化数据的固定模式，提高了文本转换的适用性和灵活性，从而提高了转换后文本对于关键信息的传达效率。

附图说明

图1为本发明实施例一提供的一种文本生成方法的流程图；

图2为本发明实施例二提供的一种文本生成方法的流程图；

图3为本发明实施例二提供的图谱化的结构化数据的示例图；

图4为本发明实施例二提供的属性目标数据选择的示例图；

图5为本发明实施例二提供的属性目标数据排序结果的示例图；

图6为本发明实施例二提供的文本生成结果的示例图；

图7为本发明实施例三提供的一种文本生成装置的结构示意图；

图8为本发明实施例四提供的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明实施例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本发明实施例，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种文本生成方法的流程图，本实施例可适用于将结构化数据转换为文本的情况，该方法可由一种文本生成装置来执行。该方法具体包括如下步骤：

S110、以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据。

在本发明具体实施例中，结构化数据可以是指按照预设规则采集并存储的字段长度固定且项目稳定的数据，也可以是无规则限定的数据，例如字段长度可变和/或项目不稳定的数据。且每个实体或每个项目下可以包括多个数据内容，当从不同角度表述每个实体或每个项目的具体内容时，每个实体或每个项目下的多个数据内容具有选择性。进而结构化数据中的实体及其描述信息独立存在，不构成能够通顺阅读且结构完整的自然语句。目标领域是指待转换结构化数据所属的领域，例如体育或天气播报等领域。目标领域的知识图谱是指具有表达目标领域关键信息的实体，在将结构化数据转换为文本时，用于指导结构化数据的成分构成，将结构化数据进行图谱化处理。

具体的，在将结构化数据转换为文本时，鉴于结构化数据中信息冗余或信息混乱，因此以目标领域的知识图谱中各实体为属性，按照知识图谱的指导，从中确定各属性对应的数据内容，从而确定目标领域的当前结构化数据。

示例性的，以一天内分时段的所有天气数据作为待转换的结构化数据，可以包括0-24点每个时段的气温、湿度、降水量、风向、风力、天气以及体感信息等项目的大量数据。相应的，该待转换的结构化数据属于天气播报领域。假设天气播报领域的知识图谱中可以包括气温、湿度、降水量、风向、风力和天气这六项实体，该六项实体可以清楚地描述天气信息且不冗余。进而以该六项实体作为属性标准，从大量的结构数据中确定这六项属性对应的数据内容，进行图谱化处理。

S120、从当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序。

在本发明具体实施例中，当从不同角度表述每个实体或每个项目的具体内容时，每个实体或每个项目下的多个数据内容具有选择性。因此在转换文本之前，有必要对各属性关联的具有选择性的数据内容进行选择，并以选择的数据内容为该属性代表，作为属性目标数据，并按照正常的文本语序对属性目标数据进行排序，依据排序结果将结构化数据转换为文本。

本实施例中，在进行数据的选择和排序之前，可以首先获取目标领域下大量正规的文本作为样本数据，依据目标领域关联的知识图谱，若样本播报文本中包括与目标领域的结构化数据中任一属性下的任一内容数据相匹配的匹配文本，则在样本播报文本中的该匹配文本处，插入该属性下的该内容数据关联的标签。对样本数据中的实体进行标签的插入，从而依据各属性下带有标签的样本数据，分别训练各属性下用于数据的选择、排序和文本生成的深度学习模型。进而在后续对结构化数据进行文本转换时，将当前结构化数据中的每一属性的数据，作为该属性的分类模型的输入，得到从该属性的数据中选择的属性目标数据。其中，该属性的分类模型是采用目标领域的样本播报文本中包括的该属性的样本数据，基于深度学习模型训练得到的。并将选择的各属性目标数据作为排序模型的输入，得到各属性目标数据的排序结果。其中，排序模型是采用目标领域的样本播报文本中包括的各属性在样本数据中的顺序，基于深度学习模型训练得到的。

示例性的，在上述示例中，假设对该天整天的天气进行整体播报，相应的不能将六个属性下的所有数据作为播报内容。因此依据各属性下训练好的深度学习模型进行数据的选择和排序，从当前结构化数据中各属性关联的数据内容中选择具有代表性的数据作为属性目标数据。例如，将温度数据输入至温度属性的分类模型中，经过筛选后保留0点的温度数据作为该天内的最低温度，保留14点的温度数据作为该天内的最高温度，均作为温度属性的属性目标数据。并将该属性目标数据输入至温度属性的排序模型中进行排序，得到排序结果可以为最低温度-最高温度。

S130、根据各属性目标数据的排序结果，生成目标领域的当前播报文本。

在本发明具体实施例中，各属性数据的排序结果中已包含了结构化数据中用于表达该属性的关键数据内容，以及常规表述该属性时的数据排序结果，因此依据各属性目标数据的排序结果，为结构化数据的各属性目标数据间添加连接用词，生成符合目标领域自然语言表述的当前播报文本。

本实施例中，可以基于双向LSTM神经网络，根据各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本。具体的，针对排序结果中每一属性目标数据，基于双向LSTM神经网络生成该属性目标数据的播报文本；根据各属性目标数据的排序结果，若该属性目标数据的播报文本中包括该属性目标数据的下一属性目标数据，则继续基于双向LSTM神经网络生成该下一属性目标数据的下一属性目标数据的播报文本。

示例性的，假设最低温度为24℃，最高温度为29℃。依据温度属性的属性目标数据的排序结果，可以生成当前播报文本为“气温24℃-29℃”。

本实施例的技术方案，在待转换结构化数据关联的知识图谱的指导下，确定待转换结构化数据在目标领域的当前结构化数据，从当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序，从而根据各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本。本发明实施例基于知识图谱的指导，能够对各领域场景下具有随机性的结构化数据进行文本的转换，避免了文本转化时结构化数据的固定模式，提高了文本转换的适用性和灵活性，从而提高了转换后文本对于关键信息的传达效率。

实施例二

本实施例在上述实施例一的基础上，提供了文本生成方法的一个优选实施方式，能够基于深度学习模型对结构化数据进行筛选、排序和文本生成。图2为本发明实施例二提供的一种文本生成方法的流程图，如图2所示，该方法包括以下具体步骤：

S210、以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据。

在本发明具体实施例中，由于待转换的结构化数据的属性项目不稳定，且结构化数据中信息冗余或信息混乱，因此以目标领域的知识图谱中各实体为属性，按照知识图谱的指导，从中确定各属性对应的数据内容，从而确定目标领域的当前结构化数据。

示例性的，以一天内分时段的所有天气数据作为待转换的结构化数据，依据天气播报领域的知识图谱，对待转换的结构化数据进行图谱化处理。图3为图谱化的结构化数据的示例图，构成目标领域的当前结构化数据。其中，T.0表示今天0点的气温，T.1表示今天1点的气温，T.2表示今天2点的气温，以此类推。同理，H.0表示今天0点的湿度，R.0表示今天0点的降水量，D.0表示今天0点的风向，P.0表示今天0点的风力，W.0表示今天0点的天气状况。进而获得图谱化的当前结构化数据。

S220、将当前结构化数据中的每一属性的数据，作为该属性的分类模型的输入，得到从该属性的数据中选择的属性目标数据。

在本发明具体实施例中，当从不同角度表述每个实体或每个项目的具体内容时，每个实体或每个项目下的多个数据内容具有选择性。因此在转换文本之前，有必要对各属性关联的具有选择性的数据内容进行选择，以选择的数据内容为该表述角度下该属性的代表数据，作为属性目标数据。

具体的，可以为各属性数据的选择构建该属性的分类模型，该属性的分类模型是采用目标领域的样本播报文本中包括的该属性的样本数据，基于深度学习模型训练得到的。可选的，若样本播报文本中包括与目标领域的结构化数据中任一属性下的任一内容数据相匹配的匹配文本，则在样本播报文本中的该匹配文本处，插入该属性下的该内容数据关联的标签。从而依据各属性下带有标签的样本数据，分别训练各属性下用于数据选择的基于深度学习的分类模型。

示例性的，在上述示例中，假设样本播报文本为“阴天，有间歇性阵雨，部分时间雨势较大；气温24℃-29℃”，假设该目标领域的结构化数据的属性中，W.0表示阴天，W.3表示阵雨，T.0表示20℃，T.14表示29℃。相应的，对于样本播报文本中能与结构化数据相对应的部分则插入与之对应的标签，可以得到带有标签的样本播报文本为“Weather.0(阴天)，有间歇性Weather.3(阵雨)，部分时间雨势较大；气温Temperature.0(24℃)-Temperature.14(29℃)”。

示例性的，在上述示例中，图4为属性目标数据选择的示例图。如图4所示，温度属性数据经过模型筛选后保留了T.0(最低温度)与T.14(最高温度)；风向属性数据经过模型筛选后保留了D.2，该风向具有代表性，能够代表今天的风向；风力保留了P.1、P.3、P.4和P.6；天气状况属性数据经过模型筛选后保留了W.0与W.3，即天气状况属性下选择了当前天气发生明显变化的两个值。

S230、将选择的各属性目标数据作为排序模型的输入，得到各属性目标数据的排序结果。

在本发明具体实施例中，依据各领域的表述习惯和经验，按照正常的文本语序对属性目标数据进行排序。具体的，可以为各属性目标数据的排序构建该属性的排序模型，该排序模型是采用目标领域的样本播报文本中包括的各属性在样本数据中的顺序，基于深度学习模型训练得到的。其中，同分类模型的训练方式，获取目标领域下大量正规的文本作为样本数据，依据目标领域关联的知识图谱，对样本数据中的实体进行标签的插入，从而依据各属性下带有标签的样本数据，训练各属性下用于数据排序的基于深度学习的排序模型。

示例性的，在上述示例中，图5为属性目标数据排序结果的示例图，即按照天气播报领域，采用基于深度学习的排序模型，按照行文需要对属性目标数据进行排序，得到排序结果为W.0、W.3、T.0、T.14、D.2、P.1、P.3、P.4、P.6、H.1和H.3。

S240、基于双向LSTM神经网络，根据各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本。

在本发明具体实施例中，LSTM(Long Short-Term Memory，长短期记忆网络)为时间递归神经网络。同分类模型的训练方式，获取目标领域下大量正规的文本作为样本数据，依据目标领域关联的知识图谱，对样本数据中的实体进行标签的插入，从而依据各属性下带有标签的样本数据，训练各属性下用于文本生成的基于双向LSTM神经网络。其中，可以将包含属性目标数据的排序结果输入至双向LSTM神经网络，以生成排序结果中各属性目标数据对应的文本。还可以依据目标领域需求，将图谱化的当前结构化数据输入至双向LSTM神经网络中，通过神经网络对属性下各数据的分析，得到该属性的综合文本生成结果。

可选的，针对排序结果中每一属性目标数据，基于双向LSTM神经网络生成该属性目标数据的播报文本；根据各属性目标数据的排序结果，若该属性目标数据的播报文本中包括该属性目标数据的下一属性目标数据，则继续基于双向LSTM神经网络生成该下一属性目标数据的下一属性目标数据的播报文本。

本实施例中，采用双向LSTM神经网络，依据排序结果依次对每一属性目标数据生成对应的文本。若排序结果中相邻至少两个属性目标数据之间存在关联关系，例如最低温度和最高温度，则存在对前一属性目标数据生成文本时随即也生成了该关联属性目标数据对应的文本。因此若该属性目标数据的播报文本中包括该属性目标数据的下一属性目标数据，则继续基于双向LSTM神经网络生成该下一属性目标数据的下一属性目标数据的播报文本。

示例性的，在上述示例中，假设排序结果中各属性目标数据分别为：W.0为阴天，W.3为阵雨，T.0为24℃，T.14为29℃，D.2为东南风，P.4为3级，P.6为4级，P.4为7级，P.6为8级，H.1为70％，H.3为100％。依次对排序结果中的W.0、W.3以及降水量属性下的结构化数据，可以生成文本为“阴天，有间歇性阵雨，部分时间雨势较大”。若对属性目标数据T.0生成文本时，同时生成了属性目标数据T.14的文本，可以为“气温24℃-29℃”，则继续对属性目标数据T.14的下一个属性目标数据D.2生成文本。从而生成后续的文本可以为“东南风4-6级，沿海和高地最大阵风7-8级，相对湿度70％-100％”，其文本生成结果如图6所示。

本实施例的技术方案，在待转换结构化数据关联的知识图谱的指导下，确定待转换结构化数据在目标领域的当前结构化数据，依据各属性的分类模型从当前结构化数据中选择各属性目标数据，并依据排序模型对选择的各属性目标数据进行排序，从而根据各属性目标数据的排序结果，采用双向LSTM神经网络生成待转换结构化数据在目标领域的当前播报文本。其中，各模型均是依据目标领域下的大量带有标签的样本数据训练而成的。本发明实施例基于知识图谱的指导，能够对各领域场景下具有随机性的结构化数据进行文本的转换，避免了文本转化时结构化数据的固定模式，提高了文本转换的适用性和灵活性，从而提高了转换后文本对于关键信息的传达效率。

实施例三

图7为本发明实施例三提供的一种文本生成装置的结构示意图，本实施例可适用于将结构化数据转换为文本的情况，该装置可实现本发明任意实施例所述的文本生成方法。该装置具体包括：

结构化数据确定模块710，用于以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据；

数据筛选和排序模块720，用于从所述当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序；

文本生成模块730，用于根据各属性目标数据的排序结果，生成目标领域的当前播报文本。

可选的，所述数据筛选和排序模块720具体用于：

将所述当前结构化数据中的每一属性的数据，作为该属性的分类模型的输入，得到从该属性的数据中选择的所述属性目标数据；其中，该属性的分类模型是采用目标领域的样本播报文本中包括的该属性的样本数据，基于深度学习模型训练得到的。

可选的，所述数据筛选和排序模块720具体用于：

将选择的各属性目标数据作为排序模型的输入，得到各属性目标数据的排序结果；其中，所述排序模型是采用目标领域的样本播报文本中包括的各属性在样本数据中的顺序，基于深度学习模型训练得到的。

可选的，所述文本生成模块730具体用于：

基于双向LSTM神经网络，根据所述各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本。

可选的，所述文本生成模块730具体用于：

针对排序结果中每一属性目标数据，基于双向LSTM神经网络生成该属性目标数据的播报文本；

根据所述各属性目标数据的排序结果，若该属性目标数据的播报文本中包括该属性目标数据的下一属性目标数据，则继续基于双向LSTM神经网络生成该下一属性目标数据的下一属性目标数据的播报文本。

进一步的，所述装置还包括样本标签插入模块740；所述样本标签插入模块740具体用于：

若样本播报文本中包括与目标领域的结构化数据中任一属性下的任一内容数据相匹配的匹配文本，则在所述样本播报文本中的该匹配文本处，插入该属性下的该内容数据关联的标签。

本实施例的技术方案，通过各个功能模块之间的相互配合，实现了样本数据的获取、样本数据中标签的插入、分类模型的训练、排序模型的训练、神经网络的训练、当前结构化数据的确定、属性目标数据的筛选、属性目标数据的排序以及文本的生成等功能。本发明实施例基于知识图谱的指导，能够对各领域场景下具有随机性的结构化数据进行文本的转换，避免了文本转化时结构化数据的固定模式，提高了文本转换的适用性和灵活性，从而提高了转换后文本对于关键信息的传达效率。

实施例四

图8为本发明实施例四提供的一种设备的结构示意图，图8示出了适于用来实现本发明实施例实施方式的示例性设备的框图。图8显示的设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

图8显示的设备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，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器16，系统存储器28，连接不同系统组件(包括系统存储器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。

设备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设备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。

系统存储器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。设备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。系统存储器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实施例各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器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通常执行本发明实施例所描述的实施例中的功能和/或方法。

设备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设备12交互的设备通信，和/或与使得该设备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，设备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。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备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、冗余处理器、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通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的文本生成方法。

实施例五

本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行一种文本生成方法，该方法包括：

以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据；

从所述当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序；

根据各属性目标数据的排序结果，生成目标领域的当前播报文本。

本发明实施例的计算机存储介质，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实施例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设备上执行。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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (14)

1.一种文本生成方法，其特征在于，包括：

以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据；

从所述当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序；

根据各属性目标数据的排序结果，生成目标领域的当前播报文本。

2.根据权利要求1所述的方法，其特征在于，所述从所述当前结构化数据中选择各属性目标数据，包括：

将所述当前结构化数据中的每一属性的数据，作为该属性的分类模型的输入，得到从该属性的数据中选择的所述属性目标数据；

其中，该属性的分类模型是采用目标领域的样本播报文本中包括的该属性的样本数据，基于深度学习模型训练得到的。

3.根据权利要求2所述的方法，其特征在于，所述对选择的各属性目标数据进行排序，包括：

将选择的各属性目标数据作为排序模型的输入，得到各属性目标数据的排序结果；

其中，所述排序模型是采用目标领域的样本播报文本中包括的各属性在样本数据中的顺序，基于深度学习模型训练得到的。

4.根据权利要求1所述的方法，其特征在于，所述根据各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本，包括：

基于双向LSTM神经网络，根据所述各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本。

5.根据权利要求4所述的方法，其特征在于，所述基于双向LSTM神经网络，根据所述各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本，包括：

针对排序结果中每一属性目标数据，基于双向LSTM神经网络生成该属性目标数据的播报文本；

根据所述各属性目标数据的排序结果，若该属性目标数据的播报文本中包括该属性目标数据的下一属性目标数据，则继续基于双向LSTM神经网络生成该下一属性目标数据的下一属性目标数据的播报文本。

6.根据权利要求2-5中任一项所述的方法，其特征在于，所述方法还包括：

若样本播报文本中包括与目标领域的结构化数据中任一属性下的任一内容数据相匹配的匹配文本，则在所述样本播报文本中的该匹配文本处，插入该属性下的该内容数据关联的标签。

7.一种文本生成装置，其特征在于，包括：

结构化数据确定模块，用于以目标领域的知识图谱中各实体为属性，确定目标领域的当前结构化数据；

数据筛选和排序模块，用于从所述当前结构化数据中选择各属性目标数据，并对选择的各属性目标数据进行排序；

文本生成模块，用于根据各属性目标数据的排序结果，生成目标领域的当前播报文本。

8.根据权利要求7所述的装置，其特征在于，所述数据筛选和排序模块具体用于：

将所述当前结构化数据中的每一属性的数据，作为该属性的分类模型的输入，得到从该属性的数据中选择的所述属性目标数据；其中，该属性的分类模型是采用目标领域的样本播报文本中包括的该属性的样本数据，基于深度学习模型训练得到的。

9.根据权利要求8所述的装置，其特征在于，所述数据筛选和排序模块具体用于：

将选择的各属性目标数据作为排序模型的输入，得到各属性目标数据的排序结果；其中，所述排序模型是采用目标领域的样本播报文本中包括的各属性在样本数据中的顺序，基于深度学习模型训练得到的。

10.根据权利要求7所述的装置，其特征在于，所述文本生成模块具体用于：

基于双向LSTM神经网络，根据所述各属性目标数据的排序结果，生成待转换结构化数据在目标领域的当前播报文本。

11.根据权利要求10所述的装置，其特征在于，所述文本生成模块具体用于：

针对排序结果中每一属性目标数据，基于双向LSTM神经网络生成该属性目标数据的播报文本；

根据所述各属性目标数据的排序结果，若该属性目标数据的播报文本中包括该属性目标数据的下一属性目标数据，则继续基于双向LSTM神经网络生成该下一属性目标数据的下一属性目标数据的播报文本。

12.根据权利要求8-11中任一项所述的装置，其特征在于，所述装置还包括样本标签插入模块；所述样本标签插入模块具体用于：

若样本播报文本中包括与目标领域的结构化数据中任一属性下的任一内容数据相匹配的匹配文本，则在所述样本播报文本中的该匹配文本处，插入该属性下的该内容数据关联的标签。

13.一种设备，其特征在于，包括：

一个或多个处理器；

存储器，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，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的文本生成方法。

14.一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，该程序被处理器执行时实现如权利要求1-6中任一项所述的文本生成方法。