CN112541346A - 摘要生成方法、装置、电子设备及可读存储介质 - Google Patents
摘要生成方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112541346A CN112541346A CN202011550270.1A CN202011550270A CN112541346A CN 112541346 A CN112541346 A CN 112541346A CN 202011550270 A CN202011550270 A CN 202011550270A CN 112541346 A CN112541346 A CN 112541346A
- Authority
- CN
- China
- Prior art keywords
- text
- entity
- abstract
- content
- obtaining
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06N3/04—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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种摘要生成方法、装置、电子设备及可读存储介质,涉及计算机技术领域,具体涉及深度学习技术领域和自然语言处理技术领域等人工智能技术领域。具体实现方案为:根据待处理的文本和用户给定的摘要实体,获取所述摘要实体在所述文本中的至少一个摘要实体指代内容;根据所述文本,获取所述文本的文本实体指代图;根据所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容。由于考虑了文本的文本实体指代图,使得能够更加有效地识别出文本中针对摘要实体的重要内容,从而生成高质量的摘要内容。
Description
技术领域
本公开涉及计算机技术领域,具体涉及深度学习技术领域和自然语言处理技术领域等人工智能技术领域,尤其涉及一种摘要生成方法、装置、电子设备及可读存储介质。
背景技术
自动摘要是自然语言处理(Natural Language Processing,NLP)中的一项重要任务。通常,可以利用生成式摘要模型,根据给定输入的句子、段落、文章等文本,生成通顺、简洁并且包含原文重要信息的摘要内容。
发明内容
本公开提供了一种摘要生成方法、装置、电子设备及可读存储介质。
根据本公开的一方面,提供了一种摘要生成方法,包括:
根据待处理的文本和用户给定的摘要实体,获取所述摘要实体在所述文本中的至少一个摘要实体指代内容;
根据所述文本,获取所述文本的文本实体指代图;
根据所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容。
根据本公开的另一方面,提供了一种摘要生成装置,包括:
识别单元,用于根据待处理的文本和用户给定的摘要实体,获取所述摘要实体在所述文本中的至少一个摘要实体指代内容;
获取单元,用于根据所述文本,获取所述文本的文本实体指代图;
生成单元,用于根据所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容。
根据本公开的再一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
由上述技术方案可知,本公开实施例通过基于用户所给定的摘要实体,在待处理的文本中,识别出该摘要实体所有不同的摘要实体指代内容,以及基于所述文本,获取所述文本的文本实体指代图,使得能够基于所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容,由于考虑了文本的文本实体指代图,使得能够更加有效地识别出文本中针对摘要实体的重要内容,从而生成高质量的摘要内容。
另外,采用本公开所提供的技术方案,无需人工操作,操作简单,且不容易出错,能够进一步提高摘要生成的效率和可靠性。
另外,采用本公开所提供的技术方案,能够有效地提高用户的体验。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是图1对应的实施例中构建的文章A的文本实体指代图的结构示意图;
图3是根据本公开第二实施例的示意图;
图4是用来实现本公开实施例的摘要生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
需要说明的是,本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备;显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
自动摘要是自然语言处理中的一项重要任务。给定输入的文本,可以期望生成通顺、简洁并且包含原文重要信息的摘要内容。摘要生成所采用的模型目前可以分为抽取式摘要模型和生成式摘要模型:抽取式摘要模型即从输入的文本中选取若干个文本片段作为最终的摘要内容;生成式摘要模型即根据输入的文本生成抽象的摘要内容。相比于抽取式摘要模型,生成式摘要模型更加灵活和简洁,但是往往存在不可控的问题,即用户无法显示地控制想要生成的摘要内容的特性。
在实际应用中,对于输入的文本,例如,一篇文章等,用户往往会想要生成特定对象的摘要内容。例如,当文本谈论到不同的实体时,用户想要生成针对某个特定实体的摘要内容,这样可以很好地帮助用户从大量的文本中快速提取到想要的重要信息,具有很高的实用价值。而目前常见的摘要生成系统并不能很好地解决这个问题。
现有的常用方法是将用户给定的实体当做额外的一个输入,与文本拼接在一起传递到摘要生成模型中,来期望摘要生成模型自动地学习到生成实体相关摘要内容的能力。具体地,待处理的文本X和给定的实体E,需要生成文本X针对实体E的摘要内容Y,现有的做法只能简单地将文本X和实体E拼接在一起之后,输入摘要生成模型中,来生成最终的摘要内容Y。
但是,的目前的直接将文本和给定的实体拼接在一起,采用序列到序列的摘要生成模型来生成实体可控的摘要内容,而这样的摘要生成模型太过于简单。对于实体可控的摘要内容的生成任务,摘要生成模型需要在输入的文本中首先识别到与实体相关的重要内容,之后基于这些重要内容来生成最终的摘要内容。而输入的文本往往都比较长,通常,实体在文本中可以以不同的指代形式出现在不同的句子中,因此,摘要生成模型需要具有足够的理解能力,来识别给定的实体在输入的文本中的不同指代内容,并且提取出与这些指代内容相关的重要内容。这对简单的序列到序列的摘要生成模型来说是很难做到的,因此生成的摘要内容质量往往较差,并且并不能提取到很多的重要内容。
因此,本公开提出一种摘要生成方法,能够识别给定的实体在输入的文本中的不同指代内容,并结合文本的文本实体指代图的相关图信息,使得能够更加有效地识别出文本中针对给定的实体的重要内容,从而生成高质量的摘要内容。
本公开所提供的技术方案,可以适用于各种文本的摘要内容的生成,例如,句子、段落等短文本的摘要内容的生成,或者,再例如,文章、小说等长文本的摘要内容的生成。
实际问题中,客观存在的并且可以相互区别的事物称为实体。实体是现实世界中的对象,可以具体到人,事,物。例如,可以是学生,教师,图书馆的书籍。
图1是根据本公开第一实施例的示意图,如图1所示。
101、根据待处理的文本和用户给定的摘要实体,获取所述摘要实体在所述文本中的至少一个摘要实体指代内容。
所谓的摘要实体,是指用户期望生成文本的摘要内容所针对的实体。
102、根据所述文本,获取所述文本的文本实体指代图。
103、根据所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容。
至此,针对用户给定的文本中的摘要实体,可以生成用户期望的摘要实体相关的摘要内容,具有更高的灵活性。
需要说明的是,101~103的执行主体的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的文本处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
这样,通过基于用户所给定的摘要实体,在待处理的文本中,识别出该摘要实体所有不同的摘要实体指代内容,以及基于所述文本,获取所述文本的文本实体指代图,使得能够基于所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容,由于考虑了文本的文本实体指代图,使得能够更加有效地识别出文本中针对摘要实体的重要内容,从而生成高质量的摘要内容。
可选地,在本实施例的一个可能的实现方式中,在101中,具体可以利用神经网络,根据待处理的文本和用户给定的摘要实体,获取所述摘要实体在所述文本中的至少一个摘要实体指代内容。
在一个具体的实现过程中,具体可以将待处理的文本和用户给定的摘要实体作为神经网络的输入,以进行识别处理,识别出该摘要实体在所述文本中的至少一个摘要实体指代内容。
在该实现过程中所采用的神经网络,可以为现有的神经网络,例如,循环神经网络(Recurrent Neural Network,RNN)、转换器(Transformer)、来自Transformer的双向编码器表示(Bidirectional Encoder Representation from Transformers,BERT)、知识增强语义表示(Enhanced Representation from kNowledge IntEgration,ERNIE)模型等,或者还可以为新的神经网络,本实施例对此不进行特别限定。
此处的神经网络,本实施例的下文中所采用的第一神经网络或第三神经网络的结构可以相同,或者还可以不相同,本实施例对此不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,在102中,具体可以根据所述文本和所述文本中的至少一个文本实体中各文本实体,构建所述文本的文本实体指代图。
所谓的文本实体,是指文本中所出现的任意一个实体,之所以增加“文本”二字,是为了区分上文中的摘要实体。
通常,一个文本实体往往贯穿了整个文本,并且有着不同的指定内容,例如,文本实体“范某某”,其可能的指代内容可以为范XX、某某、范爷、范姓女星、她等多种表达方式。因此,可以将文本中的各文本实体在文本中所有的指代内容识别出来,并将同一个文本实体不同的指代内容,及其所出现的位置进行关联,以构建该文本的文本实体指代图。
在一个具体的实现过程中,具体可以根据所述文本,获取所述文本中的至少一个文本实体,进而,则可以根据所述文本和至少一个文本实体中各文本实体,获取所述各文本实体在所述文本中的至少一个文本实体指代内容。然后,则可以根据所述文本和所述各文本实体的至少一个文本实体指代内容,构建所述文本的文本实体指代图。
具体地,具体可以根据所述文本和所述各文本实体的文本实体指代内容,获得所述各文本实体的文本实体指代内容的指代关系,进而,则可以根据所述各文本实体的文本实体指代内容的指代关系,构造所述文本的文本实体指代图。
其中,所述各文本实体的文本实体指代内容的指代关系,可以包括但不限于该文本实体的各文本实体指代内容之间的关系,以及该文本实体的各文本实体指代内容与文本中的文本单元(例如,句子等)之间的指代关系,本实施例对此不进行特别限定。
以S表示文章A中的句子节点,S1~S16表示文章A中的16句话,m和n表示文章A中的文本实体,m1、m2和m5表示文本实体m在文章中不同的指代内容,n1、n2和n3表示文本实体n在文章中不同的指代内容。假设S1、S2和S3中出现过文本实体m的指代内容,具体为m1出现在S1中,m2出现在S2和S4中,m3出现在S5中;S7、S12和S15中出现过文本实体n的指代内容,具体为n1出现在S7、S9和S10中,n2出现在S12和S13中,n3出现在S15中。基于上述文本实体m的指代内容m1、指代内容m2和指代内容m3之间的指代关系,指代内容m1与句子S1、指代内容m2与句子S2和指代内容m3与句子S5之间的指代关系,以及上述文本实体n的指代内容n1、指代内容n2和指代内容n3之间的指代关系,指代内容n1与句子S7、指代内容n2与句子S12和指代内容n3与句子S15之间的指代关系,构建文章A的文本实体指代图,如图2所示。
至此,由于将文本的文本实体指代内容作为文本的实体特征进行考虑,那么,所构成的图结构即文本实体指代图能够完整地再现文本针对实体对象在语义上的全部内容,使得将所获得的图结构表达作为文本表达的参考依据在语义上能够很好地体现文本的实体信息,同时保留了重要的语义信息,使得所获得的文本表达针对实体对象的表达能力更强,从而提高了文本表达的可靠性。
可选地,在本实施例的一个可能的实现方式中,在103中,具体可以根据所述文本和所述至少一个摘要实体指代内容,获得所述文本的第一向量表达,以及根据所述文本实体指代图,获得所述文本的第二向量表达。进而,则可以根据所述文本的第一向量表达和所述文本的第二向量表达,获得所述文本的摘要内容。
在一个具体的实现过程中,具体可以利用第一神经网络,根据所述文本和所述至少一个摘要实体指代内容,获得所述文本的第一向量表达。
具体地,将待处理的文本和用户给定的摘要实体作为第一神经网络的输入,以进行文本编码处理。
例如,在输入了待处理的文本和用户给定的摘要实体之后,第一神经网络首先识别出该摘要实体在所述文本中的至少一个摘要实体指代内容,再进一步根据所述文本和所述识别出的至少一个摘要实体指代内容,输出所述文本的第一向量表达。
在该实现过程中所采用的第一神经网络,可以为现有的神经网络,例如,循环神经网络(Recurrent Neural Network,RNN)、转换器(Transformer)、来自Transformer的双向编码器表示(Bidirectional Encoder Representation from Transformers,BERT)、知识增强语义表示(Enhanced Representation from kNowledge IntEgration,ERNIE)模型等,或者还可以为新的神经网络,本实施例对此不进行特别限定。
在另一个具体的实现过程中,具体可以利用第二神经网络,所述文本实体指代图,获得所述文本的第二向量表达。
具体地,将所述文本实体指代图作为第二神经网络的输入,以进行图编码处理。
例如,在输入了文本的文本实体指代图之后,第二神经网络则可以根据文本实体指代图,输出所述文本的第二向量表达。
在该实现过程中所采用的第二神经网络,可以为图神经网络(Graph NeuralNetworks,GNN),可以为现有的GNN,例如,图采样与聚合(Graph SAmple and aggreGatE,GraphSAGE)模型、ERNIE采样与聚合(ERNIE SAmple aggreGatE,ERNIESAGE)等,或者还可以为新的GNN,本实施例对此不进行特别限定。
在另一个具体的实现过程中,具体可以获取所述文本的第二向量表达,进而,则可以根据所述文本、所述至少一个摘要实体指代内容和所述文本的第二向量表达,获得所述文本的第一向量表达。
具体地,具体可以利用第三神经网络,将所述文本的第二向量表达、待处理的文本和用户给定的摘要实体作为第三神经网络的输入,以进行文本编码处理。
例如,在输入了所述文本的第二向量表达、待处理的文本和用户给定的摘要实体之后,第三神经网络首先识别出该摘要实体在所述文本中的至少一个摘要实体指代内容,再进一步根据所述文本和所述识别出的至少一个摘要实体指代内容,以及第二神经网络所输出的所述文本的第二向量表达,输出所述文本的第一向量表达。
在该实现过程中所采用的第三神经网络,可以为与第一神经网络结构相同的神经网络,或者还可以为与第一神经网络结构不相同的神经网络,本实施例对此不进行特别限定。
至此,由于将文本的文本实体指代内容作为文本的实体特征进行考虑,那么,所构成的图结构即文本实体指代图能够完整地再现文本针对实体对象在语义上的全部内容,使得将所获得的图结构表达作为文本表达的参考依据在语义上能够很好地体现文本的实体信息,同时保留了重要的语义信息,使得所获得的文本表达针对实体对象的表达能力更强,从而提高了文本表达的可靠性。
在另一个具体的实现过程中,具体可以利用第四神经网络,根据所述文本的第一向量表达和所述文本的第二向量表达,获得所述文本的摘要内容。
在该实现过程中所采用的第四神经网络,可以为现有的神经网络,例如,循环神经网络(Recurrent Neural Network,RNN)、转换器(Transformer)、生成式预训练(Generative Pre-Training,GPT)等,或者还可以为新的神经网络,本实施例对此不进行特别限定。
具体地,具体可以将所述文本的第一向量表达和所述文本的第二向量表达作为第四神经网络的输入,以进行向量表达解码处理。
例如,在输入了所述文本的第一向量表达和所述文本的第二向量表达之后,第四神经网络在每一步生成的时候(即生成每一个摘要内容中的字或词的时候),可以利用注意力机制(attention)来选择所述文本的第一向量表达和所述文本的第二向量表达中需要注意到的部分,循环执行,最终生成文本针对用户给定的摘要实体的摘要内容。
至此,基于文本实体指代图的图结构,在普通的序列到序列的神经网络上增加了图信息,使得模型可以更好地识别到文本中针对指定实体的重要内容,以此来生成高质量的摘要。
本实施例中,通过基于用户所给定的摘要实体,在待处理的文本中,识别出该摘要实体所有不同的摘要实体指代内容,以及基于所述文本,获取所述文本的文本实体指代图,使得能够基于所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容,由于考虑了文本的文本实体指代图,使得能够更加有效地识别出文本中针对摘要实体的重要内容,从而生成高质量的摘要内容。
另外,采用本公开所提供的技术方案,无需人工操作,操作简单,且不容易出错,能够进一步提高摘要生成的效率和可靠性。
另外,采用本公开所提供的技术方案,能够有效地提高用户的体验。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
图3是根据本公开第二实施例的示意图,如图3所示。本实施例的摘要生成装置300可以包括识别单元301、获取单元302和生成单元303。其中,识别单元301,用于根据待处理的文本和用户给定的摘要实体,获取所述摘要实体在所述文本中的至少一个摘要实体指代内容;获取单元302,用于根据所述文本,获取所述文本的文本实体指代图;生成单元303,用于根据所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容。
至此,针对用户给定的文本中的摘要实体,可以生成用户期望的摘要实体相关的摘要内容,具有更高的灵活性。
需要说明的是,本实施例的摘要生成装置的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的文本处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
可选地,在本实施例的一个可能的实现方式中,所述获取单元302,具体可以用于根据所述文本和所述文本中的至少一个文本实体中各文本实体,构建所述文本的文本实体指代图。
在一个具体的实现过程中,所述获取单元302,具体可以用于根据所述文本,获取所述文本中的至少一个文本实体;根据所述文本和至少一个文本实体中各文本实体,获取所述各文本实体在所述文本中的至少一个文本实体指代内容;以及根据所述文本和所述各文本实体的至少一个文本实体指代内容,构建所述文本的文本实体指代图。
具体地,所述获取单元302,具体可以用于根据所述文本和所述各文本实体的文本实体指代内容,获得所述各文本实体的文本实体指代内容的指代关系;以及根据所述各文本实体的文本实体指代内容的指代关系,构造所述文本的文本实体指代图。
可选地,在本实施例的一个可能的实现方式中,所述生成单元303,具体可以用于根据所述文本和所述至少一个摘要实体指代内容,获得所述文本的第一向量表达;根据所述文本实体指代图,获得所述文本的第二向量表达;以及根据所述文本的第一向量表达和所述文本的第二向量表达,获得所述文本的摘要内容。
在一个具体的实现过程中,所述生成单元303,具体可以用于获取所述文本的第二向量表达;以及根据所述文本、所述至少一个摘要实体指代内容和所述文本的第二向量表达,获得所述文本的第一向量表达。
需要说明的是,图1对应的实施例中的方法可以由本实施例提供的摘要生成装置实现。详细描述可以参见图1对应的实施例中的相关内容,此处不再赘述。
本实施例中,通过识别单元基于用户所给定的摘要实体,在待处理的文本中,识别出该摘要实体所有不同的摘要实体指代内容,以及获取单元基于所述文本,获取所述文本的文本实体指代图,使得生成单元能够基于所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容,由于考虑了文本的文本实体指代图,使得能够更加有效地识别出文本中针对摘要实体的重要内容,从而生成高质量的摘要内容。
另外,采用本公开所提供的技术方案,无需人工操作,操作简单,且不容易出错,能够进一步提高摘要生成的效率和可靠性。
另外,采用本公开所提供的技术方案,能够有效地提高用户的体验。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,电子设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储电子设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如摘要生成方法。例如,在一些实施例中,摘要生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的摘要生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行摘要生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
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摘要生成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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种摘要生成方法,包括:
根据待处理的文本和用户给定的摘要实体,获取所述摘要实体在所述文本中的至少一个摘要实体指代内容;
根据所述文本,获取所述文本的文本实体指代图;
根据所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容。
2.根据权利要求1所述的方法,其中,所述根据所述文本,获取所述文本的文本实体指代图,包括:
根据所述文本和所述文本中的至少一个文本实体中各文本实体,构建所述文本的文本实体指代图。
3.根据权利要求2所述的方法,其中,所述根据所述文本和所述文本中的至少一个文本实体中各文本实体,构建所述文本的文本实体指代图,包括:
根据所述文本,获取所述文本中的至少一个文本实体;
根据所述文本和至少一个文本实体中各文本实体,获取所述各文本实体在所述文本中的至少一个文本实体指代内容;
根据所述文本和所述各文本实体的至少一个文本实体指代内容,构建所述文本的文本实体指代图。
4.根据权利要求3所述的方法,其中,所述根据所述文本和所述各文本实体的至少一个文本实体指代内容,构建所述文本的文本实体指代图,包括:
根据所述文本和所述各文本实体的文本实体指代内容,获得所述各文本实体的文本实体指代内容的指代关系;
根据所述各文本实体的文本实体指代内容的指代关系,构造所述文本的文本实体指代图。
5.根据权利要求1-4中任一项所述的方法,其中,所述根据所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容,包括:
根据所述文本和所述至少一个摘要实体指代内容,获得所述文本的第一向量表达;
根据所述文本实体指代图,获得所述文本的第二向量表达;
根据所述文本的第一向量表达和所述文本的第二向量表达,获得所述文本的摘要内容。
6.根据权利要求5所述的方法,其中,所述根据所述文本和所述至少一个摘要实体指代内容,获得所述文本的第一向量表达,包括:
获取所述文本的第二向量表达;
根据所述文本、所述至少一个摘要实体指代内容和所述文本的第二向量表达,获得所述文本的第一向量表达。
7.一种摘要生成装置,包括:
识别单元,用于根据待处理的文本和用户给定的摘要实体,获取所述摘要实体在所述文本中的至少一个摘要实体指代内容;
获取单元,用于根据所述文本,获取所述文本的文本实体指代图;
生成单元,用于根据所述文本、所述至少一个摘要实体指代内容和所述文本实体指代图,获得所述文本的摘要内容。
8.根据权利要求7所述的装置,其中,所述获取单元,具体用于
根据所述文本和所述文本中的至少一个文本实体中各文本实体,构建所述文本的文本实体指代图。
9.根据权利要求8所述的装置,其中,所述获取单元,具体用于
根据所述文本,获取所述文本中的至少一个文本实体;
根据所述文本和至少一个文本实体中各文本实体,获取所述各文本实体在所述文本中的至少一个文本实体指代内容;以及
根据所述文本和所述各文本实体的至少一个文本实体指代内容,构建所述文本的文本实体指代图。
10.根据权利要求9所述的装置,其中,所述获取单元,具体用于
根据所述文本和所述各文本实体的文本实体指代内容,获得所述各文本实体的文本实体指代内容的指代关系;以及
根据所述各文本实体的文本实体指代内容的指代关系,构造所述文本的文本实体指代图。
11.根据权利要求7-10中任一项所述的装置,其中,所述生成单元,具体用于
根据所述文本和所述至少一个摘要实体指代内容,获得所述文本的第一向量表达;
根据所述文本实体指代图,获得所述文本的第二向量表达;以及
根据所述文本的第一向量表达和所述文本的第二向量表达,获得所述文本的摘要内容。
12.根据权利要求11所述的装置,其中,所述生成单元,具体用于
获取所述文本的第二向量表达;以及
根据所述文本、所述至少一个摘要实体指代内容和所述文本的第二向量表达,获得所述文本的第一向量表达。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550270.1A CN112541346A (zh) | 2020-12-24 | 2020-12-24 | 摘要生成方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550270.1A CN112541346A (zh) | 2020-12-24 | 2020-12-24 | 摘要生成方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541346A true CN112541346A (zh) | 2021-03-23 |
Family
ID=75017465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011550270.1A Pending CN112541346A (zh) | 2020-12-24 | 2020-12-24 | 摘要生成方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541346A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022206091A1 (zh) * | 2021-03-30 | 2022-10-06 | 京东科技控股股份有限公司 | 用于生成数据的方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180039696A1 (en) * | 2016-08-08 | 2018-02-08 | Baidu Usa Llc | Knowledge graph entity reconciler |
CN110704606A (zh) * | 2019-08-19 | 2020-01-17 | 中国科学院信息工程研究所 | 一种基于图文融合的生成式摘要生成方法 |
CN111144115A (zh) * | 2019-12-23 | 2020-05-12 | 北京百度网讯科技有限公司 | 预训练语言模型获取方法、装置、电子设备和存储介质 |
CN111428041A (zh) * | 2019-01-09 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 案件摘要生成方法、装置、系统和存储介质 |
CN111428507A (zh) * | 2020-06-09 | 2020-07-17 | 北京百度网讯科技有限公司 | 实体链指方法、装置、设备以及存储介质 |
CN111695054A (zh) * | 2020-06-12 | 2020-09-22 | 上海智臻智能网络科技股份有限公司 | 文本处理方法及设备、信息抽取方法及系统、介质 |
-
2020
- 2020-12-24 CN CN202011550270.1A patent/CN112541346A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180039696A1 (en) * | 2016-08-08 | 2018-02-08 | Baidu Usa Llc | Knowledge graph entity reconciler |
CN111428041A (zh) * | 2019-01-09 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 案件摘要生成方法、装置、系统和存储介质 |
CN110704606A (zh) * | 2019-08-19 | 2020-01-17 | 中国科学院信息工程研究所 | 一种基于图文融合的生成式摘要生成方法 |
CN111144115A (zh) * | 2019-12-23 | 2020-05-12 | 北京百度网讯科技有限公司 | 预训练语言模型获取方法、装置、电子设备和存储介质 |
CN111428507A (zh) * | 2020-06-09 | 2020-07-17 | 北京百度网讯科技有限公司 | 实体链指方法、装置、设备以及存储介质 |
CN111695054A (zh) * | 2020-06-12 | 2020-09-22 | 上海智臻智能网络科技股份有限公司 | 文本处理方法及设备、信息抽取方法及系统、介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022206091A1 (zh) * | 2021-03-30 | 2022-10-06 | 京东科技控股股份有限公司 | 用于生成数据的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220350965A1 (en) | Method for generating pre-trained language model, electronic device and storage medium | |
US20220292269A1 (en) | Method and apparatus for acquiring pre-trained model | |
KR20210038449A (ko) | 문답 처리, 언어 모델 훈련 방법, 장치, 기기 및 저장 매체 | |
CN113590776B (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN113407610B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
US20230052906A1 (en) | Entity Recognition Method and Apparatus, and Computer Program Product | |
CN114120166B (zh) | 视频问答方法、装置、电子设备及存储介质 | |
CN112989789B (zh) | 文本审核模型的测试方法、装置、计算机设备及存储介质 | |
CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
CN113868519A (zh) | 信息搜索方法、装置、电子设备和存储介质 | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN112541346A (zh) | 摘要生成方法、装置、电子设备及可读存储介质 | |
US20230153550A1 (en) | Machine Translation Method and Apparatus, Device and Storage Medium | |
US20230141932A1 (en) | Method and apparatus for question answering based on table, and electronic device | |
CN114818736B (zh) | 文本处理方法、用于短文本的链指方法、装置及存储介质 | |
CN113869042A (zh) | 文本标题生成方法、装置、电子设备以及存储介质 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN112989797A (zh) | 模型训练、文本扩展方法,装置,设备以及存储介质 | |
CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN113723120B (zh) | 参考信息的展示方法、装置和电子设备 | |
US20230135536A1 (en) | Method and Apparatus for Processing Table | |
CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
CN113344405B (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 |
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 |