CN107193792A - 基于人工智能的生成文章的方法和装置 - Google Patents

基于人工智能的生成文章的方法和装置 Download PDF

Info

Publication number
CN107193792A
CN107193792A CN201710352222.3A CN201710352222A CN107193792A CN 107193792 A CN107193792 A CN 107193792A CN 201710352222 A CN201710352222 A CN 201710352222A CN 107193792 A CN107193792 A CN 107193792A
Authority
CN
China
Prior art keywords
sentence
candidate sentences
article
chapter
data
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.)
Granted
Application number
CN201710352222.3A
Other languages
English (en)
Other versions
CN107193792B (zh
Inventor
刘凯
刘昊
吕雅娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710352222.3A priority Critical patent/CN107193792B/zh
Publication of CN107193792A publication Critical patent/CN107193792A/zh
Priority to US15/942,330 priority patent/US20180336193A1/en
Application granted granted Critical
Publication of CN107193792B publication Critical patent/CN107193792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • 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
    • G06F40/40—Processing or translation of natural language
    • G06F40/55—Rule-based translation
    • G06F40/56—Natural language generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本申请公开了基于人工智能的生成文章的方法和装置。该方法的一具体实施方式包括：获取用于生成文章的预定结构数据；将上述预定结构数据通过句子生成模型生成候选句子；按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子；响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。该实施方式可以提高生成文章的有效性。

Description

基于人工智能的生成文章的方法和装置
技术领域
本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及基于人工智能的生成文章的方法和装置。
背景技术
人工智能(Artificial Intelligence，英文缩写为AI)，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。
在自然语言处理的应用中，涉及将计算机数据生成自然语言表达的文章。现有的生成文章的方法，往往采用文章结构模板的方式对各类句子以一定的结构进行拼接，需要手工编写大量相应篇章结构拼接逻辑模板；每当有新的类型句子加入当前文章生成过程，可能需要对大量的对应的篇章结构拼接逻辑模板进行修改和调整；对于非预定结构数据，不在文章生成过程起作用。因此，可以将人工智能应用于句子选择，还可以充分利用各种数据，提高生成文章的有效性。
发明内容
本申请的目的在于提出一种改进的基于人工智能的生成文章的方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请提供了一种基于人工智能的生成文章的方法，该方法包括：获取用于生成文章的预定结构数据；将上述预定结构数据通过句子生成模型生成候选句子；按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子；响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。
在一些实施例中，获取用于生成文章的预定结构数据包括：从预定网站按主题抓取数据，其中，所抓取的数据包括预定结构数据和非预定结构数据；将非预定结构数据按照预定结构数据的数据结构进行结构化，转化成预定结构数据。
在一些实施例中，按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章包括：按照句子在段首出现的概率选择候选句子作为段首句；按照句子与前一句子衔接的概率依次选择候选句子拼接形成篇章；或者，按照句子在段尾出现的概率选择候选句子作为段尾句；按照句子衔接后一句子的概率依次选择候选句子向前排列形成篇章。
在一些实施例中，按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章包括：对每个预设信息点，选择句子生成概率最高的句子作为该预设信息点对应的待用句子；根据预设的篇章组合模型确定待用句子排列概率最高的排列顺序，以拼接形成篇章。
在一些实施例中，响应于没有可用的候选句子，基于拼接所形成的篇章生成文章包括：获取与待生成文章的主题相关联的多媒体材料，其中，上述多媒体材料包括以下至少一项：图片、动画、音频、视频；响应于没有可用的候选句子，根据所形成的篇章从所述多媒体材料中选取多媒体材料与所形成的篇章一起生成文章。
第二方面，本申请还提供了一种基于人工智能的生成文章的装置，该装置包括：数据获取模块，配置用于获取用于生成文章的预定结构数据；句子生成模块，配置用于将上述预定结构数据通过句子生成模型生成候选句子；句子拼接模块，配置用于按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子；文章生成模块，配置用于响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。
在一些实施例中，数据获取模块进一步配置用于：从预定网站按主题抓取数据，其中，所抓取的数据包括预定结构数据和非预定结构数据；将非预定结构数据按照预定结构数据的数据结构进行结构化，转化成预定结构数据。
在一些实施例中，句子拼接模块进一步配置用于：按照句子在段首出现的概率选择候选句子作为段首句；按照句子与前一句子衔接的概率依次选择候选句子拼接形成篇章；或者，按照句子在段尾出现的概率选择候选句子作为段尾句；按照句子衔接后一句子的概率依次选择候选句子向前排列形成篇章。
在一些实施例中，句子拼接模块还配置用于：对每个预设信息点，选择句子生成概率最高的句子作为该预设信息点对应的待用句子；根据预设的篇章组合模型确定待用句子排列概率最高的排列顺序，以拼接形成篇章。
在一些实施例中，文章生成模块包括：多媒体材料获取单元，配置用于获取与待生成文章的主题相关联的多媒体材料，其中，上述多媒体材料包括以下至少一项：图片、动画、音频、视频；文章生成单元，配置用于响应于没有可用的候选句子，根据所形成的篇章从上述多媒体材料中选取多媒体材料与所形成的篇章一起生成文章。
第三方面，本申请还提供了一种计算设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当该一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现上述的方法。
本申请提供的基于人工智能的生成文章的方法和装置，通过获取用于生成文章的预定结构数据，然后将上述预定结构数据通过句子生成模型生成候选句子，接着，按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子，然后，响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。由于可以通过预设信息点选择句子，并每选择一个句子筛除相关句子，直至没有可用句子时完成文章生成，从而可以提高生成文章的有效性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性***架构图；
图2是根据本申请的基于人工智能的生成文章的方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的生成文章的方法的实施例的应用场景示意图；
图4是根据本申请的基于人工智能的生成文章的方法的另一个实施例的流程图；
图5是根据本申请的基于人工智能的生成文章装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的基于人工智能的生成文章的方法或基于人工智能的生成文章装置的实施例的示例性***架构100。
如图1所示，***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、无线通信链路或者光纤电缆等等。
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，例如浏览器应用、搜索类应用、生成文章类应用、购物类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有一定计算能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group AudioLayer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上浏览器应用、搜索类应用、生成文章类应用等提供支持的后台服务器等。服务器105可以对接收到的数据进行分析等处理，并将处理结果(例如生成的文章)反馈给终端设备。
需要说明的是，本申请所提供的基于人工智能的生成文章的方法可以由服务器105执行，也可以由终端设备101、102、103执行。相应地，基于人工智能的生成文章装置可以设置在服务器105中，也可以设置在终端设备101、102、103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。例如，当本申请的基于人工智能的生成文章的方法或基于人工智能的生成文章装置的实施例应用于终端设备时，服务器和网络的数量可以为零。
继续参考图2，示出了根据本申请的基于人工智能的生成文章的方法的一个实施例的流程200。该基于人工智能的生成文章的方法，包括以下步骤：
步骤201，获取用于生成文章的预定结构数据。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)首先可以从本地或远程地获取用于生成文章的预定结构数据。其中，预定结构数据可以是具有预定存储结构的数据，例如通过表格存储的数据、通过数据库(如结构化查询语言SQL数据库等)存储的数据等等。
可以理解，上述电子设备可以先获取要生成的而文章的主题，再获取与该主题相关联的预定结构数据，作为用于生成文章的预定结构数据。预定结构数据可以预先存储在上述电子设备上，也可以由上述电子设备根据所确定的主题从其他电子设备(如为预定网站提供支持的后台服务器等)获取，还可以是上述电子设备根据非预定结构的数据生成的。例如，上述电子设备要生成关于某次比赛的体育报道文章，其可以从为该次比赛的官方网站提供支持的后台服务器抓取与该次比赛相关的数据。这些数据可以是预定结构数据(如表格数据)，也可以是非预定结构的数据(如直播数据、图片描述数据等)。当上述电子设备获取的数据包括非预定结构数据时，如果所获取的数据还包括预定结构数据，则上述电子设备可以按照所获取的预定结构数据对非预定结构数据提取关键词生成预定结构数据；如果所获取的数据不包括预定结构数据，则上述电子设备可以按照所设定的预定结构数据对非预定结构数据提取关键词生成预定结构数据。如非预定结构数据包括直播数据“比赛进行到下半场第20分时，甲方突然连进两球”按照预定结构数据的预定存储结构“时间主角事件”提取关键词“下半场第20分”、“甲方”、“连进两球”生成预定结构数据。由此，上述电子设备在生成文章过程中可以将预定结构数据和非预定结构数据充分利用。
在一些实现中，上述电子设备获取用于生成文章预定结构数据之后，还可以对预定结构数据进行计算以得到预先设定的参数。例如，对于一场足球比赛，通过诸如累加求和、统计总数等计算，统计某位球员的进球数目、上场时间、失误数目等等参数。
步骤202，将上述预定结构数据通过句子生成模型生成候选句子。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)接着可以根据预设的句子生成模型，将上述预定结构数据生成候选句子。
上述电子设备可以按预定结构数据将每条预定结构数据生成一个候选句子，也可以按照不同的信息点为每个信息点生成一个或多个候选句子。其中，这里的信息点用于表示所要生成的文章中需要体现出来的要点，例如时间、比赛结果等。信息点可以是预先设定的，也可以是根据预定结构数据计算得到的。每条预定结构数据可以对应一个或多个信息点。在一些实现中，上述电子设备可以按照将预定结构数据或信息点填充进预设模板的方法生成候选句子，例如对一条预定结构数据“{年:2017}，{月:2}，{日:23}”填充进预设模板“北京时间×年×月×日”生成候选句子“北京时间2017年2月23日”。在另一些实现中，上述电子设备也可以通过诸如多层反馈神经网络RNN(Recurrent neural Network)之类的机器学习模型生成候选句子。此时，上述电子设备可以预先根据由多种不同的自然语言描述文本与预定结构数据中的信息点的匹配训练得到句子生成模型，在生成句子过程中，输入信息点，可以生成多种不同的自然语言描述文本。例如，对于信息点“{火箭:110}，{灰熊:108}，{胜利:火箭}”可以生成候选句子“火箭队以110:108的比分战胜灰熊队”、“灰熊108:110不敌火箭”、“火箭队2分小胜灰熊队”等。
步骤203，按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)上可以预设有生成文章所需的信息点，其可以进一步根据预设的信息点，按照包含预设信息点的句子出现的概率选择候选句子，并进行拼接形成篇章。其中，上述电子设备还可以存储有预设剔除规则，用于剔除不能使用的句子，具体地，每选择一个候选句子，上述电子设备可以根据预设剔除规则剔除与已选择的候选句子相关的候选句子。
上述电子设备可以对每个预设的信息点，选择出现概率最高的候选句子。其中，句子出现的概率通过包括但不限于以下至少一种模型计算：判别式的分类机器学习模型(支持向量机SVM、最大熵、感知机、神经网络等)、生成式的分类机器学习模型(语言模型、序列到序列深度网络等)、回归模型(线性回归等)等。以上模型训练过程可以是：以与所要生成文章的主题相关的文章作为样本，对样本的文章进行段落、句子切分，通过以上机器学习方法训练段落切分概率、句子切分概率。其中，段落/句子切分概率可以包括但不限于以下至少一种：当前句子和前面句子/段落具有直接的句子衔接关系的概率；当前句子和前面句子/段落具有直接的段落衔接关系的概率；当前句子和前面句子/段落不具有直接的衔接关系的概率。以上衔接关系可以通过但不限于N元语法特征、Embeding(嵌入)特征、名词特征、实体词特征、句法特征、衔接词特征等。
上述电子设备在选择句子时，可以从前向后依次选择，也可以从后向前依次选择，本申请对此不做限定。当从前向后依次选择句子时，上述电子设备可以先按照预设的信息点，判断步骤202中生成的候选句子中放在段首的概率最大的候选句子作为段首句，然后按照其他信息点对应的候选句子与前一句子的衔接概率，依次选择候选句子拼接形成篇章。当从后向前依次选择句子时，上述电子设备可以先按照预设的信息点，判断步骤202中生成的候选句子中放在段尾的概率最大的候选句子作为段尾句，然后按照句子衔接后一句子的概率依次选择候选句子向前排列形成篇章。
作为示例，以下以从前向后依次选择句子为例进行说明。假设要生成的文章是一场涉及火箭队和灰熊队比赛主题的文章，预定结构数据包括：“{年:2017}，{月:2}，{日:23}”、“{月:2}，{日:23}，{火箭:110}，{灰熊:108}，{胜利:火箭}”、“{火箭:110}，{灰熊:108}”、“{火箭:110}，{灰熊:108}，{胜利:火箭}”，将这些预定结构数据通过句子生成模型生成候选句子分别包括：
{年:2017}，{月:2}，{日:23}＝＝>“北京时间2017年2月23日”；
{月:2}，{日:23}，{火箭:110}，{灰熊:108}，{胜利:火箭}＝＝>“2月23日火箭队以110:108的比分战胜灰熊队”；
{火箭:110}，{灰熊:108}＝＝>“火箭迎战灰熊”；
{火箭:110}，{灰熊:108}，{胜利:火箭}＝＝>“火箭队以110:108的比分战胜灰熊队”；
{火箭:110}，{灰熊:108}，{胜利:火箭}＝＝>“灰熊108:110不敌火箭”；
{火箭:110}，{灰熊:108}，{胜利:火箭}＝＝>“火箭队2分小胜灰熊队”；
首先，上述电子设备可以得到生成的候选句子中放在段首的概率，假设放在段首的概率最大的候选句子为“北京时间2017年2月23日”，上述电子设备可以将该句子作为段首句；由此，上述电子设备选择了“时间”这个信息点相关的句子，根据预设剔除规则可以剔除包含有“时间”这个信息点的所有候选句子：
{火箭:110}，{灰熊:108}＝＝>“火箭迎战灰熊”；
{火箭:110}，{灰熊:108}，{胜利:火箭}＝＝>“火箭队以110:108的比分战胜灰熊队”；
{火箭:110}，{灰熊:108}，{胜利:火箭}＝＝>“灰熊108:110不敌火箭”；
{火箭:110}，{灰熊:108}，{胜利:火箭}＝＝>“火箭队2分小胜灰熊队”；
接着，上述电子设备可以按照其他信息点对应的候选句子与“北京时间2017年2月23日”的衔接概率选择下一个句子，假设“火箭队2分小胜灰熊队”与“北京时间2017年2月23日”的衔接概率最高，上述电子设备可以选择该句子拼接在“北京时间2017年2月23日”之后形成篇章。选择的该句子涉及信息点“火箭”、“灰熊”、“胜利”，则上述电子设备进一步可以筛除与信息点“火箭”、“灰熊”、“胜利”相关的候选句子：
在本实施例的一些可选实现方式中，预设筛除规则还可以是其他规则，例如对每个信息点，设置有重复出现权重，信息点重复出现权重越高，上述电子设备选择与该信息相关的句子后，筛除与该信息点相关的句子的概率越小。其中，重复出现权重可以通过对大量句子样本进行统计或机器学习获取，在此不再赘述。
在本实施例的一些可选实现方式中，上述电子设备还可以对每个预设信息点，选择句子生成概率最高的句子作为该预设信息点对应的待用句子；根据预设的篇章组合模型确定待用句子排列概率最高的排列顺序，以拼接形成篇章。其中，所述篇章组合模型可以用于计算句子排列概率，其可以通过一定数量的文章样本，切分句子后通过机器学习获取句子件的连接概率。在一些实现中，句子排列概率可以通过句子间的连接概率的乘积计算。
步骤204，响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)在每选择一个句子，并筛除与已选择的候选句子相关的候选句子之后，还可以进一步检测是否有可用候选句子，响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。
以步骤203中的示例为例，上述电子设备检测到没有可用的候选句子，篇章文本生成结束。此时，上述电子设备可以将已选择的句子拼接形成的篇章“北京时间2017年2月23日，火箭队2分小胜灰熊队。”作为所生成的文章。
作为一个应用场景，本申请提供的基于人工智能的生成文章的方法可以应用于为新闻推送类应用提供支持的后台服务器。如图3所示，上述后台服务器要生成关于曼城和切尔西的一场比赛的文章，其首先可以从为网站301提供支持的服务器获取非预定结构数据3011和预定结构数据3012；接着，其可以将非预定结构数据3011按照预定结构数据3012转化成预定结构数据；然后，其可以将这些预定结构数据通过句子生成模型生成候选句子，并按照包含预设信息点(如时间、曼城、切尔西、德布劳内、阿圭罗等等)的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子；接着，响应于没有可用的候选句子，上述后台服务器可以将拼接所形成的篇章作为生成的文章3021。如图3所示，所生成的文章3021可以由上述后台服务器推送至终端设备302进行展示。
因此，本实施例的基于人工智能的生成文章的方法，由于可以通过预设信息点选择句子，并每选择一个句子筛除相关句子，直至没有可用句子时完成文章生成，从而提高生成文章的有效性。
继续参考图4，示出了根据本申请的基于人工智能的生成文章的方法的另一个实施例的流程400。该基于人工智能的生成文章的方法，包括以下步骤：
步骤401，获取用于生成文章的预定结构数据。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)首先可以从本地或远程地获取用于生成文章的预定结构数据。其中，预定结构数据可以是具有预定存储结构的数据，例如通过表格存储的数据、通过数据库(如结构化查询语言SQL数据库等)存储的数据等等。当上述电子设备获取的数据包括非预定结构数据时，如果所获取的数据还包括预定结构数据，则上述电子设备还可以按照所获取的预定结构数据对非预定结构数据提取关键词生成预定结构数据；如果所获取的数据不包括预定结构数据，则上述电子设备还可以按照所设定的预定结构数据对非预定结构数据提取关键词生成预定结构数据。
步骤402，将上述预定结构数据通过句子生成模型生成候选句子。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)接着可以根据预设的句子生成模型，将上述预定结构数据生成候选句子。上述电子设备可以按照将预定结构数据或信息点填充进预设模板的方法生成候选句子，也可以通过诸如多层反馈神经网络RNN(Recurrent neural Network)之类的机器学习模型生成候选句子。
步骤403，按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)上可以预设有生成文章所需的信息点，其可以进一步根据预设的信息点，按照包含预设信息点的句子出现的概率选择候选句子，并进行拼接形成篇章。其中，上述电子设备还可以存储有预设剔除规则，用于剔除不能使用的句子，具体地，每选择一个候选句子，上述电子设备可以根据预设剔除规则剔除与已选择的候选句子相关的候选句子。其中，这里的信息点用于表示所要生成的文章中需要体现出来的要点，例如时间、比赛结果等。信息点可以是预先设定的，也可以是根据预定结构数据计算得到的。
步骤404，获取与待生成文章的主题相关联的多媒体材料。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)还可以从本地或远程地获取与待生成文章的主题相关联的多媒体材料。其中，多媒体(Multimedia)是多种媒体的综合，一般包括文本，声音和图像等多种媒体形式。多媒体材料例如可以包括但不限于以下至少一项：图片、动画、音频、视频。
这些多媒体材料可以预先存储在上述电子设备上，也可以由上述电子设备从其他网站搜索获取，还可以由上述电子设备从其他电子设备或服务器，本申请对此不做限定。
步骤405，响应于没有可用的候选句子，根据所形成的篇章从上述多媒体材料中选取多媒体材料与所形成的篇章一起生成文章。
在本实施例中，运行有基于人工智能的生成文章的方法的电子设备(例如图1所示的服务器105)在每选择一个句子，并筛除与已选择的候选句子相关的候选句子之后，还可以进一步检测是否有可用候选句子，响应于没有可用的候选句子，可以将拼接所形成的篇章与步骤404中获取的多媒体材料进行匹配，选取匹配到的多媒体材料与所形成的篇章一起生成文章。
可以理解，当多媒体材料具有描述文本时，上述电子设备可以将多媒体材料的描述文本与所形成的篇章进行匹配。当多媒体材料不具有描述文本时，上述电子设备还可以先对多媒体材料进行识别，生成多媒体材料的关键词或描述文本，与所形成的篇章进行匹配。进行匹配时，上时电子设备可以分别提取多媒体材料和所形成的篇章的关键词，并通过诸如余弦相似度(cosine similarity)算法、Jaccard系数之类的公知的文本相似度计算方法来对多媒体材料和所形成的篇章的关键词进行相似度计算。以Jaccard系数方法为例，多媒体材料和所形成的篇章的关键词之间的相似度＝多媒体材料和所形成的篇章的关键词之间共有的词的数目/多媒体材料和所形成的篇章的关键词一起包括的词的数目。上述电子设备可以选取所得到的相似度最高的多媒体材料，和所形成的篇章一起生成文章。在一些实现中，上述电子设备还可以分别提取多媒体材料和所形成的篇章的语义向量，根据语义向量计算多媒体材料和所形成的篇章的匹配度。其中，语义向量可以包括用于表示文本中的词汇的数值。例如，该语义向量可以由各个词的TF-IDF(term frequency–inversedocument frequency，文档频率-逆向文档频率)组成。上述匹配度可以是多媒体材料和所形成的篇章的语义向量的内积。
在本实施例的一些可选实现方式中，上述电子设备还可以预设有多媒体材料的匹配条件，例如关键字“阿圭罗”，则上述电子设备可以从所获取的多媒体材料中选取与该匹配条件相匹配的多媒体材料，与所形成的篇章一起生成文章。
从图4中可以看出，与图2对应的实施例相比，本实施例中的基于人工智能的生成文章的方法的流程400突出了将多媒体材料和所形成的篇章一起生成文章的步骤。由此，本实施例描述的方案可以结合多媒体材料进行文章生成，可以丰富基于人工智能生成的文章内容。
进一步参考图5，作为对上述基于人工智能的生成文章的方法的实现，本申请提供了一种基于人工智能的生成文章装置的一个实施例，该装置实施例与图2所示的方法实施例相对应。
如图5所示，本实施例的基于人工智能的生成文章装置500包括：数据获取模块501、句子生成模块502、句子拼接模块503和文章生成模块504。其中，数据获取模块501可以配置用于获取用于生成文章的预定结构数据；句子生成模块502可以配置用于将上述预定结构数据通过句子生成模型生成候选句子；句子拼接模块503可以配置用于按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子；文章生成模块504可以配置用于响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。
在本实施例的一些可选实现方式中，数据获取模块501进一步可以配置用于：从预定网站按主题抓取数据，其中，所抓取的数据包括预定结构数据和非预定结构数据；将非预定结构数据按照预定结构数据的数据结构进行结构化，转化成预定结构数据。
在本实施例的一些可选实现方式中，句子拼接模块503进一步可以配置用于：按照句子在段首出现的概率选择候选句子作为段首句；按照句子与前一句子衔接的概率依次选择候选句子拼接形成篇章；或者，按照句子在段尾出现的概率选择候选句子作为段尾句；按照句子衔接后一句子的概率依次选择候选句子向前排列形成篇章。
在本实施例的一些可选实现方式中，句子拼接模块503还可以配置用于：对每个预设信息点，选择句子生成概率最高的句子作为该预设信息点对应的待用句子；根据预设的篇章组合模型确定待用句子排列概率最高的排列顺序，以拼接形成篇章。
在本实施例的一些可选实现方式中，文章生成模块504可以包括：多媒体材料获取单元(未示出)，配置用于获取与待生成文章的主题相关联的多媒体材料，其中，上述多媒体材料包括以下至少一项：图片、动画、音频、视频；文章生成单元(未示出)，配置用于响应于没有可用的候选句子，根据所形成的篇章从上述多媒体材料中选取多媒体材料与所形成的篇章一起生成文章。
值得说明的是，基于人工智能的生成文章的装置500中记载的诸模块与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置500及其中包含的模块或单元，在此不再赘述。
本领域技术人员可以理解，上述基于人工智能的生成文章的装置500还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构在图5中未示出。
下面参考图6，其示出了适于用来实现本申请实施例的终端设备/服务器的计算机***600的结构示意图。图6示出的终端设备/服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机***600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有***600操作所需的各种程序和数据。CPU601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘或触摸屏等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所涉及的非易失性计算机可读介质可以是非易失性计算机可读信号介质或者非易失性计算机可读存储介质或者是上述两者的任意组合。非易失性计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。非易失性计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，非易失性计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据获取模块、句子生成模块、句子拼接模块和文章生成模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，数据获取模块还可以被描述为“配置用于获取用于生成文章的预定结构数据的模块”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取用于生成文章的预定结构数据；将上述预定结构数据通过句子生成模型生成候选句子；按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子；响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种基于人工智能的生成文章的方法，其特征在于，所述方法包括：
获取用于生成文章的预定结构数据；
将所述预定结构数据通过句子生成模型生成候选句子；
按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子；
响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。
2.根据权利要求1所述的方法，其特征在于，所述获取用于生成文章的预定结构数据包括：
从预定网站按主题抓取数据，其中，所抓取的数据包括预定结构数据和非预定结构数据；
将非预定结构数据按照预定结构数据的数据结构进行结构化，转化成预定结构数据。
3.根据权利要求1所述的方法，其特征在于，所述按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章包括：
按照句子在段首出现的概率选择候选句子作为段首句；
按照句子与前一句子衔接的概率依次选择候选句子拼接形成篇章；或者
按照句子在段尾出现的概率选择候选句子作为段尾句；
按照句子衔接后一句子的概率依次选择候选句子向前排列形成篇章。
4.根据权利要求1所述的方法，其特征在于，所述按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章包括：
对每个预设信息点，选择句子生成概率最高的句子作为该预设信息点对应的待用句子；
根据预设的篇章组合模型确定待用句子排列概率最高的排列顺序，以拼接形成篇章。
5.根据权利要求1所述的方法，其特征在于，所述响应于没有可用的候选句子，基于拼接所形成的篇章生成文章包括：
获取与待生成文章的主题相关联的多媒体材料，其中，所述多媒体材料包括以下至少一项：图片、动画、音频、视频；
响应于没有可用的候选句子，根据所形成的篇章从所述多媒体材料中选取多媒体材料与所形成的篇章一起生成文章。
6.一种基于人工智能的生成文章的装置，其特征在于，所述装置包括：
数据获取模块，配置用于获取用于生成文章的预定结构数据；
句子生成模块，配置用于将所述预定结构数据通过句子生成模型生成候选句子；
句子拼接模块，配置用于按照包含预设信息点的句子出现的概率选择候选句子拼接形成篇章，其中，每选择一个候选句子，根据预设剔除规则剔除与已选择的候选句子相关的候选句子；
文章生成模块，配置用于响应于没有可用的候选句子，基于拼接所形成的篇章生成文章。
7.根据权利要求6所述的装置，其特征在于，所述数据获取模块进一步配置用于：
从预定网站按主题抓取数据，其中，所抓取的数据包括预定结构数据和非预定结构数据；
将非预定结构数据按照预定结构数据的数据结构进行结构化，转化成预定结构数据。
8.根据权利要求6所述的装置，其特征在于，所述句子拼接模块进一步配置用于：
按照句子在段首出现的概率选择候选句子作为段首句；
按照句子与前一句子衔接的概率依次选择候选句子拼接形成篇章；或者
按照句子在段尾出现的概率选择候选句子作为段尾句；
按照句子衔接后一句子的概率依次选择候选句子向前排列形成篇章。
9.根据权利要求6所述的装置，其特征在于，所述句子拼接模块还配置用于：
对每个预设信息点，选择句子生成概率最高的句子作为该预设信息点对应的待用句子；
根据预设的篇章组合模型确定待用句子排列概率最高的排列顺序，以拼接形成篇章。
10.根据权利要求6所述的装置，其特征在于，所述文章生成模块包括：
多媒体材料获取单元，配置用于获取与待生成文章的主题相关联的多媒体材料，其中，所述多媒体材料包括以下至少一项：图片、动画、音频、视频；
文章生成单元，配置用于响应于没有可用的候选句子，根据所形成的篇章从所述多媒体材料中选取多媒体材料与所形成的篇章一起生成文章。
11.一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种非易失性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201710352222.3A 2017-05-18 2017-05-18 基于人工智能的生成文章的方法和装置 Active CN107193792B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710352222.3A CN107193792B (zh) 2017-05-18 2017-05-18 基于人工智能的生成文章的方法和装置
US15/942,330 US20180336193A1 (en) 2017-05-18 2018-03-30 Artificial Intelligence Based Method and Apparatus for Generating Article

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710352222.3A CN107193792B (zh) 2017-05-18 2017-05-18 基于人工智能的生成文章的方法和装置

Publications (2)

Publication Number Publication Date
CN107193792A true CN107193792A (zh) 2017-09-22
CN107193792B CN107193792B (zh) 2020-10-02

Family

ID=59874101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710352222.3A Active CN107193792B (zh) 2017-05-18 2017-05-18 基于人工智能的生成文章的方法和装置

Country Status (2)

Country Link
US (1) US20180336193A1 (zh)
CN (1) CN107193792B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977472A (zh) * 2017-12-27 2018-05-01 北京诸葛找房信息技术有限公司 房产类新闻文章自动生成的方法
CN107977363A (zh) * 2017-12-20 2018-05-01 北京百度网讯科技有限公司 标题生成方法、装置和电子设备
CN108564997A (zh) * 2018-04-19 2018-09-21 北京深度智耀科技有限公司 一种临床研究报告生成方法和装置
CN109033047A (zh) * 2018-06-29 2018-12-18 北京百度网讯科技有限公司 智能写作方法、装置、终端和计算机可读存储介质
CN109657043A (zh) * 2018-12-14 2019-04-19 北京百度网讯科技有限公司 自动生成文章的方法、装置、设备及存储介质
CN109710945A (zh) * 2018-12-29 2019-05-03 北京百度网讯科技有限公司 基于数据生成文本方法、装置、计算机设备和存储介质
CN109885821A (zh) * 2019-03-05 2019-06-14 中国联合网络通信集团有限公司 基于人工智能的文章撰写方法及装置、计算机存储介质
WO2019118256A1 (en) * 2017-12-15 2019-06-20 Microsoft Technology Licensing, Llc Generation of text from structured data
CN109933799A (zh) * 2019-03-22 2019-06-25 北京金山数字娱乐科技有限公司 语句拼接方法以及装置
CN110110104A (zh) * 2019-04-18 2019-08-09 贝壳技术有限公司 一种自动生成虚拟三维空间内房屋讲解的方法及装置
CN110110331A (zh) * 2019-04-30 2019-08-09 清华大学 文本生成方法、装置、介质和计算设备
CN110196894A (zh) * 2019-05-30 2019-09-03 北京百度网讯科技有限公司 语言模型的训练方法和预测方法
CN110263312A (zh) * 2019-06-19 2019-09-20 北京百度网讯科技有限公司 文章生成方法、装置、服务器和计算机可读介质
CN110287489A (zh) * 2019-06-24 2019-09-27 北京大米科技有限公司 文本生成方法、装置、存储介质和电子设备
CN110399601A (zh) * 2019-07-26 2019-11-01 北京香侬慧语科技有限责任公司 一种识别文档顺序的方法、装置、存储介质及电子设备
CN110555196A (zh) * 2018-05-30 2019-12-10 北京百度网讯科技有限公司 用于自动生成文章的方法、装置、设备和存储介质
CN110555198A (zh) * 2018-05-31 2019-12-10 北京百度网讯科技有限公司 用于生成文章的方法、装置、设备和计算机可读存储介质
CN110598205A (zh) * 2019-08-12 2019-12-20 大箴(杭州)科技有限公司 一种截断文本的拼接方法、装置及计算机存储介质
WO2020020084A1 (zh) * 2018-07-27 2020-01-30 杭州海康威视数字技术股份有限公司 文本生成方法、装置及设备
CN111008522A (zh) * 2019-12-11 2020-04-14 浙江大搜车软件技术有限公司 文章自动撰写方法、装置、计算机设备和存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10721190B2 (en) * 2018-07-31 2020-07-21 Microsoft Technology Licensing, Llc Sequence to sequence to classification model for generating recommended messages
EP3707703A1 (en) * 2018-11-28 2020-09-16 Google LLC. Training and/or using a language selection model for automatically determining language for speech recognition of spoken utterance
EP3906508B1 (en) * 2018-12-31 2024-03-13 Intel Corporation Securing systems employing artificial intelligence
US10956474B2 (en) 2019-03-14 2021-03-23 Microsoft Technology Licensing, Llc Determination of best set of suggested responses
CN113656576B (zh) * 2021-08-27 2024-05-24 咪咕数字传媒有限公司 一种文章概述生成方法、装置、计算设备和存储介质
CN115050349B (zh) * 2022-06-14 2024-06-11 抖音视界有限公司 文本转换音频的方法、装置、设备和介质
US11868313B1 (en) 2023-03-28 2024-01-09 Lede AI Apparatus and method for generating an article

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6859211B2 (en) * 2001-09-13 2005-02-22 Terry H. Friedlander System and method for generating an online interactive story
CN101419717A (zh) * 2008-12-11 2009-04-29 北大方正集团有限公司 一种版式文件图文自动关联的方法及***
CN105787095A (zh) * 2016-03-16 2016-07-20 广州索答信息科技有限公司 互联网新闻的自动生成方法和装置
CN105912526A (zh) * 2016-04-15 2016-08-31 北京大学 一种面向体育比赛直播文字的体育新闻自动构建方法及装置
CN106021389A (zh) * 2016-05-12 2016-10-12 新华通讯社 基于模板自动生成新闻的***和方法
CN106407168A (zh) * 2016-09-06 2017-02-15 首都师范大学 一种应用文自动生成方法
CN106503255A (zh) * 2016-11-15 2017-03-15 科大讯飞股份有限公司 基于描述文本自动生成文章的方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170213130A1 (en) * 2016-01-21 2017-07-27 Ebay Inc. Snippet extractor: recurrent neural networks for text summarization at industry scale

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6859211B2 (en) * 2001-09-13 2005-02-22 Terry H. Friedlander System and method for generating an online interactive story
CN101419717A (zh) * 2008-12-11 2009-04-29 北大方正集团有限公司 一种版式文件图文自动关联的方法及***
CN105787095A (zh) * 2016-03-16 2016-07-20 广州索答信息科技有限公司 互联网新闻的自动生成方法和装置
CN105912526A (zh) * 2016-04-15 2016-08-31 北京大学 一种面向体育比赛直播文字的体育新闻自动构建方法及装置
CN106021389A (zh) * 2016-05-12 2016-10-12 新华通讯社 基于模板自动生成新闻的***和方法
CN106407168A (zh) * 2016-09-06 2017-02-15 首都师范大学 一种应用文自动生成方法
CN106503255A (zh) * 2016-11-15 2017-03-15 科大讯飞股份有限公司 基于描述文本自动生成文章的方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈玉敬 等: "NBA赛事新闻的自动写作研究", 《北京大学学报(自然科学版)》 *

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019118256A1 (en) * 2017-12-15 2019-06-20 Microsoft Technology Licensing, Llc Generation of text from structured data
CN110019471B (zh) * 2017-12-15 2024-03-08 微软技术许可有限责任公司 从结构化数据生成文本
US11544474B2 (en) 2017-12-15 2023-01-03 Microsoft Technology Licensing, Llc Generation of text from structured data
CN110019471A (zh) * 2017-12-15 2019-07-16 微软技术许可有限责任公司 从结构化数据生成文本
CN107977363B (zh) * 2017-12-20 2021-12-17 北京百度网讯科技有限公司 标题生成方法、装置和电子设备
CN107977363A (zh) * 2017-12-20 2018-05-01 北京百度网讯科技有限公司 标题生成方法、装置和电子设备
CN107977472A (zh) * 2017-12-27 2018-05-01 北京诸葛找房信息技术有限公司 房产类新闻文章自动生成的方法
CN107977472B (zh) * 2017-12-27 2021-11-05 北京诸葛找房信息技术有限公司 房产类新闻文章自动生成的方法
CN108564997A (zh) * 2018-04-19 2018-09-21 北京深度智耀科技有限公司 一种临床研究报告生成方法和装置
CN110555196B (zh) * 2018-05-30 2023-07-18 北京百度网讯科技有限公司 用于自动生成文章的方法、装置、设备和存储介质
CN110555196A (zh) * 2018-05-30 2019-12-10 北京百度网讯科技有限公司 用于自动生成文章的方法、装置、设备和存储介质
CN110555198A (zh) * 2018-05-31 2019-12-10 北京百度网讯科技有限公司 用于生成文章的方法、装置、设备和计算机可读存储介质
CN110555198B (zh) * 2018-05-31 2023-05-23 北京百度网讯科技有限公司 用于生成文章的方法、装置、设备和计算机可读存储介质
CN109033047A (zh) * 2018-06-29 2018-12-18 北京百度网讯科技有限公司 智能写作方法、装置、终端和计算机可读存储介质
CN109033047B (zh) * 2018-06-29 2022-04-22 北京百度网讯科技有限公司 智能写作方法、装置、终端和计算机可读存储介质
CN110852084B (zh) * 2018-07-27 2021-04-02 杭州海康威视数字技术股份有限公司 文本生成方法、装置及设备
WO2020020084A1 (zh) * 2018-07-27 2020-01-30 杭州海康威视数字技术股份有限公司 文本生成方法、装置及设备
CN110852084A (zh) * 2018-07-27 2020-02-28 杭州海康威视数字技术股份有限公司 文本生成方法、装置及设备
CN109657043A (zh) * 2018-12-14 2019-04-19 北京百度网讯科技有限公司 自动生成文章的方法、装置、设备及存储介质
CN109710945B (zh) * 2018-12-29 2022-11-18 北京百度网讯科技有限公司 基于数据生成文本方法、装置、计算机设备和存储介质
CN109710945A (zh) * 2018-12-29 2019-05-03 北京百度网讯科技有限公司 基于数据生成文本方法、装置、计算机设备和存储介质
CN109885821A (zh) * 2019-03-05 2019-06-14 中国联合网络通信集团有限公司 基于人工智能的文章撰写方法及装置、计算机存储介质
CN109933799B (zh) * 2019-03-22 2023-08-15 北京金山数字娱乐科技有限公司 语句拼接方法以及装置
CN109933799A (zh) * 2019-03-22 2019-06-25 北京金山数字娱乐科技有限公司 语句拼接方法以及装置
CN110110104B (zh) * 2019-04-18 2020-07-21 贝壳找房(北京)科技有限公司 一种自动生成虚拟三维空间内房屋讲解的方法及装置
CN110110104A (zh) * 2019-04-18 2019-08-09 贝壳技术有限公司 一种自动生成虚拟三维空间内房屋讲解的方法及装置
CN110110331A (zh) * 2019-04-30 2019-08-09 清华大学 文本生成方法、装置、介质和计算设备
CN110196894B (zh) * 2019-05-30 2021-06-08 北京百度网讯科技有限公司 语言模型的训练方法和预测方法
CN110196894A (zh) * 2019-05-30 2019-09-03 北京百度网讯科技有限公司 语言模型的训练方法和预测方法
CN110263312A (zh) * 2019-06-19 2019-09-20 北京百度网讯科技有限公司 文章生成方法、装置、服务器和计算机可读介质
CN110263312B (zh) * 2019-06-19 2023-09-12 北京百度网讯科技有限公司 文章生成方法、装置、服务器和计算机可读介质
WO2020258948A1 (zh) * 2019-06-24 2020-12-30 北京大米科技有限公司 文本生成方法、装置、存储介质和电子设备
CN110287489A (zh) * 2019-06-24 2019-09-27 北京大米科技有限公司 文本生成方法、装置、存储介质和电子设备
CN110399601B (zh) * 2019-07-26 2023-07-07 北京香侬慧语科技有限责任公司 一种识别文档顺序的方法、装置、存储介质及电子设备
CN110399601A (zh) * 2019-07-26 2019-11-01 北京香侬慧语科技有限责任公司 一种识别文档顺序的方法、装置、存储介质及电子设备
CN110598205A (zh) * 2019-08-12 2019-12-20 大箴(杭州)科技有限公司 一种截断文本的拼接方法、装置及计算机存储介质
CN111008522A (zh) * 2019-12-11 2020-04-14 浙江大搜车软件技术有限公司 文章自动撰写方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
US20180336193A1 (en) 2018-11-22
CN107193792B (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN107193792A (zh) 基于人工智能的生成文章的方法和装置
US20240078386A1 (en) Methods and systems for language-agnostic machine learning in natural language processing using feature extraction
CN111177569B (zh) 基于人工智能的推荐处理方法、装置及设备
CN109214386B (zh) 用于生成图像识别模型的方法和装置
US20230237328A1 (en) Information processing method and terminal, and computer storage medium
CN107220386A (zh) 信息推送方法和装置
CN105095394B (zh) 网页生成方法和装置
CN108153901A (zh) 基于知识图谱的信息推送方法和装置
CN110334110A (zh) 自然语言分类方法、装置、计算机设备以及存储介质
CN107241260A (zh) 基于人工智能的新闻推送的方法和装置
CN111866610B (zh) 用于生成信息的方法和装置
CN108121800A (zh) 基于人工智能的信息生成方法和装置
CN109522486A (zh) 用于匹配信息的方法和装置
CN106708940A (zh) 用于处理图片的方法和装置
CN109582825B (zh) 用于生成信息的方法和装置
CN107862058B (zh) 用于生成信息的方法和装置
KR20200087977A (ko) 멀티모달 문서 요약 시스템 및 방법
CN106776808A (zh) 基于人工智能的资讯数据提供方法及装置
CN109190123B (zh) 用于输出信息的方法和装置
CN114065750A (zh) 商品信息匹配、发布方法及其装置、设备、介质、产品
CN109933782A (zh) 用户情绪预测方法和装置
CN111767431A (zh) 用于视频配乐的方法和装置
CN109325178A (zh) 用于处理信息的方法和装置
Yashima et al. Learning to describe e-commerce images from noisy online data
CN111125384B (zh) 一种多媒体答案生成方法、装置、终端设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant