CN111552800A - 摘要生成方法、装置、电子设备及介质 - Google Patents
摘要生成方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111552800A CN111552800A CN202010244210.0A CN202010244210A CN111552800A CN 111552800 A CN111552800 A CN 111552800A CN 202010244210 A CN202010244210 A CN 202010244210A CN 111552800 A CN111552800 A CN 111552800A
- Authority
- CN
- China
- Prior art keywords
- abstract
- template
- bulletin
- target
- text
- 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
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
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明提供一种摘要生成方法、装置、电子设备及介质。该方法能够获取至少一个企业的至少一篇公告摘要并进行去重处理,对去重处理后的每篇公告摘要进行预处理,得到至少一个分词,将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,生成至少一个摘要模板,融合至少一个摘要模板,得到摘要模板库,当接收到摘要生成指令时,从摘要生成指令中提取目标文本,确定目标文本所属的文本类型,及确定目标文本对应的企业所属的企业类型,确定同时与所述文本类型及所述企业类型匹配的目标摘要模板,从目标文本中提取所述目标摘要模板所需的信息,生成目标文本对应的摘要,通过分析已公布的公告摘要得到摘要模板,能够提高摘要生成的准确率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种摘要生成方法、装置、电子设备及介质。
背景技术
随着监管机构对企业的监督与指导力度的加大,要求企业定期向社会公告与证券交易相关的重大事件,并披露相关统计数据,如:募集说明书、上市公告书等报告,为方便第三方快速了解企业的运行状况,需要为这些报告提供摘要,由于每篇报告一般长达几十页,因此,人工处理时需要熟读每篇报告后才能提供摘要,影响了摘要生成的效率,为此,自动生成摘要的方式应运而生。
在现有的摘要生成方案中,基于深度学习的摘要生成方案是通过分析报告原文的具体大意,进而概括地生成报告的摘要,该方法由于需要分析原文的大意,因此需要大量标注好的训练样本,然而,由于标注好的训练样本不易获取,因此在没有足够多的训练样本的情况下,将会导致摘要自动生成的准确率低。传统的抽取式摘要生成方案从文本中抽取语句,这种方式虽然便捷,但是句子之间连贯性不强,可读性较差。
因此,如何构建准确且连贯性强的摘要生成方案,成了有待解决的技术问题。
发明内容
鉴于以上内容,有必要提供一种摘要生成方法、装置、电子设备及介质,不仅能够提高摘要生成的准确率,还能保证生成的摘要的连贯性。
一种摘要生成方法,所述方法包括:
获取至少一个企业的至少一篇公告摘要,并对所述至少一篇公告摘要进行去重处理;
对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词;
将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,生成至少一个摘要模板;
融合所述至少一个摘要模板,得到摘要模板库;
当接收到摘要生成指令时,从所述摘要生成指令中提取目标文本;
确定所述目标文本所属的文本类型,及确定所述目标文本对应的企业所属的企业类型;
从所述摘要模板库中确定同时与所述文本类型及所述企业类型匹配的目标摘要模板;
从所述目标文本中提取所述目标摘要模板所需的信息,及根据提取的信息及所述目标摘要模板,生成所述目标文本对应的摘要。
根据本发明优选实施例,所述对所述至少一篇公告摘要进行去重处理包括:
根据每篇公告摘要中的摘要标题,计算每篇公告摘要的哈希值;
从每篇公告摘要中抽取预设特征并建立特征索引;
根据每两篇公告摘要的哈希值,采用余弦距离公式计算每两篇公告摘要的相似距离,得到每对摘要对的相似距离,其中,每对摘要对包括任意两篇公告摘要;
通过所述特征索引搜索出相似距离大于阈值的摘要对,并将该摘要对确定为相似摘要对;
判断所述相似摘要对中的预设特征是否相同;
当所述相似摘要对中的预设特征相同时,删除所述相似摘要对中的任意一条摘要。
根据本发明优选实施例,所述对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词包括:
针对去重处理后的每篇公告摘要进行去噪处理,得到第一文本;
对所述第一文本中的预设字段进行词法分析处理,得到第二文本;
根据预设的自定义词典对所述第二文本进行切分,得到切分位置;
根据所述切分位置,构建至少一个有向无环图;
根据所述自定义词典中的权值计算每个有向无环图的概率;
将概率最大的有向无环图对应的切分位置确定为目标切分位置;
根据所述目标切分位置确定至少一个特征词;
对所述至少一个特征词进行标准化处理,得到每篇公告摘要的至少一个分词。
根据本发明优选实施例,在将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型之前,所述方法还包括:
采用网络爬虫技术获取至少一篇历史摘要;
对所述至少一篇历史摘要进行摘要类别标注,得到每篇历史摘要对应的摘要类别;
基于所述至少一篇历史摘要及对应的摘要类别构建数据集;
采用交叉验证法划分所述数据集,得到训练集及验证集;
对所述训练集及所述验证集中的每篇历史摘要进行分词处理,得到所述训练集中的至少一个特征及所述验证集中的至少一个特征;
将所述训练集中的至少一个特征输入到输入门层进行训练,得到学习器;
根据所述验证集中的至少一个特征,对所述学习器进行误差分析并调整,直至误差小于配置值时,得到所述参数抽取模型。
根据本发明优选实施例,所述基于所述至少一篇历史摘要及对应的摘要类别构建数据集之后,所述方法还包括:
计算每一摘要类别对应的历史摘要的数量;
判断所述数量是否小于预设数量;
当所述数量小于所述预设数量时,通过扰动法增加与所述数量对应的历史摘要的数量。
根据本发明优选实施例,所述摘要模板库中记载至少一个摘要模板的模板信息,所述模板信息包括所述摘要模板、所述摘要模板的摘要类别、所述摘要模板对应的企业类别。
根据本发明优选实施例,在生成所述目标文本对应的摘要后,所述方法还包括:
根据所述企业类型确定目标参数列表;
获取所述目标参数列表中的所有参数;
判断所述摘要中是否包含所述所有参数;
当检测到所述摘要中包含所述所有参数时,根据所述摘要生成提示信息;
将所述提示信息发送至指定联系人的终端设备。
一种摘要生成装置,所述装置包括:
执行单元,用于获取至少一个企业的至少一篇公告摘要,并对所述至少一篇公告摘要进行去重处理;
预处理单元,用于对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词;
生成单元,用于将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,生成至少一个摘要模板;
融合单元,用于融合所述至少一个摘要模板,得到摘要模板库;
提取单元,用于当接收到摘要生成指令时,从所述摘要生成指令中提取目标文本;
确定单元,用于确定所述目标文本所属的文本类型,及确定所述目标文本对应的企业所属的企业类型;
所述确定单元,还用于从所述摘要模板库中确定同时与所述文本类型及所述企业类型匹配的目标摘要模板;
所述生成单元,还用于从所述目标文本中提取所述目标摘要模板所需的信息,及根据提取的信息及所述目标摘要模板,生成所述目标文本对应的摘要。
根据本发明优选实施例,所述执行单元对所述至少一篇公告摘要进行去重处理包括:
根据每篇公告摘要中的摘要标题,计算每篇公告摘要的哈希值;
从每篇公告摘要中抽取预设特征并建立特征索引;
根据每两篇公告摘要的哈希值,采用余弦距离公式计算每两篇公告摘要的相似距离,得到每对摘要对的相似距离,其中,每对摘要对包括任意两篇公告摘要;
通过所述特征索引搜索出相似距离大于阈值的摘要对,并将该摘要对确定为相似摘要对;
判断所述相似摘要对中的预设特征是否相同;
当所述相似摘要对中的预设特征相同时,删除所述相似摘要对中的任意一条摘要。
根据本发明优选实施例,所述预处理单元具体用于:
针对去重处理后的每篇公告摘要进行去噪处理,得到第一文本;
对所述第一文本中的预设字段进行词法分析处理,得到第二文本;
根据预设的自定义词典对所述第二文本进行切分,得到切分位置;
根据所述切分位置,构建至少一个有向无环图;
根据所述自定义词典中的权值计算每个有向无环图的概率;
将概率最大的有向无环图对应的切分位置确定为目标切分位置;
根据所述目标切分位置确定至少一个特征词;
对所述至少一个特征词进行标准化处理,得到每篇公告摘要的至少一个分词。
根据本发明优选实施例,所述装置还包括:
获取单元,用于在将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型之前,采用网络爬虫技术获取至少一篇历史摘要;
标注单元,用于对所述至少一篇历史摘要进行摘要类别标注,得到每篇历史摘要对应的摘要类别;
构建单元,用于基于所述至少一篇历史摘要及对应的摘要类别构建数据集;
划分单元,用于采用交叉验证法划分所述数据集,得到训练集及验证集;
处理单元,用于对所述训练集及所述验证集中的每篇历史摘要进行分词处理,得到所述训练集中的至少一个特征及所述验证集中的至少一个特征;
输入单元,用于将所述训练集中的至少一个特征输入到输入门层进行训练,得到学习器;
所述执行单元,还用于根据所述验证集中的至少一个特征,对所述学习器进行误差分析并调整,直至误差小于配置值时,得到所述参数抽取模型。
根据本发明优选实施例,所述装置还包括:
计算单元,用于所述基于所述至少一篇历史摘要及对应的摘要类别构建数据集之后,计算每一摘要类别对应的历史摘要的数量;
判断单元,用于判断所述数量是否小于预设数量;
所述执行单元,还用于当所述数量小于所述预设数量时,通过扰动法增加与所述数量对应的历史摘要的数量。
根据本发明优选实施例,所述摘要模板库中记载至少一个摘要模板的模板信息,所述模板信息包括所述摘要模板、所述摘要模板的摘要类别、所述摘要模板对应的企业类别。
根据本发明优选实施例,所述确定单元,还用于在生成所述目标文本对应的摘要后,根据所述企业类型确定目标参数列表;
所述获取单元,还用于获取所述目标参数列表中的所有参数;
所述判断单元,还用于判断所述摘要中是否包含所述所有参数;
所述生成单元,还用于当检测到所述摘要中包含所述所有参数时,根据所述摘要生成提示信息;
所述装置还包括:
发送单元,用于将所述提示信息发送至指定联系人的终端设备。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,获取所述存储器中存储的指令以实现所述摘要生成方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器获取以实现所述摘要生成方法。
由以上技术方案可以看出,由于本发明直接分析公告摘要的信息,而无需分析报告原文的大意,因此,所需的训练样本较少,进而在相同的训练样本的情况下,本发明得到的模型更精确,提高了摘要生成的准确率,另外,根据摘要模板生成摘要,保证了生成的摘要的连贯性。
附图说明
图1是本发明摘要生成方法的较佳实施例的流程图。
图2是本发明摘要生成装置的较佳实施例的功能模块图。
图3是本发明实现摘要生成方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明摘要生成方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述摘要生成方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,获取至少一个企业的至少一篇公告摘要,并对所述至少一篇公告摘要进行去重处理。
在本发明的至少一个实施例中,所述至少一篇公告摘要的来源包括,但不限于:发布公告摘要的金融网站上,至少一个企业的网站上等。通过在各类网站上构建爬虫,进而从各类网站上爬取网页信息,以得到公开的至少一篇公告摘要。
由于不同的来源可能存在相同的公告摘要,因此需要对公告摘要进行去重处理。
在本发明的至少一个实施例中,所述电子设备对所述至少一篇公告摘要进行去重处理包括:
所述电子设备根据每篇公告摘要中的摘要标题,计算每篇公告摘要的哈希值,进一步地,所述电子设备从每篇公告摘要中抽取预设特征并建立特征索引,根据每两篇公告摘要的哈希值,所述电子设备采用余弦距离公式计算每两篇公告摘要的相似距离,得到每对摘要对的相似距离,其中,每对摘要对包括任意两篇公告摘要,进一步地,所述电子设备通过所述特征索引搜索出相似距离大于阈值的摘要对,并将该摘要对确定为相似摘要对,更进一步地,所述电子设备判断所述相似摘要对中的预设特征是否相同,当所述相似摘要对中的预设特征相同时,所述电子设备删除所述相似摘要对中的任意一条摘要。
通过上述实施方式,由于无需对重复的公告摘要进行再次分析处理,因此能够提高摘要模板库的生成效率,另外,还能够节省所述电子设备的内存。
S11,对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词。
在本发明的至少一个实施例中,所述电子设备对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词包括:
所述电子设备针对去重处理后的每篇公告摘要进行去噪处理,得到第一文本,进一步地,所述电子设备对所述第一文本中的预设字段进行词法分析处理,得到第二文本,更进一步地,所述电子设备根据预设的自定义词典对所述第二文本进行切分,得到切分位置,根据所述切分位置,所述电子设备构建至少一个有向无环图(Directed acyclic graph,DAG),并根据所述自定义词典中的权值计算每个有向无环图的概率,更进一步地,所述电子设备将概率最大的有向无环图对应的切分位置确定为目标切分位置,并根据所述目标切分位置确定至少一个特征词,所述电子设备对所述至少一个特征词进行标准化处理,得到每篇公告摘要的至少一个分词。
其中,所述去噪处理包括去除每篇公告摘要中的标签、特殊字符以及停用词等。
进一步地,所述预设字段包括,但不限于:时间、金额、百分数等。
更进一步地,所述预设的自定义词典中存储至少一个自定义词及每个自定义词对应的权值。
具体地,所述电子设备对所述至少一个特征词进行标准化处理,得到每篇公告摘要的至少一个分词包括:
所述电子设备采用浅层式语义分析方法识别所述至少一个特征词,并将识别出的含义相似的特征词进行归一化处理,得到所述至少一个分词。
例如,所述电子设备识别出“营业额”与“营业收入”为含义相似的特征词,进一步地,所述电子设备对“营业额”与“营业收入”进行归一化处理,得到分词为“营业额”。
通过对去重处理后的每篇公告摘要进行去噪处理,不仅能够减少无效的数据量,还能够节省所述电子设备的内存;通过对所述预设字段进行词法分析处理,能够避免后续生成摘要模板时发生不必要的扰动;通过具有权值的自定义词典切分所述第二文本,能够准确地确定所述至少一个特征词;通过对所述至少一个特征词进行标准化处理,能够对所述至少一个特征词的表述进行统一,有利于参数抽取模型抽取实体。
S12,将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,生成至少一个摘要模板。
在本发明的至少一个实施例中,在将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型之前,所述方法还包括:
所述电子设备采用网络爬虫技术获取至少一篇历史摘要,所述电子设备对所述至少一篇历史摘要进行摘要类别标注,得到每篇历史摘要对应的摘要类别,进一步地,所述电子设备基于所述至少一篇历史摘要及对应的摘要类别构建数据集,所述电子设备采用交叉验证法划分所述数据集,得到训练集及验证集,所述电子设备对所述训练集及所述验证集中的每篇历史摘要进行分词处理,得到所述训练集中的至少一个特征及所述验证集中的至少一个特征,所述电子设备将所述训练集中的至少一个特征输入到输入门层进行训练,得到学习器,根据所述验证集中的至少一个特征,所述电子设备对所述学习器进行误差分析并调整,直至误差小于配置值时,得到所述参数抽取模型。
其中,所述输入门层中含有至少一个企业类型的预设参数列表,所述预设参数列表可以通过分析公告摘要而确定。
通过上述实施方式,能够训练得到精准的参数抽取模型,以便基于所述参数抽取模型对每篇公告摘要进行参数抽取,进而有利于摘要模板的生成。
在本发明的至少一个实施例中,所述基于所述至少一篇历史摘要及对应的摘要类别构建数据集之后,所述方法还包括:
所述电子设备计算每一摘要类别对应的历史摘要的数量,进一步地,所述电子设备判断所述数量是否小于预设数量,当所述数量小于所述预设数量时,所述电子设备通过扰动法增加与所述数量对应的历史摘要的数量。
其中,本发明对所述预设数量的取值不作限制。
通过上述实施方式,能够避免由于某一摘要类别的历史摘要的样本数量不足,导致训练得到的参数抽取模型不准确,进而影响摘要生成的准确率。
在本发明的至少一个实施例中,所述电子设备采用交叉验证法划分所述数据集,得到训练集及验证集包括:
所述电子设备将所述数据集按照预设比例随机划分为至少一个数据包,进一步地,所述电子设备将所述至少一个数据包中的任意一个数据包确定为所述验证集,其余的数据包确定为所述训练集,重复上述步骤,直至所有的数据包全都依次被用作为所述验证集。
其中,所述预设比例可以自定义设置,本发明不作限制。
例如:所述电子设备将所述数据集划分为3个数据包,分别为数据包E、数据包F、数据包G,并将所述数据包E确定为所述验证集,数据包F以及数据包G确定为所述训练集。其次,将所述数据包F确定为所述验证集,数据包E以及数据包G确定为所述训练集。最后,所述数据包G确定为所述验证集,数据包E以及数据包F确定为所述训练集。
通过划分所述数据集,使所述数据集中的每个数据均参加训练及验证,由此,提高训练所述参数抽取模型的拟合度。
在本发明的至少一个实施例中,所述电子设备将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,得到每个分词对应的实体,进一步地,所述电子设备融合每篇公告摘要中的实体,得到每篇公告摘要对应的摘要模板,更进一步地,所述电子设备将同一摘要类别及同一企业类别对应的摘要模板进行整合,得到所述至少一个摘要模板。
S13,融合所述至少一个摘要模板,得到摘要模板库。
在本发明的至少一个实施例中,所述摘要模板库中记载至少一个摘要模板的模板信息,所述模板信息包括所述摘要模板、所述摘要模板的摘要类别、所述摘要模板对应的企业类别。
其中,所述摘要类别可以是财务指标等,进一步地,所述企业类别可以是化工类等。
具体地,所述电子设备从各类网站上爬取网页信息时,能够获取到公告摘要在网页中所属的栏目标识,进一步地,所述电子设备根据所述栏目标识确定所述公告摘要的摘要类别及企业类别。
通过在所述摘要模板库中记载摘要模板对应的摘要类别及企业类别,为后续所述电子设备从摘要模板库中选取目标摘要模板奠定基础。
S14,当接收到摘要生成指令时,从所述摘要生成指令中提取目标文本。
在本发明的至少一个实施例中,所述摘要生成指令中的信息包括所述目标文本、所述目标文本所属的文本类型、所述目标文本对应的企业所属的企业类型等。
在本发明的至少一个实施例中,所述从所述摘要生成指令中提取目标文本包括:
所述电子设备确定目标标签,进一步地,所述电子设备从所述摘要生成指令中提取所述目标标签对应的文本信息,作为所述目标文本。
S15,确定所述目标文本所属的文本类型,及确定所述目标文本对应的企业所属的企业类型。
由于所述摘要生成指令中的信息包括所述目标文本、所述目标文本所属的文本类型、所述目标文本对应的企业所属的企业类型,因此,所述电子设备可以根据所述目标文本从所述摘要生成指令中确定出所述文本类型及所述企业类型。
S16,从所述摘要模板库中确定同时与所述文本类型及所述企业类型匹配的目标摘要模板。
在本发明的至少一个实施例中,由于所述摘要模板库中记载着至少一个摘要模板的模板信息,所述模板信息包括所述摘要模板、所述摘要模板的摘要类别、所述摘要模板对应的企业类别,因此,所述电子设备能够从所述摘要模板库中确定与所述文本类型及所述企业类型对应的目标摘要类别及目标企业类别,进一步地,所述电子设备根据所述目标摘要类别及所述目标企业类别从所述摘要库中确定所述目标摘要模板。
S17,从所述目标文本中提取所述目标摘要模板所需的信息,及根据提取的信息及所述目标摘要模板,生成所述目标文本对应的摘要。
在本发明的至少一个实施例中,所述从所述目标文本中提取所述目标摘要模板所需的信息包括:
所述电子设备提取所述目标摘要模板中的空格对应的目标标识,进一步地,所述电子设备从所述目标文本中提取与所述目标标识对应的特征值,作为所述所需的信息。
通过所述目标标识,便于所述目标摘要模板与所述目标文本建立桥梁,进而有利于将所述信息准确地录入到所述目标摘要模板中。
在本发明的至少一个实施例中,所述电子设备将提取的信息录入所述目标摘要模板中的所述目标标识对应的空格中,得到所述目标文本对应的摘要。
通过上述实施方式,能够生成准确的摘要。
在本发明的至少一个实施例中,在生成所述目标文本对应的摘要后,所述方法还包括:
所述电子设备根据所述企业类型确定目标参数列表,进一步地,所述电子设备获取所述目标参数列表中的所有参数,更进一步地,所述电子设备判断所述摘要中是否包含所述所有参数,当检测到所述摘要中包含所述所有参数时,根据所述摘要生成提示信息,所述电子设备将所述提示信息发送至指定联系人的终端设备。
其中,所述目标参数列表中的参数为所述企业类型的公告摘要中必含的参数。
进一步地,所述指定联系人可以是所述摘要生成的负责人。
由于不同企业类型对应不同的参数列表,因此,通过判断生成的摘要是否包含所述所有参数,能够确保生成的摘要中具有必备的所有参数,另外,将所述提示信息发送至所述指定联系人的终端设备,以提醒所述指定联系人进行查收。
由以上技术方案可以看出,由于本发明直接分析公告摘要的信息,而无需分析报告原文的大意,因此,所需的训练样本较少,进而在相同的训练样本的情况下,本发明得到的模型更精确,提高了摘要生成的准确率,另外,根据摘要模板生成摘要,保证了生成的摘要的连贯性。
如图2所示,是本发明摘要生成装置的较佳实施例的功能模块图。所述摘要生成装置11包括执行单元110、预处理单元111、生成单元112、融合单元113、提取单元114、确定单元115、获取单元116、标注单元117、构建单元118、划分单元119、处理单元120、输入单元121、计算单元122、判断单元123及发送单元124。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
执行单元110获取至少一个企业的至少一篇公告摘要,并对所述至少一篇公告摘要进行去重处理。
在本发明的至少一个实施例中,所述至少一篇公告摘要的来源包括,但不限于:发布公告摘要的金融网站上,至少一个企业的网站上等。通过在各类网站上构建爬虫,进而从各类网站上爬取网页信息,以得到公开的至少一篇公告摘要。
由于不同的来源可能存在相同的公告摘要,因此需要对公告摘要进行去重处理。
在本发明的至少一个实施例中,所述执行单元110对所述至少一篇公告摘要进行去重处理包括:
所述执行单元110根据每篇公告摘要中的摘要标题,计算每篇公告摘要的哈希值,进一步地,所述执行单元110从每篇公告摘要中抽取预设特征并建立特征索引,根据每两篇公告摘要的哈希值,所述执行单元110采用余弦距离公式计算每两篇公告摘要的相似距离,得到每对摘要对的相似距离,其中,每对摘要对包括任意两篇公告摘要,进一步地,所述执行单元110通过所述特征索引搜索出相似距离大于阈值的摘要对,并将该摘要对确定为相似摘要对,更进一步地,所述执行单元110判断所述相似摘要对中的预设特征是否相同,当所述相似摘要对中的预设特征相同时,所述执行单元110删除所述相似摘要对中的任意一条摘要。
通过上述实施方式,由于无需对重复的公告摘要进行再次分析处理,因此能够提高摘要模板库的生成效率,另外,还能够节省电子设备的内存。
预处理单元111对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词。
在本发明的至少一个实施例中,所述预处理单元111对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词包括:
所述预处理单元111针对去重处理后的每篇公告摘要进行去噪处理,得到第一文本,进一步地,所述预处理单元111对所述第一文本中的预设字段进行词法分析处理,得到第二文本,更进一步地,所述预处理单元111根据预设的自定义词典对所述第二文本进行切分,得到切分位置,根据所述切分位置,所述预处理单元111构建至少一个有向无环图(Directed acyclic graph,DAG),并根据所述自定义词典中的权值计算每个有向无环图的概率,更进一步地,所述预处理单元111将概率最大的有向无环图对应的切分位置确定为目标切分位置,根据所述目标切分位置确定至少一个特征词,所述预处理单元111对所述至少一个特征词进行标准化处理,得到每篇公告摘要的至少一个分词。
其中,所述去噪处理包括去除每篇公告摘要中的标签、特殊字符以及停用词等。
进一步地,所述预设字段包括,但不限于:时间、金额、百分数等。
更进一步地,所述预设的自定义词典中存储至少一个自定义词及每个自定义词对应的权值。
具体地,所述预处理单元111对所述至少一个特征词进行标准化处理,得到每篇公告摘要的至少一个分词包括:
所述预处理单元111采用浅层式语义分析方法识别所述至少一个特征词,并将识别出的含义相似的特征词进行归一化处理,得到所述至少一个分词。
例如,所述预处理单元111识别出“营业额”与“营业收入”为含义相似的特征词,进一步地,所述预处理单元111对“营业额”与“营业收入”进行归一化处理,得到分词为“营业额”。
通过对去重处理后的每篇公告摘要进行去噪处理,不仅能够减少无效的数据量,还能够节省所述电子设备的内存;通过对所述预设字段进行词法分析处理,能够避免后续生成摘要模板时发生不必要的扰动;通过具有权值的自定义词典切分所述第二文本,能够准确地确定所述至少一个特征词;通过对所述至少一个特征词进行标准化处理,能够对所述至少一个特征词的表述进行统一,有利于参数抽取模型抽取实体。
生成单元112将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,生成至少一个摘要模板。
在本发明的至少一个实施例中,在将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型之前,获取单元116采用网络爬虫技术获取至少一篇历史摘要,标注单元117对所述至少一篇历史摘要进行摘要类别标注,得到每篇历史摘要对应的摘要类别,构建单元118基于所述至少一篇历史摘要及对应的摘要类别构建数据集,划分单元119采用交叉验证法划分所述数据集,得到训练集及验证集,处理单元120对所述训练集及所述验证集中的每篇历史摘要进行分词处理,得到所述训练集中的至少一个特征及所述验证集中的至少一个特征,输入单元121将所述训练集中的至少一个特征输入到输入门层进行训练,得到学习器,所述执行单元110根据所述验证集中的至少一个特征,对所述学习器进行误差分析并调整,直至误差小于配置值时,得到所述参数抽取模型。
其中,所述输入门层中含有至少一个企业类型的预设参数列表,所述预设参数列表可以通过分析公告摘要而确定。
通过上述实施方式,能够训练得到精准的参数抽取模型,以便基于所述参数抽取模型对每篇公告摘要进行参数抽取,进而有利于摘要模板的生成。
在本发明的至少一个实施例中,所述基于所述至少一篇历史摘要及对应的摘要类别构建数据集之后,计算单元122计算每一摘要类别对应的历史摘要的数量,判断单元123判断所述数量是否小于预设数量,当所述数量小于所述预设数量时,所述执行单元110通过扰动法增加与所述数量对应的历史摘要的数量。
其中,本发明对所述预设数量的取值不作限制。
通过上述实施方式,能够避免由于某一摘要类别的历史摘要的样本数量不足,导致训练得到的参数抽取模型不准确,进而影响摘要生成的准确率。
在本发明的至少一个实施例中,所述划分单元119采用交叉验证法划分所述数据集,得到训练集及验证集包括:
所述划分单元119将所述数据集按照预设比例随机划分为至少一个数据包,进一步地,所述划分单元119将所述至少一个数据包中的任意一个数据包确定为所述验证集,其余的数据包确定为所述训练集,重复上述步骤,直至所有的数据包全都依次被用作为所述验证集。
其中,所述预设比例可以自定义设置,本发明不作限制。
例如:所述划分单元119将所述数据集划分为3个数据包,分别为数据包E、数据包F、数据包G,并将所述数据包E确定为所述验证集,数据包F以及数据包G确定为所述训练集。其次,将所述数据包F确定为所述验证集,数据包E以及数据包G确定为所述训练集。最后,所述数据包G确定为所述验证集,数据包E以及数据包F确定为所述训练集。
通过划分所述数据集,使所述数据集中的每个数据均参加训练及验证,由此,提高训练所述参数抽取模型的拟合度。
在本发明的至少一个实施例中,所述生成单元112将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,得到每个分词对应的实体,进一步地,所述生成单元112融合每篇公告摘要中的实体,得到每篇公告摘要对应的摘要模板,更进一步地,所述生成单元112将同一摘要类别及同一企业类别对应的摘要模板进行整合,得到所述至少一个摘要模板。
融合单元113融合所述至少一个摘要模板,得到摘要模板库。
在本发明的至少一个实施例中,所述摘要模板库中记载至少一个摘要模板的模板信息,所述模板信息包括所述摘要模板、所述摘要模板的摘要类别、所述摘要模板对应的企业类别。
其中,所述摘要类别可以是财务指标等,进一步地,所述企业类别可以是化工类等。
具体地,所述获取单元116从各类网站上爬取网页信息时,能够获取到公告摘要在网页中所属的栏目标识,进一步地,确定单元115根据所述栏目标识确定所述公告摘要的摘要类别及企业类别。
通过在所述摘要模板库中记载摘要模板对应的摘要类别及企业类别,为后续从摘要模板库中选取目标摘要模板奠定基础。
提取单元114当接收到摘要生成指令时,从所述摘要生成指令中提取目标文本。
在本发明的至少一个实施例中,所述摘要生成指令中的信息包括所述目标文本、所述目标文本所属的文本类型、所述目标文本对应的企业所属的企业类型等。
在本发明的至少一个实施例中,所述提取单元114从所述摘要生成指令中提取目标文本包括:
所述提取单元114确定目标标签,进一步地,所述提取单元114从所述摘要生成指令中提取所述目标标签对应的文本信息,作为所述目标文本。
所述确定单元115确定所述目标文本所属的文本类型,及确定所述目标文本对应的企业所属的企业类型。
由于所述摘要生成指令中的信息包括所述目标文本、所述目标文本所属的文本类型、所述目标文本对应的企业所属的企业类型,因此,所述确定单元115可以根据所述目标文本从所述摘要生成指令中确定出所述文本类型及所述企业类型。
所述确定单元115从所述摘要模板库中确定同时与所述文本类型及所述企业类型匹配的目标摘要模板。
在本发明的至少一个实施例中,由于所述摘要模板库中记载着至少一个摘要模板的模板信息,所述模板信息包括所述摘要模板、所述摘要模板的摘要类别、所述摘要模板对应的企业类别,因此,所述确定单元115能够从所述摘要模板库中确定与所述文本类型及所述企业类型对应的目标摘要类别及目标企业类别,进一步地,所述确定单元115根据所述目标摘要类别及所述目标企业类别从所述摘要库中确定所述目标摘要模板。
所述生成单元112从所述目标文本中提取所述目标摘要模板所需的信息,及根据提取的信息及所述目标摘要模板,生成所述目标文本对应的摘要。
在本发明的至少一个实施例中,所述生成单元112从所述目标文本中提取所述目标摘要模板所需的信息包括:
所述生成单元112提取所述目标摘要模板中的空格对应的目标标识,进一步地,所述生成单元112从所述目标文本中提取与所述目标标识对应的特征值,作为所述所需的信息。
通过所述目标标识,便于所述目标摘要模板与所述目标文本建立桥梁,进而有利于将所述信息准确地录入到所述目标摘要模板中。
在本发明的至少一个实施例中,所述生成单元112将提取的信息录入所述目标摘要模板中的所述目标标识对应的空格中,得到所述目标文本对应的摘要。
通过上述实施方式,能够生成准确的摘要。
在本发明的至少一个实施例中,在生成所述目标文本对应的摘要后,所述确定单元115根据所述企业类型确定目标参数列表,所述获取单元116获取所述目标参数列表中的所有参数,判断单元123判断所述摘要中是否包含所述所有参数,当检测到所述摘要中包含所述所有参数时,所述生成单元112根据所述摘要生成提示信息,发送单元124将所述提示信息发送至指定联系人的终端设备。
其中,所述目标参数列表中的参数为所述企业类型的公告摘要中必含的参数。
进一步地,所述指定联系人可以是所述摘要生成的负责人。
由于不同企业类型对应不同的参数列表,因此,通过判断生成的摘要是否包含所述所有参数,能够确保生成的摘要中具有必备的所有参数,另外,将所述提示信息发送至所述指定联系人的终端设备,以提醒所述指定联系人进行查收。
由以上技术方案可以看出,由于本发明直接分析公告摘要的信息,而无需分析报告原文的大意,因此,所需的训练样本较少,进而在相同的训练样本的情况下,本发明得到的模型更精确,提高了摘要生成的准确率,另外,根据摘要模板生成摘要,保证了生成的摘要的连贯性。
如图3所示,是本发明实现摘要生成方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如摘要生成程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及获取所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13获取所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13获取所述应用程序以实现上述各个摘要生成方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13获取,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的获取过程。例如,所述计算机程序可以被分割成执行单元110、预处理单元111、生成单元112、融合单元113、提取单元114、确定单元115、获取单元116、标注单元117、构建单元118、划分单元119、处理单元120、输入单元121、计算单元122、判断单元123及发送单元124。
所述存储器12可用于存储所述计算机程序和/或模块,所述处理器13通过运行或获取存储在所述存储器12内的计算机程序和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器12可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器获取时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可获取文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种摘要生成方法,所述处理器13可获取所述多个指令从而实现:获取至少一个企业的至少一篇公告摘要,并对所述至少一篇公告摘要进行去重处理;对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词;将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,生成至少一个摘要模板;融合所述至少一个摘要模板,得到摘要模板库;当接收到摘要生成指令时,从所述摘要生成指令中提取目标文本;确定所述目标文本所属的文本类型,及确定所述目标文本对应的企业所属的企业类型;从所述摘要模板库中确定同时与所述文本类型及所述企业类型匹配的目标摘要模板;从所述目标文本中提取所述目标摘要模板所需的信息,及根据提取的信息及所述目标摘要模板,生成所述目标文本对应的摘要。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种摘要生成方法,其特征在于,所述摘要生成方法包括:
获取至少一个企业的至少一篇公告摘要,并对所述至少一篇公告摘要进行去重处理;
对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词;
将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,生成至少一个摘要模板;
融合所述至少一个摘要模板,得到摘要模板库;
当接收到摘要生成指令时,从所述摘要生成指令中提取目标文本;
确定所述目标文本所属的文本类型,及确定所述目标文本对应的企业所属的企业类型;
从所述摘要模板库中确定同时与所述文本类型及所述企业类型匹配的目标摘要模板;
从所述目标文本中提取所述目标摘要模板所需的信息,及根据提取的信息及所述目标摘要模板,生成所述目标文本对应的摘要。
2.如权利要求1所述的摘要生成方法,其特征在于,所述对所述至少一篇公告摘要进行去重处理包括:
根据每篇公告摘要中的摘要标题,计算每篇公告摘要的哈希值;
从每篇公告摘要中抽取预设特征并建立特征索引;
根据每两篇公告摘要的哈希值,采用余弦距离公式计算每两篇公告摘要的相似距离,得到每对摘要对的相似距离,其中,每对摘要对包括任意两篇公告摘要;
通过所述特征索引搜索出相似距离大于阈值的摘要对,并将该摘要对确定为相似摘要对;
判断所述相似摘要对中的预设特征是否相同;
当所述相似摘要对中的预设特征相同时,删除所述相似摘要对中的任意一条摘要。
3.如权利要求1所述的摘要生成方法,其特征在于,所述对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词包括:
针对去重处理后的每篇公告摘要进行去噪处理,得到第一文本;
对所述第一文本中的预设字段进行词法分析处理,得到第二文本;
根据预设的自定义词典对所述第二文本进行切分,得到切分位置;
根据所述切分位置,构建至少一个有向无环图;
根据所述自定义词典中的权值计算每个有向无环图的概率;
将概率最大的有向无环图对应的切分位置确定为目标切分位置;
根据所述目标切分位置确定至少一个特征词;
对所述至少一个特征词进行标准化处理,得到每篇公告摘要的至少一个分词。
4.如权利要求1所述的摘要生成方法,其特征在于,在将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型之前,所述摘要生成方法还包括:
采用网络爬虫技术获取至少一篇历史摘要;
对所述至少一篇历史摘要进行摘要类别标注,得到每篇历史摘要对应的摘要类别;
基于所述至少一篇历史摘要及对应的摘要类别构建数据集;
采用交叉验证法划分所述数据集,得到训练集及验证集;
对所述训练集及所述验证集中的每篇历史摘要进行分词处理,得到所述训练集中的至少一个特征及所述验证集中的至少一个特征;
将所述训练集中的至少一个特征输入到输入门层进行训练,得到学习器;
根据所述验证集中的至少一个特征,对所述学习器进行误差分析并调整,直至误差小于配置值时,得到所述参数抽取模型。
5.如权利要求4所述的摘要生成方法,其特征在于,所述基于所述至少一篇历史摘要及对应的摘要类别构建数据集之后,所述摘要生成方法还包括:
计算每一摘要类别对应的历史摘要的数量;
判断所述数量是否小于预设数量;
当所述数量小于所述预设数量时,通过扰动法增加与所述数量对应的历史摘要的数量。
6.如权利要求1所述的摘要生成方法,其特征在于,所述摘要模板库中记载至少一个摘要模板的模板信息,所述模板信息包括所述摘要模板、所述摘要模板的摘要类别、所述摘要模板对应的企业类别。
7.如权利要求1所述的摘要生成方法,其特征在于,在生成所述目标文本对应的摘要后,所述摘要生成方法还包括:
根据所述企业类型确定目标参数列表;
获取所述目标参数列表中的所有参数;
判断所述摘要中是否包含所述所有参数;
当检测到所述摘要中包含所述所有参数时,根据所述摘要生成提示信息;
将所述提示信息发送至指定联系人的终端设备。
8.一种摘要生成装置,其特征在于,所述摘要生成装置包括:
执行单元,用于获取至少一个企业的至少一篇公告摘要,并对所述至少一篇公告摘要进行去重处理;
预处理单元,用于对去重处理后的每篇公告摘要进行预处理,得到每篇公告摘要的至少一个分词;
生成单元,用于将每篇公告摘要的至少一个分词输入至预先训练的参数抽取模型中,生成至少一个摘要模板;
融合单元,用于融合所述至少一个摘要模板,得到摘要模板库;
提取单元,用于当接收到摘要生成指令时,从所述摘要生成指令中提取目标文本;
确定单元,用于确定所述目标文本所属的文本类型,及确定所述目标文本对应的企业所属的企业类型;
所述确定单元,还用于从所述摘要模板库中确定同时与所述文本类型及所述企业类型匹配的目标摘要模板;
所述生成单元,还用于从所述目标文本中提取所述目标摘要模板所需的信息,及根据提取的信息及所述目标摘要模板,生成所述目标文本对应的摘要。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,获取所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的摘要生成方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器获取以实现如权利要求1至7中任意一项所述的摘要生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244210.0A CN111552800A (zh) | 2020-03-31 | 2020-03-31 | 摘要生成方法、装置、电子设备及介质 |
PCT/CN2021/070995 WO2021196825A1 (zh) | 2020-03-31 | 2021-01-09 | 摘要生成方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244210.0A CN111552800A (zh) | 2020-03-31 | 2020-03-31 | 摘要生成方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111552800A true CN111552800A (zh) | 2020-08-18 |
Family
ID=72003780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010244210.0A Pending CN111552800A (zh) | 2020-03-31 | 2020-03-31 | 摘要生成方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111552800A (zh) |
WO (1) | WO2021196825A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784585A (zh) * | 2021-02-07 | 2021-05-11 | 新华智云科技有限公司 | 金融公告的摘要提取方法与摘要提取终端 |
WO2021196825A1 (zh) * | 2020-03-31 | 2021-10-07 | 深圳壹账通智能科技有限公司 | 摘要生成方法、装置、电子设备及介质 |
CN113806522A (zh) * | 2021-09-18 | 2021-12-17 | 北京百度网讯科技有限公司 | 摘要生成方法、装置、设备以及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115334367B (zh) * | 2022-07-11 | 2023-10-17 | 北京达佳互联信息技术有限公司 | 视频的摘要信息生成方法、装置、服务器以及存储介质 |
CN116501875B (zh) * | 2023-04-28 | 2024-04-26 | 中电科大数据研究院有限公司 | 一种基于自然语言和知识图谱的文档处理方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106713116B (zh) * | 2016-06-17 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置及系统 |
CN106910501B (zh) * | 2017-02-27 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 文本实体提取方法及装置 |
CN109635103B (zh) * | 2018-12-17 | 2022-05-20 | 北京百度网讯科技有限公司 | 摘要生成方法和装置 |
CN110147541B (zh) * | 2019-05-23 | 2023-08-25 | 鼎富智能科技有限公司 | 一种经济报告的生成方法及装置 |
CN110334334B (zh) * | 2019-06-19 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 一种摘要生成方法、装置及计算机设备 |
CN111552800A (zh) * | 2020-03-31 | 2020-08-18 | 深圳壹账通智能科技有限公司 | 摘要生成方法、装置、电子设备及介质 |
-
2020
- 2020-03-31 CN CN202010244210.0A patent/CN111552800A/zh active Pending
-
2021
- 2021-01-09 WO PCT/CN2021/070995 patent/WO2021196825A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021196825A1 (zh) * | 2020-03-31 | 2021-10-07 | 深圳壹账通智能科技有限公司 | 摘要生成方法、装置、电子设备及介质 |
CN112784585A (zh) * | 2021-02-07 | 2021-05-11 | 新华智云科技有限公司 | 金融公告的摘要提取方法与摘要提取终端 |
CN113806522A (zh) * | 2021-09-18 | 2021-12-17 | 北京百度网讯科技有限公司 | 摘要生成方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021196825A1 (zh) | 2021-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111552800A (zh) | 摘要生成方法、装置、电子设备及介质 | |
CN112417096B (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN111488363B (zh) | 数据处理方法、装置、电子设备及介质 | |
CN111695033A (zh) | 企业舆情分析方法、装置、电子设备及介质 | |
CN112686036B (zh) | 风险文本识别方法、装置、计算机设备及存储介质 | |
US20090319449A1 (en) | Providing context for web articles | |
CN111538816B (zh) | 基于ai识别的问答方法、装置、电子设备及介质 | |
CN111459967A (zh) | 结构化查询语句生成方法、装置、电子设备及介质 | |
CN113312461A (zh) | 基于自然语言处理的智能问答方法、装置、设备及介质 | |
CN112163072B (zh) | 基于多数据源的数据处理方法以及装置 | |
CN114238573B (zh) | 基于文本对抗样例的信息推送方法及装置 | |
CN112182224A (zh) | 裁判文书摘要生成方法、装置、电子设备及可读存储介质 | |
CN111639487A (zh) | 基于分类模型的字段抽取方法、装置、电子设备及介质 | |
KR102407057B1 (ko) | Sns 사용자 채널에 대한 공개 데이터를 분석하여 영향력 리포트를 제공하는 시스템 및 방법 | |
CN113656805A (zh) | 一种面向多源漏洞信息的事件图谱自动构建方法及系统 | |
CN113283675A (zh) | 指标数据分析方法、装置、设备及存储介质 | |
CN113064973A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN112257413A (zh) | 地址参数处理方法及相关设备 | |
CN110222139B (zh) | 道路实体数据去重方法、装置、计算设备和介质 | |
CN113157871B (zh) | 应用人工智能的新闻舆情文本处理方法、服务器及介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN113434631A (zh) | 基于事件的情感分析方法、装置、计算机设备及存储介质 | |
CN112395401A (zh) | 自适应负样本对采样方法、装置、电子设备及存储介质 | |
CN114842982B (zh) | 一种面向医疗信息系统的知识表达方法、装置及系统 | |
CN112989820B (zh) | 法律文书定位方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40033540 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |