CN111475625A - 基于知识图谱的新闻稿件生成方法及*** - Google Patents

基于知识图谱的新闻稿件生成方法及*** Download PDF

Info

Publication number
CN111475625A
CN111475625A CN202010387447.4A CN202010387447A CN111475625A CN 111475625 A CN111475625 A CN 111475625A CN 202010387447 A CN202010387447 A CN 202010387447A CN 111475625 A CN111475625 A CN 111475625A
Authority
CN
China
Prior art keywords
manuscript
user
data
news
knowledge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010387447.4A
Other languages
English (en)
Inventor
梁成福
韩强
许海振
李滨
王谦
万义鹏
刘晓宇
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.)
Shandong Shunnet Media Co ltd
Original Assignee
Shandong Shunnet Media 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 Shandong Shunnet Media Co ltd filed Critical Shandong Shunnet Media Co ltd
Priority to CN202010387447.4A priority Critical patent/CN111475625A/zh
Publication of CN111475625A publication Critical patent/CN111475625A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于知识图谱的新闻稿件生成方法及***，包括：获取用户设定的待创作稿件的标题、稿件类别或情感倾向；对待创作新闻稿件的标题，提取标题的关键词；根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；将语义搜索得到的信息，输入到用户兴趣点推荐模型中，输出排序后的信息；所述排序后的信息，是对语义搜索得到的信息按照用户感兴趣程度由高到低进行排序；获取用户对推荐信息的选择结果，将用户对推荐信息选择的结果作为新闻稿件创作的基础素材；对新闻稿件创作的素材进行加工，得到初始新闻稿件。

Description

基于知识图谱的新闻稿件生成方法及***
技术领域
本公开涉及新闻稿撰写技术领域，特别是涉及基于知识图谱的新闻稿件生成方法及***。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
借助机器人进行内容生产，大体工作原理为，借助关键词提取、匹配算法，提炼内容创作主体信息，对客观信息进行分析、比较、计算，提炼关键内容，借助内置的模板，将提取的内容进行二次拼接，形成一篇文章。
在上述创作过程中，稿件的主题信息是通过数据抓取后，随机提取生成的，无法自定义创作主体，创作内容仅能作为信息参考，无法应用与实际的业务生产，没有实际应用价值。
发明内容
为了解决现有技术的不足，本公开提供了基于知识图谱的新闻稿件生成方法及***；
第一方面，本公开提供了基于知识图谱的新闻稿件生成方法；
基于知识图谱的新闻稿件生成方法，包括：
获取用户设定的待创作稿件的标题、稿件类别或情感倾向；
对待创作新闻稿件的标题，提取标题的关键词；
根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；
将语义搜索得到的信息，输入到用户兴趣点推荐模型中，输出排序后的信息；所述排序后的信息，是对语义搜索得到的信息按照用户感兴趣程度由高到低进行排序；
获取用户对推荐信息的选择结果，将用户对推荐信息选择的结果作为新闻稿件创作的基础素材；
对新闻稿件创作的素材进行加工，得到初始新闻稿件。
第二方面，本公开提供了基于知识图谱的新闻稿件生成***；
基于知识图谱的新闻稿件生成***，包括：
获取模块，其被配置为：获取用户设定的待创作稿件的标题、稿件类别或情感倾向；
提取模块，其被配置为：对待创作新闻稿件的标题，提取标题的关键词；
语义搜索模块，其被配置为：根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；
排序模块，其被配置为：将语义搜索得到的信息，输入到用户兴趣点推荐模型中，输出排序后的信息；所述排序后的信息，是对语义搜索得到的信息按照用户感兴趣程度由高到低进行排序；
加工模块，其被配置为：获取用户对推荐信息的选择结果，将用户对推荐信息选择的结果作为新闻稿件创作的基础素材；对新闻稿件创作的素材进行加工，得到初始新闻稿件。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本公开的有益效果是：
通过利用知识图谱，辅助进行特定主题的内容生产。利用大数据技术进行数据的抓取、清洗、整理，形成知识库；利用NLP自然语言处理技术，对知识进行数据分类、情感分析、实体提取，建设基于知识图谱的素材库；通过语义理解，对用户设定的内容创作主题进行分析，匹配已有素材库知识，进行辅助稿件创作，最终创作出有实用价格的稿件。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为第一个实施例的图信息示例；
图2为第一个实施例的***架构；
图3为第一个实施例的用户创作流程图；
图4为第一个实施例的机器人写稿专栏；
图5为第一个实施例的智能内容生产***。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了基于知识图谱的新闻稿件生成方法；
基于知识图谱的新闻稿件生成方法，包括：
S101：获取用户设定的待创作稿件的标题、稿件类别或情感倾向；
S102：对待创作新闻稿件的标题，提取标题的关键词；
S103：根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；
S104：将语义搜索得到的信息，输入到用户兴趣点推荐模型中，输出排序后的信息；所述排序后的信息，是对语义搜索得到的信息按照用户感兴趣程度由高到低进行排序；
S105：获取用户对推荐信息的选择结果，将用户对推荐信息选择的结果作为新闻稿件创作的基础素材；
S106：对新闻稿件创作的素材进行加工，得到初始新闻稿件。
应理解的，所述S101中，通过获取待创作新闻稿件的文章类别、待创作新闻稿件的情感倾向，可以提高稿件创作的准确性。
示例性的，所述S101中，所述待创作新闻稿件的标题，例如包括：稿件标题《打造有温情的济南教育》。
示例性的，所述S101中，所述待创作新闻稿件的文章类别，例如包括：教育、民生或温情。
示例性的，所述S101中，所述待创作新闻稿件的情感倾向，例如包括：正面、负面或中性。
示例性的，所述S102中，所述标题的关键词，是通过NLP自然语言处理，对标题内容进行分词处理，根据内容中各分词出现频率、权重，提取关键词。
进一步地，所述S103中，根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；具体步骤包括：利用语义搜索，将稿件类别、情感倾向和标题的关键词与预先构建的知识图谱中的内容进行匹配，按照预先设定的稿件模板结构，形成稿件主体元素。
进一步地，所述S103中，预先构建的知识图谱，构建步骤包括：
S103a1：获取用户选择的创作领域内容来源；
S103a2：对创作领域内容来源，进行数据抓取操作；
S103a3：对抓取到的数据进行数据清洗；
S103a4：对清洗后的数据进行分类，形成数据类目；
S103a5：对每一类的数据进行实体提取；
S103a6：搭建以实体为单位存储的图数据库，以“实体－关系－实体”或者“实体－属性－性值”三元组作为事实的基本表达方式，存储在图数据库中的所有数据将构成实体关系网络，形成知识图谱。
知识获取，将以上步骤中获取到的结构化和非结构化数据进行处理，提取出计算机可理解和计算的结构化数据，以供进一步的分析和利用。
关系抽取。关系抽取是利用多种技术自动从文本中发现命名实体之间的语义关系，将文本中的关系映射到实体关系三元组上。
属性主要是针对实体而言的，以实现对实体的完整描述。
事件抽取。事件是发生在某个特定时间点或时间段、某个特定地域范围内，由一个或者多个角色参与的一个或者多个动作组成的事情或者状态的改变。
知识标识。基于知识获取、融合、建模、计算与应用，对知识的进行描述和约定，形成尽可能全面的知识表达，使机器通过学习这些知识，表现出类似于人类的行为。
对梳理出的知识对象包括基本属性知识、关联知识、事件知识、时序知识和资源类知识进行存储，方便知识图谱对知识的查询、知识计算及知识认知，提高效率。
利用知识融合，对上述步骤中梳理出的松耦合来源的知识进行集成处理，构建合成的资源，用来补充不完全的知识，知识融合包括数据层知识融合、概念层知识融合以及跨语言知识融合。利用知识融合技术，通过对众多分散、异构资源上知识的获取、匹配、集成、挖掘等处理，获取隐含的或有价值的新知识，同时优化知识的结构和内涵，提供知识服务。
知识建模。依托上述步骤形成的知识建立知识图谱的数据模型，通过模型对知识进行描述。通过知识建模搭建知识图谱构建的基础，避免许多不必要、重复性的知识获取工作，有效提高知识图谱构建的效率，降低领域数据融合的成本。
在知识建模过程中，引入手动建模、半自动建模相结合的技术实现方式，并引入知识建模评价体系，舍弃置信度低的知识，保障知识库的质量。
利用知识统计、图挖掘、知识推理等技术，提高知识的完备性和扩大知识的覆盖面。为后期稿件创作过程中，提供广阔的素材支撑。图信息见附图1。
示例性的，所述创作领域内容来源，包括以下方式的一种或多种：网站、微信、微博、报纸或电视。
示例性的，所述S103a3的数据清洗，例如包括：在知识图谱构建过程中，需要进行数据源梳理和清洗等数据治理工作，需要编辑人员、记者等了解业务场景的工作人员完成，涉及到文本抽取和数据标注等工作，通过以上方式的数据清洗，使得图数据库的建设更准确、全面，用于支撑智能化检索。
应理解的，所述S103a3的数据清洗，可以辅助剔除脏数据，减少无效数据的影响。
进一步地，S103a4：对清洗后的数据进行分类，形成数据类目；具体步骤包括：
对清洗后的数据使用NLP自然语言模型进行处理得到处理后的数据；
对处理后的数据按照文章类别进行分类；
对处理后的数据按照情感倾向进行分类。
示例性的，所述数据类目，包括但不限于体育、财经、娱乐、时政等。
示例性的，所述情感倾向，包括但不限于正面、负面或中性。
进一步地，S103a5：对每一类的数据进行实体提取；具体步骤包括：
对存储数据进行稿件实体的提取，通过主体提取，梳理稿件对应知识点，为接下来知识图谱的建设提供数据支撑。
示例性的，所述稿件实体，包括但不限于人物、时间、地点、机构、职务中的一种或多种。
应理解的，所述S103中，传统的搜索引擎，以关键词检索为核心技术，通过关键词比对，从海量信息中找出与关键词相匹配的信息并返回，这种搜索方式为传统的机器搜索，并不是按照人的思维方式查询并给出结果。借助由知识图谱技术搭建的智能搜索引擎，可以根据知识关联进行搜索。
进一步地，所述S104中，用户兴趣点推荐模型是通过训练得到的；具体训练步骤包括：
构建神经网络模型；
构建训练集；所述训练集为已知用户感兴趣程度的用户历史搜索记录；
将训练集输入到神经网络模型中进行训练，得到训练好的神经网络模型即为用户兴趣点推荐模型。
进一步地，所述S106中，对新闻稿件创作的素材进行加工，得到初始新闻稿件；具体步骤包括：使用TextRank算法或概率句选择算法，对新闻稿件创作的素材进行加工，得到初始新闻稿件。
进一步地，所述方法还包括：
S107：对初始新闻稿件进行编辑，形成最终的新闻稿件。
进一步地，所述方法还包括：
S108：对用户的编辑操作事件进行记录，获取用户反馈日志；
S109：根据用户反馈日志，实现对用户画像进行优化、对用户兴趣点推荐模型进行优化和对知识图谱进行优化。
所述编辑操作事件，例如用户对文档的增删改除等。
进一步地，所述对用户画像进行优化；具体步骤包括：通过对用户的行为日志进行大数据分析，通过智能算法，根据用户行为，勾勒出用户画像，再基于用户画像，为用户提供更多的精准服务。
进一步地，所述对用户兴趣点推荐模型进行优化；具体步骤包括：根据用户历史创作稿件的选用情况和修改编辑动作，进行分析优化，结合用户画像，整理出针对用户的推荐模型。
进一步地，所述对知识图谱进行优化；具体步骤包括：
根据用户对***推荐稿件的选用情况和二次编辑情况，对推荐算法和内容生产算法进行优化。
***整体架构见图3，用于应用***流程图见附图2，
1、借助该技术解决方案，已完成了体育、财经、农产品价格的稿件采写，可以统计当日股市概况，进行分析对比。生产应用效果见附图4：
2、借助该技术解决方案，搭建的新闻创作服务辅助生产***，可以实现智能语义搜索，知识库智能搭建、知识图谱建设。生产应用效果见附图5：
实施例二，本实施例提供了基于知识图谱的新闻稿件生成***；
基于知识图谱的新闻稿件生成***，包括：
获取模块，其被配置为：获取用户设定的待创作稿件的标题、稿件类别或情感倾向；
提取模块，其被配置为：对待创作新闻稿件的标题，提取标题的关键词；
语义搜索模块，其被配置为：根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；
排序模块，其被配置为：将语义搜索得到的信息，输入到用户兴趣点推荐模型中，输出排序后的信息；所述排序后的信息，是对语义搜索得到的信息按照用户感兴趣程度由高到低进行排序；
加工模块，其被配置为：获取用户对推荐信息的选择结果，将用户对推荐信息选择的结果作为新闻稿件创作的基础素材；对新闻稿件创作的素材进行加工，得到初始新闻稿件。
此处需要说明的是，上述获取模块、提取模块、语义搜索模块、排序模块和加工模块对应于实施例一中的步骤S101至S106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的***，可以通过其他的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个***，或一些特征可以忽略，或不执行。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述的方法。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.基于知识图谱的新闻稿件生成方法，其特征是，包括：
获取用户设定的待创作稿件的标题、稿件类别或情感倾向；
对待创作新闻稿件的标题，提取标题的关键词；
根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；
将语义搜索得到的信息，输入到用户兴趣点推荐模型中，输出排序后的信息；所述排序后的信息，是对语义搜索得到的信息按照用户感兴趣程度由高到低进行排序；
获取用户对推荐信息的选择结果，将用户对推荐信息选择的结果作为新闻稿件创作的基础素材；
对新闻稿件创作的素材进行加工，得到初始新闻稿件。
2.如权利要求1所述的方法，其特征是，根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；具体步骤包括：利用语义搜索，将稿件类别、情感倾向和标题的关键词与预先构建的知识图谱中的内容进行匹配，按照预先设定的稿件模板结构，形成稿件主体元素。
3.如权利要求1所述的方法，其特征是，预先构建的知识图谱，构建步骤包括：
获取用户选择的创作领域内容来源；
对创作领域内容来源，进行数据抓取操作；
对抓取到的数据进行数据清洗；
对清洗后的数据进行分类，形成数据类目；
对每一类的数据进行实体提取；
搭建以实体为单位存储的图数据库，以“实体－关系－实体”或者“实体－属性－性值”三元组作为事实的基本表达方式，存储在图数据库中的所有数据将构成实体关系网络，形成知识图谱。
4.如权利要求3所述的方法，其特征是，对清洗后的数据进行分类，形成数据类目；具体步骤包括：
对清洗后的数据使用NLP自然语言模型进行处理得到处理后的数据；
对处理后的数据按照文章类别进行分类；
对处理后的数据按照情感倾向进行分类。
5.如权利要求3所述的方法，其特征是，对每一类的数据进行实体提取；具体步骤包括：
对存储数据进行稿件实体的提取，通过主体提取，梳理稿件对应知识点，为接下来知识图谱的建设提供数据支撑。
6.如权利要求1所述的方法，其特征是，用户兴趣点推荐模型是通过训练得到的；具体训练步骤包括：
构建神经网络模型；
构建训练集；所述训练集为已知用户感兴趣程度的用户历史搜索记录；
将训练集输入到神经网络模型中进行训练，得到训练好的神经网络模型即为用户兴趣点推荐模型。
7.如权利要求1所述的方法，其特征是，对新闻稿件创作的素材进行加工，得到初始新闻稿件；具体步骤包括：使用TextRank算法或概率句选择算法，对新闻稿件创作的素材进行加工，得到初始新闻稿件；
或者，
所述方法还包括：对初始新闻稿件进行编辑，形成最终的新闻稿件；
对用户的编辑操作事件进行记录，获取用户反馈日志；
根据用户反馈日志，实现对用户画像进行优化、对用户兴趣点推荐模型进行优化和对知识图谱进行优化。
8.基于知识图谱的新闻稿件生成***，其特征是，包括：
获取模块，其被配置为：获取用户设定的待创作稿件的标题、稿件类别或情感倾向；
提取模块，其被配置为：对待创作新闻稿件的标题，提取标题的关键词；
语义搜索模块，其被配置为：根据稿件类别、情感倾向和标题的关键词，在预先构建的知识图谱中进行语义搜索；
排序模块，其被配置为：将语义搜索得到的信息，输入到用户兴趣点推荐模型中，输出排序后的信息；所述排序后的信息，是对语义搜索得到的信息按照用户感兴趣程度由高到低进行排序；
加工模块，其被配置为：获取用户对推荐信息的选择结果，将用户对推荐信息选择的结果作为新闻稿件创作的基础素材；对新闻稿件创作的素材进行加工，得到初始新闻稿件。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
CN202010387447.4A 2020-05-09 2020-05-09 基于知识图谱的新闻稿件生成方法及*** Pending CN111475625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010387447.4A CN111475625A (zh) 2020-05-09 2020-05-09 基于知识图谱的新闻稿件生成方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010387447.4A CN111475625A (zh) 2020-05-09 2020-05-09 基于知识图谱的新闻稿件生成方法及***

Publications (1)

Publication Number Publication Date
CN111475625A true CN111475625A (zh) 2020-07-31

Family

ID=71762273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010387447.4A Pending CN111475625A (zh) 2020-05-09 2020-05-09 基于知识图谱的新闻稿件生成方法及***

Country Status (1)

Country Link
CN (1) CN111475625A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112612867A (zh) * 2020-11-24 2021-04-06 中国传媒大学 新闻稿件传播分析方法、计算机可读存储介质及电子设备
CN112818261A (zh) * 2021-01-27 2021-05-18 沈阳美行科技有限公司 基于poi知识图谱的导航方法、装置及电子设备
CN113220901A (zh) * 2021-05-11 2021-08-06 中国科学院自动化研究所 基于增强智能的写作构思辅助***、网路***
CN113849462A (zh) * 2021-09-16 2021-12-28 广东创意热店互联网科技有限公司 一种网络素材的智能推荐方法、***、计算机设备及介质
CN113961811A (zh) * 2021-10-28 2022-01-21 平安科技（深圳）有限公司 基于事件图谱的话术推荐方法、装置、设备及介质
CN114595671A (zh) * 2020-12-07 2022-06-07 腾讯科技（深圳）有限公司 推荐信息生成方法及装置、存储介质、计算设备
CN115858824A (zh) * 2023-02-28 2023-03-28 北京朗知网络传媒科技股份有限公司 一种交互式数码传媒文章的智能生成方法和装置
CN118170899A (zh) * 2024-05-09 2024-06-11 珠海传媒融创科技有限公司 基于aigc的媒体新闻稿件生成方法以及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558492A (zh) * 2018-10-16 2019-04-02 中山大学 一种适于事件归因的上市公司知识图谱构建方法及装置
CN110210881A (zh) * 2018-02-28 2019-09-06 中兴通讯股份有限公司 一种用户兴趣预测方法、装置及***
CN110277086A (zh) * 2019-06-25 2019-09-24 中国科学院自动化研究所 基于电网调度知识图谱的语音合成方法、***及电子设备
CN110851622A (zh) * 2019-11-12 2020-02-28 北京搜狐互联网信息服务有限公司 文本生成方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210881A (zh) * 2018-02-28 2019-09-06 中兴通讯股份有限公司 一种用户兴趣预测方法、装置及***
CN109558492A (zh) * 2018-10-16 2019-04-02 中山大学 一种适于事件归因的上市公司知识图谱构建方法及装置
CN110277086A (zh) * 2019-06-25 2019-09-24 中国科学院自动化研究所 基于电网调度知识图谱的语音合成方法、***及电子设备
CN110851622A (zh) * 2019-11-12 2020-02-28 北京搜狐互联网信息服务有限公司 文本生成方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王卫东, 武汉大学出版社 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112612867A (zh) * 2020-11-24 2021-04-06 中国传媒大学 新闻稿件传播分析方法、计算机可读存储介质及电子设备
CN114595671A (zh) * 2020-12-07 2022-06-07 腾讯科技（深圳）有限公司 推荐信息生成方法及装置、存储介质、计算设备
CN112818261A (zh) * 2021-01-27 2021-05-18 沈阳美行科技有限公司 基于poi知识图谱的导航方法、装置及电子设备
CN113220901A (zh) * 2021-05-11 2021-08-06 中国科学院自动化研究所 基于增强智能的写作构思辅助***、网路***
CN113849462A (zh) * 2021-09-16 2021-12-28 广东创意热店互联网科技有限公司 一种网络素材的智能推荐方法、***、计算机设备及介质
CN113961811A (zh) * 2021-10-28 2022-01-21 平安科技（深圳）有限公司 基于事件图谱的话术推荐方法、装置、设备及介质
CN113961811B (zh) * 2021-10-28 2024-04-05 平安科技（深圳）有限公司 基于事件图谱的话术推荐方法、装置、设备及介质
CN115858824A (zh) * 2023-02-28 2023-03-28 北京朗知网络传媒科技股份有限公司 一种交互式数码传媒文章的智能生成方法和装置
CN118170899A (zh) * 2024-05-09 2024-06-11 珠海传媒融创科技有限公司 基于aigc的媒体新闻稿件生成方法以及相关装置
CN118170899B (zh) * 2024-05-09 2024-07-12 珠海传媒融创科技有限公司 基于aigc的媒体新闻稿件生成方法以及相关装置

Similar Documents

Publication Publication Date Title
CN111475625A (zh) 基于知识图谱的新闻稿件生成方法及***
Salloum et al. Mining social media text: extracting knowledge from Facebook
CN106776711B (zh) 一种基于深度学习的中文医学知识图谱构建方法
CN107180045B (zh) 一种互联网文本蕴含地理实体关系的抽取方法
KR101713831B1 (ko) 문서추천장치 및 방법
CN105528437B (zh) 一种基于结构化文本知识提取的问答***构建方法
CN110990590A (zh) 一种基于强化学习和迁移学习的动态金融知识图谱构建方法
JP2017511922A (ja) スマート質問回答の実現方法、システム、および記憶媒体
US20090307213A1 (en) Suffix Tree Similarity Measure for Document Clustering
Sarica et al. Engineering knowledge graph for keyword discovery in patent search
CN103955529A (zh) 一种互联网信息搜索聚合呈现方法
CN110188349A (zh) 一种基于抽取式多文档摘要方法的自动化写作方法
CN109460477B (zh) 信息收集分类***和方法及其检索和集成方法
CN109522396B (zh) 一种面向国防科技领域的知识处理方法及***
CN113569023A (zh) 一种基于知识图谱的中文医药问答***及方法
CN112149422B (zh) 一种基于自然语言的企业新闻动态监测方法
Wang et al. Detecting hot topics from academic big data
CN116010564A (zh) 一种基于多模态知识图谱的水稻病虫害问答***的构建方法
Balasubramaniam Hybrid fuzzy-ontology design using FCA based clustering for information retrieval in semantic web
CN103226601A (zh) 一种图片搜索的方法和装置
Ren et al. Resource recommendation algorithm based on text semantics and sentiment analysis
Vijaya et al. LionRank: lion algorithm-based metasearch engines for re-ranking of webpages
CN114238735B (zh) 一种互联网数据智能采集方法
CN115905554A (zh) 一种基于多学科分类的中文学术知识图谱构建方法
Lehmberg Web table integration and profiling for knowledge base augmentation

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