CN117521628B - 基于人工智能的剧本创作方法、装置、设备及芯片 - Google Patents
基于人工智能的剧本创作方法、装置、设备及芯片 Download PDFInfo
- Publication number
- CN117521628B CN117521628B CN202311553605.9A CN202311553605A CN117521628B CN 117521628 B CN117521628 B CN 117521628B CN 202311553605 A CN202311553605 A CN 202311553605A CN 117521628 B CN117521628 B CN 117521628B
- Authority
- CN
- China
- Prior art keywords
- words
- text
- script
- climax
- event
- 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 68
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 230000008451 emotion Effects 0.000 claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000004931 aggregating effect Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012958 reprocessing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 241001164374 Calyx Species 0.000 description 1
- 244000064622 Physalis edulis Species 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000000981 bystander Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- GKTNLYAAZKKMTQ-UHFFFAOYSA-N n-[bis(dimethylamino)phosphinimyl]-n-methylmethanamine Chemical compound CN(C)P(=N)(N(C)C)N(C)C GKTNLYAAZKKMTQ-UHFFFAOYSA-N 0.000 description 1
- 210000005155 neural progenitor cell Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
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
- 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于人工智能的剧本创作方法、装置、设备及芯片,所述方法包括:从已有文本式非剧本作品提取实体、实体关系以及事件;对提取的事件做情感极性分析并聚合生成事件句式;对生产的事件句式进行情感极性分析以识别事件高潮;将实体、实体关系、事件句式结合事件高潮应用到剧本模板中生成关联语段;利用深度学习算法对关联语段进行再创作,输出文本式剧本作品。本发明有效规避小程序剧和剧本杀创作产业带来的法律风险,使海量、分散的原创剧本资源从源头得到更为有效的管理。本发明还通过评分的方式识别作品的市场价值,使之能够具备时下热门作品的特征,有效迎合市场需求。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种基于人工智能的剧本创作方法、装置、设备及芯片。
背景技术
当前,一提到风靡时下的娱乐活动就不得不说小程序剧和剧本杀,小程序剧每集仅一两分钟,APP是最要的播出渠道,尤其是河马剧场、ReelShort两大短剧APP,其播放量飙升。剧本杀是一种通过让玩家扮演剧本中的角色,围绕剧情和线索卡进行交流、推理,还原故事真相、厘清人物关系,最终揭开秘密或找出真凶的社交型游戏。然而,随着小程序剧和剧本杀创作产业的不断扩大,其作品侵权问题也逐渐凸显出来。小程序剧和剧本杀的核心竞争力归根结底就是剧本,好的剧本很大程度上取决于作者的创意和文笔,因此剧本与原创版权息息相关。但是当前小程序剧和剧本杀创作产业受市场影响正无限制扩张,导致剧本内容严重同质化,抄袭和盗版的问题日益严重。
为了有效规避侵权、抄袭等法律风险,促进原创版权的良性发展,现有的维护方式是建立一套行业标准,通过行业自律来约束剧本杀从业者的行为。然而,如何从创作源头规范剧本资源的原创性,使数量庞大、分散的原创作者得到更好的管理,目前尚未有良好的解决对策,这是当前急需解决的社会问题。
发明内容
本发明的主要目的在于提供一种基于人工智能的剧本创作方法、装置、设备及智能芯片,对非剧本作品进行识别,将实体、实体关系、事件句式和情感极性等特征应用到写作场景和逻辑模板中生成关联语段,并利用深度学习算法进行再创作,最终聚合成剧本作品。本发明还通过评分的方式识别作品的市场价值,使之能够具备时下热门作品的特征,有效迎合市场需求。
为实现上述目的,第一方面本发明提供一种基于人工智能的剧本创作方法,该方法包括:
从已有文本式非剧本作品提取实体、实体关系以及事件;对提取的事件做情感极性分析并聚合生成事件句式;对生产的事件句式进行情感极性分析以识别事件高潮;将实体、实体关系、事件句式结合事件高潮应用到剧本模板中生成关联语段;利用深度学习算法对关联语段进行再创作,输出文本式剧本作品。
为实现上述目的,第二方面本发明还提供一种基于人工智能的剧本创作装置,该装置包括:
剧本元素提取模块:用于从已有文本式非剧本作品提取实体、实体关系以及事件。
情感分析和句式聚合模块:用于对提取的事件做情感极性分析并聚合生成事件句式,对事件句式进行情感极性分析以识别事件高潮。
剧本再创作和输出模块:用于将实体、实体关系、事件句式结合事件高潮应用到剧本模板中生成关联语段,利用深度学习算法对关联语段进行内容的再创作,输出文本式剧本作品。
为实现上述目的,第三方面本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器运行计算机程序以实现第一方面的方法。
为实现上述目的,第四方面本发明还提供了一种计算机芯片,计算机芯片执行计算机程序指令,实现第一方面的方法。
本发明的技术效果为:
本发明从已有文本式非剧本作品提取实体、实体关系以及事件;对提取的事件做情感极性分析并聚合生成事件句式;对生产的事件句式进行情感极性分析以识别事件高潮;将实体、实体关系、事件句式结合事件高潮应用到剧本模板中生成关联语段;利用深度学习算法对关联语段进行再创作,输出文本式剧本作品。本发明可以有效规避小程序剧和剧本杀创作产业带来的法律风险,使海量、分散的原创剧本资源从源头得到更为有效的管理。同时,还可以帮助原创作者将自己呕心沥血创作的作品利用人工智能技术转化为高质量剧本,除了使原著体现更好的经济价值,还能帮助原创群体拓展更佳的经济创收渠道。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1、2示出了根据本发明实施例1的一种基于人工智能的剧本创作方法流程图。
图3示出了根据本发明实施例3的一种利用LSTM模型实现文本再创作方法流程图。
图4示出了根据本发明实施例5的一种基于人工智能的剧本创作装置的结构示意图。
图5、6示出了根据本发明实施例6的一种基于人工智能的剧本创作和评分系统操作界面。
图7示出了根据本发明实施例7的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1
如图1、2所示,本实施例提供一种基于人工智能的剧本创作方法流程图,该方法包括:
S100、导入已有文本式非剧本作品并识别出文本数据。
其中,利用深度学习算法对导入的作品进行内容识别,并将文本数据转化为数值和向量进行自主学习,辅以全监督或半监督方式做机器训练,以提高机器识别的精度。
S200、对识别的文本数据做查重处理并切割成文本片段。
具体地,S200进一步包括:
S201、将识别的文本数据对照作品库做查重处理得到查重率,判断该待转化文本式非剧本作品是否侵权,如果查重率超过指定阀值,则该文本式非剧本作品被认定为抄袭并提示;如果查重率低于指定阀值,会继续执行将文本式非剧本作品生成文本式剧本作品的操作。
S202、按照作品类型、题材、体裁、内容的分类方式,将经查重的文本数据切割成文本片段。
其中,作品类型(话剧、小品、小说、影视、动画、短视频、微电影、微动漫、相声等)、题材(主旋律、喜剧、爱情、都市、农村、青春校园、儿童、谍战、悬疑、犯罪、家庭、动作、科幻奇幻、惊悚、历史、军事、剧情等)、体裁(起-开端、承-设置矛盾、转-解决矛盾、合-结局)、内容(矛盾冲突、人物语言、舞台说明、人物关系、情节高潮、主题思想等)。
S300、从查重后文本片段中提取实体和实体关系。
具体地,S300进一步包括:
S301、提取实体。实体提取的逻辑规则如表1所示。
表1表示实体提取的逻辑规则
逻辑规则说明:根据剧本的特征,提取不同类型的实体,分为角色实体、场景实体和剧情实体。具体是:
(1)角色实体指剧本中的人物,包括主角、配角和NPC。
(2)场景实体指剧本中事件的时间和地点。
(3)剧情实体指剧本中事件的起因、经过和结果。
S302、构建实体关系。
将上述实体基于预定义的逻辑规则进行关系拓展,构建出实体关系。实体关系构建的逻辑规则如表2所示。
表2表示实体关系构建的逻辑规则
逻辑规则说明:根据剧本的特征,构建角色关系、场景关系和剧情关系。具体是:
(1)基于人物间特定关系将角色实体做关系拓展,可通过人名、人称代词和称谓等专有名词来识别人物的姓名和特定关系,还可通过双引号来识别人物的语言,还可通过行为、心理、性格、生理、外貌和能愿动词来识别人物的动作和表情。
(2)基于环境描述将场景实体做关系拓展,可通过专用名词、指示代词来识别场景的地点,还可通过环境描述来识别社会和历史背景、特定场景的画面和道具,还可通过画面的切换来识别场景的旁白和分幕。
(3)基于故事情节将剧情实体做关系拓展,可通过体裁格式的起承转合来识别场景的起因、经过、结果和高潮。
S400、从查重后文本片段中提取事件并做情感极性分析,聚合生成事件句式。
具体地,S400进一步包括:
S401、从查重后文本片段中识别事件触发词。
其中,事件触发词表示事件发生的核心词,多为动词或名词。
S402、对实体和实体关系进行聚类生成文本类簇,通过计算语法树距离判断各文本类簇间的关联度和重要度,生成事件句式。
其中,时间和地点为场景实体,人物为角色实体,起因、经过和结果为剧情实体。对各个实体进行关系拓展,通过聚类分析各实体和实体关系间的关联度和重要度,生成事件句式。
具体地,S402进一步包括:
S4021、建立一个语法树结构表作为句法结构模板,该句法结构模板用于存放多个常见句式的句法结构。
其中,句法结构模板反映了词语所在语句的句法结构信息。如表3所示。
表3表示句法结构模板
逻辑规则说明:在句法结构中,还可以使用富有感染力的动词和形容词,使句子更加生动、形象并具有深刻内涵,也更加利于角色性格和气质的刻画,使读者更能直观感受到角色的情感和行为。
S4022、将实体和实体关系进行聚类生成文本类簇,将文本类簇进一步聚合生成子树,遍历每棵子树的语法树结构信息并生成文本句式。
S4023、计算文本类簇对应的文本句式和句法结构模板中常见文本句式之间的编辑距离,当编辑距离大于设定阈值时,视为文本类簇对应的文本句式与句法结构模板中常见句式的句法结构不相似,则将该遍历文本句式加入语法树结构表以更新句法结构模板;当编辑距离小于设定阈值时,视为各文本类簇对应的文本句式与句法结构模板中常见句式的句法结构相似。
S4024、将具有相似句法结构的文本类簇对应的文本句式,结合识别的事件触发词生成事件句式。
其中,事件句式是指将读者代入角色所处特定场景中引发的逻辑关系事件的句法结构,由实体、实体关系以及由事件句式中识别的事件高潮组成。事件句式分为引发事件和关键事件,引发事件是指与其他事件产生勾连关系的具体事情或活动;关键事件是指故事线的中心,推动故事向前发展的动力,向读者揭示故事的核心要义。
S403、对事件句式进行情感极性分析以识别事件高潮。
具体地,S403情感极性的分析过程是:
S4031、对事件句式中词语进行点互信息计算(PMI),得到至少部分词语同时和/或单独出现的概率相关度,点互信息计算(PMI)公式如下:
公式中,P(word1&word2)表示事件句式中两个词语word1和word2同时出现的概率,P(word1)和P(word2)表示word1和word2单独出现的概率。PMI值越大,说明两个词语word1和word2的相关性越大。
S4032、将概率相关度高的词语与预设的正向情感基准词、负向情感基准词做语义相似度计算,判断出正向情感词语或负向情感词语的情感倾向度(SO_PMI),情感倾向度(SO_PMI)公式如下:
公式中,Pwi表示正向情感基准词,Nwi表示负向情感基准词,SO_PMI(word)表示事件句式中词语的情感倾向度,SO_PMI大于0,表示正向情感,SO_PMI小于0,表示负向情感。
S4033、计算正向情感词语或负向情感词语的正负语料差商系数(DC_NPC),正负语料差商系数(DC_NPC)公式如下:
公式中,Fpos(word)和Fneg(word)分别表示事件句式中词语在正向语料库和负向语料库中出现的次数。DC_NPC的变化范围是-1到1,其绝对值越接近1,越具备情感极性。
S4034、依据正负语料差商系数DC_NPC(word),确定事件句式中词语的情感极性δ(word),情感极性δ(word)公式如下:
公式中,δ(word)表示事件句式中词语的情感极性,当δ(word)=1,则将事件句式中词语保留在正向情感词语集合,当δ(word)=-1,则将事件句式中词语保留在负向情感词语集合。
S4035、根据事件句式中词语所在的情感极性识别事件高潮。
具体地,S4035进一步包括:
S40351、将由正向情感词语形成的集合与负向情感词语形成的集合进行混合,按照正负语料差商系数由高到低进行排序,得到排序结果。
S40352、将排序结果前三位词语MAX{word1、word2、word3}分别带入故事情节分级模型中,确定故事高潮等级;故事情节分级模型如表4所示。
表4表示故事情节分级模型
逻辑规则说明:
(1)当前三位词语MAX{word1、word2、word3}的正负语料差商系数DC_NPC(word)部分相同时,可以在主情节的高潮之内使次情节同时达到高潮。
(2)当前三位词语MAX{word1、word2、word3}的正负语料差商系数DC_NPC(word)都不同时,如果这种多重效果不可能一举达到,那么最不重要的次情节最好是最先达到小高潮,随后便是次重要的次情节的次主高潮,最后全面构建出最重要的主情节的主高潮。
(3)正负向情感词语集合混合+正负语料差商系数排序+事件句式分级=矛盾冲突逐步升级,使故事剧情高潮迭起。
S40353、根据确定的故事高潮等级识别事件高潮。
其中,事件高潮又称矛盾冲突,由产生、激化、解决三要素构成,是事件句式中情感最为强烈的部分。产生矛盾是角色向外寻求的强烈诉求和欲望;激化矛盾是由于矛盾阻碍导致角色的诉求和欲望无法满足;解决矛盾是角色克服阻碍、解决矛盾,达成诉求并满足欲望。
S500、将提取的数据带入剧本模板进行再创作。
具体地,S500进一步包括:
将实体、实体关系、事件句式结合事件高潮应用到剧本模板中生成关联语段。
其中,剧本模板按照剧本种类可设计多种形式的逻辑模板,比如话剧、小品、小说、影视、动画、短视频、微电影、微动漫、相声等。
S600、利用深度学习算法对关联语段进行再创作,输出文本式剧本作品。
具体地,S600进一步包括:
S601、利用深度学习算法对作品库的海量资源进行解析,构建剧本模型。
其中,剧本模型包括解析生成的各种写作场景、逻辑模板和事件句式等创作素材。剧本模型结构如表5所示。
表5表示剧本模型结构
逻辑规则说明:剧本模型由剧本元素构成,剧本元素包括实体、实体关系、事件触发词、事件句式以及关联语段。关联语段是由场景实体和场景关系(时间、地点、分幕、旁白)、角色实体和角色关系(人物、姓名、特定关系),以及剧情实体和剧情关系(事件体裁、事件高潮)组成。
S602、通过机器训练对剧本模型进行迭代更新。
S603、将关联语段带入剧本模型进行循环采样,聚合生成再创作的关联语段。
具体地,S603进一步包括:
S6031、将初始的关联语段带入剧本模型,生成相似文本数据集。
S6032、对相似文本数据集做加权计算,得到最优文本数据。
S6033、将最优文本数据添加到初始的关联语段中。
S6034、循环执行上述步骤,聚合生成再创作的关联语段并输出文本式剧本作品。
实施例2
本实施例提供一种基于人工智能的剧本打分方法,执行完实施例1中“输出文本式剧本作品”的步骤后,该方法还包括:
S700、利用剧本评分标准对输出的文本式剧本作品进行打分。
其中,摘录高分剧本的经典片段作为参考,设定剧本的评分标准。评分对象包括主题内容、语言表达、人物刻画、故事情节、整体结构等;评分方式是去掉一个最高分、去掉一个最低分,汇总后取平均分,平均分可精确到小数点后两位,同分情况下可精确到后三位。评分过程具体是:
S701、根据剧本评分标准建立剧本评分模型。
具体地,S701进一步包括:
S7011、对剧本评分标准所涉及的评价因子进行分类,构造剧本评分模型,评分等级依次为一般、良好、优秀。
S7012、对每一等级各评价因子的相对重要性给出判断,构造模糊互补判断矩阵。
S7013、对每一等级进行排序和对三个等级进行综合排序;其中,为避免产生片面性,在排序过程中,对模糊互补判断矩阵进行一致性检验。
S7014、计算出各个等级评价指标的相对重要性权重值。如表6所示。
表6表示剧本评分模型
S702、从输出的文本式剧本作品提取出剧本评分因子,带入剧本评分模型计算剧本得分。
具体地,S702计算剧本得分过程是:
将剧本元素包含的实体、实体关系对应的属性的值与剧本评分标准进行对照得到相应的权重,通过二次平均值计算出剧本得分,公式如下:
公式中,n表示符合条件的剧本评价因子的总个数,m表示符合条件的剧本评价因子对应的实体关系属性值的总个数,Vij表示第i个实体关系的第j个属性值,Wij表示第i个等级评价指标的第j个剧本评价因子权重值,f(v,w)表示根据符合条件的剧本评价因子对应的实体关系属性值分别经过算术平均和加权平均后得到的剧本得分。
实施例3
如图3所示,本实施例提供一种利用LSTM模型实现文本再创作方法流程图,该方法是利用人工智能技术实现剧本内容的再创作。剧本内容的再创作过程是利用LSTM(长短时记忆神经网路)生成序列不断采样得到新文本的过程,具体是:
1、向LSTM模型中输入一个初始文本,随后触发LSTM模型生成新词。
2、将生成的新词输出并添加到初始文本,再次输入到LSTM模型中生成下一个新词。
3、以此循环执行LSTM模型进行新词的输出和输入,不断添加到初始文本并最终生成新文本。
其中,计算过程是:
(1)处理文本数据时,LSTM模型将存储前一次迭代输出的新词,基本联结公式如下:
y=σ(Ax)
公式中,A为加权权重,x为输入文本数据,v为激活函数,y1为执行激活函数后返回输出新词。
(2)如果输入文本是x1、x2、x3…,将前一次迭代输出的新词输入文本并添加到联结公式中,添加后联结公式如下:
yt=v(Byt-1+Axt)
公式中,σ为激活函数,B为加权权重,xt为第t次迭代输入文本数据,yt-1为第t-1次迭代输出新词,yt为执行第t次迭代激活函数后返回输出新词。
(3)在对激活函数不断递归迭代的基础上,获取上一次迭代输出的新词,以及下一次迭代输入的文本数据,通过softmax函数得到概率分布并输出最终文本数据,softmax函数公式如下:
St=softmax(Cyt)
公式中,C为加权权重,St为t时刻输出的文本数据,进而得到所有输出的文本数据集合{S1、S2、S3…},将所有输出的文本数据集合依次迭代反馈给LSTM模型,依次生成递归迭代后输出的文本数据。把最后一次输出的文本数据作为最终文本数据。
实施例4
本实施例提供一种利用基于人工智能的剧本创作方法将非剧本作品转化为剧本作品的应用场景,具体是:
“默姑娘,降火枪,降了火枪,打豺狼”。琅城流传的童谣中的“默姑娘”,年少时贪玩,经常进山打猎,弓术高超。其养母李氏曾是太后宫中侍女,后因知晓太后私藏绿磷硝石、意图谋反一事被牵连,遭擎夜卫以火枪灭口。当日李无言外出打猎,逃过一劫,却在归家时撞见重伤身故的李氏,和正举着火枪的擎夜卫,当即拉弓搭箭将擎夜卫射杀,夺下火枪。安葬李氏后,她带着仅剩一发弹药的火枪一路南下流亡,流落至琅城。
对上述文章进行识别和提取,从角色实体中抽取人物姓名,从角色关系中抽取人物间关系、动作和台词,从场景实体中抽取场景的时间和地点,从场景关系中抽取场景的画面和道具,从剧情实体中抽取剧本的起因和结果,从剧情关系中抽取剧本的高潮,将提取的剧本元素带入剧本模板,利用深度学习算法进行再创作,形成完整的关联语段,并最终生成剧本。剧本提取结构如表7所示。
表7表示剧本提取结构
实施例5
如图4所示,本实施例提供一种基于人工智能的剧本创作装置的结构示意图,所述装置1包括以下模块:
剧本元素提取模块101:用于从已有文本式非剧本作品提取实体、实体关系以及事件。
情感分析和句式聚合模块102:用于对提取的事件做情感极性分析并聚合生成事件句式,对事件句式进行情感极性分析以识别事件高潮。
剧本再创作和输出模块103:用于将实体、实体关系、事件句式结合事件高潮应用到剧本模板中生成关联语段,利用深度学习算法对关联语段进行内容的再创作,输出文本式剧本作品。
其中,所述装置1还包括以下模块:
数据识别和查重模块104:用于对导入的作品进行内容识别,将识别后的文本数据对照作品库进行查重并得到总复制比;如果总复制比超过指定阀值,则作品被认定为抄袭并提示;如果总复制比低于指定阀值,会继续对作品进行切割得到文本片段。
其中,剧本再创作和输出模块103还包括以下子模块:
剧本训练库1031:用于利用深度学习算法对作品库的海量资源进行解析,生成各种写作场景、逻辑模板和事件句式的创作素材。
剧本模型构建和训练子模块1032:用于按照剧本结构建立剧本模型,将关联语段带入剧本模型进行再创作,将剧本训练模块解析生成的各种创作素材带入剧本模型,通过机器训练对剧本模型进行迭代更新,优化并聚合生成再创作作品。
本实施例提供的一种基于人工智能的剧本创作装置与实施例1提供的一种基于人工智能的剧本创作方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
实施例6
如图5、6所示,本实施例提供一种基于人工智能的剧本创作和评分系统的操作界面,该界面操作方法包括:
作者将原创小说导入系统后,系统对小说做识别和查重,根据剧本格式从识别后的文本中提取人物、场景、对话、旁白等内容,并对内容进行情感极性分析以识别事件高潮,并利用人工智能技术对内容进行完善,最后将小说转化为剧本进行导出。作者还可以将转化的剧本上传系统进行评分,以了解剧本的经济价值。
本申请实施方式还提供与前述实施方式所提供的一种基于人工智能的剧本创作方法对应的电子设备,以执行基于人工智能的剧本创作方法。本申请实施例不做限定。
实施例7
如图7所示,本实施例提供一种电子设备的结构示意图。所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的一种基于人工智能的剧本创作方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该装置网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述一种基于人工智能的剧本创作方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的一种基于人工智能的剧本创作方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
实施例8
本实施例提供与前述实施方式所提供的一种基于人工智能的剧本创作方法对应的计算机智能芯片,可能是一种处理器200,所述处理器200在运行存储于存储器201上的计算机程序时,会执行前述任意实施方式所提供的一种基于人工智能的剧本创作方法。
需要说明的是,所述计算机智能芯片的例子还可以包括,但不限于处理器芯片、DSP芯片、FPGA芯片、AD/DA芯片或者是其他可用于数据处理的芯片,也包括配合数据处理的存储器芯片或其他光学、智能芯片,在此不再一一赘述。
本申请的上述实施例提供的计算机智能芯片与本申请实施例提供的一种基于人工智能的剧本创作方法出于相同的发明构思,具有与其运行应用程序所采用、运行或实现的方法相同的有益效果。
Claims (14)
1.一种基于人工智能的剧本创作方法,其特征在于,包括:
从已有文本式非剧本作品提取实体、实体关系以及事件;
对提取的事件做情感极性分析并聚合生成事件句式;
对生产的事件句式进行情感极性分析以识别事件高潮,进一步包括:
对事件句式中词语进行点互信息计算,得到至少部分词语同时和/或单独出现的概率相关度;将概率相关度高的词语与预设的正向情感基准词、负向情感基准词做语义相似度计算,判断出正向情感词语或负向情感词语;计算正向情感词语或负向情感词语的正负语料差商系数,确定事件句式中词语的情感极性;其中,正负语料差商系数公式如下:
公式中,Fpos(word)和Fneg(word)分别表示事件句式中词语在正向语料库和负向语料库中出现的次数,DC_NPC的变化范围是-1到1,其绝对值越接近1,越具备情感极性;
根据事件句式中词语的情感极性识别事件高潮,进一步包括:
将由正向情感词语形成的集合与负向情感词语形成的集合进行混合,按照正负语料差商系数由高到低进行排序,得到排序结果;将排序结果前三位词语分别带入故事情节分级模型,确定故事高潮等级;根据确定的故事高潮等级识别事件高潮;其中,故事情节分级模型如下:
当前三位词语的正负语料差商系数部分相同时,在主情节的高潮之内使次情节同时达到高潮;当前三位词语的正负语料差商系数都不同时,若故事高潮各等级不可能一举达到,最不重要的次情节最先达到小高潮,次重要的次情节随后达到次主高潮,最重要的主情节最后达到主高潮;
将实体、实体关系、事件句式结合事件高潮应用到剧本模板中生成关联语段;
利用深度学习算法对关联语段进行再创作,输出文本式剧本作品。
2.根据权利要求1所述的方法,其特征在于,所述从已有文本式非剧本作品提取实体、实体关系以及事件,进一步包括:
从已有文本式非剧本作品识别出文本数据;
对识别后文本数据做查重处理并切割得到文本片段;
从符合查重条件的文本片段中提取实体和实体关系;
从符合查重条件的文本片段中识别事件触发词。
3.根据权利要求2所述的方法,其特征在于,所述对识别后文本数据做查重处理并切割得到文本片段,进一步包括:
将识别后文本数据对照作品库做查重处理得到查重率,判断该文本式非剧本作品是否侵权,如果查重率超过指定阀值,则该文本式非剧本作品被认定为抄袭并提示;如果查重率低于指定阀值,会继续执行将该文本式非剧本作品生成文本式剧本作品的操作;
按照作品类型、题材、体裁、内容的分类方式,将经查重的文本数据切割成文本片段。
4.根据权利要求1或2所述的方法,其特征在于,所述对提取的事件做情感极性分析并聚合生成事件句式,进一步包括:
建立一个语法树结构表作为句法结构模板,该句法结构模板用于存放常见句式的句法结构;
将实体和实体关系进行聚类生成文本类簇,将文本类簇进一步聚合生成子树,遍历每棵子树的语法树结构信息并生成文本句式;
通过计算语法树距离,判断各文本类簇对应的文本句式与句法结构模板中常见句式间的编辑距离;
将具有相似句法结构的文本类簇对应的文本句式,结合识别的事件触发词生成事件句式。
5.根据权利要求4所述的方法,其特征在于,所述通过计算语法树距离,判断各文本类簇对应的文本句式和句法结构模板中常见句式间的编辑距离,进一步包括:
当编辑距离大于设定阈值时,视为各文本类簇对应的文本句式与句法结构模板中常见句式的句法结构不相似;
当编辑距离小于设定阈值时,视为各文本类簇对应的文本句式与句法结构模板中常见句式的句法结构相似。
6.根据权利要求1所述的方法,其特征在于,所述将排序结果前三位词语分别带入故事情节分级模型,识别故事高潮等级,进一步包括:
当前三位词语的正负语料差商系数部分相同时,在主情节的高潮之内使次情节同时达到高潮;
当前三位词语的正负语料差商系数都不相同时,不重要的次情节最先达到小高潮,次重要的次情节随后达到次主高潮,最重要的主情节最后达到主高潮。
7.根据权利要求1所述的方法,其特征在于,所述利用深度学习算法对关联语段进行再创作,进一步包括:
利用深度学习算法对作品库的海量资源进行解析,构建剧本模型;
通过机器训练对剧本模型进行迭代更新;
将关联语段带入剧本模型进行循环采样,聚合生成再创作的关联语段。
8.根据权利要求7所述的方法,其特征在于,所述将关联语段带入剧本模型进行循环采样,聚合生成再创作的关联语段,进一步包括:
将初始的关联语段带入剧本模型,生成相似文本数据集;
对相似文本数据集做加权计算,得到最优文本数据;
将最优文本数据添加到初始的关联语段中;
循环执行上述步骤,聚合生成再创作的关联语段。
9.根据权利要求1所述的方法,其特征在于,在所述输出文本式剧本作品之后,还包括:
根据剧本评分标准建立剧本评分模型;
从输出的文本式剧本作品提取出剧本评分因子,带入剧本评分模型计算剧本得分。
10.根据权利要求9所述的方法,其特征在于,所述根据剧本评分标准建立剧本评分模型,进一步包括:
对剧本评分标准所涉及的评价因子进行分类,构造剧本评分模型,评分等级依次为一般、良好、优秀;
对每一等级各评价因子的相对重要性给出判断,构造模糊互补判断矩阵;
对每一等级进行排序和对三个等级进行综合排序;其中,为避免产生片面性,在排序过程中,对模糊互补判断矩阵进行一致性检验;
计算出各个等级评价指标的相对重要性权重值。
11.根据权利要求10所述的方法,其特征在于,所述从输出的文本式剧本作品提取出剧本评分因子,带入剧本评分模型计算剧本得分,进一步包括:
将剧本元素包含的实体、实体关系对应的属性的值与剧本评分标准进行对照得到相应的权重,通过二次平均值计算出剧本得分,公式如下:
公式中,n表示符合条件的剧本评价因子的总个数,m表示符合条件的剧本评价因子对应的实体关系属性的值的总个数,Vij表示第i个实体关系的第j个属性的值,Wij表示第i个等级评价指标的第j个剧本评价因子权重值,f(v,w)表示根据符合条件的剧本评价因子对应的实体关系属性的值分别经过算术平均和加权平均后得到的剧本得分。
12.一种基于人工智能的剧本创作装置,其特征在于,包括:
剧本元素提取模块:用于从已有文本式非剧本作品提取实体、实体关系以及事件;
情感分析和句式聚合模块:用于对提取的事件做情感极性分析并聚合生成事件句式,对事件句式进行情感极性分析以识别事件高潮,对生产的事件句式进行情感极性分析以识别事件高潮,进一步包括:对事件句式中词语进行点互信息计算,得到至少部分词语同时和/或单独出现的概率相关度;将概率相关度高的词语与预设的正向情感基准词、负向情感基准词做语义相似度计算,判断出正向情感词语或负向情感词语;计算正向情感词语或负向情感词语的正负语料差商系数,确定事件句式中词语的情感极性;根据事件句式中词语的情感极性识别事件高潮;其中,正负语料差商系数公式如下:
公式中,Fpos(word)和Fneg(word)分别表示事件句式中词语在正向语料库和负向语料库中出现的次数,DC_NPC的变化范围是-1到1,其绝对值越接近1,越具备情感极性;
情感分析和句式聚合模块:还用于将由正向情感词语形成的集合与负向情感词语形成的集合进行混合,按照正负语料差商系数由高到低进行排序,得到排序结果;将排序结果前三位词语分别带入故事情节分级模型,确定故事高潮等级;根据确定的故事高潮等级识别事件高潮,其中,故事情节分级模型如下:
当前三位词语的正负语料差商系数部分相同时,在主情节的高潮之内使次情节同时达到高潮;当前三位词语的正负语料差商系数都不同时,若故事高潮各等级不可能一举达到,最不重要的次情节最先达到小高潮,次重要的次情节随后达到次主高潮,最重要的主情节最后达到主高潮;
剧本再创作和输出模块:用于将实体、实体关系、事件句式结合事件高潮应用到剧本模板中生成关联语段,利用深度学习算法对关联语段进行内容的再创作,输出文本式剧本作品。
13.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现权利要求1~11任一项中所述的方法。
14.一种计算机芯片,其特征在于,所述计算机芯片运行程序指令时用于实现权利要求1~11任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311553605.9A CN117521628B (zh) | 2023-11-20 | 2023-11-20 | 基于人工智能的剧本创作方法、装置、设备及芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311553605.9A CN117521628B (zh) | 2023-11-20 | 2023-11-20 | 基于人工智能的剧本创作方法、装置、设备及芯片 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117521628A CN117521628A (zh) | 2024-02-06 |
CN117521628B true CN117521628B (zh) | 2024-05-28 |
Family
ID=89762287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311553605.9A Active CN117521628B (zh) | 2023-11-20 | 2023-11-20 | 基于人工智能的剧本创作方法、装置、设备及芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521628B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200736946A (en) * | 2006-03-29 | 2007-10-01 | Culture Com Technology Macau Ltd | Script generating system and method |
CN106446195A (zh) * | 2016-09-29 | 2017-02-22 | 北京百度网讯科技有限公司 | 基于人工智能的新闻推荐方法及装置 |
CN106709968A (zh) * | 2016-11-30 | 2017-05-24 | 剧加科技(厦门)有限公司 | 剧本故事信息的数据可视化方法及系统 |
CN107368965A (zh) * | 2017-07-18 | 2017-11-21 | 杭州火剧科技有限公司 | 一种剧本数据处理方法、装置及应用其的计算机设备 |
CN107704161A (zh) * | 2017-09-30 | 2018-02-16 | 广州阿里巴巴文学信息技术有限公司 | 信息展示方法、装置及终端设备 |
CN107742065A (zh) * | 2017-10-28 | 2018-02-27 | 北京安妮全版权科技发展有限公司 | 侵权处理方法、装置、存储介质和电子设备 |
CN108170657A (zh) * | 2018-01-04 | 2018-06-15 | 陆丽娜 | 一种自然语言长文本生成方法 |
CN108563620A (zh) * | 2018-04-13 | 2018-09-21 | 上海财梵泰传媒科技有限公司 | 文本自动写作方法和系统 |
CN108962219A (zh) * | 2018-06-29 | 2018-12-07 | 百度在线网络技术(北京)有限公司 | 用于处理文本的方法和装置 |
CN109344221A (zh) * | 2018-08-01 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 录音文本生成方法、装置及设备 |
CN110297906A (zh) * | 2019-06-28 | 2019-10-01 | 谭浩 | 生成访谈报告的方法、计算机可读存储介质和终端设备 |
CN110347782A (zh) * | 2019-07-18 | 2019-10-18 | 知者信息技术服务成都有限公司 | 文章查重方法、装置和电子设备 |
CN110532352A (zh) * | 2019-08-20 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 文本查重方法及装置、计算机可读存储介质、电子设备 |
CN112650848A (zh) * | 2020-12-30 | 2021-04-13 | 交控科技股份有限公司 | 基于文本语义相关乘客评价的城铁舆情信息分析方法 |
CN112926318A (zh) * | 2021-02-26 | 2021-06-08 | 安徽理工大学 | 一种基于句法分析的网购评论新情感词提取方法 |
CN113535895A (zh) * | 2021-06-22 | 2021-10-22 | 北京三快在线科技有限公司 | 搜索文本处理方法、装置、电子设备及介质 |
CN113539515A (zh) * | 2021-07-01 | 2021-10-22 | 上海药慧信息技术有限公司 | 临床需求挖掘方法、装置、电子设备和存储介质 |
CN113792544A (zh) * | 2021-07-06 | 2021-12-14 | 中国地质大学(武汉) | 顾及地理空间分布的文本情感分类方法及装置 |
CN114139528A (zh) * | 2021-11-22 | 2022-03-04 | 深圳深度赋智科技有限公司 | 一种结合依存句法分析和规则的中英文评论观点挖掘方法 |
CN114491541A (zh) * | 2022-03-31 | 2022-05-13 | 南京众智维信息科技有限公司 | 基于知识图谱路径分析的安全运营剧本自动化编排方法 |
CN114936289A (zh) * | 2022-05-12 | 2022-08-23 | 咪咕文化科技有限公司 | 文本分析方法及装置 |
CN115408488A (zh) * | 2022-08-24 | 2022-11-29 | 杭州电子科技大学 | 用于小说场景文本的分割方法及系统 |
CN115951786A (zh) * | 2023-03-14 | 2023-04-11 | 环球数科集团有限公司 | 一种利用aigc技术的多结局创意社交游戏的创作方法 |
CN116361510A (zh) * | 2022-10-24 | 2023-06-30 | 中国传媒大学 | 一种利用影视类作品和剧本建立剧本场景片段视频自动提取和检索的方法和装置 |
CN116432654A (zh) * | 2023-05-19 | 2023-07-14 | 珠海必优科技有限公司 | 一种基于内容上下文的自动续写生成方法 |
-
2023
- 2023-11-20 CN CN202311553605.9A patent/CN117521628B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200736946A (en) * | 2006-03-29 | 2007-10-01 | Culture Com Technology Macau Ltd | Script generating system and method |
CN106446195A (zh) * | 2016-09-29 | 2017-02-22 | 北京百度网讯科技有限公司 | 基于人工智能的新闻推荐方法及装置 |
CN106709968A (zh) * | 2016-11-30 | 2017-05-24 | 剧加科技(厦门)有限公司 | 剧本故事信息的数据可视化方法及系统 |
CN107368965A (zh) * | 2017-07-18 | 2017-11-21 | 杭州火剧科技有限公司 | 一种剧本数据处理方法、装置及应用其的计算机设备 |
CN107704161A (zh) * | 2017-09-30 | 2018-02-16 | 广州阿里巴巴文学信息技术有限公司 | 信息展示方法、装置及终端设备 |
CN107742065A (zh) * | 2017-10-28 | 2018-02-27 | 北京安妮全版权科技发展有限公司 | 侵权处理方法、装置、存储介质和电子设备 |
CN108170657A (zh) * | 2018-01-04 | 2018-06-15 | 陆丽娜 | 一种自然语言长文本生成方法 |
CN108563620A (zh) * | 2018-04-13 | 2018-09-21 | 上海财梵泰传媒科技有限公司 | 文本自动写作方法和系统 |
CN108962219A (zh) * | 2018-06-29 | 2018-12-07 | 百度在线网络技术(北京)有限公司 | 用于处理文本的方法和装置 |
CN109344221A (zh) * | 2018-08-01 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 录音文本生成方法、装置及设备 |
CN110297906A (zh) * | 2019-06-28 | 2019-10-01 | 谭浩 | 生成访谈报告的方法、计算机可读存储介质和终端设备 |
CN110347782A (zh) * | 2019-07-18 | 2019-10-18 | 知者信息技术服务成都有限公司 | 文章查重方法、装置和电子设备 |
CN110532352A (zh) * | 2019-08-20 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 文本查重方法及装置、计算机可读存储介质、电子设备 |
CN112650848A (zh) * | 2020-12-30 | 2021-04-13 | 交控科技股份有限公司 | 基于文本语义相关乘客评价的城铁舆情信息分析方法 |
CN112926318A (zh) * | 2021-02-26 | 2021-06-08 | 安徽理工大学 | 一种基于句法分析的网购评论新情感词提取方法 |
CN113535895A (zh) * | 2021-06-22 | 2021-10-22 | 北京三快在线科技有限公司 | 搜索文本处理方法、装置、电子设备及介质 |
CN113539515A (zh) * | 2021-07-01 | 2021-10-22 | 上海药慧信息技术有限公司 | 临床需求挖掘方法、装置、电子设备和存储介质 |
CN113792544A (zh) * | 2021-07-06 | 2021-12-14 | 中国地质大学(武汉) | 顾及地理空间分布的文本情感分类方法及装置 |
CN114139528A (zh) * | 2021-11-22 | 2022-03-04 | 深圳深度赋智科技有限公司 | 一种结合依存句法分析和规则的中英文评论观点挖掘方法 |
CN114491541A (zh) * | 2022-03-31 | 2022-05-13 | 南京众智维信息科技有限公司 | 基于知识图谱路径分析的安全运营剧本自动化编排方法 |
CN114936289A (zh) * | 2022-05-12 | 2022-08-23 | 咪咕文化科技有限公司 | 文本分析方法及装置 |
CN115408488A (zh) * | 2022-08-24 | 2022-11-29 | 杭州电子科技大学 | 用于小说场景文本的分割方法及系统 |
CN116361510A (zh) * | 2022-10-24 | 2023-06-30 | 中国传媒大学 | 一种利用影视类作品和剧本建立剧本场景片段视频自动提取和检索的方法和装置 |
CN115951786A (zh) * | 2023-03-14 | 2023-04-11 | 环球数科集团有限公司 | 一种利用aigc技术的多结局创意社交游戏的创作方法 |
CN116432654A (zh) * | 2023-05-19 | 2023-07-14 | 珠海必优科技有限公司 | 一种基于内容上下文的自动续写生成方法 |
Non-Patent Citations (2)
Title |
---|
LSTM vs. GRU vs. Bidirectional RNN for script generation;Sanidhya 等;《arxiv》;20190812;1-7 * |
基于方面的情感分析中的方面表示与冲突情感识别研究;谈星伟;《中国优秀硕士学位论文全文数据库》;20210215;I138-2871 * |
Also Published As
Publication number | Publication date |
---|---|
CN117521628A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6721179B2 (ja) | 因果関係認識装置及びそのためのコンピュータプログラム | |
CN111597314B (zh) | 推理问答方法、装置以及设备 | |
CN102165435B (zh) | 使用因特网语料库的自动上下文相关语言产生、校正和增强 | |
JP2019526139A (ja) | コンピュータ学習および理解のためのアーキテクチャおよびプロセス | |
CN107092605B (zh) | 一种实体链接方法及装置 | |
CN110321420A (zh) | 基于问句生成的智能问答系统 | |
WO2024066920A1 (zh) | 虚拟场景的对话方法、装置、电子设备、计算机程序产品及计算机存储介质 | |
WO2022134779A1 (zh) | 人物动作相关数据的提取方法、装置、设备及存储介质 | |
CN117521813B (zh) | 基于知识图谱的剧本生成方法、装置、设备及芯片 | |
CN110245349A (zh) | 一种句法依存分析方法、装置及一种电子设备 | |
Nezami et al. | Image captioning using facial expression and attention | |
CN113886568A (zh) | 一种文本摘要的生成方法及装置 | |
CN117521628B (zh) | 基于人工智能的剧本创作方法、装置、设备及芯片 | |
Song et al. | Exploring explicit and implicit visual relationships for image captioning | |
CN112528046A (zh) | 新的知识图谱的构建方法、装置和信息检索方法、装置 | |
CN117076608A (zh) | 一种基于文本动态跨度的整合外部事件知识的脚本事件预测方法及装置 | |
Hirsch et al. | CLID: Controlled-Length Image Descriptions with Limited Data | |
Moghe et al. | On incorporating structural information to improve dialogue response generation | |
CN109657079A (zh) | 一种图像描述方法及终端设备 | |
Starc et al. | Constructing a Natural Language Inference dataset using generative neural networks | |
CN115188376A (zh) | 一种个性化语音交互方法及系统 | |
Ivanchyshyn et al. | The Film Script Generation Analysis Based on the Fiction Book Text Using Machine Learning | |
CN114138929A (zh) | 问答方法及装置 | |
CN115129364B (zh) | 基于抽象语法树和图神经网络的指纹身份识别方法和系统 | |
CN117808923B (zh) | 一种图像生成方法、系统、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |