CN113361240B - 用于生成目标文章的方法、装置、设备和可读存储介质 - Google Patents

Abstract

本公开提供了用于生成目标文章的方法、装置、设备和可读存储介质，涉及数据处理技术领域，尤其涉及知识图谱和深度学习等人工智能领域。具体实现方案为：获取参考文章和与该参考文章相关联的数据源；确定参考文章中的可替换对象；基于数据源中的数据，生成可用于替换可替换对象的目标对象；以及将参考文章中的可替换对象替换为目标对象以生成目标文章。通过该方法，可以在短时间内构建大量的结构化文章，提高了文章的生成效率。

Description

用于生成目标文章的方法、装置、设备和可读存储介质

技术领域

本公开涉及数据处理领域技术领域，尤其涉及知识图谱和深度学习的用于生成目标文章的方法、装置、设备和可读存储介质。

背景技术

随着计算机技术的快速发展，许多文章不再是通过传统的物理载体呈现给用户，而是通过计算机作为数字内容呈现给用户。因此，用户可以通过网络来获取包含各种数据源的信息内容的文章，以了解相关的信息。而且随着可用于撰写文章的数据源越来越多，网络上呈现的文章的类型和形式也越来越多。然而，在计算机上生成文章过程中，还存在许多需要解决的问题。

发明内容

本公开提供了一种用于生成目标文章的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种用于生成目标文章的方法。该方法包括获取参考文章和与该参考文章相关联的数据源。该方法还包括确定参考文章中的可替换对象。该方法还包括基于数据源中的数据，生成可用于替换可替换对象的目标对象。该方法还包括将参考文章中的可替换对象替换为目标对象以生成目标文章。

根据本公开的第二方面，提供了一种用于生成目标文章的装置。该装置包括获取模块，被配置为获取参考文章和与该参考文章相关联的数据源；第一可替换对象确定模块，被配置为确定参考文章中的可替换对象；目标对象生成模块，被配置为基于数据源中的数据，生成可用于替换可替换对象的目标对象；以及目标文章生成模块，被配置为将参考文章中的可替换对象替换为目标对象以生成目标文章。

根据本公开的第三方面，提供了一种电子设备。该电子设备包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开的第一方面的方法。

根据本公开的第四方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行根据本公开的第一方面的方法。

根据本公开的第五方面，提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据本公开的第一方面的方法的步骤。

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

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示出了本公开的多个实施例能够在其中实现的环境100的示意图；

图2示出了根据本公开的一些实施例的用于生成目标文章的方法200的流程图；

图3示出了根据本公开的一些实施例的算子编辑界面的示例300的示意图；

图4示出了根据本公开的一些实施例的用于生成目标文章的方法400的流程图；

图5示出了根据本公开的一些实施例的用于生成目标文章的装置500的框图；以及

图6示出了能够实施本公开的多个实施例的设备600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。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

由于现在数据源增多并且数据源中数据的也逐渐增多，与数据源相关联的文章的数量也需要大量增加。例如，天气数据源中存储有各地的天气数据越来越多，因此关于各地的天气预报的文章也需要大量的增加。为了快速增加文章的数量，自动生成图文文章内容已经成为了缓解各个行业内容输出的不可或缺的需求。传统方案一般都是由人工去整理需求，然后构建生成文章的思路，最后再由专业的研发人员进行相关的模板配置以使用该模板配置来生成文章。

然而，在这种自动图文生成模式中，需要大量的研发人员参与，导致在面向传统行业时，无法简单高效的提供一套自动化生成方案来应用于这些传统行业。此外，随着面临的应用越来越多，开发周期也随之拉长，导致整个过程非常的繁杂。同样，这还使得人力成本增大，并且难以规模化。

为了至少解决上述问题，根据本公开的实施例，提出一种用于生成目标文章的改进方案。在该方案中，计算设备获取参考文章和与该参考文章相关联的数据源。然后计算设备确定参考文章中的可替换对象。接下来处用数据源中的数据生成可用于替换可替换对象的目标对象。最后计算设备将参考文章中的可替换对象替换为目标对象以生成目标文章。通过该方法，可以在短时间内构建大量的结构化文章，提高了文章的生成效率。

图1示出了本公开的多个实施例能够在其中实现的环境100的示意图。该示例环境100包括计算设备106。

计算设备106可以获取参考文章102和与该参考文章相对应的数据源104，然后利用该参考文章102结合数据源104以生成目标文章108。示例计算设备106包括但不限于个人计算机、服务器计算机、手持或膝上型设备、移动设备(诸如移动电话、个人数字助理(PDA)、媒体播放器等)、多处理器系统、消费电子产品、小型计算机、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。其中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。

参考文章102可以是用户从网络中选择的样本文章。用户可以通过网络从各种信息源中搜索符合用户要求的文章作为参考文章102。例如，如果用户想到生成关于天气预报的文章，则用户可以从网络中搜索关于天气预报的各种文章，然后找出符合用户要求的参考文章。上述示例仅是用于描述本公开，而非对本公开的具体限定。

计算设备106还需要获取与参考文章102相关联的数据源104，以利用该数据源104结合参考文章来生成目标文章。在一个示例中，用户的参考文章是关于某地天气预报的文章，可以获取关于天气预报的数据源。在另一个示例中，用户的参考文章是关于特定对象的价格的文章，则可以获取与包括该特定对象的价格数据的数据源。上述示例仅是用于描述本公开，而非对本公开的具体限定。

图1中示出了计算设备106从其他设备获取数据源104。其仅是示例，而非对本公开的具体限定。备选地或附加地，数据源104可以存在于计算设备106中。此外，图1中示出了与参考文章102对应的一个数据源104，其仅是示例，与参考文章102对应的可以为多个数据源，利用多个数据源和参考文章来生成目标文章108。

通过该方法，可以在短时间内构建大量的结构化文章，提高了文章的生成效率。

上面结合图1描述了本公开的多个实施例的能够在其中实现的环境100。下面结合图2描述根据本公开的一些实施例的用于生成目标文章的方法200的流程图。图2中的方法200可以由图1中的计算设备106或任意合适的计算设备执行。

在框202处，获取参考文章和与该参考文章相关联的数据源。例如，图1中的计算设备106获取到参考文章102和与该参考文章相关联的数据源104。

在一些实施例中，参考文章102是用户从网络中获取的。用户可以从网络中查找出各种文章，然后进行筛选获取用户想要的参考文章。在一些实施例中，参考文章可以是用户自己编写的。上述示例仅是用于描述本公开，而非对本公开的具体限定。本领域技术人员可以依据任意合适的方式来获得参考文章。

在一些实施例中，计算设备106还需要获得与参考文章相关联的数据源，例如，包括可用于替换参考文章中的一些可替换对象的数据的数据源。数据源可以包括可例行化生成的数据源和一次性的数据源。可例行化生成的数据源指需要定期生成数据的数据源，例如每天或每周级别来生成数据源中的数据，诸如天气数据或者物品的价格数据。一次性的数据源是一次性生成的数据源，例如针对请假条的数据源，可以由用户手动输入数据源中的数据。

在一些实施例中，与参考文章相关联的数据源可以是一个数据源。在一些实施例中，与参考文章相关联的数据源可以是多个数据源，例如关于一个公司的参考文章中不仅包括该公司的物品的价格，还可以包括公司的其他信息，例如与该公司相关联的足球比赛信息。因此，该参考文章与关于物品价格的数据源和关于足球比赛的数据源相关联。上述示例仅是用于描述本公开，而非对本公开的具体限定。

在框204处，确定参考文章中的可替换对象。例如，计算设备106可以对参考文章进行处理来确定参考文章的可替换对象。

在一个示例中，如果用户想生成关于天气预报的目标文章，则可以查找关于天气预报的参考文章。然后对该参考文章进行识别，查找出可替换对象，例如城市和温度值等。在另一个示例中，如果用户想要生成关于物品价格变换的文章，则用户可以查找相应的参考文章。然后查找出参考文章中的可替换对象，如商品名和价格等。上述示例仅是用于描述本公开，而非对本公开的具体限定。

在一些实施例中，计算设备106将神经网络模型应用于参考文章以确定参考文章中可被替换的候选对象，神经网络模型是利用样本文章作为输入和样本可替换对象作为输出训练得到的。在训练该神经网络模型时，将样本文章作为输入，将标识的样本可替换对象作为输出来训练该模型。由模型识别出的候选对象可以为实体或数值等。然后从候选对象确定可替换对象。通过上述方式，可以从参考文章中快速、准确地确定出可被替换的对象。

在一些实施例中，可以将所有候选对象确定为可替换对象。在一些实施例中，需要执行下面的选择操作从候选对象中选出可替换对象。备选地或附加地，根据模型的准确率与阈值准确率的关系来确定是将所有候选对象确定为可替换对象或者还是需要从候选对象中选出可替换对象。例如，如果模型的准确率大于或等于阈值准确率，则将所有候选对象确定为可替换对象；如果模型的准确率小于阈值准确率，则执行下面的选择操作从候选对象中选出可替换对象。上述示例仅是用于描述本公开，而非对本公开的具体限定。

在一些实施例中，在从候选对象选择出可替换对象过程中，计算设备106首先确定候选对象与数据源中的数据的匹配程度。在该过程中，计算设备将候选对象与数据源中的数据进行匹配。然后如果在数据源中有与候选对象相同的数据，则匹配程度较高。如果部分匹配，则匹配程度中等，如果没有匹配，则匹配程度较低。其中匹配程度可以用预定的值来指示。然后，基于匹配程度，确定候选对象的置信度。在一个示例中，计算设备106利用匹配程度以及候选对象的上下文来确定对象的置信度。在另一个示例中，计算设备106将匹配程度作为置信度。上述示例仅是用于描述本公开，而非对本公开的具体限定。本领域技术人员可以依据任意合适的方式从匹配程度来确定置信度。

计算设备106基于置信度对候选对象进行排序；然后从经排序的候选对象中确定出可替换对象。通过上述方式，可以将是可替换对象的可能性较高的候选对象先得供给用户。

在一些实施例中，从经排序的候选对象中确定出可替换对象。用户可以选择被错误识别的候选对象，然后对进行删除操作。计算设备106在接收到删除操作指示后，将将被错误识别的候选对象删除。用户还可以确认被正确识别的候选对象。例如执行保留操作。在接收到用户确认操作后，将被正确识别的候选对象确定为可替换对象。通过上述方式，可以对候选对象进行调整以确定正确的可替换对象。

此外，对于未由模型识别出的可替换对象，还可以提供由用户直接选出可替换对象的操作，例如由用户执行划词操作以选出未识别的可替换对象。计算设备106在接收到用户的选出操作后，从参考文章中标识出未被神经网络模型识别出的可替换对象。通过该方式，可以快速的增加未被识别的可替换对象。

在框206处，基于数据源中的数据，生成可用于替换可替换对象的目标对象。例如对于数据源中的数据，计算设备106利用算子来建立从数据源的数据到目标对象的映射。算子是根据独立的根据输入进行独立地输出，是一个或多个能力组合之后的统一对外的功能，该功能可以独立对外使用。简单来说，任何一个计算都可以视为一个算子，如加法、减法等，从数据源到参考文章中的可替换对象并不是线性的填充即可，而是可能存在通过一系列算子的运算才能得到替换可替换对象的目标对象，比如物品价格最近几天的涨跌幅，就必须要通过减法算子和除法算子组合才能得出结果。

在一些实施例中，计算设备106构建可用于数据源中的数据的算子，算子对输入执行预定操作以生成输出。然后计算设备106将数据源中的数据输入算子或算子的组合以生成目标对象。通过该方式，可以快速的生成处理数据的算子。其中，将一系列的算子进行给合以得到一个结果的过程也可以称为算子推理。因此，通过算子的组合得到目标对象的过程也可以称为算子推理。

在一些实施例中，算子可以分类为单输入算子、双输入算子、多于两个输入的算子和智能算子。通过上述方式，可以对算子进行精确的分类管理。单输入算子，包括：取整、保留几位小数、绝对值、最大值、最小值、取百分比、字符串分割等；双输入算子，包括：加、减、乘、除、取模、字符双变量拼接等；多于两个输入的算子，包括：判断算子if(内部包含大于/小于/等于等、组合算子、随机算子；以及智能算子，包括：标题生成、句子改写、图片生成、和其他功能。

对于算子的编辑操作可参考图3，其中图3示出了根据本公开的一些实施例的算子编辑界面的示例300的示意图。在示例300中示出了一个通过多个算子构建今天的价格相对于昨天的价格的变化百分比。在图3中通过对价格数据的数据源中的今日价格和昨日价格进行减法算子操作。然后将减法算子的输出输入到取绝对值算子进行操作，然后该取绝对值算子的输出和昨日价格输入除法算子，然后将除法算子的输出输入百分比算子以得到价格的变化百分比。

返回图2接着进行描述，在框208处，将参考文章中的可替换对象替换为目标对象以生成目标文章。在将参考文章中的可替换对角替换为目标对象后便生成了用户所需要文章。

通过该方法，可以在短时间内构建大量的结构化文章，提高了文章的生成效率。

上面结合图2和图3描述了根据本公开的一些实施例的用于生成目标文章的方法200。下面结合图4描述根据本公开的一些实施例的用于生成目标文章的方法400的流程图。图4中的方法400由图1中的计算设备106或任意合适的计算设备执行。

在框404处，计算设备通过文章筛选模块从互联网402进行文章筛选操作。在本公开中，为了获得目标文章，用户只需要在网上筛选出与所要的目标文章相似的风格样式参考文章即可。

在框406处，数据源选择模块进行数据源选择操作。对于所筛选出的一篇参考文章，需要获取对应的数据源信息，以便于后续的操作。在一些实施例中，该数据源可以为例行化生成数据源，该类数据源需要每天或者每周级别的去例行生成文章，如天气、物品的市场价格等。在一个示例中，与该参考文章对应的为单数据源，即只使用同一个数据源。在另一个示例中，与该参考文章对应的是多数据源，使用两个以上的数据源，比如，在使用描述某公司的物品的价格的数据源时，可能会选择其对应的其他数据信息作为补充介绍。

在一些实施例中，该数据源为一次性的数据源，例如：请假条。该类型基本是一次性的生成，这种需要用户手动输入数据源中的数据信息。

在框408处，由自动属性抽取模块进行自动属性抽取操作。对于给定的一篇文章样例，该模块的功能就是利用神经网络模型算法自动的去发现样例文章中可能存在的那些可以被替换的属性，可称为可替换的候选对象，同时将其标注出来。该过程主要工作包括：对文章进行候选对象识别，例如实体识别和数值识别等。然后将识别到的信息与所选的数据源对比，看是否存在相同的信息。根据是否存在相同的信息确定置信度。然后候选对象按照置信度排序后，展示给用户。

在框410处，变量构建模块进行变量构建操作。上面已经通过算法将文章中可能需要改变的候选对象进行了自动的识别、抽取，因此本模块的主要功能是给用户提供增加和删除候选对象的功能。具体地，对于已存在的候选对象，如果该候选对象识别错误，则直接点击删除即可；对于已存在的候选对象，如果该候选对象识别正确，则点击保留；对于未识别的候选对象，通过一键划词功能，可以直接将文章中的该候选对象划出，并保留。

在框412处，算子构建模块进行算子构建操作。算子是独立的可以根据输入独立的输出的一种能力，简单来说，任何一个计算都可以视为一个算子，如加法、减法等。从数据源到参考文章中的可替换对象之间并不是线性的填充即可，而是可能存在通过一系列算子的运算才能得到的。例如物品最近5天的涨跌幅，就必须要通过减法算子和除法算在组合才能得出结果。

另外，算子分类的方法很多，对于用户而言最终关注的是算子的输入和输出，因此可以直接将算子按照输入输出来进行分类，大致包括以下几类：单输入算子，包括：取整、保留几位小数、绝对值、最大值、最小值、取百分比、字符串分割等；多输入算子，多输入算子包括双输入算子和多于两个输入的算子；其中双输入算子，包括：加、减、乘、除、取模、字符双变量拼接等；多于两个输入的算子，包括：判断算子if(内部包含大于/小于/等于等、组合算子、随机算子；以及智能算子，包括：标题生成、句子改写、图片生成、和其他功能。

在框414处，规则编辑器模块进行规则编辑。该模块的功能是将上述说的算子进行可视化的展示，友好的供用户使用，如图3示出了规则编辑器的规则编辑界面。

在框416，变量推导模块进行变量推导操作。在规则编辑器中，各个算子被视为一条规则，然后基于规则的组合推理出最终的输出，该输出为用于替换参考文章中可替换对象的目标对象。

在框418处，文章模板模块生成文章模板，有了参考文章、各个可替换对象到数据源的推理规则组合以及绑定的数据源，这就构成了一个完整的文章模板。然后通过该模板能够根据不同的数据信息，通过文章生成服务来生成文章。生成的文章模板可以放入模板库420以用于在框422处的文章生成服务。

通过该方法，可以在短时间内构建大量的结构化文章，提高了文章的生成效率。

图5示出了根据本公开实施例的用于生成目标文章的装置500的示意性框图。如图5所示，装置500包括获取模块502，被配置为获取参考文章和与该参考文章相关联的数据源；第一可替换对象确定模块504，被配置为确定参考文章中的可替换对象；目标对象生成模块506，被配置为基于数据源中的数据，生成可用于替换可替换对象的目标对象；以及目标文章生成模块508，被配置为将参考文章中的可替换对象替换为目标对象以生成目标文章。

在一些实施例中，第一可替换对象确定模块504包括：模型应用模块，被配置为将神经网络模型应用于参考文章以确定参考文章中可被替换的候选对象，神经网络模型是利用样本文章作为输入和样本可替换对象作为输出训练得到的；以及第二可替换对象确定模块，被配置为从候选对象确定可替换对象。

在一些实施例中，其中第二可替换对象确定模块包括：匹配程度确定模块，被配置为确定候选对象与数据源中的数据的匹配程度；置信度确定模块，被配置为基于匹配程度，确定候选对象的置信度；排序模块，被配置为基于置信度对候选对象进行排序；以及确定出可替换对象的模块，被配置为从经排序的候选对象中确定出可替换对象。

在一些实施例中，其中确定出可替换对象的模块包括删除模块，被配置为将被错误识别的候选对象删除；以及正确识别模块，被配置为将被正确识别的候选对象确定为可替换对象。

在一些实施例中，装置500还包括标识模块，被配置为从参考文章中标识出未被神经网络模型识别出的可替换对象。

在一些实施例中，其中目标对象生成模块506包括：算子构建模块，被配置为构建可用于数据源中的数据的算子，算子对输入执行预定操作以生成输出；以及算子组合模块，被配置为将数据源中的数据输入算子或算子的组合以生成目标对象。

在一些实施例中，其中算子包括以下中的至少一项：单输入算子、双输入算子、多于两个输入的算子和智能算子。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

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6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。该示例电子设备600可用于实现图1中的计算设备106。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、个人数字助理、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，个人数字处理、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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如方法200和400。例如，在一些实施例中，方法200和400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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法200和400的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200和400。

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数据处理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)和互联网。

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，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 (12)

1.一种生成目标文章的方法，包括：

获取参考文章和与所述参考文章相关联的数据源；

确定所述参考文章中的可替换对象；

基于所述数据源中的数据，生成可用于替换所述可替换对象的目标对象；以及

将所述参考文章中的可替换对象替换为所述目标对象以生成所述目标文章；

其中确定所述可替换对象包括：

将神经网络模型应用于所述参考文章以确定所述参考文章中可被替换的候选对象，所述神经网络模型是利用样本文章作为输入和样本可替换对象作为输出训练得到的；以及

从所述候选对象确定所述可替换对象；以及

其中从所述候选对象确定所述可替换对象包括：

确定所述候选对象与所述数据源中的数据的匹配程度；

基于所述匹配程度，确定所述候选对象的置信度；

基于所述置信度对所述候选对象进行排序；以及

从经排序的所述候选对象中确定出所述可替换对象。

2. 根据权利要求1所述的方法，其中从经排序的所述候选对象中确定出所述可替换对象包括：

将被错误识别的所述候选对象删除；以及

将被正确识别的所述候选对象确定为所述可替换对象。

3.根据权利要求1所述的方法，还包括：

从所述参考文章中标识出未被所述神经网络模型识别出的可替换对象。

4. 根据权利要求1所述的方法，其中生成所述目标对象包括：

构建可用于所述数据源中的所述数据的算子，所述算子对所述算子的输入执行预定操作以生成输出；以及

将所述数据源中的所述数据输入算子或算子的组合以生成所述目标对象。

5.根据权利要求4所述的方法，其中所述算子包括以下中的至少一项：单输入算子、双输入算子、多于两个输入的算子和智能算子。

6.一种生成目标文章的装置，包括：

获取模块，被配置为获取参考文章和与所述参考文章相关联的数据源；

第一可替换对象确定模块，被配置为确定所述参考文章中的可替换对象；

目标对象生成模块，被配置为基于所述数据源中的数据，生成可用于替换所述可替换对象的目标对象；以及

目标文章生成模块，被配置为将所述参考文章中的可替换对象替换为所述目标对象以生成所述目标文章；

其中所述第一可替换对象确定模块包括：

模型应用模块，被配置为将神经网络模型应用于所述参考文章以确定所述参考文章中可被替换的候选对象，所述神经网络模型是利用样本文章作为输入和样本可替换对象作为输出训练得到的；以及

第二可替换对象确定模块，被配置为从所述候选对象确定所述可替换对象；以及

其中所述第二可替换对象确定模块包括：

匹配程度确定模块，被配置为确定所述候选对象与所述数据源中的数据的匹配程度；

置信度确定模块，被配置为基于所述匹配程度，确定所述候选对象的置信度；

排序模块，被配置为基于所述置信度对所述候选对象进行排序；以及

确定出可替换对象的模块，被配置为从经排序的所述候选对象中确定出所述可替换对象。

7. 根据权利要求6所述的装置，其中所述确定出可替换对象的模块包括：

删除模块，被配置为将被错误识别的所述候选对象删除；以及

正确识别模块，被配置为将被正确识别的所述候选对象确定为所述可替换对象。

8.根据权利要求6所述的装置，还包括：

标识模块，被配置为从所述参考文章中标识出未被所述神经网络模型识别出的可替换对象。

9. 根据权利要求6所述的装置，其中所述目标对象生成模块包括：

算子构建模块，被配置为构建可用于所述数据源中的所述数据的算子，所述算子对所述算子的输入执行预定操作以生成输出；以及

算子组合模块，被配置为将所述数据源中的所述数据输入算子或算子的组合以生成所述目标对象。

10.根据权利要求9所述的装置，其中所述算子包括以下中的至少一项：单输入算子、双输入算子、多于两个输入的算子和智能算子。

11. 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权利要求1-5中任一项所述的方法。

12.一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1-5中任一项所述的方法。