CN110347819A - 一种基于正负样本对抗训练的文本摘要生成方法 - Google Patents
一种基于正负样本对抗训练的文本摘要生成方法 Download PDFInfo
- Publication number
- CN110347819A CN110347819A CN201910542798.5A CN201910542798A CN110347819A CN 110347819 A CN110347819 A CN 110347819A CN 201910542798 A CN201910542798 A CN 201910542798A CN 110347819 A CN110347819 A CN 110347819A
- Authority
- CN
- China
- Prior art keywords
- abstract
- text
- indicate
- generator
- dual training
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于正负样本对抗训练的文本摘要生成方法,该方法包括以下步骤:(1)建立文本与摘要对组成的专家摘要库;(2)建立一个由一个生成器和一个判别器组成的对抗训练网络;(3)负样本的生成:将文本输入生成器生成一批次摘要,其标签为假摘要,作为负样本使用。(4)判别器训练:由生成器生成的当前批次假摘要,与标签为真摘要的专家摘要一起用于训练判别器;(5)生成器训练:使用判别器返回的判断结果计算生成器的损失函数和更新梯度,通过循环对抗训练过程,直到整个对抗训练网络最终收敛,从而得到基于对抗训练网络的生成式文本摘要模型。与现有技术相比,本发明具有生成更符合人类语言规则、更能概括原文主旨的优势。
Description
技术领域
本发明涉及人工智能自然语言处理技术领域,尤其是涉及一种基于正负样本对抗训练的文本摘要生成方法。
背景技术
互联网如今深刻地影响了人们的生活,越来越多的信息通过互联网进行传播,文本信息数据量也在指数级增长。但巨大的文字信息量增加了人们浏览查找的时间,降低了查找效率。从海量信息中准备高效获取关键信息成为一个问题,文本摘要可以较好地解决这个问题。文本摘要是对文档内容和主旨的精确概括。文本摘要技术是指对于给定的文本,机器能够自动地生成能够概括原文中心思想的摘要。而如何让机器生成的文本摘要更符合人类语言规则、更能概括原文主旨是文本摘要领域待解决的重要问题之一。
文本摘要的技术主要是按实现方式分为抽取式文本摘要和生成式文本摘要两种。抽取式自动文本摘要是只从原文中抽取关键的句子或词语组成摘要,摘要中的文字均来自原文。其实现方式主要是基于统计信息、词汇链和图模型等方式。优点是没有过多语法问题,比较通顺。但缺点是要基于一些抽取模板和专家规则,扩展性很差且摘要过于冗长;如果原文中未有中心语句,则无法表达原文主旨。
生成式文本摘要是在理解原文语义和思想的基础上,生成新的句子或词语组成摘要,摘要中的某些文字可能不来自原文。其实现方式主要是基于深度学习的编码器解码器模型。优点是扩展性强,只要有对应语言的文本摘要对数据,就可以训练模型;生成的摘要可以使用非原文词,短小精悍。缺点是容易出现一些语法错误,语句有时不够通顺,即不符合人类语言规则。
现有的生成式文本摘要模型往往存在生成的摘要不符合人类语言规则、无法很好地概括原文主旨、学习摘要语言风格等问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于正负样本对抗训练的文本摘要生成方法。
本发明的目的可以通过以下技术方案来实现:
一种基于正负样本对抗训练的文本摘要生成方法,该方法包括以下步骤:
步骤1:根据需求建立相应风格的专家摘要库;
步骤2:建立对抗训练网络,所述对抗训练网络包括由解码器和编码器组成的生成器和判别器;
步骤3:初始化对抗训练网络并将专家摘要库中的文本输入至对抗训练网络的生成器中以生成用于判别器训练需要的第一批次假摘要负样本;
步骤4:利用专家摘要库和第一批次假摘要负样本对对抗训练网络中的判别器进行基于有监督学习的分类训练并根据判别器经训练后返回的分类判别结果计算更新梯度;
步骤5:根据更新梯度更新生成器参数并再次将专家摘要库中的文本输入至经过参数更新的生成器中以生成第二批次假摘要负样本,并返回步骤4再次与专家摘要库配合并最终再次计算更新梯度;
步骤6:循环迭代执行步骤4和步骤5中各自的训练直至生成器和判别器均收敛后训练结束,并利用训练结束后的生成器生成实际需求的文本摘要。
进一步地,所述的步骤4中的更新梯度的计算公式为:
式中,表示更新梯度,m表示输入文本样本数量,i为自然数,G(si)表示生成器生成的假摘要,D(G(si))表示判别器对于假摘要的判别结果为真。
进一步地,所述的步骤2中的生成器采用单向或双向循环神经网络以构建所述解码器和所述编码器,所述编码器的输入为需要生成摘要的文本,其输出为语句向量,所述解码器的输入为语句向量,其输出为最终生成摘要文本。
进一步地,所述的步骤2中的生成器的网络模型计算公式为:
ht=sigmod(Whxxt+Whhht-1)
yt=Whyht
式中,ht和ht-1表示网络中前后连接对应的隐含层,xt表示输入文本对应时间维度的词语,Whx和Whh表示与词语和隐含层分别对应的权重,yt表示与相应隐含层对应的语句向量,Why表示与相应语句向量对应的权重,P(y1,...,yL|x1,...,xM)表示最终生成摘要文本,P(yt|v,y1,...,yt-1)表示所有语句向量,L表示语句向量数量。
进一步地,所述步骤4中的判别器为使用神经网络建立的用于区分假摘要和专家摘要的分类器,所述分类器的最优解描述公式为:
式中,D(y)表示分类器的最优解,即样本被判别为真的概率,Pdata(y)表示样本来自专家摘要库,Pg(y)表示样本来自假摘要。
进一步地,所述步骤2中的对抗训练网络的优化目标函数为:
式中,V*表示对抗训练网络的优化目标函数,表示来自专家摘要库的样本,表示来自假摘要的样本。
与现有技术相比,本发明具有以下优点:
(1)文本摘要是自然语言处理领域中重要的研究领域之一,常作为其它自然语言处理任务的上下游任务,本发明提供的基于正负样本对抗训练的文本摘要生成方法能够生成更符合人类语言规则、更能概括原文主旨且可以学习专家摘要的语言风格的生成式文本摘要模型,对该模型输入自然语言文本,就可以生成简短精确的摘要,可以用于自动新闻摘要、搜索引擎网页摘要等场景。
(2)针对传统编码器解码器模型容易生成有语法错误、不够通顺易懂摘要的问题,本发明引入对抗训练网络,通过生成器与判别器之间的对抗来学习到人类摘要的风格,减少摘要的语法错误,提升语句通顺度,更好地概括原文主旨信息。
附图说明
图1为本发明基于正负样本对抗训练的文本摘要生成方法的流程示意图;
图2为本发明中对抗训练网络的结构示意图;
图3为本发明中单向循环神经网络结构示意图;
图4为本发明中双向循环神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示为本发明基于正负样本对抗训练的文本摘要生成方法的流程示意图,具体技术方案为:
步骤:
1.建立包含文本与摘要对的专家摘要库,根据需求建立相应风格的专家摘要库;
2.建立一个对抗训练网络,对抗训练网络中的生成器,由一个编码器和一个解码器组成,对抗训练网络中的判别器是由神经网络构成的分类器。生成器的作用是:编码器利用单向或双向循环神经网络(比如RNN、GRU或LSTM)按时间步依次处理输入文本中每个词语对应的词向量,将生成的语句向量作为解码器的输入;然后解码器利用单向或双向循环神经网络(比如RNN、GRU或LSTM)处理语句向量,每个时间步接受上一时间步的输出词语及隐藏层状态生成当前时间步的输出词语,直到生成终止符号,从而实现摘要的生成;
3.初始化对抗训练网络的参数,用来自专家摘要库的文本作为输入和初始化参数的生成器来生成一批次的负样本即假摘要;
4.使用步骤1所得的专家摘要库中的专家摘要作为正样本和步骤3所得的负样本即假摘要,对步骤2所得的判别器进行一次基于有监督学习的分类训练,使得判别器能够正确判断其输入是人类的专家摘要还是不符合人类语言规则的假摘要。判别器返回的分类判别结果(真为1,假为0)将返回给步骤2中得到的生成器中,用于计算更新梯度;
5.根据步骤4所得梯度更新生成器参数,再输入专家摘要库中的文本,生成新一批次的假摘要作为负样本;
6.按照对抗训练网络的训练方式交替进行步骤4和步骤5,直至生成器和判别器均收敛,至此对抗训练网络训练结束;
在本实施例中,所指的对抗训练网络由两部分组成:生成器用来产生负样本即假摘要,判别器用来判别专家摘要和假摘要。对抗训练网络所处理的是生成器与判别器相互对抗的博弈问题,通过不断迭代的对抗训练方式来生成逐渐靠近专家摘要的文本摘要。
在本实施例中,编码器可以用单向循环神经网络(结构如图3所示),也可以用双向循环神经网络(结构如图4所示);解码器可以用单向循环神经网络,也可以用双向循环神经网络,两者相互独立,不需要使用同一类型循环神经网络。一般选择双向循环神经网络可以更好地把握输入文本词语间的长依赖关系,但具体使用时可根据效果具体选择。
在本实施例中,文本摘要的生成采用了编码器解码器结构,编码器和解码器均由单向或双向循环神经网络(比如RNN、GRU或LSTM)单元组成,编码器利用循环神经网络单元按时间步依次处理输入文本中每个词语的词向量,将生成的语句向量作为解码器的输入。解码器利用循环神经网络单元处理语句向量,其网络单元数量少于编码器,每个时间步都接受上一时间步的输出词语和解码器的隐藏层状态生成当前时间步的输出词语,直到生成终止符号,从而生成摘要。
编码器和译码器的结构如图2所示,图中在每一时间步输入编码器的词语分别是X1、X2、X3、X4,译码器每一时间步输出的词语分别是Y1、Y2。
在本实施例中,对抗训练网络将采用对抗生成的方式来同时训练生成器和判别器,计算公式如下:
式中,V*表示对抗训练网络的优化目标函数,表示来自专家摘要库的样本,表示来自假摘要的样本。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于正负样本对抗训练的文本摘要生成方法,其特征在于,该方法包括以下步骤:
步骤1:根据需求建立相应风格的专家摘要库;
步骤2:建立对抗训练网络,所述对抗训练网络包括由解码器和编码器组成的生成器和判别器;
步骤3:初始化对抗训练网络并将专家摘要库中的文本输入至对抗训练网络的生成器中以生成用于判别器训练需要的第一批次假摘要负样本;
步骤4:利用专家摘要库和第一批次假摘要负样本对对抗训练网络中的判别器进行基于有监督学习的分类训练并根据判别器经训练后返回的分类判别结果计算更新梯度;
步骤5:根据更新梯度更新生成器参数并再次将专家摘要库中的文本输入至经过参数更新的生成器中以生成第二批次假摘要负样本,并返回步骤4再次与专家摘要库配合并最终再次计算更新梯度;
步骤6:循环迭代执行步骤4和步骤5中各自的训练直至生成器和判别器均收敛后训练结束,并利用训练结束后的生成器生成实际需求的文本摘要。
2.根据权利要求1所述的一种基于正负样本对抗训练的文本摘要生成方法,其特征在于,所述的步骤4中的更新梯度的计算公式为:
式中,表示更新梯度,m表示输入文本样本数量,i为自然数,G(si)表示生成器生成的假摘要,D(G(si))表示判别器对于假摘要的判别结果为真。
3.根据权利要求1所述的一种基于正负样本对抗训练的文本摘要生成方法,其特征在于,所述的步骤2中的生成器采用单向或双向循环神经网络以构建所述解码器和所述编码器,所述编码器的输入为需要生成摘要的文本,其输出为语句向量,所述解码器的输入为语句向量,其输出为最终生成摘要文本。
4.根据权利要求1所述的一种基于正负样本对抗训练的文本摘要生成方法,其特征在于,所述的步骤2中的生成器的网络模型计算公式为:
ht=sig mod(Whxxt+Whhht-1)
yt=Whyht
式中,ht和ht-1表示网络中前后连接对应的隐含层,xt表示输入文本对应时间维度的词语,Whx和Whh表示与词语和隐含层分别对应的权重,yt表示与相应隐含层对应的语句向量,Why表示与相应语句向量对应的权重,P(y1,...,yL|x1,...,xM)表示最终生成摘要文本,P(yt|v,y1,...,yt-1)表示所有语句向量,L表示语句向量数量。
5.根据权利要求1所述的一种基于正负样本对抗训练的文本摘要生成方法,其特征在于,所述步骤4中的判别器为使用神经网络建立的用于区分假摘要和专家摘要的分类器,所述分类器的最优解描述公式为:
式中,D(y)表示分类器的最优解,即样本被判别为真的概率,Pdata(y)表示样本来自专家摘要库,Pg(y)表示样本来自假摘要。
6.根据权利要求1所述的一种基于正负样本对抗训练的文本摘要生成方法,其特征在于,所述步骤2中的对抗训练网络的优化目标函数为:
式中,V*表示对抗训练网络的优化目标函数,表示来自专家摘要库的样本,表示来自假摘要的样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542798.5A CN110347819A (zh) | 2019-06-21 | 2019-06-21 | 一种基于正负样本对抗训练的文本摘要生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542798.5A CN110347819A (zh) | 2019-06-21 | 2019-06-21 | 一种基于正负样本对抗训练的文本摘要生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110347819A true CN110347819A (zh) | 2019-10-18 |
Family
ID=68182740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910542798.5A Pending CN110347819A (zh) | 2019-06-21 | 2019-06-21 | 一种基于正负样本对抗训练的文本摘要生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347819A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027292A (zh) * | 2019-11-29 | 2020-04-17 | 北京邮电大学 | 一种限定采样文本序列生成方法及其系统 |
CN111046672A (zh) * | 2019-12-11 | 2020-04-21 | 山东众阳健康科技集团有限公司 | 多场景文本摘要生成方法 |
CN112328750A (zh) * | 2020-11-26 | 2021-02-05 | 上海天旦网络科技发展有限公司 | 训练文本判别模型的方法及系统 |
WO2021179198A1 (zh) * | 2020-03-11 | 2021-09-16 | 深圳先进技术研究院 | 图像特征可视化方法、图像特征可视化装置及电子设备 |
CN113408272A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 摘要生成模型的训练方法、装置、设备和存储介质 |
CN113779199A (zh) * | 2021-09-13 | 2021-12-10 | 北京有竹居网络技术有限公司 | 用于文档和摘要的一致性检测的方法、设备、装置和介质 |
US11972604B2 (en) | 2020-03-11 | 2024-04-30 | Shenzhen Institutes Of Advanced Technology | Image feature visualization method, image feature visualization apparatus, and electronic device |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
AU2017101166A4 (en) * | 2017-08-25 | 2017-11-02 | Lai, Haodong MR | A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks |
CN108734276A (zh) * | 2018-04-28 | 2018-11-02 | 同济大学 | 一种基于对抗生成网络的模仿学习对话生成方法 |
CN109614480A (zh) * | 2018-11-26 | 2019-04-12 | 武汉大学 | 一种基于生成式对抗网络的自动摘要的生成方法及装置 |
CN109766432A (zh) * | 2018-07-12 | 2019-05-17 | 中国科学院信息工程研究所 | 一种基于生成对抗网络的中文摘要生成方法和装置 |
-
2019
- 2019-06-21 CN CN201910542798.5A patent/CN110347819A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
AU2017101166A4 (en) * | 2017-08-25 | 2017-11-02 | Lai, Haodong MR | A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks |
CN108734276A (zh) * | 2018-04-28 | 2018-11-02 | 同济大学 | 一种基于对抗生成网络的模仿学习对话生成方法 |
CN109766432A (zh) * | 2018-07-12 | 2019-05-17 | 中国科学院信息工程研究所 | 一种基于生成对抗网络的中文摘要生成方法和装置 |
CN109614480A (zh) * | 2018-11-26 | 2019-04-12 | 武汉大学 | 一种基于生成式对抗网络的自动摘要的生成方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027292A (zh) * | 2019-11-29 | 2020-04-17 | 北京邮电大学 | 一种限定采样文本序列生成方法及其系统 |
CN111027292B (zh) * | 2019-11-29 | 2021-05-28 | 北京邮电大学 | 一种限定采样文本序列生成方法及其系统 |
CN111046672A (zh) * | 2019-12-11 | 2020-04-21 | 山东众阳健康科技集团有限公司 | 多场景文本摘要生成方法 |
WO2021179198A1 (zh) * | 2020-03-11 | 2021-09-16 | 深圳先进技术研究院 | 图像特征可视化方法、图像特征可视化装置及电子设备 |
US11972604B2 (en) | 2020-03-11 | 2024-04-30 | Shenzhen Institutes Of Advanced Technology | Image feature visualization method, image feature visualization apparatus, and electronic device |
CN112328750A (zh) * | 2020-11-26 | 2021-02-05 | 上海天旦网络科技发展有限公司 | 训练文本判别模型的方法及系统 |
CN113408272A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 摘要生成模型的训练方法、装置、设备和存储介质 |
CN113408272B (zh) * | 2021-06-30 | 2023-08-18 | 北京百度网讯科技有限公司 | 摘要生成模型的训练方法、装置、设备和存储介质 |
CN113779199A (zh) * | 2021-09-13 | 2021-12-10 | 北京有竹居网络技术有限公司 | 用于文档和摘要的一致性检测的方法、设备、装置和介质 |
CN113779199B (zh) * | 2021-09-13 | 2022-12-27 | 北京有竹居网络技术有限公司 | 用于文档和摘要的一致性检测的方法、设备、装置和介质 |
WO2023035883A1 (zh) * | 2021-09-13 | 2023-03-16 | 北京有竹居网络技术有限公司 | 用于文档和摘要的一致性检测的方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347819A (zh) | 一种基于正负样本对抗训练的文本摘要生成方法 | |
CN108009285B (zh) | 基于自然语言处理的林业生态环境人机交互方法 | |
He et al. | See: Syntax-aware entity embedding for neural relation extraction | |
CN110134771A (zh) | 一种基于多注意力机制融合网络问答系统的实现方法 | |
CN109325112B (zh) | 一种基于emoji的跨语言情感分析方法和装置 | |
CN109558487A (zh) | 基于层次性多注意力网络的文档分类方法 | |
CN109635109A (zh) | 基于lstm并结合词性及多注意力机制的句子分类方法 | |
CN110334361A (zh) | 一种面向小语种语言的神经机器翻译方法 | |
CN108984530A (zh) | 一种网络敏感内容的检测方法及检测系统 | |
CN110390018A (zh) | 一种基于lstm的社交网络评论生成方法 | |
CN108763326A (zh) | 一种基于特征多样化的卷积神经网络的情感分析模型构建方法 | |
CN110222163A (zh) | 一种融合cnn与双向lstm的智能问答方法及系统 | |
CN107392147A (zh) | 一种基于改进的生成式对抗网络的图像语句转换方法 | |
CN109948158A (zh) | 基于环境元嵌入和深度学习的情感倾向性分析方法 | |
CN110059191A (zh) | 一种文本情感分类方法及装置 | |
CN110427616A (zh) | 一种基于深度学习的文本情感分析方法 | |
CN107679225A (zh) | 一种基于关键词的回复生成方法 | |
Lin et al. | A graph convolutional encoder and decoder model for rumor detection | |
Lin et al. | Modeling intra-and inter-modal relations: Hierarchical graph contrastive learning for multimodal sentiment analysis | |
CN112766359A (zh) | 一种面向食品安全舆情的字词双维度微博谣言识别方法 | |
CN110472244A (zh) | 一种基于Tree-LSTM和情感信息的短文本情感分类方法 | |
Maslennikova | ELMo Word Representations For News Protection. | |
CN113704393A (zh) | 关键词提取方法、装置、设备及介质 | |
CN114372454A (zh) | 文本信息抽取方法、模型训练方法、装置及存储介质 | |
CN116662924A (zh) | 基于双通道与注意力机制的方面级多模态情感分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |
|
RJ01 | Rejection of invention patent application after publication |