CN111428489B - 一种评论生成方法、装置、电子设备及存储介质 - Google Patents
一种评论生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111428489B CN111428489B CN202010196781.1A CN202010196781A CN111428489B CN 111428489 B CN111428489 B CN 111428489B CN 202010196781 A CN202010196781 A CN 202010196781A CN 111428489 B CN111428489 B CN 111428489B
- Authority
- CN
- China
- Prior art keywords
- keyword
- comment
- trained
- comments
- determining
- 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 53
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种评论生成方法、装置、电子设备及存储介质,涉及知识图谱技术领域。具体实现方案为:通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成所述待处理的文章的评论。本申请实施例可以生成与文章主题密切相关的评论,从而可以提高评论质量。
Description
技术领域
本申请涉及计算机应用技术领域,进一步涉及知识图谱技术,尤其是一种评论生成方法、装置、电子设备及存储介质。
背景技术
在实际应用中,某些场景下需要为文章自动生成评论,如对于一篇优质的文章,为了增加文章热度,可自动生成一部分评论补充到文章的评论集中。
现有的评论生成方法,主要包括以下两种:1)基于自然语言生成(NaturalLanguage Generation,简称NLG)算法生成评论:即将一篇文章和其对应的多个评论,组成多个训练对,即一对多的训练对;使用上述一对多的训练对,训练评论生成模型,使用训练后的评论生成模型生成待处理的文章的评论;2)基于改进的指针生成(pointer-generator)模型生成评论:即一篇文章和其对应的一个评论,组成1个训练对,即一对一的训练对;使用上述一对一的训练对,训练评论生成模型,使用训练后的评论生成模型生成待处理的文章的评论。以上两种训练模型,分别存在缺点:1)基于NLG算法生成评论:生成的评论之间存在较大的差异大,还可能会生成无意义的语义漂移的评论,与文章的主题偏差较大,质量较差;2)基于改进的pointer-generator模型生成评论:大量浪费训练语料,生成的评论也没有特色。
发明内容
有鉴于此,本申请提出实施例提供一种评论生成方法、装置、电子设备及存储介质,可以生成与文章主题密切相关的评论,从而可以提高评论质量。
第一方面,本申请实施例提供了一种评论生成方法,所述方法包括:
通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;
根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;
根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;
通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成所述待处理的文章的评论。
上述实施例具有如下优点或有益效果:上述实施例可以根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息,这样就可以通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论,从而达到生成与文章主题密切相关的评论,提高评论质量的目的。而在现有的评论生成方法中,基于NLG算法生成的评论之间存在较大的差异大,还可能会生成无意义的语义漂移的评论,与文章的主题偏差较大,质量较差;基于改进的pointer-generator模型生成的评论,大量浪费训练语料,生成的评论也没有特色。因为本申请采用了通过卷积神经网络确定出各个关键词集合对应的主题信息的技术手段,克服了现有技术中生成的评论与文章的主题偏差较大的技术问题,进而达到了生成与文章主题密切相关的评论,提高评论质量的技术效果。
在上述实施例中,所述根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中,包括:
在各个关键词的语义信息中分别提取出各个关键词的属性特征;
计算各个关键词的属性特征与预先确定的属性特征之间的匹配度,将匹配度大于预设阈值的关键词划分至所述预先确定的属性特征对应的关键词集合中。
上述实施例具有如下优点或有益效果:上述实施例先提取出各个关键词的属性特征,通过计算各个关键词的属性特征与预先确定的属性特征之间的匹配度,准确地将各个关键词划分至与其对应的关键词集合中,这样可以进一步确定出各个关键词集合对应的主题信息,从而基于各个关键词集合对应的主题信息生成待处理的文章的评论。
在上述实施例中,所述根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息,包括:
根据各个关键词集合中的各个关键词的语义信息,计算出各个关键词在各个维度上的向量值;
将在各个维度上的最大的向量值确定为在各个维度上的目标向量值,并根据在各个维度上的目标向量值确定出各个关键词集合对应的主题信息。
上述实施例具有如下优点或有益效果:上述实施例通过计算各个关键词在各个维度上的向量值,准确地确定出各个关键词集合对应的主题信息,从而基于各个关键词集合对应的主题信息生成待处理的文章的评论。
在上述实施例中,在所述通过关键词提取模型在待处理的文章中提取出至少一个关键词之前,所述方法还包括:
在预先确定的文章中提取出至少一个关键词;
根据提取出的关键词在已生成的评论中查找各个关键词;若在所述已生成的评论中查找到至少一个关键词,则将各个包括所述至少一个关键词的评论作为各个待训练评论;
根据所述预先确定的文章、所述至少一个关键词以及各个待训练评论确定出至少一个三元组,使用所述至少一个三元组对未训练的评论生成模型进行训练,得到所述预先训练的评论生成模型。
上述实施例具有如下优点或有益效果:上述实施例可以预先确定出至少一个三元组,然后使用至少一个三元组对未训练的评论生成模型进行训练,得到预先训练的评论生成模型,从而可以通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息更加准确地生成待处理的文章的评论。
在上述实施例中,所述根据所述预先确定的文章、所述至少一个关键词以及所述待训练评论确定出至少一个三元组,包括:
将所述至少一个关键词中的各个关键词与各个待训练评论进行匹配;将与各个待训练评论匹配成功的关键词作为各个待训练评论所对应的关键词;
根据所述预先确定的文章,各个待训练评论以及各个待训练评论所对应的关键词确定出所述至少一个三元组。
上述实施例具有如下优点或有益效果:上述实施例通过将各个关键词与各个待训练评论进行匹配,根据预先确定的文章,各个待训练评论以及各个待训练评论所对应的关键词确定出至少一个三元组,从而可以使用至少一个三元组对未训练的评论生成模型进行训练。
第二方面,本申请还提供了一种评论生成装置,所述装置包括:提取模块、划分模块、确定模块和生成模块;其中,
所述提取模块,用于通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;
所述划分模块,用于根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;
所述确定模块,用于根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;
所述生成模块,用于通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成所述待处理的文章的评论。
在上述实施例中,所述划分模块包括:提取子模块和划分子模块;其中,
所述提取子模块,用于在各个关键词的语义信息中分别提取出各个关键词的属性特征;
所述划分子模块,用于计算各个关键词的属性特征与预先确定的属性特征之间的匹配度,将匹配度大于预设阈值的关键词划分至所述预先确定的属性特征对应的关键词集合中。
在上述实施例中,所述确定模块包括:计算子模块和确定子模块;其中,
所述计算子模块,用于根据各个关键词集合中的各个关键词的语义信息,计算出各个关键词在各个维度上的向量值;
所述确定子模块,用于将在各个维度上的最大的向量值确定为在各个维度上的目标向量值,并根据在各个维度上的目标向量值确定出各个关键词集合对应的主题信息。
在上述实施例中,所述装置还包括:训练模块,用于在预先确定的文章中提取出至少一个关键词;根据提取出的关键词在已生成的评论中查找各个关键词;若在所述已生成的评论中查找到至少一个关键词,则将各个包括所述至少一个关键词的评论作为各个待训练评论;根据所述预先确定的文章、所述至少一个关键词以及各个待训练评论确定出至少一个三元组,使用所述至少一个三元组对未训练的评论生成模型进行训练,得到所述预先训练的评论生成模型。
在上述实施例中,所述训练模块,具体用于将所述至少一个关键词中的各个关键词与各个待训练评论进行匹配;将与各个待训练评论匹配成功的关键词作为各个待训练评论所对应的关键词;根据所述预先确定的文章,各个待训练评论以及各个待训练评论所对应的关键词确定出所述至少一个三元组。
第三方面,本申请实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,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本申请任意实施例所述的评论生成方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的评论生成方法。
上述申请中的一个实施例具有如下优点或有益效果:本申请提出的评论生成方法、装置、电子设备及存储介质,先通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;然后根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;再根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;最后通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论。也就是说,本申请可以根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息,这样就可以通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论,从而达到生成与文章主题密切相关的评论,提高评论质量的目的。而在现有的评论生成方法中,基于NLG算法生成的评论之间存在较大的差异大,还可能会生成无意义的语义漂移的评论,与文章的主题偏差较大,质量较差;基于改进的pointer-generator模型生成的评论,大量浪费训练语料,生成的评论也没有特色。因为本申请采用了通过卷积神经网络确定出各个关键词集合对应的主题信息的技术手段,克服了现有技术中生成的评论与文章的主题偏差较大的技术问题,进而达到了生成与文章主题密切相关的评论,提高评论质量的技术效果;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例一提供的评论生成方法的流程示意图;
图2是本申请实施例二提供的评论生成方法的流程示意图;
图3是本申请实施例三提供的评论生成装置的结构示意图;
图4是本申请实施例三提供的划分模块的结构示意图;
图5是本申请实施例三提供的确定模块的结构示意图;
图6是用来实现本申请实施例的评论生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
实施例一
图1是本申请实施例一提供的评论生成方法的流程示意图,该方法可以由评论生成装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,评论生成方法可以包括以下步骤:
S101、通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息。
在本申请的具体实施例中,电子设备可以通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息。针对待处理的文章,电子设备可以首先获取该文章中的关键词,即可对待处理的文章进行关键词提取,具体方式不限。比如,可采用现有的TextRank算法,提取出待处理的文章中的重要名词作为关键词。
S102、根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中。
在本申请的具体实施例中,电子设备可以根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中。具体地,电子设备可以先在各个关键词的语义信息中分别提取出各个关键词的属性特征;然后计算各个关键词的属性特征与预先确定的属性特征之间的匹配度,将匹配度大于预设阈值的关键词划分至预先确定的属性特征对应的关键词集合中。例如,预先确定的属性特征可以包括但不限于:娱乐类别的属性特征、体育类别的属性特征、理财类别的属性特征、购物类别的属性特征、美食类别的属性特征、旅游类别的属性特征等。因此,电子设备可以计算各个关键词的属性特征与上述各个预先确定的属性特征之间的匹配度;当匹配度大于预设阈值时,表示该关键词属于这一类别的可能性很大,所以电子设备可以将该关键词划分至这一类别中。
S103、根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息。
在本申请的具体实施例中,电子设备可以根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息。具体地,电子设备可以先根据各个关键词集合中的各个关键词的语义信息,计算出各个关键词在各个维度上的向量值;然后将在各个维度上的最大的向量值确定为在各个维度上的目标向量值,并根据在各个维度上的目标向量值确定出各个关键词集合对应的主题信息。具体地,各个关键词的语义信息是一个N个维度的向量,N为大于等于1的自然数。例如,假设某一个关键词集合包括三个关键词,分别为:关键词1、关键词2和关键词3;假设各个关键词的语义信息是一个三个维度的向量,在本步骤中,电子设备可以先计算关键词1在第一维度、第二维度、第三维度上的向量值,分别为A1、B1、C1;然后计算关键词2在第一维度、第二维度、第三维度上的向量值,分别为A2、B2、C2;再计算关键词3在第一维度、第二维度、第三维度上的向量值,分别为A3、B3、C3。接着,电子设备可以先在A1、A2和A3中选择一个最大的值作为第一维度的向量值;然后在B1、B2和B3中选择一个最大的值作为第二维度的向量值;再在C1、C2和C3中选择一个最大的值作为第三维度的向量值;因此,电子设备可以获取第一维度的向量值对应的向量、第二维度的向量值对应的向量、第三维度的向量值对应的向量,并将第一维度的向量值对应的向量、第二维度的向量值对应的向量、第三维度的向量值对应的向量组成一个新的语义信息,作为该关键词集合对应的主题信息。
S104、通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论。
在本申请的具体实施例中,电子设备可以通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论。优选地,评论生成模型可为pointer-generator模型,pointer-generator模型在生成待处理的文章的评论时,可以将各个关键词集合对应的主题信息作为引导,评论中的每个词的生成均可依赖于主题信息。另外,pointer-generator模型可一次生成多条评论,具体数量不限,视实际情况而定。
本申请实施例提出的评论生成方法,先通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;然后根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;再根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;最后通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论。也就是说,本申请可以根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息,这样就可以通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论,从而达到生成与文章主题密切相关的评论,提高评论质量的目的。而在现有的评论生成方法中,基于NLG算法生成的评论之间存在较大的差异大,还可能会生成无意义的语义漂移的评论,与文章的主题偏差较大,质量较差;基于改进的pointer-generator模型生成的评论,大量浪费训练语料,生成的评论也没有特色。因为本申请采用了通过卷积神经网络确定出各个关键词集合对应的主题信息的技术手段,克服了现有技术中生成的评论与文章的主题偏差较大的技术问题,进而达到了生成与文章主题密切相关的评论,提高评论质量的技术效果;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2是本申请实施例二提供的评论生成方法的流程示意图。如图2所示,评论生成方法可以包括以下步骤:
S201、通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息。
在本申请的具体实施例中,电子设备可以通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息。针对待处理的文章,电子设备可以首先获取该文章中的关键词,即可对待处理的文章进行关键词提取,具体方式不限。比如,可采用现有的TextRank算法,提取出待处理的文章中的重要名词作为关键词。
S202、根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中。
在本申请的具体实施例中,电子设备可以根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中。具体地,电子设备可以先在各个关键词的语义信息中分别提取出各个关键词的属性特征;然后计算各个关键词的属性特征与预先确定的属性特征之间的匹配度,将匹配度大于预设阈值的关键词划分至预先确定的属性特征对应的关键词集合中。也就是说,针对各个关键词,可分别从文章a对应的评论集中查找出至少一个与该关键词相匹配的评论。比如,针对任一关键词,可从文章a对应的评论集中查找出包含该关键词的评论,若查找出的评论数大于一,可选出其中的一条评论作为与该关键词相匹配的评论。针对任一关键词,通常只需保留一个与该关键词相匹配的评论即可,因此当按照上述方式查找出的评论数大于一时,可选出其中的一条评论作为与该关键词相匹配的评论,选择方式不限,如可随机选出其中的一条评论,或按照预定规则选出一条评论等。针对任一关键词,若未能查找到与该关键词相匹配的评论,可丢弃该关键词。
S203、根据各个关键词集合中的各个关键词的语义信息,计算出各个关键词在各个维度上的向量值。
在本申请的具体实施例中,电子设备可以根据各个关键词集合中的各个关键词的语义信息,计算出各个关键词在各个维度上的向量值。具体地,各个关键词的语义信息是一个N个维度的向量,N为大于等于1的自然数。例如,假设某一个关键词集合包括三个关键词,分别为:关键词1、关键词2和关键词3;假设各个关键词的语义信息是一个三个维度的向量,在本步骤中,电子设备可以先计算关键词1在第一维度、第二维度、第三维度上的向量值,分别为A1、B1、C1;然后计算关键词2在第一维度、第二维度、第三维度上的向量值,分别为A2、B2、C2;再计算关键词3在第一维度、第二维度、第三维度上的向量值,分别为A3、B3、C3。
S204、将在各个维度上的最大的向量值确定为在各个维度上的目标向量值,并根据在各个维度上的目标向量值确定出各个关键词集合对应的主题信息。
在本申请的具体实施例中,电子设备可以将在各个维度上的最大的向量值确定为在各个维度上的目标向量值,并根据在各个维度上的目标向量值确定出各个关键词集合对应的主题信息。例如,假设某一个关键词集合包括三个关键词,分别为:关键词1、关键词2和关键词3;假设各个关键词的语义信息是一个三个维度的向量,在本步骤中,电子设备可以先计算关键词1在第一维度、第二维度、第三维度上的向量值,分别为A1、B1、C1;然后计算关键词2在第一维度、第二维度、第三维度上的向量值,分别为A2、B2、C2;再计算关键词3在第一维度、第二维度、第三维度上的向量值,分别为A3、B3、C3。接着,电子设备可以先在A1、A2和A3中选择一个最大的值作为第一维度的向量值;然后在B1、B2和B3中选择一个最大的值作为第二维度的向量值;再在C1、C2和C3中选择一个最大的值作为第三维度的向量值;因此,电子设备可以获取第一维度的向量值对应的向量、第二维度的向量值对应的向量、第三维度的向量值对应的向量,并将第一维度的向量值对应的向量、第二维度的向量值对应的向量、第三维度的向量值对应的向量组成一个新的语义信息,作为该关键词集合对应的主题信息。
S205、通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论。
在本申请的具体实施例中,电子设备可以通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论。优选地,评论生成模型可为pointer-generator模型,pointer-generator模型在生成待处理的文章的评论时,可以将各个关键词集合对应的主题信息作为引导,评论中的每个词的生成均可依赖于主题信息。另外,pointer-generator模型可一次生成多条评论,具体数量不限,视实际情况而定。
在本申请的具体实施例中,电子设备还可以预先对评论生成模型进行训练。具体地,电子设备可以在预先确定的文章中提取出至少一个关键词;然后根据提取出的关键词在已生成的评论中查找各个关键词;若在已生成的评论中查找到至少一个关键词,则将各个包括至少一个关键词的评论作为各个待训练评论;再根据预先确定的文章、至少一个关键词以及各个待训练评论确定出至少一个三元组,使用至少一个三元组对未训练的评论生成模型进行训练,得到预先训练的评论生成模型。具体地,电子设备可以将至少一个关键词中的各个关键词与各个待训练评论进行匹配;然后将与各个待训练评论匹配成功的关键词作为各个待训练评论所对应的关键词;再根据预先确定的文章,各个待训练评论以及各个待训练评论所对应的关键词确定出至少一个三元组。
此外,还可以利用查找出的评论与文章a组成训练对。假设从文章a中提取出了5个关键词,并针对其中的4个关键词,分别查找出了一个相匹配的评论,那么则可利用这4个评论以及文章a组成训练对。按照同样的方式,可分别获取到作为训练语料的每篇文章对应的训练对。
本申请实施例提出的评论生成方法,先通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;然后根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;再根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;最后通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论。也就是说,本申请可以根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息,这样就可以通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论,从而达到生成与文章主题密切相关的评论,提高评论质量的目的。而在现有的评论生成方法中,基于NLG算法生成的评论之间存在较大的差异大,还可能会生成无意义的语义漂移的评论,与文章的主题偏差较大,质量较差;基于改进的pointer-generator模型生成的评论,大量浪费训练语料,生成的评论也没有特色。因为本申请采用了通过卷积神经网络确定出各个关键词集合对应的主题信息的技术手段,克服了现有技术中生成的评论与文章的主题偏差较大的技术问题,进而达到了生成与文章主题密切相关的评论,提高评论质量的技术效果;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图3是本申请实施例三提供的评论生成装置的结构示意图。如图3所示,所述装置300包括:提取模块301、划分模块302、确定模块303和生成模块304;其中,
所述提取模块301,用于通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;
所述划分模块302,用于根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;
所述确定模块303,用于根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;
所述生成模块304,用于通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成所述待处理的文章的评论。
图4是本申请实施例三提供的划分模块的结构示意图。如图4所示,所述划分模块302包括:提取子模块3021和划分子模块3022;其中,
所述提取子模块3021,用于在各个关键词的语义信息中分别提取出各个关键词的属性特征;
所述划分子模块3022,用于计算各个关键词的属性特征与预先确定的属性特征之间的匹配度,将匹配度大于预设阈值的关键词划分至所述预先确定的属性特征对应的关键词集合中。
图5是本申请实施例三提供的确定模块的结构示意图。如图5所示,所述确定模块303包括:计算子模块3031和确定子模块3032;其中,
所述计算子模块3031,用于根据各个关键词集合中的各个关键词的语义信息,计算出各个关键词在各个维度上的向量值;
所述确定子模块3032,用于将在各个维度上的最大的向量值确定为在各个维度上的目标向量值,并根据在各个维度上的目标向量值确定出各个关键词集合对应的主题信息。
进一步的,所述装置还包括:训练模块305(图中未示出),用于在预先确定的文章中提取出至少一个关键词;根据提取出的关键词在已生成的评论中查找各个关键词;若在所述已生成的评论中查找到至少一个关键词,则将各个包括所述至少一个关键词的评论作为各个待训练评论;根据所述预先确定的文章、所述至少一个关键词以及各个待训练评论确定出至少一个三元组,使用所述至少一个三元组对未训练的评论生成模型进行训练,得到所述预先训练的评论生成模型。
进一步的,所述训练模块305,具体用于将所述至少一个关键词中的各个关键词与各个待训练评论进行匹配;将与各个待训练评论匹配成功的关键词作为各个待训练评论所对应的关键词;根据所述预先确定的文章,各个待训练评论以及各个待训练评论所对应的关键词确定出所述至少一个三元组。
上述评论生成装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的评论生成方法。
实施例四
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的评论生成方法的电子设备的框图。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/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的评论生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的评论生成方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的评论生成方法对应的程序指令/模块(例如,附图3所示的提取模块301、划分模块302、确定模块303和生成模块304)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的评论生成方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据评论生成方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至评论生成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
评论生成方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与评论生成方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、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***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***、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***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***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***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***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。
根据本申请实施例的技术方案,先通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;然后根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;再根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;最后通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论。也就是说,本申请可以根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息,这样就可以通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成待处理的文章的评论,从而达到生成与文章主题密切相关的评论,提高评论质量的目的。而在现有的评论生成方法中,基于NLG算法生成的评论之间存在较大的差异大,还可能会生成无意义的语义漂移的评论,与文章的主题偏差较大,质量较差;基于改进的pointer-generator模型生成的评论,大量浪费训练语料,生成的评论也没有特色。因为本申请采用了通过卷积神经网络确定出各个关键词集合对应的主题信息的技术手段,克服了现有技术中生成的评论与文章的主题偏差较大的技术问题,进而达到了生成与文章主题密切相关的评论,提高评论质量的技术效果;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
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,本发申请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,只要能够实现本申请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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种评论生成方法,其特征在于,所述方法包括:
通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;
根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;
根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;
通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成所述待处理的文章的评论;
其中,所述根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息,包括:
根据各个关键词集合中的各个关键词的语义信息,计算出各个关键词在各个维度上的向量值;
将在各个维度上的最大的向量值确定为在各个维度上的目标向量值,并根据在各个维度上的目标向量值确定出各个关键词集合对应的主题信息。
2.根据权利要求1所述的方法,其特征在于,所述根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中,包括:
在各个关键词的语义信息中分别提取出各个关键词的属性特征;
计算各个关键词的属性特征与预先确定的属性特征之间的匹配度,将匹配度大于预设阈值的关键词划分至所述预先确定的属性特征对应的关键词集合中。
3.根据权利要求1所述的方法,其特征在于,在所述通过关键词提取模型在待处理的文章中提取出至少一个关键词之前,所述方法还包括:
在预先确定的文章中提取出至少一个关键词;
根据提取出的关键词在已生成的评论中查找各个关键词;若在所述已生成的评论中查找到至少一个关键词,则将各个包括所述至少一个关键词的评论作为各个待训练评论;
根据所述预先确定的文章、所述至少一个关键词以及各个待训练评论确定出至少一个三元组,使用所述至少一个三元组对未训练的评论生成模型进行训练,得到所述预先训练的评论生成模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预先确定的文章、所述至少一个关键词以及所述待训练评论确定出至少一个三元组,包括:
将所述至少一个关键词中的各个关键词与各个待训练评论进行匹配;将与各个待训练评论匹配成功的关键词作为各个待训练评论所对应的关键词;
根据所述预先确定的文章,各个待训练评论以及各个待训练评论所对应的关键词确定出所述至少一个三元组。
5.一种评论生成装置,其特征在于,所述装置包括:提取模块、划分模块、确定模块和生成模块;其中,
所述提取模块,用于通过关键词提取模型在待处理的文章中提取出至少一个关键词,并通过主题模型计算出各个关键词的语义信息;
所述划分模块,用于根据各个关键词的语义信息,将各个关键词划分至与其对应的关键词集合中;
所述确定模块,用于根据各个关键词集合中的各个关键词的语义信息,通过卷积神经网络确定出各个关键词集合对应的主题信息;
所述生成模块,用于通过预先训练的评论生成模型,基于各个关键词集合对应的主题信息生成所述待处理的文章的评论;
所述确定模块包括:计算子模块和确定子模块;其中,
所述计算子模块,用于根据各个关键词集合中的各个关键词的语义信息,计算出各个关键词在各个维度上的向量值;
所述确定子模块,用于将在各个维度上的最大的向量值确定为在各个维度上的目标向量值,并根据在各个维度上的目标向量值确定出各个关键词集合对应的主题信息。
6.根据权利要求5所述的装置,其特征在于,所述划分模块包括:提取子模块和划分子模块;其中,
所述提取子模块,用于在各个关键词的语义信息中分别提取出各个关键词的属性特征;
所述划分子模块,用于计算各个关键词的属性特征与预先确定的属性特征之间的匹配度,将匹配度大于预设阈值的关键词划分至所述预先确定的属性特征对应的关键词集合中。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:训练模块,用于在预先确定的文章中提取出至少一个关键词;根据提取出的关键词在已生成的评论中查找各个关键词;若在所述已生成的评论中查找到至少一个关键词,则将各个包括所述至少一个关键词的评论作为各个待训练评论;根据所述预先确定的文章、所述至少一个关键词以及各个待训练评论确定出至少一个三元组,使用所述至少一个三元组对未训练的评论生成模型进行训练,得到所述预先训练的评论生成模型。
8.根据权利要求7所述的装置,其特征在于:
所述训练模块,具体用于将所述至少一个关键词中的各个关键词与各个待训练评论进行匹配;将与各个待训练评论匹配成功的关键词作为各个待训练评论所对应的关键词;根据所述预先确定的文章,各个待训练评论以及各个待训练评论所对应的关键词确定出所述至少一个三元组。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196781.1A CN111428489B (zh) | 2020-03-19 | 2020-03-19 | 一种评论生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196781.1A CN111428489B (zh) | 2020-03-19 | 2020-03-19 | 一种评论生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428489A CN111428489A (zh) | 2020-07-17 |
CN111428489B true CN111428489B (zh) | 2023-08-29 |
Family
ID=71549618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010196781.1A Active CN111428489B (zh) | 2020-03-19 | 2020-03-19 | 一种评论生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428489B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148988B (zh) * | 2020-10-16 | 2023-07-28 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备以及存储介质 |
CN112667780A (zh) * | 2020-12-31 | 2021-04-16 | 上海众源网络有限公司 | 一种评论信息的生成方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945268A (zh) * | 2012-10-25 | 2013-02-27 | 北京腾逸科技发展有限公司 | 产品特征评论挖掘方法及*** |
JP2013210743A (ja) * | 2012-03-30 | 2013-10-10 | Fujitsu Ltd | コメント評価方法、プログラム、および情報処理装置 |
CN103744835A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于主题模型的文本关键词提取方法 |
JP2015007920A (ja) * | 2013-06-25 | 2015-01-15 | 国立大学法人鳥取大学 | テキスト処理を用いた社会構造モデルの抽出 |
CN108052593A (zh) * | 2017-12-12 | 2018-05-18 | 山东科技大学 | 一种基于主题词向量和网络结构的主题关键词提取方法 |
CN108304468A (zh) * | 2017-12-27 | 2018-07-20 | ***股份有限公司 | 一种文本分类方法以及文本分类装置 |
CN108629043A (zh) * | 2018-05-14 | 2018-10-09 | 平安科技(深圳)有限公司 | 网页目标信息的提取方法、装置及存储介质 |
CN109145107A (zh) * | 2018-09-27 | 2019-01-04 | 平安科技(深圳)有限公司 | 基于卷积神经网络的主题提取方法、装置、介质和设备 |
CN109543068A (zh) * | 2018-11-30 | 2019-03-29 | 北京字节跳动网络技术有限公司 | 用于生成视频的评论信息的方法和装置 |
CN109997124A (zh) * | 2016-10-24 | 2019-07-09 | 谷歌有限责任公司 | 用于测量关键词的语义相关性的***和方法 |
CN110377750A (zh) * | 2019-06-17 | 2019-10-25 | 北京百度网讯科技有限公司 | 评论生成及评论生成模型训练方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190096752A (ko) * | 2018-02-09 | 2019-08-20 | 삼성전자주식회사 | 컨텐츠에 대한 텍스트 코멘트를 생성하는 방법 및 전자 장치 |
-
2020
- 2020-03-19 CN CN202010196781.1A patent/CN111428489B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013210743A (ja) * | 2012-03-30 | 2013-10-10 | Fujitsu Ltd | コメント評価方法、プログラム、および情報処理装置 |
CN102945268A (zh) * | 2012-10-25 | 2013-02-27 | 北京腾逸科技发展有限公司 | 产品特征评论挖掘方法及*** |
JP2015007920A (ja) * | 2013-06-25 | 2015-01-15 | 国立大学法人鳥取大学 | テキスト処理を用いた社会構造モデルの抽出 |
CN103744835A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 一种基于主题模型的文本关键词提取方法 |
CN109997124A (zh) * | 2016-10-24 | 2019-07-09 | 谷歌有限责任公司 | 用于测量关键词的语义相关性的***和方法 |
CN108052593A (zh) * | 2017-12-12 | 2018-05-18 | 山东科技大学 | 一种基于主题词向量和网络结构的主题关键词提取方法 |
CN108304468A (zh) * | 2017-12-27 | 2018-07-20 | ***股份有限公司 | 一种文本分类方法以及文本分类装置 |
CN108629043A (zh) * | 2018-05-14 | 2018-10-09 | 平安科技(深圳)有限公司 | 网页目标信息的提取方法、装置及存储介质 |
CN109145107A (zh) * | 2018-09-27 | 2019-01-04 | 平安科技(深圳)有限公司 | 基于卷积神经网络的主题提取方法、装置、介质和设备 |
CN109543068A (zh) * | 2018-11-30 | 2019-03-29 | 北京字节跳动网络技术有限公司 | 用于生成视频的评论信息的方法和装置 |
CN110377750A (zh) * | 2019-06-17 | 2019-10-25 | 北京百度网讯科技有限公司 | 评论生成及评论生成模型训练方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于主题的短文本自动摘要抽取研究与应用;陈晓萍;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111428489A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3913499A1 (en) | Method and apparatus for processing dataset, electronic device and storage medium | |
CN110955764B (zh) | 场景知识图谱的生成方法、人机对话方法以及相关设备 | |
CN111488740B (zh) | 一种因果关系的判别方法、装置、电子设备及存储介质 | |
CN111967256B (zh) | 事件关系的生成方法、装置、电子设备和存储介质 | |
JP2022018095A (ja) | マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体 | |
CN111709234B (zh) | 文本处理模型的训练方法、装置及电子设备 | |
CN111522967B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN111859997B (zh) | 机器翻译中的模型训练方法、装置、电子设备及存储介质 | |
US20210397791A1 (en) | Language model training method, apparatus, electronic device and readable storage medium | |
JP2021197159A (ja) | グラフニューラルネットワークをプレトレーニングする方法、プログラム及び装置 | |
CN111950293B (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
JP7300475B2 (ja) | エンティティ関係マイニング方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
CN111967569A (zh) | 神经网络结构的生成方法、装置、存储介质及电子设备 | |
CN111126061B (zh) | 对联信息生成方法和装置 | |
JP2022040026A (ja) | エンティティリンキング方法、装置、電子デバイス及び記憶媒体 | |
CN112466280B (zh) | 语音交互方法、装置、电子设备和可读存储介质 | |
CN111428489B (zh) | 一种评论生成方法、装置、电子设备及存储介质 | |
US20220300763A1 (en) | Method, apparatus, electronic device and storage medium for training semantic similarity model | |
CN111666751A (zh) | 训练文本扩充方法、装置、设备以及存储介质 | |
CN111984774B (zh) | 搜索方法、装置、设备以及存储介质 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN112182292A (zh) | 视频检索模型的训练方法、装置、电子设备及存储介质 | |
CN113516491A (zh) | 推广信息展示方法、装置、电子设备及存储介质 | |
CN111414487B (zh) | 事件主题的关联扩展方法、装置、设备及介质 | |
CN111611364B (zh) | 一种智能应答方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |