CN113256262A - 会议纪要的自动生成方法、系统、存储介质及电子设备 - Google Patents
会议纪要的自动生成方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113256262A CN113256262A CN202110625425.1A CN202110625425A CN113256262A CN 113256262 A CN113256262 A CN 113256262A CN 202110625425 A CN202110625425 A CN 202110625425A CN 113256262 A CN113256262 A CN 113256262A
- Authority
- CN
- China
- Prior art keywords
- conference
- knowledge graph
- conference summary
- voice
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 10
- 238000000547 structure data Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Telephonic Communication Services (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请公开了一种会议纪要的自动生成方法、系统、存储介质及电子设备,生成方法包括:获取语音信息步骤:获取当前会议的语音信息;语音信息识别步骤:对所述语音信息进行识别获得对应所述语音信息的语音文本信息;构建知识图谱步骤:根据所述语音文本信息构建当前会议的知识图谱;会议纪要生成步骤:根据所述知识图谱生成当前会议的会议纪要。本发明解决了数据信息再移动设备存储不稳定的性质,防止因为用户设备文件以及某个部分存储数据被清理或重写等各种不稳定情况引起企业对用户量,用户活跃,用户新增等数据波动太大的问题。
Description
技术领域
本发明属于会议纪要的自动生成领域,具体涉及一种会议纪要的自动生成方法、系统、存储介质及电子设备。
背景技术
近年来,协同办公越来越多,办公会议也越来越多,并且有些会议的内容、时长非常多,这就导致与会人员需要在会后花费很久的时间整理会议内容。如果单纯采用录音手段,会后则需要等同于会议时长的时间来整理内容;如果采用会上实时记录的方式,则要么多加一位记录员记录内容,这就增加了人力成本,要么选择与会人员记录,但是这样的做法又会让记录人员分身;因此一种自动生成会议纪要的方法是极具应用价值的。
KG技术,即知识图谱技术,其目标是在会议中当某一位参与者说话的时候,系统会通过将语音实时转化为文本,同时根据声谱辨识不同的参与者,然后将转化成的文本进行关键的信息(关键实体词、关系词)的抽取,构建图谱;根据不同用户所说内容构建的图谱,并将所有图谱相互关联。目前这一技术已经逐渐的在业界进行探究和应用,因其能很好的捕捉话语中的关键词和相互之间的关联,所以能很好的话语中的前后脉络。
摘要生成技术,传统的摘要生成技术是将长段文本进行摘要压缩,生成对应语义的简短文字;主要分为两种实现方式:抽取式摘要和生成式摘要。抽取式摘要是从原文中抽取合适的语句作为文本摘要;生成式摘要是完全独立生成话术,可以当作是一个人阅读文本后撰写的摘要语句。两种方式各有利弊,抽取式摘要从原文摘取,较难达到综述的目的,但是语义偏差不会太大,保证了摘要质量的下限;生成式摘要由于完全独立生成,能够达到综述的目的,由于是独立生成话术,因此提高了生成质量的上限;然而本发明将采取基于图网络计算的摘要生成技术,即通过图神经网络技术对前文构建的图谱进行特征提取,获取到各个人员与事物实体之间的关系的特征,并选取合适的解码器对特征进行解码,按照一定的规格生成会议纪要文本。
发明内容
本申请实施例提供了一种会议纪要的自动生成方法、系统、存储介质及电子设备,以至少解决现有的会议纪要生成方法花费时间多的问题。
本发明提供了一种会议纪要的自动生成方法,其中,包括:
获取语音信息步骤:获取当前会议的语音信息;
语音信息识别步骤:对所述语音信息进行识别获得对应所述语音信息的语音文本信息;
构建知识图谱步骤:根据所述语音文本信息构建当前会议的知识图谱;
会议纪要生成步骤:根据所述知识图谱生成当前会议的会议纪要。
上述自动生成方法,其中,所述构建知识图谱步骤包括:
实体词抽取步骤:根据所述语音文本信息通过NER模型抽取实体词;
实体关系抽取步骤:根据所述语音文本信息通过关系抽取模型抽取实体关系;
知识图谱生成步骤:根据抽取出的所述实体词、所述实体关系及整个脉络构建出当前会议的所述知识图谱。
上述自动生成方法,其中,所述会议纪要生成步骤包括:
获取知识图谱结构步骤:获取所述知识图谱的图谱结构数据,并整理各节点的特征和临接关系数据;
生成特征向量步骤:通过GCN网络提取所述知识图谱的结构特征信息,生成特征向量;
会议纪要输出步骤:将所述特征向量输入到相应的生成网络结构中获得当前会议的所述会议纪要。
上述自动生成方法,其中,所述会议纪要输出步骤包括:
获取步骤:通过BiLSTM算法获取所述特征向量的隐藏特征向量;
解码步骤:对所述隐藏特征向量通过Beamsearch算法进行解码后,生成所述会议纪要。
本发明还提供了一种会议纪要的自动生成系统,其中,包括:
获取语音信息模块,所述获取语音信息模块获取当前会议的语音信息;
语音信息识别模块,所述语音信息识别模块对所述语音信息进行识别获得对应所述语音信息的语音文本信息;
构建知识图谱模块,所述构建知识图谱模块根据所述语音文本信息构建当前会议的知识图谱;
会议纪要生成模块,所述会议纪要生成模块根据所述知识图谱生成当前会议的会议纪要。
上述自动生成系统,其中,所述构建知识图谱模块包括:
实体词抽取单元,所述实体词抽取单元根据所述语音文本信息通过NER模型抽取实体词;
实体关系抽取单元,所述实体关系抽取单元根据所述语音文本信息通过关系抽取模型抽取实体关系;
知识图谱生成单元,所述知识图谱生成单元根据抽取出的所述实体词、所述实体关系及整个脉络构建出当前会议的所述知识图谱。
上述自动生成系统,其中,所述会议纪要生成模块包括:
获取知识图谱结构单元,所述获取知识图谱结构单元获取所述知识图谱的图谱结构数据,并整理各节点的特征和临接关系数据;
生成特征向量单元,所述生成特征向量单元通过GCN网络提取所述知识图谱的结构特征信息,生成特征向量;
会议纪要输出单元,所述会议纪要输出单元将所述特征向量输入到相应的生成网络结构中获得当前会议的所述会议纪要。
上述自动生成系统,其中,所述会议纪要输出单元包括:
获取元件,所述获取元件通过BiLSTM算法获取所述特征向量的隐藏特征向量;
解码元件,所述解码元件对所述隐藏特征向量通过Beamsearch算法进行解码后,生成所述会议纪要。
本发明还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一所述的生成方法。
本发明还提供了一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现实现上述任一项所述的生成方法。
本发明的有益效果在于:
本发明属于深度学习技术下的自然语言处理领域,本发明解决了数据信息再移动设备存储不稳定的性质,防止因为用户设备文件以及某个部分存储数据被清理或重写等各种不稳定情况引起企业对用户量,用户活跃,用户新增等数据波动太大,使用该方案可以保证在一定程度保证数据一致性以及相关数据稳定性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
在附图中:
图1是本发明的会议纪要的自动生成方法的流程图;
图2是本发明的会议纪要的自动生成方法的总流程图;
图3获取图的特征信息的具体实现技术的流程图;
图4是图1中步骤S3的分步骤流程图;
图5是图1中步骤S4的分步骤流程图;
图6是图5中步骤S43的分步骤流程图;
图7是本发明的会议纪要的自动系统的结构示意图;
图8是根据本发明实施例的电子设备的框架图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
在详细阐述本发明各个实施例之前,对本发明的核心发明思想予以概述,并通过下述若干实施例予以详细阐述。
实施例一:
请参照图1,图1是会议纪要的自动生成方法的流程图。如图1所示,本发明的会议纪要的自动生成方法包括:
获取语音信息步骤S1:获取当前会议的语音信息;
语音信息识别步骤S2:对所述语音信息进行识别获得对应所述语音信息的语音文本信息;
构建知识图谱步骤S3:根据所述语音文本信息构建当前会议的知识图谱;
会议纪要生成步骤S4:根据所述知识图谱生成当前会议的会议纪要。
具体的说,如图2所述,本发明的具体方法如下:
首先根据与会内容,进行语音信息的获取;
在会议中进行语音识别过程,将语音转换成对应的文本内容,具体公式表述如下:
Text=ASR(X);
其中,X表示录音文件;ASR表示语音识别技术,Text表示转化成的文本。
然后根据每个参与人员的语音转化成的文本内容,采用NER模型抽取相应的实体词,并采用关系抽取模型获取实体之间的关系:
entity=NER(Text);
relation=RE(Text);
其中,NER表示命名实体识别模型,entity表示抽取出的实体;RE表示关系抽取模型,relation表示获取到的关系。
最后,将识别出的实体和关系,根据整个脉络构建出相应的知识图谱,用于描述会议过程中每个与会人员发言的简要脉络。
Graph=KG(entity,relation);
其中,KG表示使用entity和relation进行图谱的构建过程,Graph表示生成的图谱。
根据构建出的知识图谱,进行会议纪要的生成,表达公式如下:
Text=GEN(GCN(Graph));
其中,GCN()表示图卷积网络算法,用以获取图的特征信息;GEN表示生成算法,主要用于对提取的特征进行解码,生成相应会议纪要的文本信息。其具体的实现技术如图3所示:
(1)获取图谱结构数据,整理各node节点的特征和临接关系数据。
(2)使用GCN网络提取图结构的特征信息,生成特征向量。
(3)将特征向量输入到相应的生成网络结构(GEN)中,首先通过BiLSTM获取到特征隐藏向量,然后对隐藏向量通过Beamsearch算法进行解码,通过解码生成相应的会议记要文本。
完整的方法,即在会议开始时,利用设备进行语音数据的获取,而后通过ASR将语音信息转化为文本信息,然后抽取文本信息中实体和关系构建图谱;最后利用图卷积网络提取图结构中的特征信息,然后会特征信息进行解码生成特定格式的会议纪要。
请参照图4,图4是构建知识图谱步骤S3的流程图。如图4所示,所述构建知识图谱步骤S3包括:
实体词抽取步骤S31:根据所述语音文本信息通过NER模型抽取实体词;
实体关系抽取步骤S32:根据所述语音文本信息通过关系抽取模型抽取实体关系;
知识图谱生成步骤S33:根据抽取出的所述实体词、所述实体关系及整个脉络构建出当前会议的所述知识图谱。
请参照图5,图5是会议纪要生成步骤S4的流程图。如图5所示,所述会议纪要生成步骤S4包括:
获取知识图谱结构步骤S41:获取所述知识图谱的图谱结构数据,并整理各节点的特征和临接关系数据;
生成特征向量步骤S42:通过GCN网络提取所述知识图谱的结构特征信息,生成特征向量;
会议纪要输出步骤S43:将所述特征向量输入到相应的生成网络结构中获得当前会议的所述会议纪要。
请参照图6,图6是会议纪要输出步骤S43的流程图。如图6所示,所述会议纪要输出步骤S43包括:
获取步骤S431:通过BiLSTM算法获取所述特征向量的隐藏特征向量;
解码步骤S432:对所述隐藏特征向量通过Beamsearch算法进行解码后,生成所述会议纪要。
实施例二:
请参照图7,图7是本发明的会议纪要的自动生成系统的结构示意图。如图7所示本发明的一种会议纪要的自动生成系统,其中,包括:
获取语音信息模块,所述获取语音信息模块获取当前会议的语音信息;
语音信息识别模块,所述语音信息识别模块对所述语音信息进行识别获得对应所述语音信息的语音文本信息;
构建知识图谱模块,所述构建知识图谱模块根据所述语音文本信息构建当前会议的知识图谱;
会议纪要生成模块,所述会议纪要生成模块根据所述知识图谱生成当前会议的会议纪要。
其中,所述构建知识图谱模块包括:
实体词抽取单元,所述实体词抽取单元根据所述语音文本信息通过NER模型抽取实体词;
实体关系抽取单元,所述实体关系抽取单元根据所述语音文本信息通过关系抽取模型抽取实体关系;
知识图谱生成单元,所述知识图谱生成单元根据抽取出的所述实体词、所述实体关系及整个脉络构建出当前会议的所述知识图谱。
其中,所述会议纪要生成模块包括:
获取知识图谱结构单元,所述获取知识图谱结构单元获取所述知识图谱的图谱结构数据,并整理各节点的特征和临接关系数据;
生成特征向量单元,所述生成特征向量单元通过GCN网络提取所述知识图谱的结构特征信息,生成特征向量;
会议纪要输出单元,所述会议纪要输出单元将所述特征向量输入到相应的生成网络结构中获得当前会议的所述会议纪要。
其中,所述会议纪要输出单元包括:
获取元件,所述获取元件通过BiLSTM算法获取所述特征向量的隐藏特征向量;
解码元件,所述解码元件对所述隐藏特征向量通过Beamsearch算法进行解码后,生成所述会议纪要。
实施例三:
结合图8所示,本实施例揭示了一种电子设备的一种具体实施方式。电子设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意一种会议纪要的自动生成方法。
在其中一些实施例中,电子设备还可包括通信接口83和总线80。其中,如图8所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以基于会议纪要的自动生成,从而实现结合图1、图4-6描述的方法。
另外,结合上述实施例中会议纪要的自动生成方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种会议纪要的自动生成方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
综上所述,基于本发明的有益效果在于,本发明解决了数据信息再移动设备存储不稳定的性质,防止因为用户设备文件以及某个部分存储数据被清理或重写等各种不稳定情况引起企业对用户量,用户活跃,用户新增等数据波动太大,使用该方案可以保证在一定程度保证数据一致性以及相关数据稳定性。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本发明的保护范围应以所附权利要求的保护范围为准。
Claims (10)
1.一种会议纪要的自动生成方法,其特征在于,包括:
获取语音信息步骤:获取当前会议的语音信息;
语音信息识别步骤:对所述语音信息进行识别获得对应所述语音信息的语音文本信息;
构建知识图谱步骤:根据所述语音文本信息构建当前会议的知识图谱;
会议纪要生成步骤:根据所述知识图谱生成当前会议的会议纪要。
2.如权利要求1所述的自动生成方法,其特征在于,所述构建知识图谱步骤包括:
实体词抽取步骤:根据所述语音文本信息通过NER模型抽取实体词;
实体关系抽取步骤:根据所述语音文本信息通过关系抽取模型抽取实体关系;
知识图谱生成步骤:根据抽取出的所述实体词、所述实体关系及整个脉络构建出当前会议的所述知识图谱。
3.如权利要求1所述的自动生成方法,其特征在于,所述会议纪要生成步骤包括:
获取知识图谱结构步骤:获取所述知识图谱的图谱结构数据,并整理各节点的特征和临接关系数据;
生成特征向量步骤:通过GCN网络提取所述知识图谱的结构特征信息,生成特征向量;
会议纪要输出步骤:将所述特征向量输入到相应的生成网络结构中获得当前会议的所述会议纪要。
4.如权利要求3所述的自动生成方法,其特征在于,所述会议纪要输出步骤包括:
获取步骤:通过BiLSTM算法获取所述特征向量的隐藏特征向量;
解码步骤:对所述隐藏特征向量通过Beamsearch算法进行解码后,生成所述会议纪要。
5.一种会议纪要的自动生成系统,其特征在于,包括:
获取语音信息模块,所述获取语音信息模块获取当前会议的语音信息;
语音信息识别模块,所述语音信息识别模块对所述语音信息进行识别获得对应所述语音信息的语音文本信息;
构建知识图谱模块,所述构建知识图谱模块根据所述语音文本信息构建当前会议的知识图谱;
会议纪要生成模块,所述会议纪要生成模块根据所述知识图谱生成当前会议的会议纪要。
6.如权利要求1所述的自动生成系统,其特征在于,所述构建知识图谱模块包括:
实体词抽取单元,所述实体词抽取单元根据所述语音文本信息通过NER模型抽取实体词;
实体关系抽取单元,所述实体关系抽取单元根据所述语音文本信息通过关系抽取模型抽取实体关系;
知识图谱生成单元,所述知识图谱生成单元根据抽取出的所述实体词、所述实体关系及整个脉络构建出当前会议的所述知识图谱。
7.如权利要求1所述的自动生成系统,其特征在于,所述会议纪要生成模块包括:
获取知识图谱结构单元,所述获取知识图谱结构单元获取所述知识图谱的图谱结构数据,并整理各节点的特征和临接关系数据;
生成特征向量单元,所述生成特征向量单元通过GCN网络提取所述知识图谱的结构特征信息,生成特征向量;
会议纪要输出单元,所述会议纪要输出单元将所述特征向量输入到相应的生成网络结构中获得当前会议的所述会议纪要。
8.如权利要求3所述的自动生成系统,其特征在于,所述会议纪要输出单元包括:
获取元件,所述获取元件通过BiLSTM算法获取所述特征向量的隐藏特征向量;
解码元件,所述解码元件对所述隐藏特征向量通过Beamsearch算法进行解码后,生成所述会议纪要。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的生成方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625425.1A CN113256262A (zh) | 2021-06-04 | 2021-06-04 | 会议纪要的自动生成方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625425.1A CN113256262A (zh) | 2021-06-04 | 2021-06-04 | 会议纪要的自动生成方法、系统、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256262A true CN113256262A (zh) | 2021-08-13 |
Family
ID=77186404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110625425.1A Pending CN113256262A (zh) | 2021-06-04 | 2021-06-04 | 会议纪要的自动生成方法、系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256262A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304109A (zh) * | 2023-03-30 | 2023-06-23 | 上海云思智慧信息技术有限公司 | 基于会议知识图谱的检索方法、系统、介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666746A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 会议纪要的生成方法及装置、电子设备及存储介质 |
CN111782800A (zh) * | 2020-06-30 | 2020-10-16 | 上海仪电(集团)有限公司中央研究院 | 一种面向事件追溯的智能会议分析方法 |
CN112765312A (zh) * | 2020-12-31 | 2021-05-07 | 湖南大学 | 一种基于图神经网络嵌入匹配的知识图谱问答方法和系统 |
-
2021
- 2021-06-04 CN CN202110625425.1A patent/CN113256262A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666746A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 会议纪要的生成方法及装置、电子设备及存储介质 |
CN111782800A (zh) * | 2020-06-30 | 2020-10-16 | 上海仪电(集团)有限公司中央研究院 | 一种面向事件追溯的智能会议分析方法 |
CN112765312A (zh) * | 2020-12-31 | 2021-05-07 | 湖南大学 | 一种基于图神经网络嵌入匹配的知识图谱问答方法和系统 |
Non-Patent Citations (1)
Title |
---|
礼欣 著: "《智能搜索和推荐系统 原理、算法与应用》", 30 April 2021, 北京理工大学出版社, pages: 159 - 163 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304109A (zh) * | 2023-03-30 | 2023-06-23 | 上海云思智慧信息技术有限公司 | 基于会议知识图谱的检索方法、系统、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986826A (zh) | 自动生成会议记录的方法、电子装置及可读存储介质 | |
US20170206897A1 (en) | Analyzing textual data | |
US9715873B2 (en) | Method for adding realism to synthetic speech | |
CN104252861B (zh) | 视频语音转换方法、装置和服务器 | |
CN110428820B (zh) | 一种中英文混合语音识别方法及装置 | |
CN107943839A (zh) | 基于图片和文字生成视频的方法、装置、设备及存储介质 | |
US11120802B2 (en) | Diarization driven by the ASR based segmentation | |
CN112967713A (zh) | 一种基于多次模态融合的视听语音识别方法、装置、设备和存储介质 | |
CN108304424B (zh) | 文本关键词提取方法及文本关键词提取装置 | |
CN115700772A (zh) | 人脸动画生成方法及装置 | |
CN108920640A (zh) | 基于语音交互的上下文获取方法及设备 | |
CN111415128A (zh) | 控制会议的方法、系统、装置、设备和介质 | |
CN116797695A (zh) | 一种数字人与虚拟白板的交互方法、系统及存储介质 | |
CN109859747A (zh) | 语音交互方法、设备以及存储介质 | |
CN113256262A (zh) | 会议纪要的自动生成方法、系统、存储介质及电子设备 | |
US10468031B2 (en) | Diarization driven by meta-information identified in discussion content | |
US20230326369A1 (en) | Method and apparatus for generating sign language video, computer device, and storage medium | |
CN114155841A (zh) | 语音识别方法、装置、设备及存储介质 | |
CN113948062A (zh) | 数据转换方法及计算机存储介质 | |
CN113886639A (zh) | 数字人视频生成方法、装置、电子设备及存储介质 | |
Guo et al. | Attention-based visual-audio fusion for video caption generation | |
CN112820274B (zh) | 一种语音信息识别校正方法和系统 | |
CN114023327B (zh) | 基于语音识别的文本修正方法、装置、设备及介质 | |
CN113035247B (zh) | 一种音频文本对齐方法、装置、电子设备及存储介质 | |
JP6830148B1 (ja) | 修正候補特定装置、修正候補特定方法及び修正候補特定プログラム |
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 |