CN115878784B - 基于自然语言理解的摘要生成方法、装置及电子设备 - Google Patents
基于自然语言理解的摘要生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115878784B CN115878784B CN202211661065.1A CN202211661065A CN115878784B CN 115878784 B CN115878784 B CN 115878784B CN 202211661065 A CN202211661065 A CN 202211661065A CN 115878784 B CN115878784 B CN 115878784B
- Authority
- CN
- China
- Prior art keywords
- target
- determining
- sentences
- sentence
- text
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000004044 response Effects 0.000 claims abstract description 21
- 239000012634 fragment Substances 0.000 claims description 127
- 238000011156 evaluation Methods 0.000 claims description 98
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012163 sequencing technique Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000000153 supplemental effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本公开提供了基于自然语言理解的摘要生成方法、装置、电子设备、存储介质以及程序产品,涉及人工智能技术领域,尤其涉及自然语言处理、深度学习、预训练模型等技术领域,可应用在智慧城市、智慧政务场景下。具体实现方案为:响应于接收到用于检索知识资源的请求,根据请求获取检索词;在确定检索到与检索词相匹配的目标知识资源的情况下,响应于确定待处理文本包括与检索词相匹配的内容,基于检索词和待处理文本,生成第一目标摘要;以及响应于确定待处理文本不包括与检索词相匹配的内容,基于待处理文本,生成第二目标摘要。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理、深度学习、预训练模型等技术领域,可应用在智慧城市、智慧政务场景下。具体涉及基于自然语言理解的摘要生成方法、装置、电子设备、存储介质以及程序产品。
背景技术
随着互联网的普及,智能检索已经成为互联网的重要工具之一。在提供智能检索的服务中,可以通过不断优化其智能化、个性化、交互性、主动性等优势,力求使用户快速精准地找到自己需要的信息。
发明内容
本公开提供了一种基于自然语言理解的摘要生成方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种摘要生成方法,包括:响应于接收到用于检索知识资源的请求,根据上述请求获取检索词;在确定检索到与上述检索词相匹配的目标知识资源的情况下,响应于确定上述待处理文本包括与上述检索词相匹配的内容,基于上述检索词和上述待处理文本,生成第一目标摘要;以及响应于确定上述待处理文本不包括与上述检索词相匹配的内容,基于上述待处理文本,生成第二目标摘要。
根据本公开的另一方面,提供了一种摘要生成装置,包括:获取模块,用于响应于接收到用于检索知识资源的请求,根据上述请求获取检索词;第一生成模块,用于在确定检索到与上述检索词相匹配的目标知识资源的情况下,响应于确定上述待处理文本包括与上述检索词相匹配的内容,基于上述检索词和上述待处理文本,生成第一目标摘要;以及第二生成模块,用于响应于确定上述待处理文本不包括与上述检索词相匹配的内容,基于上述待处理文本,生成第二目标摘要。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行如本公开的方法。
根据本公开的另一方面,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,其中,上述计算机指令用于使上述计算机执行如本公开的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如本公开的方法。
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示意性示出了根据本公开实施例的可以应用摘要生成方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的摘要生成方法的流程图;
图3示意性示出了根据本公开实施例的摘要生成方法的场景示意图;
图4示意性示出了根据本公开实施例的确定目标语句组合片段的流程示意图;
图5示意性示出了根据本公开实施例的确定聚类簇的流程示意图;
图6示意性示出了根据本公开实施例的生成第二目标摘要的流程示意图;
图7示意性示出了根据本公开实施例的摘要生成装置的框图;以及
图8示意性示出了根据本公开实施例的适于实现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。
本公开提供了一种基于自然语言理解的摘要生成方法、装置、电子设备、存储介质以及程序产品。
提供了一种摘要生成方法,包括:响应于接收到用于检索知识资源的请求,根据请求获取检索词;在确定检索到与检索词相匹配的目标知识资源的情况下,响应于确定待处理文本包括与检索词相匹配的内容,基于检索词和待处理文本,生成第一目标摘要;以及响应于确定待处理文本不包括与检索词相匹配的内容,基于待处理文本,生成第二目标摘要。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图1示意性示出了根据本公开实施例的可以应用摘要生成方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用摘要生成方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的摘要生成方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的摘要生成方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的摘要生成装置也可以设置于终端设备101、102、或103中。
或者,本公开实施例所提供的摘要生成方法一般也可以由服务器105执行。相应地,本公开实施例所提供的摘要生成装置一般可以设置于服务器105中。本公开实施例所提供的摘要生成方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的摘要生成装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的摘要生成方法的流程图。
如图2所示,该方法包括操作S210~S230。
在操作S210,响应于接收到用于检索知识资源的请求,根据请求获取检索词。
在操作S220,在确定检索到与检索词相匹配的目标知识资源的情况下,响应于确定待处理文本包括与检索词相匹配的内容,基于检索词和待处理文本,生成第一目标摘要。
在操作S230,响应于确定待处理文本不包括与检索词相匹配的内容,基于待处理文本,生成第二目标摘要。
根据本公开的实施例,响应于接收到来自用户的用于检索知识资源的请求,可以根据请求获取检索词。检索词可以是用户输入的、用于表达搜索意图的关键词。接收到的请求中可以携带该检索词。基于预定字段,可以从请求中获取检索词。对检索词的数量以及检索词的字符数量均不做限定,只要是能够根据请求获取检索词即可。
根据本公开的实施例,知识资源可以包括具有可学习的知识的资源。知识资源的类型不做限定,例如文字、图像和视频等其中的一项或多项。文字可以包括段落形式的文本、图谱、或者表格等。
根据本公开的实施例,可以基于检索词,从多个知识资源中确定与检索词相匹配的目标知识资源。与检索词相匹配的目标知识资源可以包括:具有与检索词相同内容的目标知识资源,但是并不局限于此,还可以包括:具有与检索词语义相同的内容的目标知识资源。
根据本公开的实施例,目标知识资源包括待处理文本,但是并不局限于此,还可以包括表格或者图谱等文字信息。与检索词相匹配的内容可以是待处理文本中的内容,但是并不局限于此,与检索词相匹配的内容还可以是表格或者图谱中的内容。
例如,检索词是标识信息100A,待处理文本中不包括该标识信息,表格或者图谱中包括该标识信息100A。则确定检索到与检索词相匹配的目标知识资源,且目标知识资源的待处理文本不包括与检索词相匹配的内容。
还例如,检索词是人名C**,待处理文本中包括该人名C**,并包括与人名相对应的人的描述和介绍。则确定检索到与检索词相匹配的目标知识资源,且目标知识资源的待处理文本包括与检索词相匹配的内容。
根据本公开的实施例,待处理文本可以为长篇幅段落式的文本信息,例如字符数量超过预定字符数量的文本。在待处理文本的内容多,难以通过快速阅读获悉待处理文本的全部信息的情况下,可以为待处理文本生成摘要,以便能够在检索到目标知识资源的情况下,生成与待处理文本相匹配的摘要,用于简明扼要的展示待处理文本的概要信息。
根据本公开的实施例,响应与确定待处理文本包括与检索词相匹配的内容,基于检索词和待处理文本,生成第一目标摘要,可以包括:基于检索词和待处理文本,利用动态方式生成第一目标摘要。动态方式可以理解为,基于检索词和待处理文本,生成与用户意图相关的第一目标摘要。
根据本公开的实施例,响应于确定待处理文本不包括与检索词相匹配的内容,可以基于待处理文本,生成第二目标摘要。基于待处理文本,生成第二目标摘要,可以包括:基于待处理文本,利用静态方式生成第二目标摘要。静态方式可以理解为:从待处理文本中提取关键语句或者关键词。基于关键语句或者关键词,生成第二目标摘要。该关键语句或者关键词,可以与用户输入的检索词无关。
根据本公开的实施例,针对目标知识资源中的待处理文本,能够在待处理文本包括与检索词相匹配的内容的情况下,利用动态方式生成第一目标摘要,进而使得第一目标摘要符合用户意图,满足用户需求,提高用户体验。还能够在待处理文本不包括与检索词相匹配的内容的情况下,利用静态方式生成第二目标摘要,进而使得第二目标摘要能够作为导读,扩充用于展示给用户的信息的丰富性,以使得用户能够快速、简便地获取待处理文本的概要信息。
根据相关示例,可以仅利用静态方式,基于待处理文本,生成摘要。或者可以仅利用动态方式,基于检索词和待处理文本,生成摘要。
与仅利用静态方式生成摘要相比,利用本公开实施例提供的摘要生成方法,可以在待处理文本包括与检索词相匹配的内容的情况下,生成与用户意图相关的第一目标摘要,符合用户诉求,能够利用第一目标摘要展示用户需求的信息。
与利用动态方式生成摘要相比,利用本公开实施例提供的摘要生成方法,能够在待处理文本不包括与检索词相匹配的内容的情况下,还能够生成摘要,避免信息匮乏、存在信息缺失的问题,提高信息的丰富性。
图3示意性示出了根据本公开实施例的摘要生成方法的场景示意图。
如图3所示,接收到来自用户的用于检索知识资源的请求。确定与检索词相匹配的目标知识资源310。目标知识资源310包括待处理文本311和表格312。在确定待处理文本311包括与检索词相匹配的内容313的情况下,基于检索词和待处理文本,生成第一目标摘要320。将该目标知识资源的链接、标题330、以及第一目标摘要320发送给用户。以便用户基于第一目标摘要320获悉与检索意图相关的概要信息。
在确定待处理文本311不包括与检索词相匹配的内容的情况下,表格信息312中包括与检索词相匹配的内容313,基于待处理文本311,生成第二目标摘要340。将该目标知识资源的链接、标题330、以及第二目标摘要340发送给用户。以便用户基于第二目标摘要340获悉待处理文本311的概要信息。
根据本公开的示例性实施例,可以将本公开实施例提供的摘要生成方法应用到案情检索场景中,通过本公开实施例提供的摘要生成方法,能够为用户提供与检索词相匹配的关键案情信息,或者提供与案情相关的重要信息。
根据本公开的实施例,在执行如图2所示的操作S220之前,摘要生成方法还可以包括如下操作。
例如,按照预定字段,从目标知识资源中确定待处理文本。确定待处理文本是否包括与检索词相匹配的内容。
根据本公开的实施例,预定字段可以为与待处理文本相对应的字段。可以基于格式信息例如预定字段,从目标知识资源中确定待处理文本。但是并不局限于此。还可以基于内容信息例如预定标识信息,从目标知识资源中确定待处理文本。
例如,目标知识资源中的待处理文本设置在表格信息下方,则以表格信息下方的字段作为预定字段,根据预定字段,可以从目标知识资源中确定待处理文本。还例如,待处理文本的标题为:案情回顾。则,以“案情回顾”作为预定标识信息,根据预定标识信息,可以从目标知识资源中确定待处理文本。
根据本公开的实施例,确定待处理文本是否包括与检索词相匹配的内容,可以包括:利用检索词匹配方式,确定待处理文本是否包括与检索词相同的内容。但是并不局限于此。只要是能够确定待处理文本是否确定与检索词相匹配的内容的方法均可适用。
根据本公开的实施例,利用预定字段的方式确定待处理文本,并确定待处理文本是否包括与检索词相匹配的内容,能够使得应用场景确定准确的同时,操作简单,提高处理效率。
根据本公开的实施例,针对如图2所示的操作S220,基于检索词和待处理文本,生成第一目标摘要,可以包括如下操作。
例如,对检索词进行属性分析,确定与检索词相关的属性信息。基于检索词和属性信息,从待处理文本中确定目标语句组合片段。目标语句组合片段是由待处理文本中的多个语句组成的片段。基于目标语句组合片段,生成第一目标摘要。
根据本公开的实施例,基于属性信息和检索词,能够提高对用户理解的宽泛性,在体现用户个性化需求的同时,能够重点突出贴合用户需求的关键信息。
根据本公开的实施例,属性信息可以包括类别信息。例如,在网上购物场景中,类别信息可以包括物品的使用说明类别、价格类别、材质类别等;在例如案情搜索场景中,类别信息可以包括对象例如人的类别、事件的类别等。但是并不局限于此。属性信息还可以包括对象的标识信息、职位信息、身份信息等;物品的材质信息、价格信息等;以及事件的发生时间、发生地点等信息。
根据本公开的实施例,针对类别信息,可以利用语义识别方法基于检索词确定。例如,对检索词进行属性分析,确定与检索词相关的属性信息,包括:对检索词进行语义特征提取,得到第一语义特征。基于第一语义特征,确定与检索词相关的属性信息。
根据本公开的实施例,可以利用特征提取模块对检索词进行特征提取。特征提取模块可以包括多层感知机(MLP,Multilayer Perceptron)、卷积神经网络(CNN,Convolutional Neural Network)、循环神经网络(RNN,Recurrent Neural Network)中的一种或多种网络结构。但是并不局限于此。只要是能够以检索词作为输入数据,输出第一语义特征的特征提取模块即可。
根据本公开的实施例,可以将第一语义特征输入至分类模块中,得到与检索词相关的类别信息。分类模块可以包括全连接层和激活函数。但是并不局限于此。只要是能够基于第一语义特征,得到与检索词相关的属性信息的网络结构即可。
根据本公开的实施例,基于检索词,确定与检索词相关的属性信息。该属性信息可以为类别信息,例如物品A的价格类别。基于检索词和属性信息,生成第一目标摘要,可以使得在生成第一目标摘要的过程中,将物品A的与价格类别相关的内容考虑进去,而非物品A的与使用类别相关的内容或者物品A的与材质类别相关的内容。
根据本公开的实施例,基于检索词确定属性信息,基于检索词和属性信息例如类别信息生成第一目标摘要,能够使得第一目标摘要充分考虑且精准把控用户的个性化需求。
根据本公开的实施例,还可以通过如下方式确定与检索词相关的属性信息。
例如,对检索词进行属性分析,确定与检索词相关的属性信息,包括:对检索词进行句法分析,确定与检索词相关的属性信息。
根据本公开的实施例,与检索词相关的属性信息还可以包括:检索词作为的属性信息。例如,检索词为对象的标识信息例如名称信息,或者检索词为事件的地点信息。
根据本公开的实施例,在检索词作为属性信息的情况下,可以利用句法分析,确定与检索词作为的属性信息,以及与检索词相关的属性信息。例如,检索词为对象的标识信息,则基于该检索词,可以从待处理文本中确定标识信息、以及与检索词相对应的对象的身份信息、性别信息等属性信息。
根据本公开的实施例,对句法分析不做限定,只要是能够基于检索词,确定与检索词相关的属性信息的方法即可。
根据本公开的实施例,对检索词进行句法分析操作以及对检索词进行特征提取操作两者的操作顺序不做限定,只要是能够基于检索词,全面获悉与检索词相关的属性信息即可。
根据本公开的实施例,利用多种方式获取与检索词相关的属性信息,扩展属性信息的来源,提高属性信息的丰富性,进而提高第一目标摘要的可读性和准确性。
根据本公开的实施例,基于检索词和属性信息,从待处理文本中确定目标语句组合片段,可以包括如下操作。
例如,从待处理文本中确定多个语句组合片段。按照评分策略,基于检索词和属性信息,确定多个语句组合片段各自的第一评价值,得到多个第一评价值。基于多个第一评价值,从多个语句组合片段中确定目标语句组合片段。
根据本公开的实施例,可以按照语句粒度,对待处理文本进行拆分,得到多个语句。从待处理文本中确定多个语句组合片段可以包括:按照预定规则,对待处理文本中的多个语句进行组合,得到多个语句组合片段。预定规则,可以包括:预定的语句数量、以及预定的语句组合方式。例如,预定的语句数量为三句,预定的语句组合方式为以一个语句间隔的方式按照预定的语句数量生成语句组合片段。例如,将第一个语句、第三个语句以及第五个语句组合,形成一个语句组合片段。将第二个语句、第四个语句以及第六个语句组合,形成一个语句组合片段。但是并不局限于此。只要是能够从待处理文本中确定多个语句组合片段的方式即可。
根据本公开的实施例,基于多个第一评价值,从多个语句组合片段中确定目标语句组合片段,可以包括:从多个第一评价值中确定最大的第一评价值。将与最大的第一评价值相对应的语句组合片段作为目标语句组合片段。但是并不局限于此。还可以将与最小的第一评价值相对应的语句组合片段作为目标语句组合片段。只要是能够基于多个第一评价值,能够从多个语句组合片段中确定目标语句组合片段的方式即可。
根据本公开的实施例,摘要生成方法还可以包括生成评分策略的操作。
例如,基于检索词,确定词特征评分策略,将词特征评分策略作为评分策略。但是并不局限于此。还可以基于检索词,确定词特征评分策略。基于属性信息,确定属性特征评分策略。基于词特征评分策略和属性特征评分策略,生成评分策略。也可以基于检索词,确定词特征评分策略。基于属性信息,确定属性特征评分策略。确定质量特征评分策略。基于词特征评分策略、属性特征评分策略以及质量评分策略,生成评分策略。
根据本公开的实施例,词特征评分策略可以包括:按照检索词在语句组合片段中的词频,确定语句组合片段的关于词特征的第一子评价值。但是并不局限于此。还可以包括:按照检索词在语句组合片段中的词频和预定词特征权重,确定关于词特征的第一子评价值。只要是利用词特征评分策略,能够将出现检索词频率最高的语句组合片段筛选出来的策略即可。
根据本公开的实施例,属性特征评分策略可以包括:按照与检索词相关的属性信息在语句组合片段中的词频,确定语句组合片段的关于属性特征的第二子评价值。但是并不局限于此。还可以包括:按照与检索词相关的属性信息在语句组合片段中的词频和预定属性特征权重,确定关于属性特征的第二子评价值。只要是利用属性特征评分策略,能够将出现属性信息频率最高的语句组合片段筛选出来的策略即可。
根据本公开的实施例,可以采用TF-IDF(词频-逆向文件频率)算法或者IDF(逆向文件频率)算法等算法,计算检索词或者与检索词相关的属性信息的词频。
根据本公开的实施例,质量评分策略可以包括:基于语句的字符数量、语句的完整度、冗余度等为语句组合片段中的多个语句进行评分,得到多个语句各自的质量评分结果。对多个语句各自的质量评分结果相加,得到第三子评价值。但是并不局限于此。还可以对多个语句各自的质量评分结果加权求和,得到第三子评价值。只要是利用质量特征评分策略,能够将文本质量最高的语句组合片段筛选出来的策略即可。
根据本公开的实施例,可以基于语句的字符数量,确定语句的长度是否适宜。可以基于语句是否有截断,确定语句是否完整度。可以基于语句内相同词的数量,确定语句的冗余度。
根据本公开的实施例,评分策略可以包括:基于第一子评价值、第二子评价值和第三子评价值,得到第一评价值。例如,加权求和第一子评价值、第二子评价值和第三子评价值,得到第一评价值。只要是能够基于第一子评价值、第二子评价值和第三子评价值,确定第一评价值的方式即可。
根据本公开实施例,按照评分策略,基于检索词和属性信息,确定多个语句组合片段各自的第一评价值,得到多个第一评价值,可以包括:按照词特征评分策略,基于检索词,确定多个语句组合片段各自的第一子评价值。按照属性特征评分策略,基于属性信息,得到多个语句组合片段各自的第二子评价值。按照质量特征评分策略,确定多个语句组合片段各自的第三子评价值。针对每个语句组合片段,基于与语句组合片段相匹配的第一子评价值、第二子评价值和第三子评价值,确定与语句组合片段相匹配的第一评价值。得到与多个语句组合片段一一对应的多个第一评价值。
与仅利用词特征评分策略生成评分策略、或者利用属性特征评分策略与词特征评分策略生成评分策略的方式相比,利用词特征评分策略、属性特征评分策略以及质量评分策略生成评分策略,能够使得确定的目标语句组合片段在符合用户个性化需求的同时,满足可读性要求。
根据本公开的示例性实施例,基于检索词和属性信息,从待处理文本中确定目标语句组合片段,可以包括循环地执行下述操作,直至确定目标语句组合片段。
例如,按照评分策略,对待处理文本中的多个第i轮次的语句组合片段进行打分,得到多个第i轮次的语句组合片段各自的第一评价值。i为大于或者等于1的整数。基于多个第i轮次的语句组合片段各自的第一评价值,从多个第i轮次的语句组合片段中确定K个第i轮次的待组合片段。K为大于或者等于2的整数。在确定K个第i轮次的待组合片段各自的字符数量分别小于预定字符数量阈值的情况下,针对K个第i轮次的待组合片段中的每个第i轮次的待组合片段,对第i轮次的待组合片段与待处理文本中的除第i轮次的待组合片段外的多个语句分别进行组合,得到多个第i+1轮次的语句组合片段。在确定K个第i+1轮次的待组合片段各自的字符数量均大于预定字符数量阈值的情况下,确定K个第i+1轮次的待组合片段中的第一评价值最大的第i+1轮次的待组合片段作为目标语句组合片段。
图4示意性示出了根据本公开实施例的确定目标语句组合片段的流程示意图。
如图4所示,待处理文本可以包括5个语句,例如依序包括:语句A、语句B、语句C、语句D和语句E。可以将待处理文本中的5个语句分别作为5个第一轮次的语句组合片段。按照评分策略,对5个第一轮次的语句组合片段分别进行打分,得到5个第一轮次的语句组合片段各自的第一评价值P1-1、P1-2、P1-3、P1-4和P1-5。从5个第一轮次的语句组合片段中确定例如K为3的3个待组合片段,例如语句A、语句B和语句C。该3个待组合片段各自的第一评价值高于另外两个待组合片段例如语句D和语句E各自的第一评价值。
如图4所示,在确定K个第一轮次的待组合片段各自的字符数量分别小于预定字符数量阈值的情况下,可以将语句A与语句B、语句C、语句D分别组合,得到与语句A相对应的第二轮次的语句组合片段AB、AC、AiD和AE。依此类推,得到与语句B相对应的第二轮次的语句组合片段BA、BC、BD和BE。得到与语句C相对应的第二轮次的语句组合片段CA、CB、CD和CE。
根据本公开的实施例,可以在确定K个第i轮次的待组合片段各自的字符数量均小于预定字符数量阈值的情况下,进行迭代操作。但是并不局限于此。还可以在确定K个第i轮次的待组合片段中存在字符数量小于预定字符数量阈值的第一预定数量例如L1个第i轮次的待组合片段的情况下,执行迭代操作。
根据本公开的实施例,可以在确定K个第i轮次的待组合片段各自的字符数量均大于预定字符数量阈值的情况下,停止执行迭代操作。但是并不局限于此。还可以在确定K个第i轮次的待组合片段中存在字符数量大于预定字符数量阈值的第二预定数量例如L2个第i轮次的待组合片段的情况下,停止执行迭代操作。
根据本公开的实施例,可以将重复的语句组合片段进行删除,得到第二轮次的语句组合片段:AB、AC、AD、AE、BC、BD、BE、CD和CE。但是并不局限于此。
如图4所示,按照评分策略,对第二轮次的语句组合片段分别进行打分,得到多个第二轮次的语句组合片段各自的第一评价值P2-1、P2-2、P2-3、P2-4、P2-5、P2-6、P2-7、P2-8和P2-9。从多个第二轮次的语句组合片段中确定3个第二轮次的待组合片段。例如,3个第一评价值最高的第二轮次的待组合片段AC、CD和CE。
如图4所示,在确定3个第二轮次的待组合片段各自的字符数量分别小于预定字符数量阈值的情况下,可以将第二轮次的待组合片段AC与待处理文本中的除第二轮次的待组合片段AC外的多个语句分别进行组合,得到第三轮次的语句组合片段ACB、ACD和ACE。依此类推,得到与第二轮次的待组合片段CD相对应的第三轮次的语句组合片段CDA、CDB和CDE。以及得到与与第二轮次的待组合片段CE相对应的第三轮次的语句组合片段CEA、CEB和CED。去重后得到第三轮次的语句组合片段ACB、ACD、ACE、CDB、CDE和CEB。
如图4所示,按照评分策略,对第三轮次的语句组合片段分别进行打分,得到第三轮次的语句组合片段ACB、ACD、ACE、CDB、CDE和CEB各自的第一评价值P3-1、P3-2、P3-3、P3-4、P3-5和P3-6,从中确定3个第三轮次的待组合片段CDB、CDE和CEB。
如图4所示,在确定3个第三轮次的待组合片段CDB、CDE和CEB各自的字数数量均大于预定字符数量阈值的情况下,可以从3个第三轮次的待组合片段CDB、CDE和CEB中确定第一评价值最大的第三轮次的待组合片段CDB作为目标语句组合片段。
如图4所示,可以基于目标语句组合片段,生成第一目标摘要。
根据本公开的实施例,基于目标语句组合片段,生成第一目标摘要,可以包括如下操作。
例如,在确定目标语句组合片段的字符数量大于预定字符数量阈值的情况下,从目标语句组合片段中确定第一目标语句。对目标语句组合片段中的第一目标语句进行删减,生成第一目标摘要。
根据本公开的实施例,预定字符数量阈值可以不做限定,只要是适宜的摘要字数阈值即可,例如150字。
根据本公开的实施例,在目标语句组合片段的字符数量大于预定字符数量阈值的情况下,可以对目标语句组合片段中的第一目标语句进行删减,生成第一目标摘要。以使得删减后的目标语句组合片段的字符数量符合预定字符数量阈值。
根据本公开的实施例,进行删减的第一目标语句,可以是目标语句组合片段中的任意一个,但是并不局限于此,还可以是排在目标语句组合片段的首位或者末尾的语句。删减的内容可以是该第一目标语句中的首位字段内容,但是并不局限于此,还可以是该第一目标语句中的末尾字段内容。还可以确定第一目标语句中的检索词或者与检索词相关的属性信息的字段信息,基于该字段信息删减第一目标语句中的内容。例如,从与字段信息的相反字段进行删减。只要是能够起到删减作用,且不影响语义表达、通顺性表达的删减方式即可。
根据本公开的实施例,利用预定字符数量阈值来把控第一目标摘要的长度,能够使得第一目标摘要的格式规整,形式统一,提高第一目标摘要的可阅读性。
根据本公开的实施例,针对如图2所示的操作S230,基于待处理文本,生成第二目标摘要,可以包括如下操作。
例如,对待处理文本中的多个语句分别进行特征提取,得到与多个语句一一对应的多个第二语义特征。基于多个第二语义特征,确定多个语句彼此之间的语义相似度。基于多个语句彼此之间的语义相似度,从多个语句中确定多个聚类簇。从多个聚类簇中确定多个第二目标语句。基于多个第二目标语句,生成第二目标摘要。
根据本公开的实施例,可以按照语句粒度,对待处理文本进行拆分,得到多个语句。对待处理文本的多个语句分别进行特征提取,得到与多个语句一一对应的多个第二语义特征。基于多个第二语义特征,确定多个语句彼此之间的语义相似度。
根据本公开的实施例,可以利用特征提取模块对多个语句进行特征提取。特征提取模块可以包括多层感知机、卷积神经网络、循环神经网络中的一种或多种网络结构。但是并不局限于此。只要是能够以语句作为输入数据,输出第二语义特征的特征提取模块即可。
根据本公开的实施例,可以利用特征相似度的计算方法来确定多个语句彼此之间的语义相似度。例如,欧式距离、曼哈顿距离、马氏距离中的一种或多种。
根据相关示例,可以利用Jaccard(杰卡德)相似系数的计算方法,确定多个语句彼此之间的关联关系。例如,利用Jaccard相似系数的计算方法,确定多个语句彼此之间的Jaccard距离。基于多个语句彼此之间的Jaccard距离,从多个语句中确定多个聚类簇。
与利用Jaccard相似系数的计算方法确定聚类簇相比,利用语义相似度确定聚类簇,能够具有泛化性的同时,兼顾多个语句之间的语义关联关系。进而使得聚类簇中的多个语句之间的语义关联关系把控精准。
根据本公开的实施例,基于多个语句彼此之间的语义相似度,从多个语句中确定多个聚类簇,可以包括如下操作。
例如,确定与多个语句一一对应的多个节点。基于多个语句彼此之间的语义相似度,确定多个节点彼此之间是否存在连接边。基于多个节点和至少一个连接边,确定多个聚类簇。
根据本公开的实施例,基于多个语句彼此之间的语义相似度,确定多个节点彼此之间是否存在连接边,可以包括:按照由大到小的顺序,对多个语义相似度进行排序,得到排序结果。基于排序结果确定多个节点彼此之间的连接边的设置顺序。按照连接边的设置顺序,在对应两个节点之间设置连接边,直至具有连接边的节点数量超过节点总数量的预定百分比,例如80%或者70%。
根据本公开的实施例,基于多个节点和至少一个连接边,生成多个聚类簇图。可以用聚类簇图表征聚类簇。
根据本公开的实施例,待处理文本描述具有延展性,相邻两个语句或者同一主题下的多个语句,语义相似度高。可以基于多个语句彼此之间的语义相似度,采用动态聚簇的方式对多个语句进行聚簇。进而将同一主题或者同一语义的多个语句划分在一个聚类簇,将不同主题或者不同语义的多个语句划分至多个聚类簇,进而利用聚类簇能够自动捕捉待处理文本的差异性和多主题性。
图5示意性示出了根据本公开实施例的确定聚类簇的流程示意图。
如图5所示,待处理文本510包括多个语句,例如语句A、语句B、语句C和语句D。多个语义相似度包括语句A与语句B之间的第一语义相似度、语句A与语句C之间的第二语义相似度、语句A与语句D之间的第三语义相似度、语句B与语句C之间的第四语义相似度、语句B与语句D之间的第五语义相似度、和语句C与语句D之间的第六语义相似度。按照由大到小的顺序排序,得到排序结果。排序结果为:语句B与语句C之间的第四语义相似度、语句B与语句D之间的第五语义相似度、语句C与语句D之间的第六语义相似度、语句A与语句B之间的第一语义相似度、语句A与语句C之间的第二语义相似度、语句A与语句D之间的第三语义相似度。
基于排序结果,对多个节点设置连接边。多个节点为与语句A相对应的节点NA、与语句B相对应的节点NB、与语句C相对应的节点NC和与语句D相对应的节点ND。为多个节点彼此之间设置连接边的顺序为:节点NB和节点NC、节点NB和节点ND、节点NC和节点ND、节点NA和节点NC、节点NA和节点ND。
在设置完节点NC和节点ND之间的连接边的情况下,确定具有连接边的节点的数量为3个,总节点数量为4个,两者比值为75%,大于预定百分比70%,则停止设置连接边。得到包括节点NB、节点NC和节点ND的第一聚类簇520和包括节点NA的第二聚类簇530。
根据本公开的示例性实施例,从多个聚类簇中确定多个第二目标语句,可以包括如下操作。
例如,针对多个聚类簇中的每个聚类簇,在确定聚类簇中存在概括性语句的情况下,将概括性语句作为第二目标语句。在确定聚类簇中不存在概括性语句的情况下,确定聚类簇中的多个语句各自的用于表征重要度的第二评价值,得到多个第二评价值。基于多个第二评价值,从聚类簇的多个语句中确定第二目标语句。
根据本公开的实施例,确定聚类簇中的多个语句各自的用于表征重要度的第二评价值,得到多个第二评价值,可以包括:可以利用Text Rank(文本排序)方法,确定聚类簇中的多个语句各自的用于表征重要度的第二评价值,得到与聚类簇中的多个语句一一对应的多个第二评价值。
根据本公开的实施例,确定聚类簇中的多个语句各自的用于表征重要度的第二评价值,得到多个第二评价值,还可以包括:确定与多个语句一一对应的多个节点各自的连接边的数量。确定聚类簇中的连接边的总数量。基于节点的连接边的数量与连接边的总数量,确定与节点相对应的语句的第二评价值,得到多个第二评价值。
根据本公开的实施例,基于节点的连接边的数量与连接边的总数量,确定第二评价值,可以包括:将节点的连接边的数量除以连接边的总数量,得到第二评价值。但是并不局限于此。还可以包括:预设多个节点各自的权重。将节点的连接边的数量除以连接边的总数量,得到初始第二评价值。将初始第二评价值与权重相乘,得到第二评价值。
根据本公开的实施例,对聚类簇中的多个语句的第二评价值的确定方式不做限定,只要是能够通过第二评价值表征对应语句的重要度即可。
根据本公开的实施例,可以从多个聚类簇中的每个聚类簇中确定一个第二目标语句,得到与多个聚类簇一一对应的多个第二目标语句。基于多个第二目标语句,生成第二目标摘要。
根据本公开的实施例,基于语义相似度,确定多个聚类簇。利用聚类簇对待处理文本中的多个语句按照语义进行划分。由此使得多个聚类簇彼此之间语义关联性弱,差异性强。从每个聚类簇中确定一个第二目标语句,可以使得多个第二目标语句之间的差异性强,且覆盖面广,能够兼顾到待处理文本中的多个子主题。
根据本公开的实施例,针对多个聚类簇中的每个聚类簇,可以将聚类簇的多个语句中的概括性语句作为第二目标语句。概括性语句可以是指具有概括性描述作用的语句,例如表达该聚类簇的主题思想的语句。可以首选概括性语句作为第二目标语句。在确定该聚类簇中没有概括性语句的情况下,基于用于表征重要度的第二评价值,可以从聚类簇的多个语句中确定第二评价值最高的作为第二目标语句。
根据本公开的实施例,从多个聚类簇中确定多个目标语句,还可以包括确定语句是否为概括性语句的操作。
例如,针对多个聚类簇中的每个聚类簇,对聚类簇的多个语句分别进行特征提取,得到多个第三语义特征。基于多个第三语义特征,确定多个语句各自是否为概括性语句。
根据本公开的实施例,可以利用特征提取模块对聚类簇的多个语句分别进行特征提取。特征提取模块可以包括多层感知机、卷积神经网络、循环神经网络中的一种或多种网络结构。但是并不局限于此。只要是能够以语句作为输入数据,输出第三语义特征的特征提取模块即可。
根据本公开的实施例,多个第三语义特征可以与聚类簇的多个语句一一对应。
根据本公开的实施例,可以将多个第三语义特征输入至分类模块中,得到多个语句中的每个语句是否为概括性语句的分类结果。分类模块可以是二分类模块。例如,可以包括全连接层和激活函数。但是并不局限于此。只要是能够基于第三语义特征,得到语句是否为概括性语句的分类结果的网络结构即可。
根据本公开的实施例,利用特征提取模块和分类模块来处理聚类簇的多个语句,处理方式简单、快速且精准。
根据本公开的其他实施例,还可以将聚类簇中的概括性语句或者第二评价值最高的语句作为第二目标语句。与该种方式相比,在确定聚类簇中存在概括性语句的情况下,将概括性语句作为第二目标语句。在确定聚类簇中不存在概括性语句的情况下,确定聚类簇中的第二评价值最高的语句作为第二目标语句,可以使得基于第二目标语句生成的第二目标摘要能够具有主题概括性,进而能够利用概括性语句简练清楚的表达待处理文本所要表达的内容,发挥第二目标摘要的作用。
根据本公开的另一实施例,也可以基于多个第二评价值,将聚类簇中的第二评价值最低的语句作为第二目标语句。但是并不局限于此。只要是基于多个第二评价值,从聚类簇中确定第二目标语句的方式即可。与这些方式相比,将聚类簇中第二评价值最高的语句作为第二目标语句,能够将用于表征重要度的语句筛选出来,作为第二目标语句,进而使得第二目标语句在为非概括性语句的情况下,为重要性最高的语句。
根据本公开的实施例,基于多个第二目标语句,生成第二目标摘要,可以包括:按照待处理文本的多个语句的排布方式,对多个第二目标语句进行排序,得到排序后的多个第二目标语句。将排序后的多个第二目标语句作为第二目标摘要。
根据本公开的另一实施例,还可以设置第二目标摘要的预定字符数量阈值。在多个第二目标语句的字符数量大于预定字符数量阈值的情况下,对多个第二目标语句中一个第二目标语句进行删减,以使得删减后的多个第二目标语句的字符数量符合预定字符数量阈值。
根据本公开的实施例,进行删减的第二目标语句,可以是多个第二目标语句中的任意一个,但是并不局限于此,还可以是排在首位或者末尾的第二目标语句。删减的内容可以是该第二目标语句中的首位字段内容,但是并不局限于此,还可以是该第二目标语句中的末尾字段内容。只要是能够起到删减作用,且不影响语义表达、通顺性表达的删减方式即可。
根据本公开的实施例,利用预定字符数量阈值来把控第二目标摘要的长度,能够使得第二目标摘要的格式规整,形式统一,提高第二目标摘要的可阅读性。
根据本公开的实施例,在确定多个第二目标语句的字符数量小于预定字符数量阈值的情况下,基于多个第二目标语句,生成第二目标摘要,可以包括:从其中一个聚类簇中确定补充语句,基于补充语句与多个第二目标语句,生成第二目标摘要。
根据本公开的实施例,可以从多个聚类簇中的任意一个聚类簇中确定补充语句。只要是聚类簇中的节点数量大于两个即可。但是并不局限于此。还可以从多个聚类簇中确定节点数量最多的聚类簇,从节点数量最多的聚类簇中确定补充语句。
根据本公开的实施例,补充语句与多个第二目标语句各自之间的语义相似度均小于预定相似度阈值、且补充语句的第二评价值大于预定分值阈值。
根据本公开的实施例,补充语句与多个第二目标语句各自之间的语义相似度均小于预定相似度阈值,用于实现补充语句与多个第二目标语句各自之间存在语义差异。此外,补充语句的第二评价值大于预定分值阈值,用于实现补充语句的重要性满足要求。
根据本公开的实施例,可以利用补充语句实现第二目标摘要的字符数量满足预定字符数量阈值。还可以利用补充语句与多个第二目标语句各自之间的语义相似度均小于预定相似度阈值、且补充语句的第二评价值大于预定分值阈值,来保证第二目标摘要的子主题覆盖全面的同时,重要信息提取程度高。由此使得第二目标摘要中的信息能够兼顾概括性、差异性和重要性等,从而能较好的达到通过阅读第二目标摘要获悉待处理文本的长篇幅的重要信息。
图6示意性示出了根据本公开实施例的生成第二目标摘要的流程示意图。
如图6所示,从待处理文本的多个语句中确定多个聚类簇,聚类簇611、聚类簇612和聚类簇613。从聚类簇611中确定一个第二目标语句621。从聚类簇612中确定一个第二目标语句622。从聚类簇613中确定一个第二目标语句623。在确定多个第二目标语句的字符数量小于预定字符数量阈值的情况下,可以从节点数量最多的聚类簇611中确定补充语句624。
在确定多个第二目标语句和补充语句的字符数量大于预定字符数量阈值的情况下,按照待处理文本的多个语句的排列顺序,对多个第二目标语句和补充语句进行排序,得到初始第二目标摘要620。对排在末尾的语句N3进行删减,得到第二目标摘要630。
图7示意性示出了根据本公开实施例的摘要生成装置的框图。
如图7所示,摘要生成装置700,包括:获取模块710、第一生成模块720以及第二生成模块730。
获取模块710,用于响应于接收到用于检索知识资源的请求,根据请求获取检索词。
第一生成模块720,用于在确定检索到与检索词相匹配的目标知识资源的情况下,响应于确定待处理文本包括与检索词相匹配的内容,基于检索词和待处理文本,生成第一目标摘要。
第二生成模块730,用于响应于确定待处理文本不包括与检索词相匹配的内容,基于待处理文本,生成第二目标摘要。
根据本公开的实施例,第一生成模块包括:第一确定子模块、第二确定子模块以及第一生成子模块。
第一确定子模块,用于对检索词进行属性分析,确定与检索词相关的属性信息。
第二确定子模块,用于基于检索词和属性信息,从待处理文本中确定目标语句组合片段,其中,目标语句组合片段是由待处理文本中的多个语句组成的片段。
第一生成子模块,用于基于目标语句组合片段,生成第一目标摘要。
根据本公开的实施例,第二确定子模块包括:第一确定单元、第二确定单元以及第三确定单元。
第一确定单元,用于从待处理文本中确定多个语句组合片段。
第二确定单元,用于按照评分策略,基于检索词和属性信息,确定多个语句组合片段各自的第一评价值,得到多个第一评价值。
第三确定单元,用于基于多个第一评价值,从多个语句组合片段中确定目标语句组合片段。
根据本公开的实施例,第二确定子模块包括:第四确定单元、第五确定单元、第六确定单元以及第七确定单元。
循环地执行下述操作,直至确定目标语句组合片段:
第四确定单元,用于按照评分策略,对待处理文本中的多个第i轮次的语句组合片段进行打分,得到多个第i轮次的语句组合片段各自的第一评价值,其中,i为大于或者等于1的整数。
第五确定单元,用于基于多个第i轮次的语句组合片段各自的第一评价值,从多个第i轮次的语句组合片段中确定K个第i轮次的待组合片段,其中,K为大于或者等于2的整数。
第六确定单元,用于在确定K个第i轮次的待组合片段各自的字符数量分别小于预定字符数量阈值的情况下,针对K个第i轮次的待组合片段中的每个第i轮次的待组合片段,对第i轮次的待组合片段与待处理文本中的除第i轮次的待组合片段外的多个语句分别进行组合,得到多个第i+1轮次的语句组合片段。
第七确定单元,用于在确定K个第i+1轮次的待组合片段各自的字符数量均大于预定字符数量阈值的情况下,确定K个第i+1轮次的待组合片段中的第一评价值最大的第i+1轮次的待组合片段作为目标语句组合片段。
根据本公开的实施例,摘要生成装置还包括:第一确定模块、第二确定模块、第三确定模块以及第三生成模块。
第一确定模块,用于基于检索词,确定词特征评分策略。
第二确定模块,用于基于属性信息,确定属性特征评分策略。
第三确定模块,用于确定质量特征评分策略。
第三生成模块,用于基于词特征评分策略、属性特征评分策略以及质量评分策略,生成评分策略。
根据本公开的实施例,第一确定子模块包括:第一提取单元以及第二提取单元。
第一提取单元,用于对检索词进行语义特征提取,得到第一语义特征。
第二提取单元,用于基于第一语义特征,确定与检索词相关的属性信息。
根据本公开的实施例,第一确定子模块包括:句法分析单元。
句法分析单元,用于对检索词进行句法分析,确定与检索词相关的属性信息。
根据本公开的实施例,第一生成子模块包括:第八确定单元以及第一生成单元。
第八确定单元,用于在确定目标语句组合片段的字符数量大于预定字符数量阈值的情况下,从目标语句组合片段中确定第一目标语句。
第一生成单元,用于对目标语句组合片段中的第一目标语句进行删减,生成第一目标摘要。
根据本公开的实施例,第二生成模块包括:第一提取子模块、第三确定子模块、第四确定子模块、第五确定子模块以及第二生成子模块。
第一提取子模块,用于对待处理文本中的多个语句分别进行特征提取,得到与多个语句一一对应的多个第二语义特征。
第三确定子模块,用于基于多个第二语义特征,确定多个语句彼此之间的语义相似度。
第四确定子模块,用于基于多个语句彼此之间的语义相似度,从多个语句中确定多个聚类簇。
第五确定子模块,用于从多个聚类簇中确定多个第二目标语句。
第二生成子模块,用于基于多个第二目标语句,生成第二目标摘要。
根据本公开的实施例,第五确定子模块包括:第九确定单元、第十确定单元以及第十一确定单元。
第九确定单元,用于针对多个聚类簇中的每个聚类簇,在确定聚类簇中存在概括性语句的情况下,将概括性语句作为第二目标语句。
第十确定单元,用于在确定聚类簇中不存在概括性语句的情况下,确定聚类簇中的多个语句各自的用于表征重要度的第二评价值,得到多个第二评价值。
第十一确定单元,用于基于多个第二评价值,从聚类簇的多个语句中确定第二目标语句。
根据本公开的实施例,第二生成子模块包括:第二生成单元。
第二生成单元,用于在确定多个第二目标语句的字符数量小于预定字符数量阈值的情况下,从其中一个聚类簇中确定补充语句,基于补充语句与多个第二目标语句,生成第二目标摘要,其中,补充语句与多个第二目标语句各自之间的语义相似度均小于预定相似度阈值、且补充语句的第二评价值大于预定分值阈值。
根据本公开的实施例,第五确定子模块还包括:第三提取单元以及第十二确定单元。
第三提取单元,用于针对多个聚类簇中的每个聚类簇,对聚类簇的多个语句分别进行特征提取,得到多个第三语义特征。
第十二确定单元,用于基于多个第三语义特征,确定多个语句各自是否为概括性语句。
根据本公开的实施例,第四确定子模块包括:第十三确定单元、第十四确定单元以及第十五确定单元。
第十三确定单元,用于确定与多个语句一一对应的多个节点。
第十四确定单元,用于基于多个语句彼此之间的语义相似度,确定多个节点彼此之间是否存在连接边。
第十五确定单元,用于基于多个节点和至少一个连接边,确定多个聚类簇。
根据本公开的实施例,摘要生成装置还包括:第四确定模块以及第五确定模块。
第四确定模块,用于按照预定字段,从目标知识资源中确定待处理文本。
第五确定模块,用于确定待处理文本是否包括与检索词相匹配的内容。
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。
根据本公开的实施例,一种电子设备,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如本公开实施例的方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如本公开实施例的方法。
根据本公开的实施例,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如本公开实施例的方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801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801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)、复杂可编程逻辑设备(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,也可以是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 (27)
1.一种摘要生成方法,包括:
响应于接收到用于检索知识资源的请求,根据所述请求获取检索词;
在确定检索到与所述检索词相匹配的目标知识资源的情况下,响应于确定待处理文本包括与所述检索词相匹配的内容,基于所述检索词和所述待处理文本,生成第一目标摘要;以及
响应于确定所述待处理文本不包括与所述检索词相匹配的内容,基于所述待处理文本,生成第二目标摘要;
其中,所述基于所述检索词和所述待处理文本,生成第一目标摘要,包括:
对所述检索词进行属性分析,确定与所述检索词相关的属性信息;
基于所述检索词和所述属性信息,从所述待处理文本中确定目标语句组合片段,其中,所述目标语句组合片段是由所述待处理文本中的多个语句组成的片段;以及
基于所述目标语句组合片段,生成所述第一目标摘要;
其中,所述基于所述待处理文本,生成第二目标摘要,包括:
对所述待处理文本中的多个语句分别进行特征提取,得到与所述多个语句一一对应的多个第二语义特征;
基于所述多个第二语义特征,确定所述多个语句彼此之间的语义相似度;
基于所述多个语句彼此之间的语义相似度,从所述多个语句中确定多个聚类簇;
从所述多个聚类簇中确定多个第二目标语句;以及
基于所述多个第二目标语句,生成所述第二目标摘要。
2.根据权利要求1所述的方法,其中,所述基于所述检索词和所述属性信息,从所述待处理文本中确定目标语句组合片段,包括:
从所述待处理文本中确定多个语句组合片段;
按照评分策略,基于所述检索词和所述属性信息,确定所述多个语句组合片段各自的第一评价值,得到多个第一评价值;以及
基于所述多个第一评价值,从所述多个语句组合片段中确定所述目标语句组合片段。
3.根据权利要求1或2所述的方法,其中,所述基于所述检索词和所述属性信息,从所述待处理文本中确定目标语句组合片段,包括:
循环地执行下述操作,直至确定所述目标语句组合片段:
按照评分策略,对所述待处理文本中的多个第i轮次的语句组合片段进行打分,得到多个第i轮次的语句组合片段各自的第一评价值,其中,i为大于或者等于1的整数;
基于所述多个第i轮次的语句组合片段各自的第一评价值,从所述多个第i轮次的语句组合片段中确定K个第i轮次的待组合片段,其中, K为大于或者等于2的整数;
在确定所述K个第i轮次的待组合片段各自的字符数量分别小于预定字符数量阈值的情况下,针对所述K个第i轮次的待组合片段中的每个第i轮次的待组合片段,对所述第i轮次的待组合片段与所述待处理文本中的除所述第i轮次的待组合片段外的多个语句分别进行组合,得到多个第i+1轮次的语句组合片段;以及
在确定所述K个第i+1轮次的待组合片段各自的字符数量均大于所述预定字符数量阈值的情况下,确定所述K个第i+1轮次的待组合片段中的第一评价值最大的第i+1轮次的待组合片段作为所述目标语句组合片段。
4.根据权利要求3所述的方法,还包括:
基于所述检索词,确定词特征评分策略;
基于所述属性信息,确定属性特征评分策略;
确定质量特征评分策略;以及
基于所述词特征评分策略、所述属性特征评分策略以及质量评分策略,生成所述评分策略。
5. 根据权利要求1所述的方法,其中,所述对所述检索词进行属性分析,确定与所述检索词相关的属性信息,包括:
对所述检索词进行语义特征提取,得到第一语义特征;以及
基于所述第一语义特征,确定与所述检索词相关的属性信息。
6.根据权利要求1所述的方法,其中,所述对所述检索词进行属性分析,确定与所述检索词相关的属性信息,包括:
对所述检索词进行句法分析,确定与所述检索词相关的所述属性信息。
7. 根据权利要求1所述的方法,其中,所述基于所述目标语句组合片段,生成所述第一目标摘要,包括:
在确定所述目标语句组合片段的字符数量大于预定字符数量阈值的情况下,从所述目标语句组合片段中确定第一目标语句;以及
对所述目标语句组合片段中的所述第一目标语句进行删减,生成所述第一目标摘要。
8.根据权利要求1所述的方法,其中,所述从所述多个聚类簇中确定多个第二目标语句,包括:
针对所述多个聚类簇中的每个聚类簇,在确定所述聚类簇中存在概括性语句的情况下,将所述概括性语句作为所述第二目标语句;
在确定所述聚类簇中不存在所述概括性语句的情况下,确定所述聚类簇中的多个语句各自的用于表征重要度的第二评价值,得到多个第二评价值;以及
基于所述多个第二评价值,从所述聚类簇的多个语句中确定所述第二目标语句。
9.根据权利要求1所述的方法,其中,所述基于所述多个第二目标语句,生成所述第二目标摘要,包括:
在确定所述多个第二目标语句的字符数量小于预定字符数量阈值的情况下,从其中一个所述聚类簇中确定补充语句,基于所述补充语句与所述多个第二目标语句,生成所述第二目标摘要,其中,所述补充语句与所述多个第二目标语句各自之间的语义相似度均小于预定相似度阈值、且所述补充语句的第二评价值大于预定分值阈值。
10. 根据权利要求8所述的方法,其中,所述从所述多个聚类簇中确定多个第二目标语句,还包括:
针对所述多个聚类簇中的每个聚类簇,对所述聚类簇的多个语句分别进行特征提取,得到多个第三语义特征;以及
基于所述多个第三语义特征,确定所述多个语句各自是否为概括性语句。
11.根据权利要求1所述的方法,其中,所述基于所述多个语句彼此之间的语义相似度,从所述多个语句中确定多个聚类簇,包括:
确定与所述多个语句一一对应的多个节点;
基于所述多个语句彼此之间的语义相似度,确定所述多个节点彼此之间是否存在连接边;以及
基于所述多个节点和至少一个所述连接边,确定所述多个聚类簇。
12. 根据权利要求1所述的方法,还包括:
按照预定字段,从所述目标知识资源中确定所述待处理文本;以及
确定所述待处理文本是否包括与所述检索词相匹配的内容。
13.一种摘要生成装置,包括:
获取模块,用于响应于接收到用于检索知识资源的请求,根据所述请求获取检索词;
第一生成模块,用于在确定检索到与所述检索词相匹配的目标知识资源的情况下,响应于确定待处理文本包括与所述检索词相匹配的内容,基于所述检索词和所述待处理文本,生成第一目标摘要;以及
第二生成模块,用于响应于确定所述待处理文本不包括与所述检索词相匹配的内容,基于所述待处理文本,生成第二目标摘要;
其中,所述第一生成模块包括:
第一确定子模块,用于对所述检索词进行属性分析,确定与所述检索词相关的属性信息;
第二确定子模块,用于基于所述检索词和所述属性信息,从所述待处理文本中确定目标语句组合片段,其中,所述目标语句组合片段是由所述待处理文本中的多个语句组成的片段;以及
第一生成子模块,用于基于所述目标语句组合片段,生成所述第一目标摘要;
其中,所述第二生成模块包括:
第一提取子模块,用于对所述待处理文本中的多个语句分别进行特征提取,得到与所述多个语句一一对应的多个第二语义特征;
第三确定子模块,用于基于所述多个第二语义特征,确定所述多个语句彼此之间的语义相似度;
第四确定子模块,用于基于所述多个语句彼此之间的语义相似度,从所述多个语句中确定多个聚类簇;
第五确定子模块,用于从所述多个聚类簇中确定多个第二目标语句;以及
第二生成子模块,用于基于所述多个第二目标语句,生成所述第二目标摘要。
14.根据权利要求13所述的装置,其中,所述第二确定子模块包括:
第一确定单元,用于从所述待处理文本中确定多个语句组合片段;
第二确定单元,用于按照评分策略,基于所述检索词和所述属性信息,确定所述多个语句组合片段各自的第一评价值,得到多个第一评价值;以及
第三确定单元,用于基于所述多个第一评价值,从所述多个语句组合片段中确定所述目标语句组合片段。
15.根据权利要求13或14所述的装置,其中,所述第二确定子模块包括:
循环地执行下述操作,直至确定所述目标语句组合片段:
第四确定单元,用于按照评分策略,对所述待处理文本中的多个第i轮次的语句组合片段进行打分,得到多个第i轮次的语句组合片段各自的第一评价值,其中,i为大于或者等于1的整数;
第五确定单元,用于基于所述多个第i轮次的语句组合片段各自的第一评价值,从所述多个第i轮次的语句组合片段中确定K个第i轮次的待组合片段,其中, K为大于或者等于2的整数;
第六确定单元,用于在确定所述K个第i轮次的待组合片段各自的字符数量分别小于预定字符数量阈值的情况下,针对所述K个第i轮次的待组合片段中的每个第i轮次的待组合片段,对所述第i轮次的待组合片段与所述待处理文本中的除所述第i轮次的待组合片段外的多个语句分别进行组合,得到多个第i+1轮次的语句组合片段;以及
第七确定单元,用于在确定所述K个第i+1轮次的待组合片段各自的字符数量均大于所述预定字符数量阈值的情况下,确定所述K个第i+1轮次的待组合片段中的第一评价值最大的第i+1轮次的待组合片段作为所述目标语句组合片段。
16.根据权利要求15所述的装置,还包括:
第一确定模块,用于基于所述检索词,确定词特征评分策略;
第二确定模块,用于基于所述属性信息,确定属性特征评分策略;
第三确定模块,用于确定质量特征评分策略;以及
第三生成模块,用于基于所述词特征评分策略、所述属性特征评分策略以及质量评分策略,生成所述评分策略。
17. 根据权利要求13所述的装置,其中,所述第一确定子模块包括:
第一提取单元,用于对所述检索词进行语义特征提取,得到第一语义特征;以及
第二提取单元,用于基于所述第一语义特征,确定与所述检索词相关的属性信息。
18.根据权利要求13所述的装置,其中,所述第一确定子模块包括:
句法分析单元,用于对所述检索词进行句法分析,确定与所述检索词相关的所述属性信息。
19. 根据权利要求13所述的装置,其中,所述第一生成子模块包括:
第八确定单元,用于在确定所述目标语句组合片段的字符数量大于预定字符数量阈值的情况下,从所述目标语句组合片段中确定第一目标语句;以及
第一生成单元,用于对所述目标语句组合片段中的所述第一目标语句进行删减,生成所述第一目标摘要。
20.根据权利要求13所述的装置,其中,所述第五确定子模块包括:
第九确定单元,用于针对所述多个聚类簇中的每个聚类簇,在确定所述聚类簇中存在概括性语句的情况下,将所述概括性语句作为所述第二目标语句;
第十确定单元,用于在确定所述聚类簇中不存在所述概括性语句的情况下,确定所述聚类簇中的多个语句各自的用于表征重要度的第二评价值,得到多个第二评价值;以及
第十一确定单元,用于基于所述多个第二评价值,从所述聚类簇的多个语句中确定所述第二目标语句。
21.根据权利要求13所述的装置,其中,所述第二生成子模块包括:
第二生成单元,用于在确定所述多个第二目标语句的字符数量小于预定字符数量阈值的情况下,从其中一个所述聚类簇中确定补充语句,基于所述补充语句与所述多个第二目标语句,生成所述第二目标摘要,其中,所述补充语句与所述多个第二目标语句各自之间的语义相似度均小于预定相似度阈值、且所述补充语句的第二评价值大于预定分值阈值。
22. 根据权利要求20所述的装置,其中,所述第五确定子模块还包括:
第三提取单元,用于针对所述多个聚类簇中的每个聚类簇,对所述聚类簇的多个语句分别进行特征提取,得到多个第三语义特征;以及
第十二确定单元,用于基于所述多个第三语义特征,确定所述多个语句各自是否为概括性语句。
23.根据权利要求13所述的装置,其中,所述第四确定子模块包括:
第十三确定单元,用于确定与所述多个语句一一对应的多个节点;
第十四确定单元,用于基于所述多个语句彼此之间的语义相似度,确定所述多个节点彼此之间是否存在连接边;以及
第十五确定单元,用于基于所述多个节点和至少一个所述连接边,确定所述多个聚类簇。
24. 根据权利要求13所述的装置,还包括:
第四确定模块,用于按照预定字段,从所述目标知识资源中确定所述待处理文本;以及
第五确定模块,用于确定所述待处理文本是否包括与所述检索词相匹配的内容。
25. 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至12中任一项所述的方法。
26.一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至12中任一项所述的方法。
27.一种计算机程序产品,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至12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211661065.1A CN115878784B (zh) | 2022-12-22 | 2022-12-22 | 基于自然语言理解的摘要生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211661065.1A CN115878784B (zh) | 2022-12-22 | 2022-12-22 | 基于自然语言理解的摘要生成方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115878784A CN115878784A (zh) | 2023-03-31 |
CN115878784B true CN115878784B (zh) | 2024-03-15 |
Family
ID=85754356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211661065.1A Active CN115878784B (zh) | 2022-12-22 | 2022-12-22 | 基于自然语言理解的摘要生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878784B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400464A (zh) * | 2019-01-03 | 2020-07-10 | 百度在线网络技术(北京)有限公司 | 一种文本生成方法、装置、服务器及存储介质 |
CN112052308A (zh) * | 2020-08-21 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种摘要文本提取方法、装置、存储介质和电子设备 |
CN113822038A (zh) * | 2021-06-03 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种摘要生成方法和相关装置 |
CN114722832A (zh) * | 2022-04-06 | 2022-07-08 | 北京金山数字娱乐科技有限公司 | 一种摘要提取方法、装置、设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560496B (zh) * | 2020-12-09 | 2024-02-02 | 北京百度网讯科技有限公司 | 语义分析模型的训练方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-22 CN CN202211661065.1A patent/CN115878784B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400464A (zh) * | 2019-01-03 | 2020-07-10 | 百度在线网络技术(北京)有限公司 | 一种文本生成方法、装置、服务器及存储介质 |
CN112052308A (zh) * | 2020-08-21 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种摘要文本提取方法、装置、存储介质和电子设备 |
CN113822038A (zh) * | 2021-06-03 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种摘要生成方法和相关装置 |
CN114722832A (zh) * | 2022-04-06 | 2022-07-08 | 北京金山数字娱乐科技有限公司 | 一种摘要提取方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115878784A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960030B (zh) | 基于人工智能的推送信息方法及装置 | |
AU2017355420B2 (en) | Systems and methods for event detection and clustering | |
CN114329201B (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN116028618B (zh) | 文本处理、文本检索方法、装置、电子设备及存储介质 | |
WO2016171993A1 (en) | Identifying experts and areas of expertise in an organization | |
CN112579729A (zh) | 文档质量评价模型的训练方法、装置、电子设备和介质 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN113609847B (zh) | 信息抽取方法、装置、电子设备及存储介质 | |
CN112506864B (zh) | 文件检索的方法、装置、电子设备及可读存储介质 | |
CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
CN115878784B (zh) | 基于自然语言理解的摘要生成方法、装置及电子设备 | |
CN114201622B (zh) | 获取事件信息的方法、装置、电子设备和存储介质 | |
CN112926297B (zh) | 处理信息的方法、装置、设备和存储介质 | |
CN112784600B (zh) | 信息排序方法、装置、电子设备和存储介质 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN112925912A (zh) | 文本处理方法、同义文本召回方法及装置 | |
CN112989190A (zh) | 一种商品挂载方法、装置、电子设备和存储介质 | |
CN116610782B (zh) | 文本检索方法、装置、电子设备及介质 | |
CN116628315B (zh) | 搜索方法、深度学习模型的训练方法、装置及电子设备 | |
CN114417808B (zh) | 文章生成方法、装置、电子设备以及存储介质 | |
CN115828915B (zh) | 实体消歧方法、装置、电子设备和存储介质 | |
CN114201607B (zh) | 一种信息处理的方法和装置 | |
CN113377922B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN113849688A (zh) | 资源处理方法、资源处理装置、电子设备以及存储介质 | |
CN117851546A (zh) | 资源检索方法、训练方法、装置、电子设备、存储介质及程序产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |