CN113722471A - 一种文本摘要生成方法、系统、电子设备及介质 - Google Patents
一种文本摘要生成方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN113722471A CN113722471A CN202111001812.4A CN202111001812A CN113722471A CN 113722471 A CN113722471 A CN 113722471A CN 202111001812 A CN202111001812 A CN 202111001812A CN 113722471 A CN113722471 A CN 113722471A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- text
- sample
- vector
- generating
- 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 43
- 239000013598 vector Substances 0.000 claims abstract description 205
- 230000001364 causal effect Effects 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device 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
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种文本摘要生成方法、系统、电子设备及介质，文本摘要生成方法包括：样本特征向量获取步骤：将目标文本样本输入到语言模型中，获得样本特征向量；图谱特征向量获取步骤：通过对因果事理图谱进行编码，获取图谱特征向量；融合特征向量获取步骤：通过注意力机制层对所述样本特征向量与所述图谱特征向量进行融合，获得融合特征向量；文本摘要生成步骤：将所述融合特征向量输入到解码层后，通过自回归机制生成所述目标文本样本的文本摘要。本发明在生成文本摘要的过程中引入领域图谱，使得生成结果的逻辑更为可控，实用性更强。
Description
技术领域
本申请涉及知识图谱技术领域，尤其涉及一种文本摘要生成方法、系统、电子设备及介质。
背景技术
此前有使用事实图谱生成文本摘要的方法，本专利针对特定领域文本中事件之间多有因果关联的特点，通过将因果图谱与文本融合，实现了基于事理因果图谱的摘要生成。通过现有技术抽取式摘要模型以及生成式摘要模型获取的文本摘要生成有众多缺点，如抽取式摘要模型抽取结果只能够来自于原始文本，因此信息压缩的比例有局限性，由于以上方法通常不会引入结构化的知识，因此导致得出的文本摘要经常出现不满足领域逻辑的错误。因而，现有技术所提到的方法在文本摘要生成过程中，存在信息压缩的比例局限性以及生成的文本摘要出现不满足领域逻辑等情况。
发明内容
本申请实施例提供了一种文本摘要生成方法、系统、电子设备及介质，以至少通过本发明解决了生成摘要文本过程中，信息压缩的比例存在局限性以及生成的文本摘要不满足领域逻辑等问题。
本发明提供了文本摘要生成方法，包括：
样本特征向量获取步骤：将目标文本样本输入到语言模型中，获得样本特征向量；
图谱特征向量获取步骤：通过对因果事理图谱进行编码，获取图谱特征向量；
融合特征向量获取步骤：通过注意力机制层对所述样本特征向量与所述图谱特征向量进行融合，获得融合特征向量；
文本摘要生成步骤：将所述融合特征向量输入到解码层后，通过自回归机制生成所述目标文本样本的文本摘要。
上述的文本摘要生成方法中，所述图谱特征向量获取步骤包括：
实体特征向量获取步骤：截取实体词语在所述目标文本样本中的每个字所对应的特征向量后，计算所述特征向量的平均值获取实体特征向量；
邻接矩阵获取步骤：根据所述目标文本样本中事件之间的因果关系构建邻接矩阵；
图谱特征向量生成步骤：通过图注意力网络模型对所述实体特征向量与所述邻接矩阵进行特征提取获取所述图谱特征向量。
上述的文本摘要生成方法中，所述融合特征向量获取步骤包括，通过所述注意力机制层对所述邻接矩阵进行特征提取，获得隐特征向量后，对所述隐特征向量与所述图谱特征向量进行融合，获得所述融合特征向量。
上述的文本摘要生成方法中，所述文本摘要生成步骤包括：
预测字符特征向量获取步骤：所述解码层中输入编码层编码的开始字符特征与所述隐特征向量，获得预测字符在字典上的概率分布与预测字符特征向量；
文本摘要字符预测步骤：所述解码层中输入所述预测字符特征向量与所述隐特征向量进行字符预测操作，循环执行所述字符预测操作，直到所述解码层获得终止符或解码达到预设最大时间步后终止，获得所述文本摘要。
本发明还提供文本摘要生成系统，其中，适用于上述所述的文本摘要生成方法，所述文本摘要生成系统包括：
样本特征向量获取单元：将目标文本样本输入到语言模型中，获得样本特征向量；
图谱特征向量获取单元：通过对因果事理图谱进行编码，获取图谱特征向量；
融合特征向量获取单元：通过注意力机制层对所述样本特征向量与所述图谱特征向量进行融合，获得融合特征向量；
文本摘要生成单元：将所述融合特征向量输入到解码层后，通过自回归机制生成所述目标文本样本的文本摘要。
上述的文本摘要生成系统中，所述图谱特征向量获取单元包括：
实体特征向量获取模块：截取实体词语在所述目标文本样本中的每个字所对应的特征向量后，计算所述特征向量的平均值获取实体特征向量；
邻接矩阵获取模块：根据所述目标文本样本中事件之间的因果关系构建邻接矩阵；
图谱特征向量生成模块：通过图注意力网络模型对所述实体特征向量与所述邻接矩阵进行特征提取获取所述图谱特征向量。
上述的文本摘要生成系统中，通过所述注意力机制层对所述邻接矩阵进行特征提取，获得隐特征向量后，对所述隐特征向量与所述图谱特征向量进行融合，通过所述融合特征向量获取单元获得所述融合特征向量。
上述的文本摘要生成系统中，所述文本摘要生成单元包括：
预测字符特征向量获取模块：所述解码层中输入编码层编码的开始字符特征与所述隐特征向量，获得预测字符在字典上的概率分布与预测字符特征向量；
文本摘要字符预测模块：所述解码层中输入所述预测字符特征向量与所述隐特征向量进行字符预测操作，循环执行所述字符预测操作，直到所述解码层获得终止符或解码达到预设最大时间步后终止，获得所述文本摘要。
本发明还提供一种电子设备，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项所述的文本摘要生成方法。
本发明还提供一种电子设备可读存储介质，所述电子设备可读存储介质上存储有计算机程序指令，所述计算机程序指令被所述处理器执行时实现上述任一项所述的文本摘要生成方法。
相比于相关技术，本发明提出的一种文本摘要生成方法、系统、电子设备及介质，解决了生成摘要文本过程中，信息压缩的比例存在局限性以及生成的文本摘要不满足领域逻辑等问题，并提高了图谱构建能力。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
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是根据本申请实施例的文本摘要生成方法流程图；
图2为本发明的文本摘要生成系统的结构示意图；
图3是根据本申请实施例的电子设备的框架图。
其中，附图标记为：
样本特征向量获取单元：51；
图谱特征向量获取单元：52；
融合特征向量获取单元：53；
文本摘要生成单元：54；
实体特征向量获取模块：521；
邻接矩阵获取模块：522；
图谱特征向量生成模块：523；
预测字符特征向量获取模块：541；
文本摘要字符预测模块：542；
总线:80；
处理器：81；
存储器：82；
通信接口：83。
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。
本发明通过判断候选事件之间的因果关系获得因果关系事件，根据关键字判断因果关系事件中有无构成其他逻辑关系的其他逻辑关系事件后，获得其他逻辑关系事件，对其他逻辑关系事件中构成顺承关系与并列关系的关联事件进行拼接获得拼接结果后，判断拼接结果为其他逻辑关系事件的因或果后，输出代表待处理文本的因果关系的三元组。提高了事理因果关系抽取过程中事理因果关系识别准确度。
下面结合具体实施例对本发明进行说明。
实施例一
本实施例提供了文本摘要生成方法。请参照图1，图1是根据本申请实施例的文本摘要生成方法流程图，如图1所示，文本摘要生成方法包括如下步骤：
样本特征向量获取步骤S1：将目标文本样本输入到语言模型中，获得样本特征向量；
图谱特征向量获取步骤S2：通过对因果事理图谱进行编码，获取图谱特征向量；
融合特征向量获取步骤S3：通过注意力机制层对所述样本特征向量与所述图谱特征向量进行融合，获得融合特征向量；
文本摘要生成步骤S4：将所述融合特征向量输入到解码层后，通过自回归机制生成所述目标文本样本的文本摘要。
在实施例中，所述样本特征向量获取步骤S1包括，将目标文本样本输入到语言模型中，获得样本特征向量.
在具体实施时中，将目标文本样本输入到文本特征提取模型中，例如，此文本特征提取模型可以是基于预训练语言模型BERT的编码层，获取目标文本样本的特征向量，目标文本案例的特征向量为一个大小的矩阵，其中代表文本的长度，表示实体的特征向量维度。此文本特征提取模型可以但不限于预训练的语言模型等。
在实施例中，所述图谱特征向量获取步骤S2包括：
实体特征向量获取步骤S21：截取实体词语在所述目标文本样本中的每个字所对应的特征向量后，计算所述特征向量的平均值获取实体特征向量；
邻接矩阵获取步骤S22：根据所述目标文本样本中事件之间的因果关系构建邻接矩阵；
图谱特征向量生成步骤S23：通过图注意力网络模型对所述实体特征向量与所述邻接矩阵进行特征提取获取所述图谱特征向量。
在具体实施中，预训练的语言模型例如BERT中，输入的文本编码为一个的矩阵，其中代表文本的长度，表示实体的特征向量维度，通过截取实体词语在目标文本中每个字所对应的特征向量并求平均值获得实体特征向量；根据目标文本样本中事件之间的因果关系构建邻接矩阵，当两个事件具有因果关系时，它们在图上的节点之间有一条边连接，用数学的方式表达，在邻接矩阵上对应的位置元素为1，不邻接的两个节点在邻接矩阵上对应位置为0。在因果图谱中，事件实体之间的关系是因果关系，因果关系分为直接因果关系与间接因果关系，因此，不同于一般的事件图谱，根据节点的直接因果关系/间接因果关系，构建两个邻接矩阵；再使用图注意力网络模型，输入实体特征向量和邻接矩阵对实体特征向量进一步提取特征，对于两个邻接矩阵，分别得到图谱的特征向量为一个大小的矩阵，其中表示事件实体的数量，表示实体的特征向量维度。
在实施例中，所述融合特征向量获取步骤S3包括，通过所述注意力机制层对所述邻接矩阵进行特征提取，获得隐特征向量后，对所述隐特征向量与所述图谱特征向量进行融合，获得所述融合特征向量。
在具体实施中，根据上述步骤获取后，通过注意力机制层对因果事理图谱的特征向量与目标文本样本的特征向量进行融合后，获得融合特征向量。由于图谱特征向量获取步骤S2中针对事理因果图谱的特点，不同于一般的事件图谱，构建了两个(直接/间接因果关系)邻接矩阵，因此对于注意力机制层做了如下处理，在注意力融合时，使用多个注意力层，参数注意力个数设定为2，分别对应邻接矩阵中直接/间接因果关系提取两类特征后，拼接两类特征向量成为一个隐特征向量，本质上是对输入文本进行特征的提取和压缩。上述目标特征向量为一个大小的矩阵，其中代表文本的长度，2代表文本的长度的两倍，表示实体的特征向量维度。
在实施例中，所述文本摘要生成步骤S4包括：
预测字符特征向量获取步骤S41：所述解码层中输入编码层编码的开始字符特征与所述隐特征向量，获得预测字符在字典上的概率分布与预测字符特征向量；
文本摘要字符预测步骤S42：所述解码层中输入所述预测字符特征向量与所述隐特征向量进行字符预测操作，循环执行所述字符预测操作，直到所述解码层获得终止符或解码达到预设最大时间步后终止，获得所述文本摘要。
在具体实施中，将所述融合特征向量输入Transformer[]解码层，通过自回归机制生成文本摘要，自回归生成摘要详细步骤如下，在第一个时间步，输入经编码层编码的开始字符特征和隐特征向量，经过解码层获得预测字符在字典上的概率分布和预测字符特征向量，从预测字符中选择概率最大的作为第一个字符；在之后的时间步，输入上个时间步预测字符特征向量和隐特征向量，经过解码层预测下一个字符；不断重复字符预测步骤，直到解码层获得终止符或达到预设最大时间步后终止，获取文本摘要。
实施例二
请参照图2，图2为本发明的文本摘要生成系统的结构示意图。如图2所示，发明的文本摘要生成系统，适用于上述的文本摘要生成方法，文本摘要生成系统，包括：
样本特征向量获取单元51：将目标文本样本输入到语言模型中，获得样本特征向量；
图谱特征向量获取单元52：通过对因果事理图谱进行编码，获取图谱特征向量；
融合特征向量获取单元53：通过注意力机制层对所述样本特征向量与所述图谱特征向量进行融合，获得融合特征向量；
文本摘要生成单元54：将所述融合特征向量输入到解码层后，通过自回归机制生成所述目标文本样本的文本摘要。
在实施例中，所述图谱特征向量获取单元52包括：
实体特征向量获取模块521：截取实体词语在所述目标文本样本中的每个字所对应的特征向量后，计算所述特征向量的平均值获取实体特征向量；
邻接矩阵获取模块522：根据所述目标文本样本中事件之间的因果关系构建邻接矩阵；
图谱特征向量生成模块523：通过图注意力网络模型对所述实体特征向量与所述邻接矩阵进行特征提取获取所述图谱特征向量。
在实施例中，通过所述注意力机制层对所述邻接矩阵进行特征提取，获得隐特征向量后，对所述隐特征向量与所述图谱特征向量进行融合，通过所述融合特征向量获取单元53获得所述融合特征向量。
在实施例中，所述文本摘要生成单元54包括：
预测字符特征向量获取模块541：所述解码层中输入编码层编码的开始字符特征与所述隐特征向量，获得预测字符在字典上的概率分布与预测字符特征向量；
文本摘要字符预测模块542：所述解码层中输入所述预测字符特征向量与所述隐特征向量进行字符预测操作，循环执行所述字符预测操作，直到所述解码层获得终止符或解码达到预设最大时间步后终止，获得所述文本摘要。
实施例三
结合图3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可在异常数据监测装置的内部或外部。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(Random Access 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(ErasableProgrammable Read-Only Memory，简称为FPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory，简称为EFPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory，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-AccessMemory，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 DynamicRandom Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access 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文本摘要生成方法。
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3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/异常数据监测设备、数据库、外部存储以及图像/异常数据监测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。
电子设备可连接文本摘要生成系统，从而实现结合图1的方法。
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，本发明同时具备了抽取式模型和生成式模型的特点，能够保证输出结果语法通顺的前提下，尽可能选取符合原文中信息的片段，并在生成文本摘要的过程中引入领域图谱，使得生成结果的逻辑更为可控，实用性更强。
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专利范围的限制。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，本申请专利的保护范围应以所附权利要求的保护范围为准。
Claims (10)
1.一种文本摘要生成方法，其特征在于，包括：
样本特征向量获取步骤：将目标文本样本输入到语言模型中，获得样本特征向量；
图谱特征向量获取步骤：通过对因果事理图谱进行编码，获取图谱特征向量；
融合特征向量获取步骤：通过注意力机制层对所述样本特征向量与所述图谱特征向量进行融合，获得融合特征向量；
文本摘要生成步骤：将所述融合特征向量输入到解码层后，通过自回归机制生成所述目标文本样本的文本摘要。
2.根据权利要求1所述的文本摘要生成方法，其特征在于，所述图谱特征向量获取步骤包括：
实体特征向量获取步骤：截取实体词语在所述目标文本样本中的每个字所对应的特征向量后，计算所述特征向量的平均值获取实体特征向量；
邻接矩阵获取步骤：根据所述目标文本样本中事件之间的因果关系构建邻接矩阵；
图谱特征向量生成步骤：通过图注意力网络模型对所述实体特征向量与所述邻接矩阵进行特征提取获取所述图谱特征向量。
3.根据权利要求1所述的文本摘要生成方法，其特征在于，所述融合特征向量获取步骤包括，通过所述注意力机制层对所述邻接矩阵进行特征提取，获得隐特征向量后，对所述隐特征向量与所述图谱特征向量进行融合，获得所述融合特征向量。
4.根据权利要求1所述的文本摘要生成方法，其特征在于，所述文本摘要生成步骤包括：
预测字符特征向量获取步骤：所述解码层中输入编码层编码的开始字符特征与所述隐特征向量，获得预测字符在字典上的概率分布与预测字符特征向量；
文本摘要字符预测步骤：所述解码层中输入所述预测字符特征向量与所述隐特征向量进行字符预测操作，循环执行所述字符预测操作，直到所述解码层获得终止符或解码达到预设最大时间步后终止，获得所述文本摘要。
5.一种文本摘要生成系统，其特征在于，适用于上述权利要求1至4中任一项所述的文本摘要生成方法，所述文本摘要生成系统包括：
样本特征向量获取单元：将目标文本样本输入到语言模型中，获得样本特征向量；
图谱特征向量获取单元：通过对因果事理图谱进行编码，获取图谱特征向量；
融合特征向量获取单元：通过注意力机制层对所述样本特征向量与所述图谱特征向量进行融合，获得融合特征向量；
文本摘要生成单元：将所述融合特征向量输入到解码层后，通过自回归机制生成所述目标文本样本的文本摘要。
6.根据权利要求5所述的文本摘要生成系统，其特征在于，所述图谱特征向量获取单元包括：
实体特征向量获取模块：截取实体词语在所述目标文本样本中的每个字所对应的特征向量后，计算所述特征向量的平均值获取实体特征向量；
邻接矩阵获取模块：根据所述目标文本样本中事件之间的因果关系构建邻接矩阵；
图谱特征向量生成模块：通过图注意力网络模型对所述实体特征向量与所述邻接矩阵进行特征提取获取所述图谱特征向量。
7.根据权利要求6所述的文本摘要生成系统，其特征在于，通过所述注意力机制层对所述邻接矩阵进行特征提取，获得隐特征向量后，对所述隐特征向量与所述图谱特征向量进行融合，通过所述融合特征向量获取单元获得所述融合特征向量。
8.根据权利要求7所述的文本摘要生成系统，其特征在于，所述文本摘要生成单元包括：
预测字符特征向量获取模块：所述解码层中输入编码层编码的开始字符特征与所述隐特征向量，获得预测字符在字典上的概率分布与预测字符特征向量；
文本摘要字符预测模块：所述解码层中输入所述预测字符特征向量与所述隐特征向量进行字符预测操作，循环执行所述字符预测操作，直到所述解码层获得终止符或解码达到预设最大时间步后终止，获得所述文本摘要。
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中任一项所述的文本摘要生成方法。
10.一种电子设备可读存储介质，所述电子设备可读存储介质上存储有计算机程序指令，所述计算机程序指令被所述处理器执行时实现如权利要求1至4中任一项所述的文本摘要生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001812.4A CN113722471A (zh) | 2021-08-30 | 2021-08-30 | 一种文本摘要生成方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001812.4A CN113722471A (zh) | 2021-08-30 | 2021-08-30 | 一种文本摘要生成方法、系统、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113722471A true CN113722471A (zh) | 2021-11-30 |
Family
ID=78678854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111001812.4A Pending CN113722471A (zh) | 2021-08-30 | 2021-08-30 | 一种文本摘要生成方法、系统、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113722471A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115905598A (zh) * | 2023-02-24 | 2023-04-04 | 中电科新型智慧城市研究院有限公司 | 一种社会事件摘要生成的方法、装置、终端设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110795556A (zh) * | 2019-11-01 | 2020-02-14 | 中山大学 | 一种基于细粒度插入式解码的摘要生成方法 |
| CN112084331A (zh) * | 2020-08-27 | 2020-12-15 | 清华大学 | 文本处理、模型训练方法、装置、计算机设备和存储介质 |
| CN112507691A (zh) * | 2020-12-07 | 2021-03-16 | 数地科技(北京)有限公司 | 一种融合情感、产业链和事理逻辑的可解释性金融标的物生成方法和装置 |
| CN112801690A (zh) * | 2020-12-31 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 一种干预特征的确定方法和装置 |
| CN112949299A (zh) * | 2021-02-26 | 2021-06-11 | 深圳市北科瑞讯信息技术有限公司 | 新闻稿件的生成方法及装置、存储介质、电子装置 |
| CN113051371A (zh) * | 2021-04-12 | 2021-06-29 | 平安国际智慧城市科技股份有限公司 | 中文机器阅读理解方法、装置、电子设备及存储介质 |
| CN113191153A (zh) * | 2021-07-01 | 2021-07-30 | 杭州费尔斯通科技有限公司 | 一种领域迁移学习的实体识别方法、系统和设备 |
-
2021
- 2021-08-30 CN CN202111001812.4A patent/CN113722471A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110795556A (zh) * | 2019-11-01 | 2020-02-14 | 中山大学 | 一种基于细粒度插入式解码的摘要生成方法 |
| CN112084331A (zh) * | 2020-08-27 | 2020-12-15 | 清华大学 | 文本处理、模型训练方法、装置、计算机设备和存储介质 |
| CN112507691A (zh) * | 2020-12-07 | 2021-03-16 | 数地科技(北京)有限公司 | 一种融合情感、产业链和事理逻辑的可解释性金融标的物生成方法和装置 |
| CN112801690A (zh) * | 2020-12-31 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 一种干预特征的确定方法和装置 |
| CN112949299A (zh) * | 2021-02-26 | 2021-06-11 | 深圳市北科瑞讯信息技术有限公司 | 新闻稿件的生成方法及装置、存储介质、电子装置 |
| CN113051371A (zh) * | 2021-04-12 | 2021-06-29 | 平安国际智慧城市科技股份有限公司 | 中文机器阅读理解方法、装置、电子设备及存储介质 |
| CN113191153A (zh) * | 2021-07-01 | 2021-07-30 | 杭州费尔斯通科技有限公司 | 一种领域迁移学习的实体识别方法、系统和设备 |
Non-Patent Citations (2)
| Title |
|---|
| 刘佳芮: "基于迁移学习的小规模医学领域文本摘要生成模型", 《现代计算机》, no. 2021, pages 17 - 21 * |
| 赵亮: "《计算机软件测试技术与管理研究》", 31 May 2020, 中国商业出版社, pages: 102 - 103 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115905598A (zh) * | 2023-02-24 | 2023-04-04 | 中电科新型智慧城市研究院有限公司 | 一种社会事件摘要生成的方法、装置、终端设备及介质 |
| CN115905598B (zh) * | 2023-02-24 | 2023-05-16 | 中电科新型智慧城市研究院有限公司 | 一种社会事件摘要生成的方法、装置、终端设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105718502B (zh) | 用于高效特征匹配的方法和设备 | |
| CN110544214A (zh) | 一种图像修复方法、装置及电子设备 | |
| CN114218932B (zh) | 基于故障因果图谱的航空故障文本摘要生成方法及其装置 | |
| CN112232070A (zh) | 自然语言处理模型构建方法、系统、电子设备及存储介质 | |
| CN113449082A (zh) | 一种新词发现方法、系统、电子设备及介质 | |
| CN113569705B (zh) | 场景分割点判断方法、系统、存储介质及电子设备 | |
| CN113722471A (zh) | 一种文本摘要生成方法、系统、电子设备及介质 | |
| CN112732920A (zh) | 基于bert的多特征融合实体情感分析方法及系统 | |
| CN112784572A (zh) | 一种营销场景话术分析方法和系统 | |
| CN113569704B (zh) | 分割点判断方法、系统、存储介质及电子设备 | |
| CN113569703B (zh) | 真实分割点判断方法、系统、存储介质及电子设备 | |
| CN113516196B (zh) | 命名实体识别数据增强的方法、装置、电子设备和介质 | |
| CN113468879A (zh) | 一种未登录词的判断方法、系统、电子设备及介质 | |
| CN113255334A (zh) | 一种计算字向量方法、系统、电子设备及存储介质 | |
| CN112966596A (zh) | 视频光学字符识别系统方法及系统 | |
| CN113595557B (zh) | 一种数据处理的方法和装置 | |
| CN113901822A (zh) | 实体识别模型建立方法、系统、电子设备及介质 | |
| CN113569706B (zh) | 视频场景分割点判断方法、系统、存储介质及电子设备 | |
| CN113377933B (zh) | 多轮对话的意图分类方法及装置 | |
| CN117172220B (zh) | 文本相似信息生成方法、装置、设备和计算机可读介质 | |
| CN113821661B (zh) | 图像检索方法、系统、存储介质及电子设备 | |
| CN112329925B (zh) | 模型生成方法、特征提取方法、装置及电子设备 | |
| CN113987173A (zh) | 短文本分类方法、系统、电子设备及介质 | |
| CN113868395A (zh) | 多轮对话生成式模型建立方法、系统、电子设备及介质 | |
| CN113919335A (zh) | 预训练词向量生成方法、系统、电子设备及存储介质 |
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 |