CN111414471B - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN111414471B CN111414471B CN202010200299.0A CN202010200299A CN111414471B CN 111414471 B CN111414471 B CN 111414471B CN 202010200299 A CN202010200299 A CN 202010200299A CN 111414471 B CN111414471 B CN 111414471B
- Authority
- CN
- China
- Prior art keywords
- sentence
- abstract
- sentences
- value
- template
- 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
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
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
Abstract
本公开的实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括:获取待提取摘要的文档;将文档进行切句,得到句子列表;对于句子列表中的每个句子,提取该句子的特征;将句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果;对于预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句;将确定出的摘要句作为模型摘要句输出。该实施方式能够将深度学习与规则相结合来抽取摘要抽取,提取了摘要的可靠性和准确性,具有一定的灵活性和普适性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于输出信息的方法和装置。
背景技术
随着互联网的发展,自动摘要抽取在各个领域中的应用越来越多,一个良好的自动摘要抽取系统可以帮助审计人员降低文档审阅的人工处理量,提高整体审计效率。
文本自动摘要按照抽取方法划分,可以分为抽取式摘要和生成式摘要。抽取式摘要方法通过抽取文档中的句子生成摘要,首先对文档中句子进行二分类,然后选取分为摘要的若干个句子组成摘要,或者根据每个句子的分数进行排序获取摘要。生成式摘要方法不是单纯地利用原文档中的单词或短语组成摘要,而是从原文档中获取主要思想后以不同的表达方式将其表达出来。目前生成式摘要的结果由于存在语句不通顺等问题,效果较差。
现有抽取式摘要方法常见的有基于统计学的方法、基于图排序方法、基于机器学习/深度学习方法。基于统计学的方法根据文本形式上的规律判断摘要,基于图排序的方法将句子集合中的每个句子当作图的一个定点,集合之间的关系对应边,最后通过图排序的算法计算各个顶点(句子)最后的得分,生成文本摘要。基于机器学习/深度学习的方法通过人工标注数据集,使用预训练的语义模型表示句子,然后就通过机器学习或深度学习模型如深度置信网络进行学习句子的语义表达,最终生成摘要。
基于统计学习的摘要自动抽取方法通常利用统计特征如词频、句子中心性(即与其他句子的相似性),然后结合TF-IDF模型对候选短语进行排序选出摘要,该方法只是单纯利用了单词表层特征,没有充分挖掘词义关系和语义特征,存在较大局限性。
基于图排序的方法主要是通过把文章分成若干个段落或句子的集合,每个集合对应一个图的顶点,集合之间的关系对应边。最后通过图排序的算法如PageRank计算各个顶点最后的得分,然后依据得分高低生成文本摘要。往往只考虑了句子节点间的相似关系,忽略了整个文档的结构以及句子的上下文信息,对数据利用不充分。
基于机器学习/深度学习的方法使用预训练的语义模型表示句子,然后就通过机器学习或深度学习模型如深度置信网络进行学习句子的语义表达,最终生成摘要。该方法能够充分利用语义特征以及文档结构信息,克服前面两种方法的缺点。但是其往往只简单的学习句子语义特征,没有利用到句子本身的其它信息,例如句子的标题特征、表格特征等,句子的表征信息量少,角度单一。其次现有的深度学习方法往往固定窗口提取摘要,容易丢失句子的上下文信息,例如将同一个段落的句子分为两个窗口进行抽取,第二个窗口的句子则丢失了第一个窗口中的上文性能,导致抽取性能有限。
另外文档中的表格短文本内容同样需要抽取摘要,往往是多个单元格的内容组成一个摘要句子,基于深度学习/机器学的方法只能按照句子抽取,无法解决表格短文本摘要的抽取问题。
发明内容
本公开的实施例提出了用于输出信息的方法和装置。
第一方面,本公开的实施例提供了用于输出信息的方法,包括:获取待提取摘要的文档;将文档进行切句,得到句子列表;对于句子列表中的每个句子,提取该句子的特征;将句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果;对于预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句;将确定出的摘要句作为模型摘要句输出。
第二方面,本公开的实施例提供了一种用于输出信息的装置,包括:获取单元,被配置成获取待提取摘要的文档;切句单元,被配置成将文档进行切句,得到句子列表;特征提取单元,被配置成对于句子列表中的每个句子,提取该句子的特征;预测单元,被配置成将句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果;投票单元,被配置成对于预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句;输出单元,被配置成将确定出的摘要句作为模型摘要句输出。
第三方面,本公开的实施例提供了一种用于输出信息的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于输出信息的方法和装置,通过综合句向量特征、统计特征、文档分析特征等多个维度的特征进行句子表征。通过transformer学习文档上下文关系,充分利用了句子和文档之间的关系,提高摘要的模型抽取速度和准确率。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于输出信息的方法的一个实施例的流程图;
图3是根据本公开的用于输出信息的方法的又一个实施例的流程图;
图4是根据本公开的用于输出信息的方法的一个应用场景的示意图;
图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子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公开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,本公开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公开。
图1示出了可以应用本公开的用于输出信息的方法或用于输出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上可以安装有各种通讯客户端应用,例如文档编辑类应用、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可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持文档编辑的各种电子设备,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 Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts 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。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
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上传的文档提供摘要提取功能的后台摘要提取服务器。后台摘要提取服务器可以对接收到的摘要提取请求等数据进行分析等处理,并将处理结果(例如提取出的摘要)反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的用于输出信息的方法一般由服务器105执行,相应地,用于输出信息的装置一般设置于服务器105中。
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,示出了根据本公开的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,获取待提取摘要的文档。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行摘要提取的终端接收摘要提取请求,其中,上述摘要提取请求包括待提取摘要的文档,还可包括摘要最大长度等信息。文档中可能包括表格。表格的内容可能是大段文本,则使用步骤202-206采用模型的方法提取摘要。如果表格的内容不是大段文本,则采用步骤306-309采用模板的方法提取摘要。
步骤202,将文档进行切句,得到句子列表。
在本实施例中,对于每一个句子,判断该句子是否为摘要,但是,摘要抽取结果可能以短句为单位,即一句摘要不一定以句号、感叹号等符号分割的完整句子,有可能是以逗号等符号分割的短句。可采用句号、感叹号或逗号对文档中的文本进行切句。得到句子列表,句子列表中的句子是按其在文档中的位置排序的。
步骤203,对于句子列表中的每个句子,提取该句子的特征。
在本实施例中,特征主要可分为句向量特征、统计特征、文档特征几种。所谓文档特征即文档本身的一些特性信息,主要来源于文档本身的结构信息。具体特征定义如下:
·句向量特征
可采用现有技术常见的模型(例如,ERNIE tiny模型)对段落中每个句子进行编码,获得1024维句向量,将同属于一个段落的所有句向量进行平均池化。句向量特征用于表征语义特征。
·统计特征
统计特征可包括句子长度、句子位置、LDA等。各统计特征的含义可见下表中的描述部分。
·文档分析特征
文档分析特征可包括文档属性、关键词特征、段落类别等。各文档分析特征的含义可见下表中的描述部分。
步骤204,将句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果。
在本实施例中,针对句向量特征、统计特征和文档特征,本公开使用滑动transformer进行学习。训练过程中,首先将样本文档原文按照句子顺序划分为若干固定长度(例如60句)的窗口,固定滑动步长(例如20句),将每一个窗口当作一个样本进入transformer,学习上下文特征,以往的方法没有设置滑动步长,会导致窗口内的前面几个句子丢失上文信息,例如某个段落共有120个句子,以往的方法划分为前60句话和后60句话两个样本,但是后60句话的前几句和前60句的最后几句有上下文关系,以往的方法会丢失这种信息。
本公开设计的滑动transformer根据步长滑动生成样本,克服了以往的上下文信息丢失问题。经过transformer的样本并进一步使用全连接神经网络层(DNN模型)进行降维。使用交叉熵损失函数计算损失值,最后按照预定的比例(例如非摘要句与摘要句的权重比1:1.2)对摘要句的标签损失值进行加权,使得摘要句的标签损失值权重大于非摘要句的标签损失值权重。这是因为样本中非摘要句占比大,为了提高识别准确率,增加摘要句的权重。还可使用adam优化器迭代优化,产出收敛的模型,用于对摘要句子的预测。
预测同样使用滑动transformer模型进行预测。每次取窗口长度的句子(例如60句)输入滑动transformer模型进行预测,得到60句的识别结果。滑动窗口,再取60句输入滑动transformer模型进行预测,又得到60句的识别结果。连续2次滑动取出的句子会有重复,也就是说有的句子会重复预测,但每次预测的结果未必相同。
步骤205,对于预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句。
在本实施例中,滑动导致重复预测的句子按照投票方式生成最后的结果。投票(vote)指的是服务器将重复预测的结果进行统计,如果同现不同的预测结果,则最后结果为出现次数多的预测结果。例如,摘要句标签设为1,非摘要句标签设为0,第一次滑窗时计算第1-第60句中每句是否属于摘要句,第二次滑窗时计算第21-第80句(此时,第21-第60句已经计算第2次,第61-第80句计算第1次),第三次滑窗时计算第41-第100句(此时,第41-第60句已经计算第3次,第61-第80句计算第2次,第81-第100句计算第1次),第四次滑窗时计算第61-第120句(此时,第61-第80句计算第3次,第81-第100句计算第2次,第101-第120句计算第1次)……。可见,除起始句和结束句都会计算3次,可能得到不同的结论,服务器根据这3次结果进行投票,每次结果为1票,最终结果为得票多的结果,例如某个句子2次输入模型后输出的标签为1,1次输入模型后输出的标签为0,则认为该句最终标签为1,即是摘要句。如果对于某句预测的结果标签为0和标签为1的比例1:1,则可改变窗口大小,重新对该句进行奇数次预测,使得最终能顺利投票。
步骤206,将确定出的摘要句作为模型摘要句输出。
在本实施例中,将投票出的摘要句和未重复预测直接得到的摘要句一起作为模型摘要句输出。输出方式可包括在服务器连接的显示器上显示,还可将提取出的摘要句输出到用户的终端设备。或者将摘要句输出到数据库中存储,以待后续查询。
由于摘要的长度受限制,因此还需要做后处理,排序选择摘要句。具体过程为:将滑动transformer模型计算出的句子属于摘要句的概率按照由大到小的顺序选择至少一个句子,使得所选择的句子的总长度不超过规定的摘要最大长度;将所选择的句子作为模型摘要句输出。例如,排序后的句子为A(10字)、B(24字)、C(18字)、D(21字)。如果摘要限定最大长度为30字,则只选择A和B作为摘要句。
该方法的输入通常为较长的段落内容,例如表格外部的段落原文以及表格内部单元格的长文内容,具体举例如表所示:
表中左侧为文档部分内容描述举例,右侧中加下划线的文字为抽取的摘要结果,显然,这是一个二分类任务。对于每一个句子,判断该句子是否为摘要,但是,摘要抽取结果可能以短句为单位,即一句摘要不一定以句号、感叹号等符号分割的完整句子,有可能是以逗号等符号分割的短句。以表格中的文档描述为例,“公司总股本的42%。”与前面的内容虽然按逗号分割,但同样是摘要需要的内容,因此,我们这类场景下选择按照短句进行摘要抽取,这样抽取结果的颗粒度更加细致。
进一步参考图3,其示出了用于输出信息的方法的又一个实施例的流程300。该用于输出信息的方法的流程300,包括以下步骤:
步骤301,获取待提取摘要的文档。
步骤302,将文档进行切句,得到句子列表。
步骤303,对于句子列表中的每个句子,提取该句子的特征。
步骤304,将句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果。
步骤305,对于预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句。
步骤301-305与步骤201-205基本相同,因此不再赘述。
步骤306,若文档包括表格,则将表格进行切分,得到表格列表。
在本实施例中,可通过现有的表格检测工具,检测文档中是否存在表格,如果存在且表格中为短文本则可通过步骤306-310提取表格中摘要。可通过空行或只有单列的行将表格进行切分成多个表格。
步骤307,对于表格列表中的每个表格,基于获取的摘要模板、该表格的段落分类类别和该表格上一段的文本内容信息,匹配该表格对应的模板名。
在本实施例中,事先定义好需要抽取的模板内容,例如:“客户名称为【】,注册地址为【】,主营业务为【】。”其中“【】”代表需要抽取单元格的内容。
根据事先定义好的摘要模板,以及当前表格的段落分类类别和表格上一段的文本内容信息,匹配当前表格对应的模板名。每一个模板有对应的段落分类集合和文本内容关键词,当表格同时满足这两者条件时才能匹配上模板名。可通过现有的工具识别出段落分类类别。
步骤308,将模板名匹配成功的表格进行单元格key值匹配和value值匹配。
在本实施例中,根据上一步抽取的表格模板名,匹配模板中的key,为后面抽取value做好准备。Key值抽取分为以下三步:
1、计算可能为key值的候选单元格:例如全数字、空单元格都不可能是key。
2、相似词匹配:将候选单元格内容和key值的相似词典进行匹配,如果匹配到则直接返回。相似词典是由摘要模板涉及的key值的同义词、近义词构成的。
3、相似度计算:计算当前单元格内容和标准模板key值的word2vec词向量的cos相似度,相似度大于阈值的将当作key值返回。
根据上一步抽取的key值,匹配模板中需要填入句子的value,匹配过程分为以下三步:
1、查找当前匹配key值单元格的下一列和下一行单元格内容,由于存在合并单元格,去除和当前key值相同的单元格。
2、通过value的规则,匹配下一列和下一行单元格,符合规则的单元格内容则为需要填空的value。
3、如果匹配到的模板可能产生多条结果,则根据上一次的匹配方向继续生成下一条摘要,直到匹配到不符合value规则的单元格为止。例如,一个表格中能匹配到的key值“客户名称”有多个,则在匹配了第一个“客户名称”的value值之后,可按该次匹配value值的顺序匹配其它key值“客户名称”的value值。
步骤309,将key值匹配和value值匹配成功的单元格内容填充到摘要模板中,得到模板摘要句。
在本实施例中,如下表所示:
摘要抽取结果:客户名称为张三纸业制造有限公司,注册地址为江西省宜春市,主营业务为C1111-机制纸及纸板制造。
上表中加下划线文字为需要抽取的摘要内容,但是这些单元格内容直接作为摘要结果不连续、可读性较差,因此我们事先指定模板“客户名称为【】,注册地址为【】,主营业务为【】。”,模板内容中的“【】”是需要从表格中抽取并填充的,我们将表格抽取的单元格内容填充到模板中形成最终的摘要结果。
步骤310,输出模型摘要句和模板摘要句。
在本实施例中,将2种方式提取的摘要输出。输出方式可包括在服务器连接的显示器上显示,还可将提取出的摘要句输出到用户的终端设备。或者将摘要句输出到数据库中存储,以待后续查询。
本实施例中的用于输出信息的方法的流程300针对于表格短文本摘要问题,预设摘要模板,使用规则的方法将单元格与模板匹配,抽取单元格内容完成摘要抽取。该算法可靠、准确,且支持自定义的模板,具有一定的灵活性和普适性。
继续参见图4,图4是根据本实施例的用于输出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,用户首先发起一个文档摘要提取请求,将待提取摘要的文档上传到服务器。之后,服务器判断该文档是否包括表格和长文本。若包括,则采用2种方式进行摘要提取。图左侧分支(对应于步骤301-305)为采用滑动transformer模型的方式提取长文本的摘要的流程图。首先进行句子切分(对应于标记1),得到句子列表,再从中提取了3种特征(对应于标记2“句子编码”、标记3“统计”、标记4“文档分析”)。再将3种特征输入滑动transformer模型(对应于标记5)。再将模型输出结果进行全连接(对应于标记6“DNN模型”)。然后进行句子排序等后处理(对应于标记7),得到摘要模型。图右侧分支(对应于步骤306-309)为采用匹配规则的方式从表格中提取短文本的摘要的流程图。首先进行表格切分(对应于标记1),得到表格列表。然后依次进行表格模板名匹配(对应于标记2)、单元格模板key值匹配(对应于标记3)、单元格模板value值匹配(对应于标记4)。再进行模板内容填充处理(对应于标记5),得到模板摘要。最后这2个分支得到的2种摘要合并后输出。
本申请采用深度学习进行抽取式摘要,并且使用规则匹配的方法抽取表格短文本摘要,解决了现有技术中没有涉及到的表格短文本摘要抽取问题。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于输出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,本实施例的用于输出信息的装置500包括:获取单元501、切句单元502、特征提取单元503、预测单元504、投票单元505、输出单元506。其中,获取单元501,被配置成获取待提取摘要的文档;切句单元502,被配置成将文档进行切句,得到句子列表;特征提取单元503,被配置成对于句子列表中的每个句子,提取该句子的特征;预测单元504,被配置成将句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果;投票单元505,被配置成对于预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句;输出单元506,被配置成将确定出的摘要句作为模型摘要句输出。
在本实施例中,用于输出信息的装置500的获取单元501、切句单元502、特征提取单元503、预测单元504、投票单元505、输出单元506的具体处理可以参考图2对应实施例中的步骤201-206。
在本实施例的一些可选的实现方式中,装置500还包括表格摘要提取单元(附图中未示出),被配置成:若文档包括表格,则将表格进行切分,得到表格列表;对于表格列表中的每个表格,基于获取的摘要模板、该表格的段落分类类别和该表格上一段的文本内容信息,匹配该表格对应的模板名;将模板名匹配成功的表格进行单元格key值匹配和value值匹配;将key值匹配和value值匹配成功的单元格内容填充到摘要模板中,得到模板摘要句;输出模板摘要句。
在本实施例的一些可选的实现方式中,输出单元506进一步被配置成:将滑动transformer模型计算出的句子属于摘要句的概率按照由大到小的顺序选择至少一个句子,使得所选择的句子的总长度不超过规定的摘要长度;将所选择的句子作为模型摘要句输出。
在本实施例的一些可选的实现方式中,特征包括以下至少一项:句向量特征、统计特征、文档特征。
在本实施例的一些可选的实现方式中,装置500还包括训练单元(附图中未示出),被配置成:将样本文档的原文按照句子顺序划分为若干固定长度的窗口;按照固定的滑动步长基于每一个窗口的句子构造样本集,其中,每个样本包括一个窗口的句子和用于表征该窗口的各句子是否是摘要句的标签;从样本集中选取样本,以及执行以下训练步骤:将选取的样本的一个窗口的句子输入初始滑动transformer模型,得到各句子属于摘要句的概率;将各句子属于摘要句的概率与各句子是否是摘要句的标签进行分析,确定损失值;将损失值与目标值进行比较;根据比较结果确定初始滑动transformer模型是否训练完成;响应于确定出初始滑动transformer模型训练完成,将初始滑动transformer模型确定为滑动transformer模型;响应于确定出初始滑动transformer模型未训练完成,调整初始滑动transformer模型中的相关参数,以及从样本集中重新选取样本,使用调整后的初始滑动transformer模型作为初始滑动transformer模型,继续执行上述训练步骤。
在本实施例的一些可选的实现方式中,按照预定的比例对摘要句的标签损失值进行加权。
在本实施例的一些可选的实现方式中,表格摘要提取单元进一步被配置成:计算包括key值的候选单元格;将候选单元格内容和key值的相似词典进行匹配,如果匹配到则直接返回匹配成功的结果。
在本实施例的一些可选的实现方式中,表格摘要提取单元进一步被配置成:计算候选单元格的内容和摘要模板中key值的相似度;将相似度大于预定相似度阈值的候选单元格的内容当作key值返回。
在本实施例的一些可选的实现方式中,表格摘要提取单元进一步被配置成:查找匹配当前key值的单元格的下一列和下一行单元格内容,去除和当前key值相同的单元格。
在本实施例的一些可选的实现方式中,表格摘要提取单元进一步被配置成:通过value值的规则,匹配下一列和下一行单元格,符合规则的单元格内容则为需要填空的value值。
在本实施例的一些可选的实现方式中,表格摘要提取单元进一步被配置成:如果匹配到的摘要模板产生多条结果,则根据上一次的匹配方向继续生成下一条摘要,直到匹配到不符合value值的规则的单元格为止。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的终端设备/服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:获取待提取摘要的文档;将文档进行切句,得到句子列表;对于句子列表中的每个句子,提取该句子的特征;将句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果;对于预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句;将确定出的摘要句作为模型摘要句输出。
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公开的实施例的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服务器上执行。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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
描述于本公开的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:一种处理器包括获取单元、切句单元、特征提取单元、预测单元、投票单元、输出单元。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,获取单元还可以被描述为“获取待提取摘要的文档的单元”。
以上描述仅为本公开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,本公开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所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。例如上述特征与本公开中公开的(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 (22)
1.一种用于输出信息的方法,包括:
获取待提取摘要的文档;
将所述文档进行切句,得到句子列表;
对于所述句子列表中的每个句子,提取该句子的特征;
将所述句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果;
对于所述预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句;
将确定出的摘要句作为模型摘要句输出;
若所述文档包括表格,则将表格进行切分,得到表格列表;
对于所述表格列表中的每个表格,基于获取的摘要模板、该表格的段落分类类别和该表格上一段的文本内容信息,匹配该表格对应的模板名;
将模板名匹配成功的表格进行单元格key值匹配和value值匹配;
将key值匹配和value值匹配成功的单元格内容填充到所述摘要模板中,得到模板摘要句;
输出所述模板摘要句。
2.根据权利要求1所述的方法,其中,所述将确定出的摘要句作为模型摘要句输出,包括:
将所述滑动transformer模型计算出的句子属于摘要句的概率按照由大到小的顺序选择至少一个句子,使得所选择的句子的总长度不超过规定的摘要长度;
将所选择的句子作为模型摘要句输出。
3.根据权利要求1所述的方法,其中,所述特征包括以下至少一项:
句向量特征、统计特征、文档特征。
4.根据权利要求1所述的方法,其中,所述方法还包括:
将样本文档的原文按照句子顺序划分为若干固定长度的窗口;
按照固定的滑动步长基于每一个窗口的句子构造样本集,其中,每个样本包括一个窗口的句子和用于表征该窗口的各句子是否是摘要句的标签;
从所述样本集中选取样本,以及执行以下训练步骤:将选取的样本的一个窗口的句子输入初始滑动transformer模型,得到各句子属于摘要句的概率;将各句子属于摘要句的概率与各句子是否是摘要句的标签进行分析,确定损失值;将所述损失值与目标值进行比较;根据比较结果确定初始滑动transformer模型是否训练完成;响应于确定出所述初始滑动transformer模型训练完成,将所述初始滑动transformer模型确定为滑动transformer模型;
响应于确定出初始滑动transformer模型未训练完成,调整初始滑动transformer模型中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始滑动transformer模型作为初始滑动transformer模型,继续执行上述训练步骤。
5.根据权利要求4所述的方法,其中,按照预定的比例对摘要句的标签损失值进行加权。
6.根据权利要求1所述的方法,其中,所述将模板名匹配成功的表格进行单元格key值匹配,包括:
计算包括key值的候选单元格;
将所述候选单元格内容和key值的相似词典进行匹配,如果匹配到则直接返回匹配成功的结果。
7.根据权利要求6所述的方法,其中,所述将模板名匹配成功的表格进行单元格key值匹配,还包括:
计算所述候选单元格的内容和所述摘要模板中key值的相似度;
将相似度大于预定相似度阈值的候选单元格的内容当作key值返回。
8.根据权利要求1所述的方法,其中,所述将模板名匹配成功的表格进行单元格value值匹配,包括:
查找匹配当前key值的单元格的下一列和下一行单元格内容,去除和当前key值相同的单元格。
9.根据权利要求1所述的方法,其中,所述将模板名匹配成功的表格进行单元格value值匹配,包括:
通过value值的规则,匹配下一列和下一行单元格,符合所述规则的单元格内容则为需要填空的value值。
10.根据权利要求1所述的方法,其中,所述将模板名匹配成功的表格进行单元格value值匹配,包括:
如果匹配到的摘要模板产生多条结果,则根据上一次的匹配方向继续生成下一条摘要,直到匹配到不符合value值的规则的单元格为止。
11.一种用于输出信息的装置,包括:
获取单元,被配置成获取待提取摘要的文档;
切句单元,被配置成将所述文档进行切句,得到句子列表;
特征提取单元,被配置成对于所述句子列表中的每个句子,提取该句子的特征;
预测单元,被配置成将所述句子列表中各句子的特征输入预先训练的滑动transformer模型,得到各句子是否为摘要句的预测结果;
投票单元,被配置成对于所述预测结果中因为滑动导致的重复预测的每个句子,按照投票方式确定该句子是否为摘要句;
输出单元,被配置成将确定出的摘要句作为模型摘要句输出;
表格摘要提取单元,被配置成:
若所述文档包括表格,则将表格进行切分,得到表格列表;
对于所述表格列表中的每个表格,基于获取的摘要模板、该表格的段落分类类别和该表格上一段的文本内容信息,匹配该表格对应的模板名;
将模板名匹配成功的表格进行单元格key值匹配和value值匹配;
将key值匹配和value值匹配成功的单元格内容填充到所述摘要模板中,得到模板摘要句;
输出所述模板摘要句。
12.根据权利要求11所述的装置,其中,所述输出单元进一步被配置成:
将所述滑动transformer模型计算出的句子属于摘要句的概率按照由大到小的顺序选择至少一个句子,使得所选择的句子的总长度不超过规定的摘要长度;
将所选择的句子作为模型摘要句输出。
13.根据权利要求11所述的装置,其中,所述特征包括以下至少一项:
句向量特征、统计特征、文档特征。
14.根据权利要求11所述的装置,其中,所述装置还包括训练单元,被配置成:
将样本文档的原文按照句子顺序划分为若干固定长度的窗口;
按照固定的滑动步长基于每一个窗口的句子构造样本集,其中,每个样本包括一个窗口的句子和用于表征该窗口的各句子是否是摘要句的标签;
从所述样本集中选取样本,以及执行以下训练步骤:将选取的样本的一个窗口的句子输入初始滑动transformer模型,得到各句子属于摘要句的概率;将各句子属于摘要句的概率与各句子是否是摘要句的标签进行分析,确定损失值;将所述损失值与目标值进行比较;根据比较结果确定初始滑动transformer模型是否训练完成;响应于确定出所述初始滑动transformer模型训练完成,将所述初始滑动transformer模型确定为滑动transformer模型;
响应于确定出初始滑动transformer模型未训练完成,调整初始滑动transformer模型中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始滑动transformer模型作为初始滑动transformer模型,继续执行上述训练步骤。
15.根据权利要求14所述的装置,其中,按照预定的比例对摘要句的标签损失值进行加权。
16.根据权利要求11所述的装置,其中,所述表格摘要提取单元进一步被配置成:
计算包括key值的候选单元格;
将所述候选单元格内容和key值的相似词典进行匹配,如果匹配到则直接返回匹配成功的结果。
17.根据权利要求16所述的装置,其中,所述表格摘要提取单元进一步被配置成:
计算所述候选单元格的内容和所述摘要模板中key值的相似度;
将相似度大于预定相似度阈值的候选单元格的内容当作key值返回。
18.根据权利要求11所述的装置,其中,所述表格摘要提取单元进一步被配置成:
查找匹配当前key值的单元格的下一列和下一行单元格内容,去除和当前key值相同的单元格。
19.根据权利要求11所述的装置,其中,所述表格摘要提取单元进一步被配置成:
通过value值的规则,匹配下一列和下一行单元格,符合所述规则的单元格内容则为需要填空的value值。
20.根据权利要求11所述的装置,其中,所述表格摘要提取单元进一步被配置成:
如果匹配到的摘要模板产生多条结果,则根据上一次的匹配方向继续生成下一条摘要,直到匹配到不符合value值的规则的单元格为止。
21.一种用于输出信息的电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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1-10中任一所述的方法。
22.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010200299.0A CN111414471B (zh) | 2020-03-20 | 2020-03-20 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010200299.0A CN111414471B (zh) | 2020-03-20 | 2020-03-20 | 用于输出信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414471A CN111414471A (zh) | 2020-07-14 |
CN111414471B true CN111414471B (zh) | 2023-07-28 |
Family
ID=71493133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010200299.0A Active CN111414471B (zh) | 2020-03-20 | 2020-03-20 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414471B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898363B (zh) * | 2020-07-27 | 2023-07-28 | 平安科技(深圳)有限公司 | 文本长难句的压缩方法、装置、计算机设备及存储介质 |
CN112597295B (zh) * | 2020-12-03 | 2024-02-02 | 京东科技控股股份有限公司 | 摘要提取方法、装置、计算机设备和存储介质 |
CN112732898A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 文献摘要生成方法、装置、计算机设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657053A (zh) * | 2018-12-13 | 2019-04-19 | 北京百度网讯科技有限公司 | 多文本摘要生成方法、装置、服务器及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10228917B2 (en) * | 2017-05-11 | 2019-03-12 | International Business Machines Corporation | Mapping of software code via user interface summarization |
US10896214B2 (en) * | 2018-06-01 | 2021-01-19 | Accenture Global Solutions Limited | Artificial intelligence based-document processing |
CN109657054B (zh) * | 2018-12-13 | 2021-02-02 | 北京百度网讯科技有限公司 | 摘要生成方法、装置、服务器及存储介质 |
CN110110140A (zh) * | 2019-04-19 | 2019-08-09 | 天津大学 | 基于注意力扩展编解码网络的视频摘要方法 |
-
2020
- 2020-03-20 CN CN202010200299.0A patent/CN111414471B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657053A (zh) * | 2018-12-13 | 2019-04-19 | 北京百度网讯科技有限公司 | 多文本摘要生成方法、装置、服务器及存储介质 |
Non-Patent Citations (3)
Title |
---|
"Summary on development of wind generators";Xuesong Zhou et al;《2017 IEEE International conference on mechatronics and automation(ICMA)》;全文 * |
"基于改进TextRank算法的中文文本摘要提取";徐馨韬等;《计算机工程》(第3期);第273-277页 * |
彭敏等."基于高质量信息提取的微博自动摘要".《计算机工程》.2015,第41卷(第7期),第36-42页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111414471A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832414B (zh) | 用于推送信息的方法和装置 | |
CN107766371B (zh) | 一种文本信息分类方法及其装置 | |
CN111753060A (zh) | 信息检索方法、装置、设备及计算机可读存储介质 | |
CN111414471B (zh) | 用于输出信息的方法和装置 | |
CN109325121B (zh) | 用于确定文本的关键词的方法和装置 | |
CN110888990A (zh) | 文本推荐方法、装置、设备及介质 | |
EP3916579A1 (en) | Method for resource sorting, method for training sorting model and corresponding apparatuses | |
CN115982376B (zh) | 基于文本、多模数据和知识训练模型的方法和装置 | |
CN112926308B (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN111078835A (zh) | 简历评估方法、装置、计算机设备及存储介质 | |
CN113806588B (zh) | 搜索视频的方法和装置 | |
EP3961426A2 (en) | Method and apparatus for recommending document, electronic device and medium | |
CN112686022A (zh) | 违规语料的检测方法、装置、计算机设备及存储介质 | |
WO2023005968A1 (zh) | 文本类别识别方法、装置、电子设备和存储介质 | |
CN111930792A (zh) | 数据资源的标注方法、装置、存储介质及电子设备 | |
CN111460288A (zh) | 用于检测新闻事件的方法和装置 | |
CN111078849A (zh) | 用于输出信息的方法和装置 | |
CN114298007A (zh) | 一种文本相似度确定方法、装置、设备及介质 | |
CN113886545A (zh) | 知识问答方法、装置、计算机可读介质及电子设备 | |
CN111143515B (zh) | 文本匹配方法及装置 | |
CN111382262A (zh) | 用于输出信息的方法和装置 | |
CN112487263A (zh) | 一种信息处理方法、系统、设备及计算机可读存储介质 | |
CN111555960A (zh) | 信息生成的方法 | |
CN112069786A (zh) | 文本信息处理方法、装置、电子设备及介质 | |
CN114742058B (zh) | 一种命名实体抽取方法、装置、计算机设备及存储介质 |
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 |