CN110634172A - 生成用于演示的幻灯片 - Google Patents

生成用于演示的幻灯片 Download PDF

Info

Publication number
CN110634172A
CN110634172A CN201810664753.0A CN201810664753A CN110634172A CN 110634172 A CN110634172 A CN 110634172A CN 201810664753 A CN201810664753 A CN 201810664753A CN 110634172 A CN110634172 A CN 110634172A
Authority
CN
China
Prior art keywords
sentence
sentences
determining
converting
candidate
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
Application number
CN201810664753.0A
Other languages
English (en)
Inventor
崔磊
黄绍晗
张星星
韦福如
周明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Microsoft Technology Licensing LLC
Original Assignee
Microsoft Technology Licensing LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Microsoft Technology Licensing LLC filed Critical Microsoft Technology Licensing LLC
Priority to CN201810664753.0A priority Critical patent/CN110634172A/zh
Priority to PCT/US2019/037562 priority patent/WO2020005616A1/en
Priority to US17/052,102 priority patent/US20210142002A1/en
Publication of CN110634172A publication Critical patent/CN110634172A/zh
Pending legal-status Critical Current

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
    • G06F16/30—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/0482—Interaction with lists of selectable items, e.g. menus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/103—Formatting, i.e. changing of presentation of documents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/103—Formatting, i.e. changing of presentation of documents
    • G06F40/106—Display of layout of documents; Previewing
    • 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
    • G06F40/174—Form filling; Merging
    • 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
    • G06F40/20—Natural language analysis
    • G06F40/253—Grammatical analysis; Style critique
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]

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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

在本公开的实施例中，提出了一种生成用于演示的幻灯片的方式。在获得用于演示的目标段落之后，基于目标段落生成多个句子，并且确定与每个句子相关联的标签以及与标签相对应的图标。然后，将句子、标签以及图标相关联地一起显示在用于演示的应用的用户界面中。根据本公开的实施例，可以针对要被演示的一段文字内容，自动生成图文并茂的幻灯片，这不仅能够提高制作幻灯片的效率，而且能够提升演示幻灯片时的用户体验。

Description

生成用于演示的幻灯片
背景技术
演示应用是指用于演示文稿的应用程序。演示应用可用于在众人面前表达想法，能够提高沟通效率，因而其广泛运用于学校教学、各种会议、产品演示，等等。对于任何需要给群体演示信息的人来说，演示应用是一款重要的应用软件。演示程序可以生成一系列幻灯片，幻灯片是包含文字、数字、图形(例如图表、剪贴画或者图片)或其组合的用户界面，其还可以具有各种各样的背景图。
演示应用中的文字通常为人类可以理解的自然语言。对自然语言的处理是指使得计算机具备人类般的文本处理能力，实现人机间自然语言通信意味着要使计算机既能理解自然语言文本的意义，也能以自然语言文本来表达给定的意图、思想等，前者称为自然语言理解，后者称为自然语言生成。自然语言处理广泛应用于搜索引擎、机器翻译、语音识别、以及聊天机器人，等等。
发明内容
在本公开的实施例中，提出了一种生成用于演示的幻灯片的方式。在获得用于演示的目标段落之后，基于目标段落生成多个句子，并且确定与每个句子相关联的标签以及与标签相对应的图标。然后，将句子、标签以及图标相关联地一起显示在用于演示的应用的用户界面中。根据本公开的实施例，可以针对要被演示的一段内容，自动生成图文并茂的幻灯片，这不仅能够提高制作幻灯片的效率，而且能够提升演示幻灯片时的用户体验。
提供发明内容部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了其中可以实施本公开的一个或多个实施例的计算设备/服务器的框图；
图2示出了其中可以实施本公开的用于生成用于演示的幻灯片的方法的流程图；
图3A-3C示出了根据本公开的实施例的用于生成用于显示的幻灯片的过程的图形用户界面(GUI)的示图；
图4示出了根据本公开的实施例的基于目标段落生成多个句子的过程的流程图；
图5示出了根据本公开的实施例的用于训练句子排名模型的示意图；
图6示出了根据本公开的实施例的用于转换句子的序列到序列框架的示意图；
图7示出了根据本公开的实施例的用于确定与句子相关联的标签的过程的流程图；以及
图8示出了根据本公开的实施例的神经网络语义匹配模型的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
传统地，当用户想要使用一段文字制作幻灯片时，通常需要人工地分析文字内容，挑选适合的部分放置到演示应用中。然后，手动地进行幻灯片的排版。在需要配图的情况下，用户还需要打开图片库或者搜索引擎以寻找相关联的图片插入到演示应用中。由此可见，传统的制作幻灯片的方法效率非常低，并且制作出的幻灯片的用户体验也常常不够好。
为此，本公开的实施例提出了一种自动生成用于演示的幻灯片的方法、设备以及计算机程序产品。在本公开的实施例中，针对要被演示的一段文字内容，通过自然语言处理和语义匹配自动生成图文并茂的幻灯片，这不仅能够提高制作幻灯片的效率，而且能够提升演示幻灯片时的用户体验。
以下参考图1至图8来说明本公开的基本原理和若干示例实现方式。图1示出了其中可以实施本公开的一个或多个实施例的计算设备/服务器100的框图。应当理解，图1所示出的计算设备/服务器100仅仅是示例性的，而不应当构成对本文所描述的实施例的功能和范围的任何限制。
如图1所示，计算设备/服务器100是通用计算设备的形式。计算设备/服务器100的组件可以包括但不限于一个或多个处理器或处理单元110、存储器120、存储设备130、一个或多个通信单元140、一个或多个输入设备150以及一个或多个输出设备160。处理单元110可以是实际或虚拟处理器并且能够根据存储器120中存储的程序来执行各种处理。在多处理器系统中，多个处理单元并行执行计算机可执行指令，以提高计算设备/服务器100的并行处理能力。
计算设备/服务器100通常包括多个计算机存储介质。这样的介质可以是计算设备/服务器100可访问的任何可以获得的介质，包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器120可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(RAM))、非易失性存储器(例如，只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存)或它们的某种组合。存储设备130可以是可拆卸或不可拆卸的介质，并且可以包括机器可读介质，诸如闪存驱动、磁盘或者任何其他介质，其可以能够用于存储信息和/或数据(例如用于训练的训练数据)并且可以在计算设备/服务器100内被访问。
计算设备/服务器100可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图1中示出，可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中，每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器120可以包括计算机程序产品125，其具有一个或多个程序模块，这些程序模块被配置为执行本公开的各种实施例的方法或动作。
通信单元140实现通过通信介质与其他计算设备进行通信。附加地，计算设备/服务器100的组件的功能可以以单个计算集群或多个计算机器来实现，这些计算机器能够通过通信连接进行通信。因此，计算设备/服务器100可以使用与一个或多个其他服务器、网络个人计算机(PC)或者另一个网络节点的逻辑连接来在联网环境中进行操作。
输入设备150可以是一个或多个输入设备，例如鼠标、键盘、追踪球等。输出设备160可以是一个或多个输出设备，例如显示器、扬声器、打印机等。计算设备/服务器100还可以根据需要通过通信单元140与一个或多个外部设备(未示出)进行通信，外部设备诸如存储设备、显示设备等，与一个或多个使得用户与计算设备/服务器100交互的设备进行通信，或者与使得计算设备/服务器100与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(I/O)接口(未示出)来执行。
如图1所示，计算设备/服务器100能够通过输入设备150输入目标段落310(其可以为一段或多段文字内容)，然后使用程序产品125对输入的目标段落310进行处理，并且通过输出设备160输出用于演示的图文并茂的幻灯片360。
本领域技术人员应当理解，虽然图1中示出了通过输入单元150接收输入段落，并且通过输出单元160输出幻灯片，但是也可以直接通过通信单元140接收输入并且发送输出。以下参考图2-8详细描述了程序产品125如何基于目标段落生成幻灯片的示例实施例。
图2示出了其中可以实施本公开的用于生成用于演示的幻灯片的方法200的流程图。应当理解，方法200可以由参考图1所描述的计算设备/服务器100执行。为了便于清楚说明图2的方法200，同时参考图3A-3C的图形用户界面(GUI)示例进行描述，其中图3A-3C示出了根据本公开的实施例的用于生成用于演示的幻灯片的过程的GUI的示图。
在202，基于目标段落生成多个句子。例如，目标段落为用户需要进行演示的一段或多段文字内容，其可以包括多个句子。在一些实施例中，可以对目标段落进行句子拆分，然后在考虑文本层级的基础上，选择语义重要的多个句子。以下参考图4-5进一步描述了生成多个句子的示例实现。
例如，图3A示出了基于目标段落310生成多个句子320的示图300。如图3A所示，目标段落310包括介绍运动主题的四个句子，分别为“Hockey,skiing,and mountaineering,are the primary fitness drivers for Swiss Citizens”、“One of the most powerfuleconomies in the world is driven by companies like A and B companies”、“Tourism is driven by the ski industry as well as hiking and mountaineering”以及“Hiking and mountaineering are vigorous actives requires a person toconstantly be on their feet in various different terrains”。通过对目标段落310进行语义分析，确定前三个句子是比较重要的句子，因此，仅提取前三个句子，而舍弃最后一个句子。在一些实施例中，可以由用户设置需要在幻灯片中呈现的句子的数目。应当理解，虽然本公开的实施例中使用英文文本作为生成幻灯片的示例，然而，中文、日文等其他语言也是可能的，本公开的实施例不受目标段落的语言的限定。
在一些实施例中，在从目标段落中挑选出多个句子之后，还可以对句子进行压缩，以便在演示应用中更加简洁地进行演示。例如，可以执行句子转换，以将长句子转换成短句子。以下参考图6描述了用于转换句子的序列到序列框架的示例实现。此外，为了适于幻灯片的演示，还可以基于目标段落的内容来自动生成幻灯片的标题。例如，可以确定目标段落的主题，并且将该主题当作幻灯片的标题。
继续参考图2，在204，确定与多个句子中的句子相关联的标签。例如，可以使用神经网络语义匹配模型来确定适于每个句子的标签，其中标签可以包括一个或多个词语。以下参考图7-8描述了用于使用神经网络语义匹配模型来确定标签的示例实现。
在206，获得与标签相对应的图标。图标是指具有指代意义的图形，在幻灯片演示中，使用适当的图标能够增强呈现效果并且提升用户体验。在一些实施例中，为了保证幻灯片的统一性，可以从图标库中获得相应的图标，其中图标库具有预先收集的风格类似的一个或多个图标集合。在一些实施例中，每个图标具有对应的关键词，可以通过将标签与图标的关键词进行匹配来选择图标。
例如，图3B示出了基于多个句子320确定多个标签340以及相关联的多个图标350的示图330。如图3B所述，针对句子321“Hockey,skiing,and mountaineering,are theprimary fitness drivers for Swiss Citizens”，可以确定其内容与健身相关联，因而相关联的标签341被确定为“Fitness”，然后获得与标签341对应的滑雪图标351。类似地，针对句子322和323，分别获得标签342和343以及图标352和353。
继续参考图2，在208，将句子、标签以及图标相关联地显示在用于演示的应用的用户界面中。例如，图3C示出了用于演示的幻灯片360，其中每个句子及其关联的标签和图标被一起显示。如图3C所示，句子321、标签341以及图标351被聚合地显示在幻灯片360的左侧，句子322、标签342以及图标352被聚合地显示在幻灯片360的中侧，句子323、标签343以及图标353被聚合地显示在幻灯片360的右侧。因此，根据本公开的实施例的方法200能够针对目标段落自动生成图文并茂的幻灯片，不仅提高了制作幻灯片的效率，而且提升了演示幻灯片时的用户体验。
在一些实施例中，可以确定幻灯片的模板，并且将句子及其标签和图标填充到模板的对应部分中。可选地，模板可以由用户提前选择或者设置。备选地，也可以基于所拆分的句子数目而自动选择模板。在一些实施例中，还可以基于用户的个人简档和/或用户所属机构的样式风格，来自动选择模板，模板不仅可以板式，也可以包括文字的字体、大小以及颜色等。通过这种方式，根据目标段落所生成的内容可以被规则地显示在用户界面中，由此提升了幻灯片的演示效果。
在一些实施例中，可以确定与目标段落相关联的主题，获得与主题相关联的图像，并且将图像填充到模板中作为用户界面的背景图。通过这种方式，能够自动获得适于目标段落的背景图。应当理解，背景图不但可以从预先设置的图片库获得，也可以通过网络从例如搜索引擎实时获得。此外，背景图的显示通常不应当影响图标的显示，以免造成图像与图标之间的显示混乱。
图4示出了根据本公开的实施例的基于目标段落生成多个句子的过程400的流程图。应当理解，过程400可以由参考图1所描述的计算设备/服务器100执行，并且过程400可以为以上参考图2所描述的动作202的示例详细实现。
在402，将目标段落拆分为句子集合。例如，可以以语言学中通常的划分方式来拆分句子，即以句号、问号、感叹号等作为分隔符进行拆分。在404，对句子集合中的句子进行排名。例如，可以使用经过训练的句子排名模型来对多个句子进行语义重要性的排名。
图5示出了根据本公开的实施例的用于训练句子排名模型的示意图500。如图5所示，使用数据集510来训练句子排名模型，其中数据集510包括多个文档513以及对应的人工标注的摘要516。将文档513中的每个文档拆分成多个句子520，例如句子S1、S2…Sn。接下来，评分模型530基于多个句子520以及相对应的人工标注的摘要513，生成多个句子对应的得分540。例如，如果一个句子与摘要或者摘要中的某个句子相似程度很高，则这个句子可以被赋予较高的得分，反之亦然。
继续参考图5，特征提取器550可以提取多个句子520中的每个句子特征集。在一些实施例中，特征集可以包括句子的结构特征和内容特征，其中结构特征可以包括句子的位置和长度，并且内容特征可以包括句子中词语的词频、句子与目标段落的主题的重叠程度以及句子中的停用词比率。接下来，基于特征提取器550提取的特征集以及得分540，对句子排名模型560进行训练，从而生成经训练的句子排名模型560。在训练出句子排名模型560之后，针对要被排名的多个句子，可以提取每个句子的特征集，然后，句子排名模型560基于特征集来计算每个句子的得分，从而实现对多个句子的排名。
继续参考图4，在406，基于排名，从句子集合中选择句子子集。例如，可以选择排名靠前的预定数目的句子作为句子子集。在一些实施例中，在选择多个句子的过程中，还可以对句子进行语义去重。在408，调整句子子集中的句子的排序，以获得多个句子。换句话说，在按照句子重要性获得句子子集之后，在句子子集中按照这些句子的原始排名进行调整，以满足演示呈现的需要。通过这种方式，可以从目标段落中获得语义重要的多个句子以用于演示。
在获得语义重要的多个句子之后，可以对句子进行压缩以生成更短并且更简洁的较短句子。在一些实施例中，在将长句子转换成短句子的过程中，可以针对每个长句子生成多个候选短句子，并且将多个候选短句子显示在演示应用的用户界面的一侧，然后基于用户对其中某个短句子的选择，来确定相应的短句子。通过这种方式，可以让用户来选择最适合的短句子，提升了用户体验。
在一些实施例中，可以使用长短句子对来训练句子转换模型，其中长短句子对包括具有长句子和相关联的短句子的训练样本，然后使用经训练的句子转换模型来将长句子转换成短句子。在一些实施例中，可以构建用于训练的长短句子对的语料库。例如，长短句子对可以包括论文的摘要和标题、网页新闻中的故事重点和关联的句子、网页新闻的第一句话与新闻的标题，等等。
在一些实施例中，可以使用序列到序列(seq2seq)框架来将长句子转换成短句子。图6示出了根据本公开的实施例的用于转换句子的序列到序列框架600的示意图，其包括两个循环神经网络(RNN)，即编码器RNN 610和解码器RNN 620。在编码过程中，使用RNN的记忆功能，通过上下文的序列关系，将词向量依次输入网络，最后将所有词向量的加权和作为一个结果进行输出以供解码器使用。在解码过程中，首先需要一个标识符表示一句话的开始，然后接着将其输入网络得到第一个输出作为这句话的第一个词，接着通过第一个词作为网络的下一个输入，得到的输出作为第二个词，不断循环，通过这种方式来得到最后网络输出的一句话。在序列到序列框架600中，编码器可以是一个双向的门控循环单元(GRU)，或者是双向的长短期记忆网络(LSTM)，其可以对输入的句子进行编码。在解码的时候，解码器可以是一个GRU或者LSTM。
在一些实施例中，在使用序列到序列框架执行长短句子转换时(诸如生成式摘要)，可以确定长句子中的每个词语的语义重要性，基于语义重要性来从长句子提取重要词语，然后使用提取的重要词语来生成短句子。例如，在图6的示例中，针对长句子“the srilankan government on wednesday announced the closure of government schoolswith immediate effect as a military against tamil separatists escalated inthe north of the country”，通过选择性门网络，可以确定该句子的重要词语为“srilankan”、“closure”、“government schools”、“immediate effect”、“military”以及“tamil separatists escalated”，然后使用这些重要词语来生成对应的短句子“sriLankan closes schools as war escalates”。可以看出，所生成的短句子比原始长句子更短并且更简洁，因而特别适于演示幻灯片的需要。通过这种方式，由于在编码端使用选择性门网络，因而可以预先确定重要词语，从而提高了句子转换的效率和准确性。
图7示出了根据本公开的实施例的用于确定与句子相关联的标签的过程700的流程图。应当理解，过程700可以由参考图1所描述的计算设备/服务器100执行，并且过程700可以为以上参考图2所描述的动作204的示例详细实现。
在702，从指定网页抽取文本以及与文本相关联的主题词。例如，可以从百科类网站抽取文本及其关联的主题词，并且使用该主题词作为该段文本的标签。由于百科类网站的数据条目和主题词规模庞大，并且主题词种类繁多，因而特别适合作为训练数据集来训练神经网络匹配模型。
在704，通过使用主题词作为正例标签并且使用除了主题词之外的一个或多个其他主题词作为负例标签，来训练具有神经网络的匹配模型。例如，将从百科网站采集的内容作为语料库来训练匹配模型，在训练的过程中，除了使用正例标签之外，还使用与文本无关的负例标签进行训练，由此提高匹配模型的准确性。
在706，使用经训练的匹配模型来确定与句子相关联的标签。例如，针对某个句子，匹配模型可以通过匹配找到对应的标签。与传统的生成式标签相比，由于匹配的标签是有限的集合，因而能够提高标签获得的速度。
图8示出了根据本公开的实施例的神经网络语义匹配模型800的示意图。如图8所示，神经网络语义匹配模型800从下至上主要可分为输入层810、表示层820以及匹配层830，其中输入层810用于将句子和标签分别转换成词嵌入向量，表示层820包括具有个多个隐层的神经网络层，例如CNN、RNN等，匹配层830用于计算句子和标签的表示向量之间的相似性。在一些实施例中，可以尽可能地将待匹配的两端都转换到等长的语义表示向量里，然后在两端对应的两个语义表示向量基础上，进行匹配度计算。例如，可以通过固定的度量函数计算，也可以通过多层感知器网络拟合出匹配度得分。通过这种方式，由于使用神经网络语义匹配模型，因而能够快速高效地找到与句子相关联的标签。
本文中所描述的方法和功能可以至少部分地由一个或多个硬件逻辑组件来执行。例如但不限于，可以使用的硬件逻辑组件的示意性类型包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开内容的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实现的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
以下列出了本公开的一些示例实现方式。
在一个方面，提供了一种计算机实现的方法。该方法包括：基于目标段落生成多个句子；确定与多个句子中的句子相关联的标签；获得与标签相对应的图标；以及将句子、标签以及图标相关联地显示在用于演示的应用的用户界面中。
在一些实施例中，其中确定与多个句子中的句子相关联的标签包括：从指定网页抽取文本以及与文本相关联的主题词；通过使用主题词作为正例标签并且使用除了主题词之外的一个或多个其他主题词作为负例标签，来训练利用神经网络的匹配模型；以及使用经训练的匹配模型来确定与句子相关联的标签。
在一些实施例中，其中所述显示包括：确定用于用户界面的模板；以及将句子、标签以及图标填充到模板的对应部分中。
在一些实施例中，其中所述显示包括：确定与目标段落相关联的主题；获得与主题相关联的图像；以及将图像填充到模板中作为用户界面的背景图。
在一些实施例中，其中生成多个句子包括：将目标段落拆分为句子集合；对句子集合中的句子进行排名；基于排名，从句子集合中选择句子子集；以及调整句子子集中的句子的排序，以获得多个句子。
在一些实施例中，其中对句子集合中的句子进行排名包括：提取句子集合中的每个句子的特征集，特征集至少包括句子的结构特征和内容特征，结构特征至少包括句子的位置和长度，内容特征至少包括句子与目标段落的主题的重叠程度以及句子中的停用词比率；以及基于特征集，对句子集合中的句子进行排名。
在一些实施例中，其中生成多个句子还包括：将多个句子中的第一句子转换成第二句子，第二句子的长度小于第一句子的长度。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：将多个句子中的第一句子转换成第一候选句子和第二候选句子；在应用的用户界面的一侧显示第一候选句子和第二候选句子；以及基于用户对第一候选句子或第二候选句子的选择，确定第二句子。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：确定第一句子中的每个词语的语义重要性；基于语义重要性来从第一句子提取重要词语；以及使用提取的重要词语来生成第二句子。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：使用长短句子对来训练句子转换模型，长短句子对包括具有长句子和相关联的短句子的训练样本；以及使用经训练的句子转换模型来将第一句子转换成第二句子。
在另一方面，提供了一种电子设备。该电子设备包括：处理单元；存储器，耦合至处理单元并且存储有指令，指令在由处理单元执行时执行以下动作：基于目标段落生成多个句子；确定与多个句子中的句子相关联的标签；获得与标签相对应的图标；以及将句子、标签以及图标相关联地显示在用于演示的应用的用户界面中。
在一些实施例中，其中确定与多个句子中的句子相关联的标签包括：从指定网页抽取文本以及与文本相关联的主题词；通过使用主题词作为正例标签并且使用除了主题词之外的一个或多个其他主题词作为负例标签，来训练利用神经网络的匹配模型；以及使用经训练的匹配模型来确定与句子相关联的标签。
在一些实施例中，其中所述显示包括：确定用于用户界面的模板；以及将句子、标签以及图标填充到模板的对应部分中。
在一些实施例中，其中所述显示包括：确定与目标段落相关联的主题；获得与主题相关联的图像；以及将图像填充到模板中作为用户界面的背景图。
在一些实施例中，其中生成多个句子包括：将目标段落拆分为句子集合；对句子集合中的句子进行排名；基于排名，从句子集合中选择句子子集；以及调整句子子集中的句子的排序，以获得多个句子。
在一些实施例中，其中对句子集合中的句子进行排名包括：提取句子集合中的每个句子的特征集，特征集至少包括句子的结构特征和内容特征，结构特征至少包括句子的位置和长度，内容特征至少包括句子与目标段落的主题的重叠程度以及句子中的停用词比率；以及基于特征集，对句子集合中的句子进行排名。
在一些实施例中，其中生成多个句子还包括：将多个句子中的第一句子转换成第二句子，第二句子的长度小于第一句子的长度。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：将多个句子中的第一句子转换成第一候选句子和第二候选句子；在应用的用户界面的一侧显示第一候选句子和第二候选句子；以及基于用户对第一候选句子或第二候选句子的选择，确定第二句子。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：确定第一句子中的每个词语的语义重要性；基于语义重要性来从第一句子提取重要词语；以及使用提取的重要词语来生成第二句子。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：使用长短句子对来训练句子转换模型，长短句子对包括具有长句子和相关联的短句子的训练样本；以及使用经训练的句子转换模型来将第一句子转换成第二句子。
在又一方面，提供了一种计算机程序产品。该计算机程序产品被存储在非瞬态计算机存储介质中并且包括机器可执行指令，机器可执行指令在设备中运行时使得设备执行动作：基于目标段落生成多个句子；确定与多个句子中的句子相关联的标签；获得与标签相对应的图标；以及将句子、标签以及图标相关联地显示在用于演示的应用的用户界面中。
在一些实施例中，其中确定与多个句子中的句子相关联的标签包括：从指定网页抽取文本以及与文本相关联的主题词；通过使用主题词作为正例标签并且使用除了主题词之外的一个或多个其他主题词作为负例标签，来训练利用神经网络的匹配模型；以及使用经训练的匹配模型来确定与句子相关联的标签。
在一些实施例中，其中所述显示包括：确定用于用户界面的模板；以及将句子、标签以及图标填充到模板的对应部分中。
在一些实施例中，其中所述显示包括：确定与目标段落相关联的主题；获得与主题相关联的图像；以及将图像填充到模板中作为用户界面的背景图。
在一些实施例中，其中生成多个句子包括：将目标段落拆分为句子集合；对句子集合中的句子进行排名；基于排名，从句子集合中选择句子子集；以及调整句子子集中的句子的排序，以获得多个句子。
在一些实施例中，其中对句子集合中的句子进行排名包括：提取句子集合中的每个句子的特征集，特征集至少包括句子的结构特征和内容特征，结构特征至少包括句子的位置和长度，内容特征至少包括句子与目标段落的主题的重叠程度以及句子中的停用词比率；以及基于特征集，对句子集合中的句子进行排名。
在一些实施例中，其中生成多个句子还包括：将多个句子中的第一句子转换成第二句子，第二句子的长度小于第一句子的长度。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：将多个句子中的第一句子转换成第一候选句子和第二候选句子；在应用的用户界面的一侧显示第一候选句子和第二候选句子；以及基于用户对第一候选句子或第二候选句子的选择，确定第二句子。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：确定第一句子中的每个词语的语义重要性；基于语义重要性来从第一句子提取重要词语；以及使用提取的重要词语来生成第二句子。
在一些实施例中，其中将多个句子中的第一句子转换成第二句子包括：使用长短句子对来训练句子转换模型，长短句子对包括具有长句子和相关联的短句子的训练样本；以及使用经训练的句子转换模型来将第一句子转换成第二句子。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本公开，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (20)

1.一种计算机实现的方法，包括：
基于目标段落生成多个句子；
确定与所述多个句子中的句子相关联的标签；
获得与所述标签相对应的图标；以及
将所述句子、所述标签以及所述图标相关联地显示在用于演示的应用的用户界面中。
2.根据权利要求1所述的方法，其中确定与所述多个句子中的句子相关联的标签包括：
从指定网页抽取文本以及与所述文本相关联的主题词；
通过使用所述主题词作为正例标签并且使用除了所述主题词之外的一个或多个其他主题词作为负例标签，来训练利用神经网络的匹配模型；以及
使用经训练的所述匹配模型来确定与所述句子相关联的所述标签。
3.根据权利要求1所述的方法，其中所述显示包括：
确定用于所述用户界面的模板；以及
将所述句子、所述标签以及所述图标填充到所述模板的对应部分中。
4.根据权利要求3所述的方法，其中所述显示包括：
确定与所述目标段落相关联的主题；
获得与所述主题相关联的图像；以及
将所述图像填充到所述模板中作为所述用户界面的背景图。
5.根据权利要求1所述的方法，其中生成多个句子包括：
将所述目标段落拆分为句子集合；
对所述句子集合中的句子进行排名；
基于所述排名，从所述句子集合中选择句子子集；以及
调整所述句子子集中的句子的排序，以获得所述多个句子。
6.根据权利要求5所述的方法，其中对所述句子集合中的句子进行排名包括：
提取所述句子集合中的每个句子的特征集，所述特征集至少包括句子的结构特征和内容特征，所述结构特征至少包括所述句子的位置和长度，所述内容特征至少包括所述句子与所述目标段落的主题的重叠程度以及所述句子中的停用词比率；以及
基于所述特征集，对所述句子集合中的句子进行排名。
7.根据权利要求1所述的方法，其中生成多个句子还包括：
将所述多个句子中的第一句子转换成第二句子，所述第二句子的长度小于所述第一句子的长度。
8.根据权利要求7所述的方法，其中将所述多个句子中的第一句子转换成第二句子包括：
将所述第一句子转换成第一候选句子和第二候选句子；
在所述应用的所述用户界面的一侧显示所述第一候选句子和所述第二候选句子；以及
基于用户对所述第一候选句子或所述第二候选句子的选择，确定所述第二句子。
9.根据权利要求7所述的方法，其中将所述多个句子中的第一句子转换成第二句子包括：
确定所述第一句子中的每个词语的语义重要性；
基于所述语义重要性来从所述第一句子提取重要词语；以及
使用提取的所述重要词语来生成所述第二句子。
10.根据权利要求7所述的方法，其中将所述多个句子中的第一句子转换成第二句子包括：
使用长短句子对来训练句子转换模型，所述长短句子对包括具有长句子和相关联的短句子的训练样本；以及
使用经训练的所述句子转换模型来将所述第一句子转换成所述第二句子。
11.一种电子设备，包括：
处理单元；
存储器，耦合至所述处理单元并且存储有指令，所述指令在由所述处理单元执行时执行以下动作：
基于目标段落生成多个句子；
确定与所述多个句子中的句子相关联的标签；
获得与所述标签相对应的图标；以及
将所述句子、所述标签以及所述图标相关联地显示在用于演示的应用的用户界面中。
12.根据权利要求11所述的设备，其中确定与所述多个句子中的句子相关联的标签包括：
从指定网页抽取文本以及与所述文本相关联的主题词；
通过使用所述主题词作为正例标签并且使用除了所述主题词之外的一个或多个其他主题词作为负例标签，来训练利用神经网络的匹配模型；以及
使用经训练的所述匹配模型来确定与所述句子相关联的所述标签。
13.根据权利要求11所述的设备，其中所述显示包括：
确定用于所述用户界面的模板；以及
将所述句子、所述标签以及所述图标填充到所述模板的对应部分中。
14.根据权利要求13所述的设备，其中所述显示包括：
确定与所述目标段落相关联的主题；
获得与所述主题相关联的图像；以及
将所述图像填充到所述模板中作为所述用户界面的背景图。
15.根据权利要求11所述的设备，其中生成多个句子包括：
将所述目标段落拆分为句子集合；
对所述句子集合中的句子进行排名；
基于所述排名，从所述句子集合中选择句子子集；以及
调整所述句子子集中的句子的排序，以获得所述多个句子。
16.根据权利要求15所述的设备，其中对所述句子集合中的句子进行排名包括：
提取所述句子集合中的每个句子的特征集，所述特征集至少包括句子的结构特征和内容特征，所述结构特征至少包括所述句子的位置和长度，所述内容特征至少包括所述句子与所述目标段落的主题的重叠程度以及所述句子中的停用词比率；以及
基于所述特征集，对所述句子集合中的句子进行排名。
17.根据权利要求11所述的设备，其中生成多个句子还包括：
将所述多个句子中的第一句子转换成第二句子，所述第二句子的长度小于所述第一句子的长度。
18.根据权利要求17所述的设备，其中将所述多个句子中的第一句子转换成第二句子包括：
将所述第一句子转换成第一候选句子和第二候选句子；
在所述应用的所述用户界面的一侧显示所述第一候选句子和所述第二候选句子；以及
基于用户对所述第一候选句子或所述第二候选句子的选择，确定所述第二句子。
19.根据权利要求17所述的设备，其中将所述多个句子中的第一句子转换成第二句子包括：
确定所述第一句子中的每个词语的语义重要性；
基于所述语义重要性来从所述第一句子提取重要词语；以及
使用提取的所述重要词语来生成所述第二句子。
20.一种计算机程序产品，所述计算机程序产品被存储在非瞬态计算机存储介质中并且包括机器可执行指令，所述机器可执行指令在设备中运行时使得所述设备：
基于目标段落生成多个句子；
确定与所述多个句子中的句子相关联的标签；
获得与所述标签相对应的图标；以及
将所述句子、所述标签以及所述图标相关联地显示在用于演示的应用的用户界面中。
CN201810664753.0A 2018-06-25 2018-06-25 生成用于演示的幻灯片 Pending CN110634172A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810664753.0A CN110634172A (zh) 2018-06-25 2018-06-25 生成用于演示的幻灯片
PCT/US2019/037562 WO2020005616A1 (en) 2018-06-25 2019-06-18 Generation of slide for presentation
US17/052,102 US20210142002A1 (en) 2018-06-25 2019-06-18 Generation of slide for presentation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810664753.0A CN110634172A (zh) 2018-06-25 2018-06-25 生成用于演示的幻灯片

Publications (1)

Publication Number Publication Date
CN110634172A true CN110634172A (zh) 2019-12-31

Family

ID=67108229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810664753.0A Pending CN110634172A (zh) 2018-06-25 2018-06-25 生成用于演示的幻灯片

Country Status (3)

Country Link
US (1) US20210142002A1 (zh)
CN (1) CN110634172A (zh)
WO (1) WO2020005616A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680482A (zh) * 2020-05-07 2020-09-18 车智互联（北京）科技有限公司 一种标题图文生成方法及计算设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110888975A (zh) * 2018-09-06 2020-03-17 微软技术许可有限责任公司 文本可视化
CA3060811A1 (en) * 2018-10-31 2020-04-30 Royal Bank Of Canada System and method for cross-domain transferable neural coherence model
US12086547B2 (en) * 2021-05-28 2024-09-10 Paypal, Inc. Cross-domain named entity recognition using knowledge graph
CN118568266B (zh) * 2024-08-05 2024-10-15 湖州南浔交水规划设计研究有限公司 一种市政工程设计数据处理方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03138756A (ja) * 1989-10-25 1991-06-13 Fujitsu Ltd 自然言語処理装置
JPH04281557A (ja) * 1991-03-11 1992-10-07 Agency Of Ind Science & Technol 文分割方式
KR20020054246A (ko) * 2000-12-27 2002-07-06 오길록 기계 번역을 위한 장문 분할 방법
JP2006126886A (ja) * 2004-10-26 2006-05-18 Advanced Telecommunication Research Institute International 文短縮用知識の学習装置、文短縮装置、機械翻訳装置および文短縮のためのコンピュータプログラム
US20130158981A1 (en) * 2011-12-20 2013-06-20 Yahoo! Inc. Linking newsworthy events to published content
US20140163962A1 (en) * 2012-12-10 2014-06-12 International Business Machines Corporation Deep analysis of natural language questions for question answering system
US9317498B2 (en) * 2014-05-23 2016-04-19 Codeq Llc Systems and methods for generating summaries of documents
US20170004544A1 (en) * 2015-07-01 2017-01-05 Vizirecruiter Llc System and method for creation of visual job advertisements
US20170185581A1 (en) * 2015-12-29 2017-06-29 Machine Zone, Inc. Systems and methods for suggesting emoji
CN107077460A (zh) * 2014-09-30 2017-08-18 微软技术许可有限责任公司 结构化样本创作内容
US20170270123A1 (en) * 2016-03-18 2017-09-21 Adobe Systems Incorporated Generating recommendations for media assets to be displayed with related text content
CN108073680A (zh) * 2016-11-10 2018-05-25 谷歌有限责任公司 生成具有提炼内容的演示幻灯片

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03138756A (ja) * 1989-10-25 1991-06-13 Fujitsu Ltd 自然言語処理装置
JPH04281557A (ja) * 1991-03-11 1992-10-07 Agency Of Ind Science & Technol 文分割方式
KR20020054246A (ko) * 2000-12-27 2002-07-06 오길록 기계 번역을 위한 장문 분할 방법
JP2006126886A (ja) * 2004-10-26 2006-05-18 Advanced Telecommunication Research Institute International 文短縮用知識の学習装置、文短縮装置、機械翻訳装置および文短縮のためのコンピュータプログラム
US20130158981A1 (en) * 2011-12-20 2013-06-20 Yahoo! Inc. Linking newsworthy events to published content
US20140163962A1 (en) * 2012-12-10 2014-06-12 International Business Machines Corporation Deep analysis of natural language questions for question answering system
US9317498B2 (en) * 2014-05-23 2016-04-19 Codeq Llc Systems and methods for generating summaries of documents
CN107077460A (zh) * 2014-09-30 2017-08-18 微软技术许可有限责任公司 结构化样本创作内容
US20170004544A1 (en) * 2015-07-01 2017-01-05 Vizirecruiter Llc System and method for creation of visual job advertisements
US20170185581A1 (en) * 2015-12-29 2017-06-29 Machine Zone, Inc. Systems and methods for suggesting emoji
US20170270123A1 (en) * 2016-03-18 2017-09-21 Adobe Systems Incorporated Generating recommendations for media assets to be displayed with related text content
CN108073680A (zh) * 2016-11-10 2018-05-25 谷歌有限责任公司 生成具有提炼内容的演示幻灯片

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680482A (zh) * 2020-05-07 2020-09-18 车智互联（北京）科技有限公司 一种标题图文生成方法及计算设备
CN111680482B (zh) * 2020-05-07 2024-04-12 车智互联（北京）科技有限公司 一种标题图文生成方法及计算设备

Also Published As

Publication number Publication date
WO2020005616A1 (en) 2020-01-02
US20210142002A1 (en) 2021-05-13

Similar Documents

Publication Publication Date Title
KR102577514B1 (ko) 텍스트 창작 방법, 텍스트 창작 장치, 전자 기기 및 저장 매체
CN110674429B (zh) 用于信息检索的方法、装置、设备和计算机可读存储介质
CN110634172A (zh) 生成用于演示的幻灯片
WO2020114429A1 (zh) 关键词提取模型训练方法、关键词提取方法及计算机设备
Cai et al. An CNN-LSTM attention approach to understanding user query intent from online health communities
CN109766431A (zh) 一种基于词义主题模型的社交网络短文本推荐方法
CN111144120A (zh) 一种训练语句的获取方法、装置、存储介质及电子设备
CN110019719B (zh) 基于断言的问答
CN112668463B (zh) 一种基于场景识别的中文手语翻译方法及系统
CN102662972A (zh) 一种面向视力残疾人网页内容无障碍访问的图片自动描述方法
CN111199151A (zh) 数据处理方法、及数据处理装置
JP3831357B2 (ja) 対訳情報作成装置及び対訳情報検索装置
Zanibbi et al. Math search for the masses: Multimodal search interfaces and appearance-based retrieval
CN115994535A (zh) 文本处理方法及装置
Saoudi et al. Trends and challenges of Arabic Chatbots: Literature review
Brookes et al. The digipal project for european scripts and decorations
Koka et al. Automatic identification of keywords in lecture video segments
CN112559711A (zh) 一种同义文本提示方法、装置及电子设备
CN117131155A (zh) 多类目识别方法、装置、电子设备及储存介质
Allaith et al. Sentiment Classification of Historical Danish and Norwegian Literary Texts
Al-Sultany et al. Enriching tweets for topic modeling via linking to the wikipedia
Mara English-Wolaytta Machine Translation using Statistical Approach
Hu et al. Recognition of Kuzushi-Ji with deep learning method a case study of Kiritsubo chapter in the Tale of Genji
Reddy et al. Multilingual image captioning: multimodal framework for bridging visual and linguistic realms in Tamil and Telugu through transformers
Sun et al. Informed graph convolution networks for multilingual short text understanding

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: 20191231