CN115062596A - 一种气象专报的生成方法、装置、电子设备及存储介质 - Google Patents
一种气象专报的生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115062596A CN115062596A CN202210637406.5A CN202210637406A CN115062596A CN 115062596 A CN115062596 A CN 115062596A CN 202210637406 A CN202210637406 A CN 202210637406A CN 115062596 A CN115062596 A CN 115062596A
- Authority
- CN
- China
- Prior art keywords
- weather
- original
- target
- document
- numerical
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种气象专报的生成方法、装置、电子设备及存储介质,所述方法包括:确定数值预报模板,所述数值预报模板包括预留位置;获取原始气象数据,将所述原始气象数据与所述数值预报模板的预留位置进行匹配,得到目标数值预报;获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语;根据所述目标数值预报和所述目标气象评语,确定目标气象专报。应用本公开实施例提供的方法,实现了自动生成包括数值预报和气象评语的气象专报,节省了人力和时间且内容简明扼要,可以帮助人们更加直观、明确的了解到气象状况以便对后续工作做出精准规划。
Description
技术领域
本公开涉及信息处理技术领域,尤其涉及一种气象专报的生成方法、装置、电子设备及存储介质。
背景技术
全球气候变化使气象灾害频现,给国家经济建设和民众生活造成的影响越来越大,损失也越来越严重。提前掌握气象信息在气象灾害防治的决策过程中至关重要,将原始气象数据进行总结归纳,形成气象专报,气象专报中包含原始气象数据中的关键信息以及气象评语,可以帮助人们更加直观、明确的了解到近期的气象状况,以便根据气象专报中提供的信息提前对后续工作做出规划,从而减少气象变化对生产生活产生的不良影响。
现有的气象专报的生成方法主要采用人工进行评定,人工评定存在耗费人力、主观性强、准确率较低和内容冗杂等问题。
发明内容
本公开提供了一种气象专报的生成方法、装置、电子设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种气象专报的生成方法。
在一可实施方式中,所述方法包括:确定数值预报模板,所述数值预报模板包括预留位置;获取原始气象数据,将所述原始气象数据与所述数值预报模板的预留位置进行匹配,得到目标数值预报;获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语;根据所述目标数值预报和所述目标气象评语,确定目标气象专报。
在一可实施方式中,在所述确定数值预报模板之前,所述方法还包括:接收设置指令;根据所述设置指令,设置所述数值预报模板的行文格式和行文规范。
在一可实施方式中,所述将所述原始气象数据与所述数值预报模板的预留位置进行匹配,得到目标数值预报,包括:通过正则表达式将所述原始气象数据匹配进所述数值预报模块的预留位置。
在一可实施方式中,所述获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语,包括:通过TextRank算法提取所述原始气象文档中的关键词;根据所述关键词建立词表。
在一可实施方式中,所述获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语,还包括:对所述原始气象文档进行读取和切分,得到数据集文本;将所述数据集文本输入至编码器-解码器模型,得到隐藏状态序列和解码状态序列;根据所述隐藏状态序列和所述解码状态序列,确定覆盖向量以及所述词表中所有关键词的概率分布。
在一可实施方式中,所述获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语,还包括:将指针生成网络引入所述编码器-解码器模型中;通过所述指针生成网络,复制单词或者从固定大小的词表中生成单词。
在一可实施方式中,所述获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语,还包括:通过计算交叉熵,确定损失值;根据真实值对应的权重和所述损失值确定新权重,为损失函数添加所述新权重。
根据本公开的第二方面,提供了一种气象专报的生成装置。
在一可实施方式中,所述装置包括:第一确定模块,用于确定数值预报模板,所述数值预报模板包括预留位置;匹配模块,用于获取原始气象数据,将所述原始气象数据与所述数值预报模板的预留位置进行匹配,得到目标数值预报;语义提取模块,用于获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语;第二确定模块,用于根据所述目标数值预报和所述目标气象评语,确定目标气象专报。
在一可实施方式中,所述装置还包括:接收装置,用于接收设置指令;设置模块,用于根据所述设置指令,设置所述数值预报模板的行文格式和行文规范。
在一可实施方式中,所述匹配模块,包括:匹配子模块,用于通过正则表达式将所述原始气象数据匹配进所述数值预报模块的预留位置。
在一可实施方式中,所述语义提取模块,包括:关键词提取模块,用于通过TextRank算法提取所述原始气象文档中的关键词;词表建立模块,用于根据所述关键词建立词表。
在一可实施方式中,所述语义提取模块,还包括:第一得到模块,用于对所述原始气象文档进行读取和切分,得到数据集文本;第二得到模块,用于将所述数据集文本输入至编码器-解码器模型,得到隐藏状态序列和解码状态序列;第一确定子模块,用于根据所述隐藏状态序列和所述解码状态序列,确定覆盖向量以及所述词表中所有关键词的概率分布。
在一可实施方式中,所述语义提取模块,还包括:引入模块,用于将指针生成网络引入所述编码器-解码器模型中;丰富单词模块,用于通过所述指针生成网络,复制单词或者从固定大小的词表中生成单词。
在一可实施方式中,所述语义提取模块,还包括:第二确定子模块,用于通过计算交叉熵,确定损失值;增添模块,用于根据真实值对应的权重和所述损失值确定新权重,为损失函数添加所述新权重。
根据本公开的第三方面,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本公开所述的方法。
根据本公开的第四方面,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本公开所述的方法。
本公开的一种气象专报的生成方法、装置、电子设备及存储介质,可以自动生成包括数值预报和气象评语的气象专报,节省了人力、时间且内容简明扼要,可以帮助人们更加直观、明确的了解到气象状况以便对后续工作做出精准规划。
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
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例一种气象专报的生成方法的实现流程示意图一;
图2示出了本公开实施例一种气象专报的生成装置的实现流程示意图一;
图3示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1示出了本公开实施例一种气象专报的生成方法的实现流程示意图一。
如图1所示,本公开第一实施例提供了一种气象专报的生成方法,本方法包括:操作101,确定数值预报模板,数值预报模板包括预留位置;操作102,获取原始气象数据,将原始气象数据与数值预报模板的预留位置进行匹配,得到目标数值预报;操作103,获取原始气象文档,对原始气象文档进行语义提取,得到目标气象评语;操作104,根据目标数值预报和目标气象评语,确定目标气象专报。
本方法公开的一种气象专报的生成方法,通过将原始气象数据填入数值预报模板,以及对原始气象文档进行语义提取,生成精准简要的气象评语的方法,实现了自动生成包括数值预报和气象评语的气象专报,节省了人力和时间且内容简明扼要,可以帮助人们更加直观、明确的了解到气象状况以便对后续工作做出精准规划。
在本方法操作101中,首先接收使用者的选择指令,选择指令用于在预设模板中确定使用者所选择的模板,预设模板为预先设定好的若干数值预报模板,将使用者选择的模板确定为操作101中的数值预报模板,预留位置为数值预报模板中将数值部分空出的位置。
在本方法操作102中,接收使用者输入的原始气象数据,原始气象数据为使用者所掌握的非规范气象文档中的数据。将接收到的原始气象数据,填入操作101中数值预报模块的预留位置,得到目标数值预报,目标数值预报为显示天气的若干组数据,其行文格式可按使用者需求确定。
在本方法操作103中,原始气象文档为使用者所掌握的非规范、内容冗杂的气象文档,接收原始气象文档,通过自然语言处理以及深度学习对原始气象文档进行语义提取,生成简明扼要的目标气象评语,目标气象评语包括对气候规律的认识、对环境的影响等,其行文格式可按使用者需求确定。
在本方法操作104中,目标气象专报为符合使用者需求的规范专报,目标气象专报中包括目标数值预报和目标气象评语。
通过上述过程,可以实现自动生成包括数值预报和气象评语的气象专报,节省了人力、时间且内容简明扼要,可以帮助人们更加直观、明确的了解到气象状况以便对后续工作做出精准规划。
在另一个可实施方式中,上述操作101确定数值预报模板之前,还包括:接收设置指令;根据设置指令,设置数值预报模板的行文格式和行文规范。
设置指令为使用者根据实际需求对数值预报模板格式进行设置的指令,根据设置指令,对数值预报模板的行文格式和行文规范进行设置。
在另一个可实施方式中,上述操作102,将原始气象数据与数值预报模板的预留位置进行匹配,得到目标数值预报,包括:通过正则表达式将原始气象数据匹配进数值预报模块的预留位置。
数值预报模块中将数值部分空出,形成预留位置,使用正则表达式将获取的原始气象数据填入预留位置,得到目标数值预报。
在另一个可实施方式中,上述操作103,获取原始气象文档,对原始气象文档进行语义提取,得到目标气象评语,包括:通过TextRank算法提取原始气象文档中的关键词;根据关键词建立词表。
具体的,获取原始气象文档,将原始气象专报文档按照完整句子进行分割,并对其中的每个句子进行分词和词性标注处理,并过滤掉停用词,停用词包括英文字符、数字、标点符号等,保留指定词性,指定词性包括名词、动词、形容词等,将具有指定词性的词语作为候选关键词Si=[ti,1,ti,2,...ti,n],其中ti,j是保留后的候选关键词。然后构建关键词图G=(V,E),其中V为节点集,由之前得到的候选关键词组成,E为边集合,任意两点之间的边则采用两个词的共现关系构造,两个节点之间存在边仅当它们对应的词汇在长度为k的窗口中共现,k为窗口大小,表示最多共现k个单词。
根据公式迭代传播各节点的权重,直至收敛,其中,WS(Vi)表示节点Vi的rank值,lnVi表示节点Vi的前驱节点集合,Out(Vj)表示节点Vj的后继节点集合,d表示阻尼系数,Wji是权重项,表示两个节点之间的关联程度。
对节点权重进行倒序排序,从而得到最重要的T个单词,作为候选关键词,根据关键词构建词表。
由于进行了关键词提取并完善进词表,相当于引入了文本主题信息,能够使得到的目标气象评语更加贴近原文。
在另一个可实施方式中,上述操作103,获取原始气象文档,对原始气象文档进行语义提取,得到目标气象评语,还包括:对原始气象文档进行读取和切分,得到数据集文本;将数据集文本输入至编码器-解码器模型,得到隐藏状态序列和解码状态序列;根据隐藏状态序列和解码状态序列,确定覆盖向量以及词表中所有关键词的概率分布。
具体的,对获取到的原始气象文档进行预处理和特征工程,首先引入python-docx包读取文档,使用re库和正则表达式批量提取目标内容,目标内容包括天气预报文段、提示性文段和防灾应对建议等。使用<sep>作为分隔符将天气预报文段、提示性文段和防灾应对建议隔开后写入数据集文本,格式例如“天气预报文段+提示性文段<sep>防灾应对建议”。
将数据集文本输入进编码器,其中编码器可以为单层双向LSTM,编码器会输出隐藏层的状态序列hi。在每个时间步t,解码器都会接受前一个参考摘要词的单词嵌入,并在得到解码状态st。使用状态序列hi和解码状态st则可得到时间步t内原文第i个词的注意力分布at,计算方法如下:
at=softmax(et)
其中v,Wh,Ws和battn都是可学习的参数,得到的注意力分布at与隐藏层的状态序列hi加权求和得到上下文向量(context vector),上下文向量可以看作为时间步t内遍历原文得到的固定尺寸的表征。
将先前时间步的注意力分布加在一起得到覆盖向量ct,用先前的注意力分布影响当前注意力分布的决策,覆盖向量ct的计算方法如下:
然后把覆盖向量ct添加到注意力分布的计算过程中:
在该实施例中,通过引入覆盖向量,可以减少内容重复的问题,从而避免重复文本的生成,使语义提取更加简明扼要。
在进行浅层语义提取的过程中,引入注意力计算和覆盖向量机制,减轻了语义向量承载负担,解决了对文本全局信息关注度不够的问题。
在另一个可实施方式中,上述操作103,获取原始气象文档,对原始气象文档进行语义提取,得到目标气象评语,还包括:将指针生成网络引入编码器-解码器模型中;通过指针生成网络,复制单词或者从固定大小的词表中生成单词。
引入指针生成网络,使得编码器-解码器模型能够通过指针复制单词,以及从固定大小的词表中生成单词。这一操作中的注意力分布at和上下文向量的计算方法与上述相同,时间步t内生成单词的概率pgen∈[0,1]则由解码器状态st、上下文向量将和解码器输入xt一同计算得出:
其中wh*,ws,wx和bptr都是可学习的参数,σ是sigmoid函数。通过Pvocab采样决定模型是从词表中生成一个单词,还是通过注意力分布at采样从输入序列中复制一个单词。将每一篇文档中的单词也加入词表后可以得到扩展词表,时间步t内的预测词概率为:
通过该实施方式,可以解决难以处理未在词表中记录的单词的问题,使语义提取更加精准。
在另一个可实施方式中,上述操作103,获取原始气象文档,对原始气象文档进行语义提取,得到目标气象评语,还包括:通过计算交叉熵,确定损失值;根据真实值对应的权重和所述损失值确定新权重,为损失函数添加所述新权重。
通过softmax交叉熵(Softmax Cross Entropy,SCE)利用 确定损失函数,其中xk表示第k个单词的输出值,xc表示真实值的输出值,|V|表示输出词汇的数量。在训练时,为SCE损失函数添加新权重,则其计算方式为:
LITF=wcLsce
其中,wc表示真实值对应的权重,与该真实值的词频刚好成反比。添加权重后,对于那些高频的词汇,会使得他们的损失值越小,而对于低频的词汇,则会使得他们的损失值越大,从而提高模型对于低频词汇的关注度,进而提升内容多样性。
本公开一实施例提供了一种气象专报的生成装置,如图2所示,该装置包括:第一确定模块201,用于确定数值预报模板,数值预报模板包括预留位置;匹配模块202,用于获取原始气象数据,将原始气象数据与数值预报模板的预留位置进行匹配,得到目标数值预报;语义提取模块203,用于获取原始气象文档,对原始气象文档进行语义提取,得到目标气象评语;第二确定模块204,用于根据目标数值预报和目标气象评语,确定目标气象专报。
在一可实施方式中,装置还包括:接收装置205,用于接收设置指令;设置模块206,用于根据设置指令,设置数值预报模板的行文格式和行文规范。
在一可实施方式中,匹配模块202,包括:匹配子模块2021,用于通过正则表达式将原始气象数据匹配进数值预报模块的预留位置。
在一可实施方式中,语义提取模块203,包括:关键词提取模块2031,用于通过TextRank算法提取原始气象文档中的关键词;词表建立模块2032,用于根据关键词建立词表。
在一可实施方式中,语义提取模块203,还包括:第一得到模块2033,用于对原始气象文档进行读取和切分,得到数据集文本;第二得到模块2034,用于将数据集文本输入至编码器-解码器模型,得到隐藏状态序列和解码状态序列;第一确定子模块2035,用于根据隐藏状态序列和解码状态序列,确定覆盖向量以及词表中所有关键词的概率分布。
在一可实施方式中,语义提取模块203,还包括:引入模块2036,用于将指针生成网络引入编码器-解码器模型中;丰富单词模块2037,用于通过指针生成网络,复制单词或者从固定大小的词表中生成单词。
在一可实施方式中,语义提取模块203,还包括:第二确定子模块2038,用于通过计算交叉熵,确定损失值;增添模块2039,用于根据真实值对应的权重和所述损失值确定新权重,为损失函数添加所述新权重。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图3示出了可以用来实施本公开的实施例的示例电子设备300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、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3所示,设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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301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301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301执行上文所描述的各个方法和处理,例如一种气象专报的生成方法。例如,在一些实施例中,一种气象专报的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308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时,可以执行上文描述的一种气象专报的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301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种气象专报的生成方法。
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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种气象专报的生成方法,其特征在于,所述方法包括:
确定数值预报模板,所述数值预报模板包括预留位置;
获取原始气象数据,将所述原始气象数据与所述数值预报模板的预留位置进行匹配,得到目标数值预报;
获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语;
根据所述目标数值预报和所述目标气象评语,确定目标气象专报。
2.根据权利要求1所述的方法,其特征在于,在所述确定数值预报模板之前,所述方法还包括:
接收设置指令;
根据所述设置指令,设置所述数值预报模板的行文格式和行文规范。
3.根据权利要求1所述的方法,其特征在于,所述将所述原始气象数据与所述数值预报模板的预留位置进行匹配,得到目标数值预报,包括:
通过正则表达式将所述原始气象数据匹配进所述数值预报模块的预留位置。
4.根据权利要求1所述的方法,其特征在于,所述获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语,包括:
通过TextRank算法提取所述原始气象文档中的关键词;
根据所述关键词建立词表。
5.根据权利要求4所述的方法,其特征在于,所述获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语,还包括:
对所述原始气象文档进行读取和切分,得到数据集文本;
将所述数据集文本输入至编码器-解码器模型,得到隐藏状态序列和解码状态序列;
根据所述隐藏状态序列和所述解码状态序列,确定覆盖向量以及所述词表中所有关键词的概率分布。
6.根据权利要求5所述的方法,其特征在于,所述获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语,还包括:
将指针生成网络引入所述编码器-解码器模型中;
通过所述指针生成网络,复制单词或者从固定大小的词表中生成单词。
7.根据权利要求6所述的方法,其特征在于,所述获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语,还包括:
通过计算交叉熵,确定损失值;
根据真实值对应的权重和所述损失值确定新权重,为损失函数添加所述新权重。
8.一种气象专报的生成装置,其特征在于,所述装置包括:
第一确定模块,用于确定数值预报模板,所述数值预报模板包括预留位置;
匹配模块,用于获取原始气象数据,将所述原始气象数据与所述数值预报模板的预留位置进行匹配,得到目标数值预报;
语义提取模块,用于获取原始气象文档,对所述原始气象文档进行语义提取,得到目标气象评语;
第二确定模块,用于根据所述目标数值预报和所述目标气象评语,确定目标气象专报。
9.一种电子设备,其特征在于,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1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637406.5A CN115062596A (zh) | 2022-06-07 | 2022-06-07 | 一种气象专报的生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637406.5A CN115062596A (zh) | 2022-06-07 | 2022-06-07 | 一种气象专报的生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115062596A true CN115062596A (zh) | 2022-09-16 |
Family
ID=83200249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210637406.5A Pending CN115062596A (zh) | 2022-06-07 | 2022-06-07 | 一种气象专报的生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062596A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280112A (zh) * | 2017-06-22 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 摘要生成方法、装置及计算机设备 |
CN109684614A (zh) * | 2018-11-30 | 2019-04-26 | 南京越博动力系统股份有限公司 | 一种车辆性能仿真报告自动生成系统及其生成方法 |
US20190287012A1 (en) * | 2018-03-16 | 2019-09-19 | Microsoft Technology Licensing, Llc | Encoder-decoder network with intercommunicating encoder agents |
CN110619568A (zh) * | 2019-09-17 | 2019-12-27 | 王文斌 | 风险评估报告的生成方法、装置、设备及存储介质 |
CN113408890A (zh) * | 2021-06-16 | 2021-09-17 | 瑞格人工智能科技有限公司 | 基于人工智能的产业投资项目后评价报告生成方法和系统 |
CN113821635A (zh) * | 2021-08-02 | 2021-12-21 | 龙雄伟 | 一种用于金融领域的文本摘要的生成方法及系统 |
CN113869044A (zh) * | 2021-10-12 | 2021-12-31 | 平安科技(深圳)有限公司 | 关键词自动提取方法、装置、设备及存储介质 |
-
2022
- 2022-06-07 CN CN202210637406.5A patent/CN115062596A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280112A (zh) * | 2017-06-22 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 摘要生成方法、装置及计算机设备 |
US20190287012A1 (en) * | 2018-03-16 | 2019-09-19 | Microsoft Technology Licensing, Llc | Encoder-decoder network with intercommunicating encoder agents |
CN109684614A (zh) * | 2018-11-30 | 2019-04-26 | 南京越博动力系统股份有限公司 | 一种车辆性能仿真报告自动生成系统及其生成方法 |
CN110619568A (zh) * | 2019-09-17 | 2019-12-27 | 王文斌 | 风险评估报告的生成方法、装置、设备及存储介质 |
CN113408890A (zh) * | 2021-06-16 | 2021-09-17 | 瑞格人工智能科技有限公司 | 基于人工智能的产业投资项目后评价报告生成方法和系统 |
CN113821635A (zh) * | 2021-08-02 | 2021-12-21 | 龙雄伟 | 一种用于金融领域的文本摘要的生成方法及系统 |
CN113869044A (zh) * | 2021-10-12 | 2021-12-31 | 平安科技(深圳)有限公司 | 关键词自动提取方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
QIAN GUO: "MS-Pointer Network: Abstractive Text Summary Based on Multi-Head Self-Attention", IEEE ACCESS, 17 September 2019 (2019-09-17), pages 1 - 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376234B (zh) | 一种训练摘要生成模型的方法和装置 | |
JP7301922B2 (ja) | 意味検索方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN112528655B (zh) | 关键词生成方法、装置、设备及存储介质 | |
JP2022151649A (ja) | 音声認識モデルのトレーニング方法、装置、機器、および記憶媒体 | |
CN113420822B (zh) | 模型训练方法和装置、文本预测方法和装置 | |
CN113986864A (zh) | 日志数据处理方法、装置、电子设备及存储介质 | |
CN113553412A (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN114861889A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN112559885A (zh) | 地图兴趣点的训练模型确定方法、装置及电子设备 | |
CN113836925A (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN112632227A (zh) | 简历匹配方法、装置、电子设备、存储介质和程序产品 | |
JP2023025126A (ja) | 深層学習モデルのトレーニング方法及び装置、テキストデータ処理方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN115293149A (zh) | 一种实体关系识别方法、装置、设备及存储介质 | |
CN112711943B (zh) | 一种维吾尔文语种识别方法、装置及存储介质 | |
CN111241273A (zh) | 文本数据分类方法、装置、电子设备及计算机可读介质 | |
CN113806660A (zh) | 数据评估方法、训练方法、装置、电子设备以及存储介质 | |
CN113761895A (zh) | 文本摘要的生成方法、装置、电子设备及存储介质 | |
CN112417860A (zh) | 训练样本增强方法、系统、设备及存储介质 | |
US20230139642A1 (en) | Method and apparatus for extracting skill label | |
CN113836308B (zh) | 网络大数据长文本多标签分类方法、系统、设备及介质 | |
CN115757788A (zh) | 一种文本润色方法、装置及存储介质 | |
CN115860003A (zh) | 一种语义角色分析方法、装置、电子设备及存储介质 | |
CN112560437B (zh) | 文本通顺度的确定方法、目标模型的训练方法及装置 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN115062596A (zh) | 一种气象专报的生成方法、装置、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 |