CN111222315B - 一种电影剧本情节预测方法 - Google Patents

Abstract

本公开提供了一种电影剧本情节预测方法。所述方法包括：将历史文本切分为语句；确定语句中包含的事件以及所述事件的事件特征；根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。本公开通过添加事件的事件特征，丰富了事件信息，从而提高了电影剧本情节预测的准确度。

Description

一种电影剧本情节预测方法

技术领域

本公开涉及计算机软件领域，特别涉及一种电影剧本情节预测方法。

背景技术

在看小说、电影、电视剧等作品时，人们总是会不自觉地根据自己的经验与背景知识，猜测故事情节的后续发展。由于个体间知识储备量不一致，导致情节预测合理性存在一定的差异。得益于自然语言处理技术的发展，人们已经可以借助计算机完成事件的预测。

但是需要指出的是，目前在利用计算机完成事件的预测时，仍然存在一些缺陷，例如考虑因素过于单一，仅仅考虑了事件的顺承关系，并没有其他方面的信息来辅助事件的预测，使得事件预测的准确度较低，因此，如何提高事件预测的准确度成为一项亟待解决的技术问题。

发明内容

本公开实施例的目的是提供一种电影剧本情节预测方法，以提高事件预测的准确度。

为达到上述目的，本公开实施例提供一种电影剧本情节预测方法，所述方法包括：

将历史文本切分为语句；

确定语句中包含的事件以及所述事件的事件特征；所述事件特征包括情感标签；

根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；

将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。

本公开实施例还提供一种电影剧本情节预测装置，所述装置包括：

语句切分模块，用于将历史文本切分为语句；

事件特征确定模块，用于确定语句中包含的事件以及所述事件的事件特征；所述事件特征包括情感标签；

事件图确定模块，用于根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；

节点选取模块，用于将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。

本公开实施例还提供一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述任意实施例中所述电影剧本情节预测方法的步骤。

本公开实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任意实施例中所述电影剧本情节预测方法的步骤。

由以上本公开实施例提供的技术方案可见，本公开通过确定语句中包含的事件以及所述事件的事件特征；再根据各个事件的时序，建立事件图；事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定，从而将事件特征作为事件的附加信息，增加了事件图中的节点所包含的信息，避免了仅仅考虑事件间的顺承关系造成的预测准确度较低的问题，提高了事件预测的准确度。

附图说明

图1是本公开实施例提供的一种电影剧本情节预测方法流程图；

图2是本公开实施例提供的事件图结构示意图；

图3是本公开实施例提供的图神经网络预测事件示意图；

图4是本公开实施例提供的一种电影剧本情节预测装置的模块结构图；

图5是本公开实施例提供的计算机设备的示意图；

图6是本公开实施例提供的计算机可读存储介质的示意图。

具体实施方式

本公开实施例提供一种电影剧本情节预测方法。

为了使本技术领域的人员更好地理解本公开中的技术方案，下面将结合本公开实施方式中的附图，对本公开实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本公开一部分实施方式，而不是全部的实施方式。基于本公开中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本公开保护的范围。

参考图1所示，为本公开实施例提供的一种电影剧本情节预测方法的流程图，可以包括如下步骤：

S1：将历史文本切分为语句。

在本实施方式中，可以利用正则表达式将历史文本切分为多个语句。

S2：确定语句中包含的事件以及所述事件的事件特征。

在本实施方式中，事件特征可以包括事件类型、场景信息以及情感标签，当然，还可以包括其他内容，对此，本公开不做限定。

在一些实施方式中，为了确定事件类型，可以先对所述语句进行词性标注，并确定所述语句中的动词；再将所述动词与预先建立的ACE(Automatic Content Extraction，自动内容抽取库)中的事件类型进行匹配，得到与所述动词相匹配的事件类型及事件子类型。

例如，下面的表1为ACE中的一部分事件类型和事件子类型与触发词之间的匹配关系。

表1

具体的，可以利用Spacy或StanFordNLP对所述语句进行词性标注。

在一些实施方式中，场景信息在文本中，例如电影剧本中，通常以“EXT.”或者“INT.”开头，因此，可以利用正则表达式定位到“EXT.”或者“INT.”开头的语句，从而确定事件的场景信息。

在一些实施方式中，为了确定情感标签，可以先将所述语句转换为对应的数值信息；再将所述数值信息输入预先建立的朴素贝叶斯模型，得到所述语句的情感标签。具体的，可以采用word2vec词向量技术将所述语句转换为对应的数值信息。情感标签数值化后可以用“0”表示消极，用“1”表示积极。

需要说明的是，为了训练朴素贝叶斯模型，可以将格式为“语句，标签”形式的训练集输入朴素贝叶斯模型。朴素贝叶斯模型可以表示为如下形式：

其中，C_NB表示语句的极性，

为概率最大时的极性类型，c_j为一个极性，P(c_j)为极性出现的概率，

表示在极性为c_j时，文本中各个词出现概率的乘积。

S3：根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定。

参考图2所示，根据各个事件的时序，建立事件图。其中，事件图中的各个事件按照时序并不仅是单一的线状结构，例如E1、E2、E3节点构成的线状结构；还可能出现分叉，例如E2、E3、E9节点；还可能构成有向事件环，例如E2、E3、E4节点。

S4：将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。

在本实施方式中，先基于节点的特征向量，利用图神经网络得到每个节点的状态向量。具体的，将节点的特征向量、与该节点相连的边的特征向量、与该节点相邻的节点的特征向量以及状态向量，输入针对局部转化的前馈全连接神经网络函数中，得到该节点的状态向量。

节点V的状态向量h_v可以通过如下公式表示：

h_v＝f(x_v,x_co[v],h_ne[v],x_ne[v])

其中，x_v为节点v的特征向量，x_co[v]为该节点相连的边的特征向量，h_ne[v]为节点v相邻节点的状态向量，x_ne[v]为节点v相邻节点的特征向量，函数f为针对局部转化的前馈全连接神经网络函数。

参考图3所示，为本公开提供的图神经网络预测事件示意图。

在一个具体的实施例中，指定节点路径为图2中的E1->E2，为了预测E2节点后的节点，需要将E1、E2节点的状态向量和特征向量依次输入至针对局部输出的前馈全连接神经网络函数中，从而从图2的事件图中，与E2节点相邻的E3、E4与E9节点中选取出关联度最大的一个节点。

具体的，GNN(Graph Neural Networks，图神经网络)可以向量的形式输出，输出的向量可以记为o_v＝g(h_v,x_v)，其中，o_v为输出的向量，函数g为针对局部输出的前馈全连接神经网络函数，x_v为节点v的特征向量，h_v为节点的v的状态向量。

在一些实施方式中，在选取出与所述指定节点路径的最后一个节点相邻的一个节点后，可以重复以下步骤：将选取出的节点的状态向量以及特征向量，输入所述图神经网络，以在所述事件图中选取与所述选取出的节点相邻的一个节点。因此，图神经网络可以将经过多次选取出的多个节点一次性输出，也就是说，可以一次输出一系列序列事件，从而达到故事情节预测的效果。

参考图4所示，本公开还提供一种电影剧本情节预测装置，所述装置包括：

语句切分模块100，用于将历史文本切分为语句；

事件特征确定模块200，用于确定语句中包含的事件以及所述事件的事件特征；

事件图确定模块300，用于根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；

节点选取模块400，用于将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。

参考图5所示，本公开还提供一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述任意实施方式中所述电影剧本情节预测方法的步骤。

参考图6所示，本公开实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任意实施方式中所述电影剧本情节预测方法的步骤。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的装置、模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本公开可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。该计算机软件产品可以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)执行本公开各个实施例或者实施例的某些部分所述的方法。该计算机软件产品可以存储在内存中，内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括短暂电脑可读媒体(transitory media)，如调制的数据信号和载波。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本公开可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本公开可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本公开，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应当理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种电影剧本情节预测方法，其特征在于，包括：

将历史文本切分为语句；

确定语句中包含的事件以及所述事件的事件特征；

根据各个事件的时序，建立事件图，所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；

将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点；

其中，所述事件特征包括事件类型、场景信息以及情感标签；

其中，所述事件类型通过以下步骤确定：

对所述语句进行词性标注，并确定所述语句中的动词；

将所述动词与预先建立的自动内容抽取库中的事件类型进行匹配，得到与所述动词相匹配的事件类型；

所述场景信息通过以下步骤确定：

利用正则表达式从所述历史文本中定位以“EXT.”或者“INT.”开头的目标语句；

基于所述目标语句确定所述场景信息；

所述情感标签通过以下步骤确定：

利用词向量技术，将所述语句转换为对应的数值信息；

将所述数值信息输入预先建立的朴素贝叶斯模型，得到所述语句的情感标签。

2.根据权利要求1所述的方法，其特征在于，所述将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点，包括：

将节点的特征向量，输入所述训练后的图神经网络，得到节点的状态向量；

将所述指定节点路径中包含的节点的特征向量与状态向量，输入所述训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点。

3.根据权利要求2所述的方法，其特征在于，所述将节点的特征向量，输入所述训练后的图神经网络，得到节点的状态向量，包括：

将节点的特征向量、与该节点相连的边的特征向量、与该节点相邻的节点的特征向量以及状态向量，输入训练后的针对局部转化的前馈全连接神经网络函数中，得到该节点的状态向量。

4.根据权利要求1所述的方法，其特征在于，还包括：

在输出与制定节点路径相应事件的预测节点后，执行以下步骤：

将所述预测节点的状态向量以及特征向量，输入所述图神经网络，输出与所述预测节点相应的下一个预测节点。

5.一种电影剧本情节预测装置，其特征在于，包括：

语句切分模块，用于将历史文本切分为语句；

事件特征确定模块，用于确定语句中包含的事件以及所述事件的事件特征；

事件图确定模块，用于根据各个事件的时序，建立事件图；所述事件图中的每个节点对应一个事件，节点的特征向量通过该节点所对应事件的事件特征确定；

节点选取模块，用于将指定节点路径中包含的节点的特征向量，输入训练后的图神经网络，输出与所述指定节点路径相应事件的预测节点；

其中，所述事件特征包括事件类型、场景信息以及情感标签；

其中，所述事件类型通过以下步骤确定：

对所述语句进行词性标注，并确定所述语句中的动词；

将所述动词与预先建立的自动内容抽取库中的事件类型进行匹配，得到与所述动词相匹配的事件类型；

所述场景信息通过以下步骤确定：

利用正则表达式从所述历史文本中定位以“EXT.”或者“INT.”开头的目标语句；

基于所述目标语句确定所述场景信息；

所述情感标签通过以下步骤确定：

利用词向量技术，将所述语句转换为对应的数值信息；

将所述数值信息输入预先建立的朴素贝叶斯模型，得到所述语句的情感标签。

6.一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-4中任意一项所述方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现权利要求1-4中任意一项所述方法的步骤。

Images