CN115795025A - 一种摘要生成方法及其相关设备 - Google Patents

Abstract

本申请公开了一种摘要生成方法及其相关设备，可自动生成满足长度限制的目标文本的摘要，且所生成的目标文本的摘要通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。本申请的方法包括：获取目标文本，目标文本包含N个句子，N≥2；通过抽取式摘要模型对N个句子进行打分，得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值；基于N个句子的分数以及N个句子的长度，从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子，N≥M≥1；基于M个句子生成目标文本的摘要。此外，本申请还提供了一种可微的摘要长度控制模块，且该模块可结合待训练的抽取式摘要模型实现端到端的模型训练。

Description

一种摘要生成方法及其相关设备

技术领域

本申请实施例涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种摘要生成方法及其相关设备。

背景技术

自动摘要技术是利用计算机自动实现文本分析和内容归纳以自动生成摘要的技术，即按用户的要求以简洁的形式表达文本的主要内容，自动摘要技术能够有效地帮助用户从检索到的文章中寻找用户感兴趣的内容，提高阅读速度和质量。

目前，可通过AI技术中的神经网络模型，来对文本进行处理，从而抽取出文本的摘要。具体地，该神经网络模型可先对文本的多个句子进行映射，从而得到多个句子的表征，再对多个句子的表征进行基于多头注意力机制的处理，从而得到多个句子的分数，这些分数可表示多个句子在文本中的价值。如此一来，可将分数较大的若干个句子，组成文本的摘要。

然而，在生成摘要的过程中，仅考虑了句子在文本中的价值，所考虑的因素较为单一，这样会导致最终生成的文本的摘要并非是质量较高的摘要，无法满足用户的阅读需求，降低了用户体验。

发明内容

本申请实施例提供了一种摘要生成方法及其相关设备，可自动生成满足长度限制的目标文本的摘要，且所生成的目标文本的摘要通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

本申请实施例的第一方面提供了一种摘要生成方法，该方法包括：

当用户需要获取目标文本的摘要时，可在用户设备中输入或选择目标文本，以使得用户设备确定需要生成目标文本的摘要。其中，目标文本由N个句子构成，且N个句子的长度是已知的，N为大于或等于2的正整数。

得到目标文本后，用户设备可将目标文本的N个句子输入至第一模型，以通过第一模型对目标文本的N个句子进行打分，从而得到目标文本的N个句子的分数，在目标文本的N个句子中，N个句子的分数用于指示N个句子在目标文件中的价值。

得到目标文本的N个句子的得分后，用户设备可将目标文本的N个句子的得分以及目标文本的N个句子的长度作为背包问题的初始值，并对背包问题进行求解，所求得的解即为目标文本的N个句子中，分数之和最大且长度之和小于摘要的长度阈值的M个句子，M为大于或等于1的正整数，且M小于或等于N。

得到分数之和最大且长度之和小于摘要的长度阈值的M个句子后，用户设备可将M个句子组成目标文本的摘要，并在展示给用户浏览和使用。

从上述方法可以看出：在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

在一种可能实现的方式中，基于N个句子的分数以及N个句子的长度，从N个句子中，确定分数之和最大且长度之和小于摘要长度的M个句子包括：通过目标算法对N个句子的分数以及N个句子的长度进行计算，以从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子。前述实现方式中，用户设备可获取目标算法，并将目标文本的N个句子的分数以及目标文本的N个句子的长度作为目标算法的初始值，将分数之和最大且长度之和小于摘要的长度阈值作为目标算法的优化目标。然后，用户设备可运行目标算法，以使得目标算法对目标文本的N个句子的分数以及目标文本的N个句子的长度进行优化计算，从而在目标文本的N个句子中，求解出分数之和最大且长度之和小于摘要的长度阈值的M个句子。

在一种可能实现的方式中，目标算法为以下任意一种：动态规划算法、回溯法、分支限界法以及贪心算法，贪心算法为以下任意一种：基于价值密度的贪心算法、基于价值的贪心算法以及基于大小的贪心算法等等。

在一种可能实现的方式中，基于N个句子的分数以及N个句子的长度，从N个句子中，确定分数之和最大且长度之和小于摘要长度的M个句子包括：通过第二模型对N个句子的分数以及N个句子的长度进行处理，得到N个句子的处理结果，处理结果用于从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子。前述实现方式中，用户设备可获取近似于目标算法的第二模型，并将目标文本的N个句子的分数以及目标文本的N个句子的长度输入至第二模型，以通过第二模型对目标文本的N个句子的分数以及目标文本的N个句子的长度进行处理，从而得到并输出目标文本的N个句子的处理结果，该处理结果通常包含目标文本的N个句子被选择与否的指标，故该处理结果可用于从N个句子中，确定分数之和最大且长度之和小于摘要的长度阈值的M个句子。

在一种可能实现的方式中，通过第二模型对N个句子的分数以及N个句子的长度进行处理，N个句子的处理结果包括：通过第二模型对N个句子的分数以及N个句子的长度进行线性运算，得到N个句子的第一表征；通过第二模型对第一表征进行基于transformer模型的处理，得到N个句子的第二表征；通过第二模型对第二表征进行线性运算，得到N个句子的第三表征；通过第二模型对第三表征进行非线性运算，得到N个句子的处理结果。前述实现方式中，用户设备可将目标文本的N个句子的分数以及目标文本的N个句子的长度输入至第二模型，以使得第二模型将目标文本的N个句子的分数以及目标文本的N个句子的长度进行拼接，再对拼接得到的结果进行线性运算，从而得到目标文本的N个句子的第一表征。得到目标文本的N个句子的第一表征后，第二模型可对目标文本的N个句子的第一表征依次进行基于多头注意力机制的处理、前馈网络的处理以及残差网络的处理等等(即基于transformer模型的处理)，从而得到目标文本的N个句子的第二表征。得到目标文本的N个句子的第二表征后，第二模型可对目标文本的N个句子的第二表征进行线性运算，从而得到目标文本的N个句子的第三表征。得到目标文本的N个句子的第三表征后，第二模型可对得到目标文本的N个句子的第三表征进行非线性运算，从而得到并输出目标文本的N个句子的处理结果，该处理结果通常包含目标文本的N个句子被选择与否的指标，故用户设备可基于该处理结果，从N个句子中选出M个句子，所选出的M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。

在一种可能实现的方式中，通过第一模型对N个句子进行打分，得到N个句子的分数包括：通过第一模型对N个句子进行映射，得到N个句子的第四表征；通过第一模型对第四表征进行基于transformer模型的处理，得到N个句子的分数。前述实现方式中，得到目标文本后，用户设备可将目标文本的N个句子输入至第一模型，以使得第一模型对目标文本的N个句子进行映射，从而得到目标文本的N个句子的第四表征。得到目标文本的N个句子的第四表征后，第一模型对目标文本的N个句子的第四表征依次进行基于多头注意力机制的处理、前馈网络的处理以及残差网络的处理等等(即基于transformer模型的处理)，从而得到并输出目标文本的N个句子的分数。至此，用户设备可成功得到目标文本的N个句子的得分。

在一种可能实现的方式中，目标文本由用户输入至用户设备，且摘要的长度阈值可由用户在用户设备提供的显示界面上完成设置。

本申请实施例的第二方面提供了一种模型训练方法，该方法包括：

当需要对第一待训练模型进行训练时，训练设备可先获取第一训练数据集中的一批训练数据，该批训练数据包含第一文本，第一文本包含P个第一句子，P个第一句子的长度是已知的，P为大于或等于2的正整数。

得到第一文本后，训练设备可将第一文本的P个第一句子输入至第一待训练模型，以通过第一待训练模型对第一文本的P个第一句子进行打分，从而得到第一文本的P个第一句子的分数，在第一文本的P个第一句子中，P个第一句子的分数用于指示P个第一句子在第一文件中的价值。

得到第一文本的P个第一句子的得分后，训练设备还可获取第一文本的P个第一句子的长度以及近似于目标算法的第二模型。然后，训练设备可将第一文本的P个第一句子的分数以及第一文本的P个第一句子的长度输入至第二模型，以通过第二模型对第一文本的P个第一句子的分数以及第一文本的P个第一句子的长度进行处理，从而得到并输出第一文本的P个第一句子的处理结果，该处理结果通常包含第一文本的P个第一句子被选择与否的指标，故该处理结果可用于从P个第一句子中，确定分数之和最大且长度之和小于摘要的长度阈值的Q个第一句子，Q为大于或等于1的正整数，且Q小于或等于P。

得到分数之和最大且长度之和小于摘要的长度阈值的Q个第一句子后，训练设备可基于这Q个第一句子，来更新第一待训练模型的参数，从而得到第一模型。

上述方法训练得到的第一模型，具备自动摘要功能。具体地，在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

在一种可能实现的方式中，该方法还包括：获取第二文本，第二文本包含X个第二句子，X≥2；通过第二待训练模型对X个第二句子的真实分数以及X个第二句子的长度进行处理，得到X个第二句子的处理结果，X个第二句子的处理结果用于从X个第二句子中，确定分数之和最大且长度之和小于长度阈值的Y个第二句子，X≥Y≥1；基于X个第二句子的真实处理结果以及X个第二句子的处理结果，获取目标损失，目标损失用于指示X个第二句子的真实处理结果以及X个第二句子的处理结果之间的差异；基于目标损失，更新第二待训练模型的参数，直至满足模型训练条件，得到第二模型。前述实现方式中，当需要对第二待训练模型进行训练时，训练设备可先获取第二训练数据集中的一批训练数据，该批训练数据包含第二文本，第二文本包含X个第二句子(X为大于或等于2的正整数)，值得注意的是，每个第二句子的真实分数是已知的，每个句子被选择的真实概率也是已知的，即X个第二句子的真实处理结果是已知的，且每个第二句子的长度也是已知的。得到第二文本后，训练设备可将第二文本的X个第二句子的真实分数以及第二文本的X个第二句子的长度输入至第二待训练模型，以通过第二待训练模型对第二文本的X个第二句子的真实分数以及长度进行处理，从而得到第二文本的X个第二句子的处理结果，该处理结果通常包含第二文本的X个第二句子被选择与否的指标，故该处理结果可用于用于从X个第二句子中，确定分数之和最大且长度之和小于长度阈值的Y个第二句子(Y为大于或等于1的正整数，且Y小于或等于X)。得到第二文本的X个第二句子的处理结果后，由于第二文本的X个第二句子的真实处理结果已知，故训练设备可利用预置的损失函数，对第二文本的X个第二句子的处理结果以及第二文本的X个第二句子的真实处理结果进行计算，从而得到目标损失，目标损失用于指示第二文本的X个第二句子的处理结果以及第二文本的X个第二句子的真实处理结果之间的差异。得到目标损失后，训练设备可利用目标损失，来更新第二待训练模型的参数，并利用第二训练数据集中的另一批训练数据，继续对更新参数后的第二待训练模型进行训练，直至满足模型训练条件，从而得到第二模型。

在一种可能实现的方式中，通过第二模型对P个第一句子的分数以及P个第一句子的长度进行处理，得到P个第一句子的处理结果包括：通过第二模型对P个第一句子的分数以及P个第一句子的长度进行线性运算，得到P个第一句子的第一表征；通过第二模型对第一表征进行基于transformer模型的处理，得到P个第一句子的第二表征；通过第二模型对第二表征进行线性运算，得到P个第一句子的第三表征；通过第二模型对第三表征进行非线性运算，得到P个第一句子的处理结果。

在一种可能实现的方式中，通过第一待训练模型对P个第一句子进行打分，得到P个第一句子的分数包括：通过第一待训练模型对P个第一句子进行映射，得到P个第一句子的第四表征；通过第一待训练模型对第四表征进行基于transformer模型的处理，得到P个第一句子的分数。

在一种可能实现的方式中，基于Q个第一句子，更新第一待训练模型的参数，得到第一模型包括：通过第三待训练模型获取第一文本的表征；通过第三待训练模型获取Q个第一句子的第四表征与第一文本的表征之间的相似度；基于相似度更新第一待训练模型的参数以及第三待训练模型的参数，直至满足模型训练条件，分别得到第一模型和第三模型。前述实现方式中，得到第一文本的P个第一句子的处理结果后，训练设备可将第一文本的P个第一句子的处理结果与第一文本的P个第一句子的第四表征进行相乘，从而在第一文本的P个第一句子的第四表征中，筛选出分数之和最大且长度之和小于摘要的长度阈值的Q个第一句子的第四表征。得到这Q个第一句子的第四表征后，训练设备可将这Q个第一句子的第四表征以及第一文本输入至第三待训练模型。那么，第三待训练可先对第一文本进行映射，从而得到第一文本的表征，再对这Q个第一句子的第四表征与第一文本的表征进行一系列的处理，从而得到这Q个第一句子的第四表征与第一文本的表征之间的相似度。得到这Q个第一句子的第四表征与第一文本的表征之间的相似度后，训练设备可基于该相似度，来更新第一待训练模型的参数以及第三待训练模型的参数，并利用第一训练数据集中的另一批训练数据，继续对更新参数后的第一待训练模型以及更新参数后的第三待训练模型进行训练，直至满足模型训练条件，从而得到第三模型以及图4所示实施例中的第一模型。

本申请实施例的第三方面提供了一种摘要生成装置，该装置包括：获取模块，用于获取目标文本，目标文本包含N个句子，N≥2；打分模块，用于通过第一模型对N个句子进行打分，得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值；确定模块，用于基于N个句子的分数以及N个句子的长度，从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子，N≥M≥1；生成模块，用于基于M个句子生成目标文本的摘要。

从上述装置可以看出：在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

在一种可能实现的方式中，确定模块，用于通过目标算法对N个句子的分数以及N个句子的长度进行计算，以从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子。

在一种可能实现的方式中，目标算法为以下任意一种：动态规划算法、回溯法、分支限界法以及贪心算法。

在一种可能实现的方式中，确定模块，用于通过第二模型对N个句子的分数以及N个句子的长度进行处理，得到N个句子的处理结果，处理结果用于从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子。

在一种可能实现的方式中，确定模块，用于：通过第二模型对N个句子的分数以及N个句子的长度进行线性运算，得到N个句子的第一表征；通过第二模型对第一表征进行基于transformer模型的处理，得到N个句子的第二表征；通过第二模型对第二表征进行线性运算，得到N个句子的第三表征；通过第二模型对第三表征进行非线性运算，得到N个句子的处理结果。

在一种可能实现的方式中，打分模块，用于：通过第一模型对N个句子进行映射，得到N个句子的第四表征；通过第一模型对第四表征进行基于transformer模型的处理，得到N个句子的分数。

在一种可能实现的方式中，目标文本由用户输入，长度阈值由用户设置。

本申请实施例的第四方面提供了一种模型训练装置，该装置包括：第一获取模块，用于获取第一文本，第一文本包含P个第一句子，P≥2；打分模块，用于通过第一待训练模型对P个第一句子进行打分，得到P个第一句子的分数，P个第一句子的分数用于指示P个第一句子在第一文本中的价值；第一处理模块，用于通过第二模型对P个第一句子的分数以及P个第一句子的长度进行处理，得到P个第一句子的处理结果，P个第一句子的处理结果用于从P个第一句子中，确定分数之和最大且长度之和小于长度阈值的Q个第一句子，P≥Q≥1；第一更新模块，用于基于Q个第一句子，更新第一待训练模型的参数，得到第一模型。

上述装置训练得到的第一模型，具备自动摘要功能。具体地，在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

在一种可能实现的方式中，该装置还包括：第二获取模块，用于获取第二文本，第二文本包含X个第二句子，X≥2；第二处理模块，用于通过第二待训练模型对X个第二句子的真实分数以及X个第二句子的长度进行处理，得到X个第二句子的处理结果，X个第二句子的处理结果用于从X个第二句子中，确定分数之和最大且长度之和小于长度阈值的Y个第二句子，X≥Y≥1；第三获取模块，用于基于X个第二句子的真实处理结果以及X个第二句子的处理结果，获取目标损失，目标损失用于指示X个第二句子的真实处理结果以及X个第二句子的处理结果之间的差异；第二更新模块，用于基于目标损失，更新第二待训练模型的参数，直至满足模型训练条件，得到第二模型。

在一种可能实现的方式中，第一处理模块，用于：通过第二模型对P个第一句子的分数以及P个第一句子的长度进行线性运算，得到P个第一句子的第一表征；通过第二模型对第一表征进行基于transformer模型的处理，得到P个第一句子的第二表征；通过第二模型对第二表征进行线性运算，得到P个第一句子的第三表征；通过第二模型对第三表征进行非线性运算，得到P个第一句子的处理结果。

在一种可能实现的方式中，打分模块，用于：通过第一待训练模型对P个第一句子进行映射，得到P个第一句子的第四表征；通过第一待训练模型对第四表征进行基于transformer模型的处理，得到P个第一句子的分数。

在一种可能实现的方式中，第一更新模块，用于：通过第三待训练模型获取第一文本的表征；通过第三待训练模型获取Q个第一句子的第四表征与第一文本的表征之间的相似度；基于相似度更新第一待训练模型的参数以及第三待训练模型的参数，直至满足模型训练条件，分别得到第一模型和第三模型。

本申请实施例的第五方面提供了一种摘要生成装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，摘要生成装置执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。

本申请实施例的第六方面提供了一种模型训练装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，模型训练装置执行如第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例的第七方面提供了一种电路***，该电路***包括处理电路，该处理电路配置为执行如第一方面、第一方面中的任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例的第八方面提供了一种芯片***，该芯片***包括处理器，用于调用存储器中存储的计算机程序或计算机指令，以使得该处理器执行如第一方面、第一方面中的任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

在一种可能的实现方式中，该处理器通过接口与存储器耦合。

在一种可能的实现方式中，该芯片***还包括存储器，该存储器中存储有计算机程序或计算机指令。

本申请实施例的第九方面提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，该程序在由计算机执行时，使得计算机实施如第一方面、第一方面中的任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例的第十方面提供了一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时，使得计算机实施如第一方面、第一方面中的任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例中，在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

附图说明

图1为人工智能主体框架的一种结构示意图；

图2a为本申请实施例提供的文本处理***的一个结构示意图；

图2b为本申请实施例提供的文本处理***的另一结构示意图；

图2c为本申请实施例提供的文本处理的相关设备的一个示意图；

图3为本申请实施例提供的***100架构的一个示意图；

图4为本申请实施例提供的摘要生成方法的一个流程示意图；

图5为本申请实施例提供的用户与用户设备交互的一个示意图；

图6为本申请实施例提供的第一模型的一个结构示意图；

图7为本申请实施例提供的第二模型的一个结构示意图；

图8为本申请实施例提供的模型训练方法的一个流程示意图；

图9为本申请实施例提供的第三待训练模型的一个结构示意图；

图10为本申请实施例提供的第三待训练模型的另一结构示意图；

图11为本申请实施例提供的第三待训练模型的另一结构示意图；

图12为本申请实施例提供的第三待训练模型的另一结构示意图；

图13为本申请实施例提供的摘要生成装置的一个结构示意图；

图14为本申请实施例提供的模型训练装置的一个结构示意图；

图15为本申请实施例提供的执行设备的一个结构示意图；

图16为本申请实施例提供的训练设备的一个结构示意图；

图17为本申请实施例提供的芯片的一个结构示意图。

具体实施方式

本申请实施例提供了一种摘要生成方法及其相关设备，可自动生成满足长度限制的目标文本的摘要，且所生成的目标文本的摘要通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

自动摘要技术是利用计算机自动实现文本分析和内容归纳以自动生成摘要的技术，即按用户的要求以简洁的形式表达文本的主要内容，自动摘要技术能够有效地帮助用户从检索到的文章中寻找用户感兴趣的内容，提高阅读速度和质量。

目前，自动摘要技术可通过AI技术中的神经网络模型来实现，即通过神经网络模型对文本进行处理，从而抽取出文本的摘要。具体地，该神经网络模型可先对文本的多个句子进行映射，从而得到多个句子的表征，再对多个句子的表征进行基于多头注意力机制的处理，从而得到多个句子的分数，在多个句子中，任意一个句子的分数可表示该句子在文本中的价值。如此一来，可将分数较大的若干个句子(即价值较高的若干个句子)，组成文本的摘要。

然而，在上述生成摘要的过程中，仅考虑了句子在文本中的价值，所考虑的因素较为单一，这样会导致最终生成的文本的摘要并非是质量较高的摘要，无法满足用户的阅读需求，降低了用户体验。

进一步地，目前具备摘要生成功能的神经网络模型大多通过有监督学习的训练方式得到的，难以通过无监督学习的训练方式来获取此类神经网络模型。基于此，如何通过无监督学习的训练方式来获取具备摘要生成功能的神经网络模型，成为了亟待解决的问题。

更进一步地，在生成文本的摘要的过程中，用户通常仅需完成输入文本的操作，用户的参与度过低。如何令用户更多地参与到摘要生成的过程中，即令用户与终端设备更多地实现交互，从而满足用户对摘要的自定义需求，也成为了亟待解决的问题。

为了解决上述问题，本申请实施例提供了一种摘要生成方法，该方法可结合人工智能(artificial intelligence，AI)技术实现。AI技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科，AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说，人工智能技术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。利用人工智能进行数据处理是人工智能常见的一个应用方式。

首先对人工智能***总体工作流程进行描述，请参见图1，图1为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到***的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能***提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算***中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有***的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能***中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用***，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能***在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

接下来介绍几种本申请的应用场景。

图2a为本申请实施例提供的文本处理***的一个结构示意图，该文本处理***包括用户设备以及数据处理设备。其中，用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备通常为文本处理的发起端，作为文本处理的发起方，通常由用户通过用户设备发起请求。

上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的文本处理请求，再通过存储数据的存储器以及数据处理的处理器环节进行机器学习，深度学习，搜索，推理，决策等方式的文本处理。数据处理设备中的存储器可以是一个统称，包括本地存储以及存储历史数据的数据库，数据库可以在数据处理设备上，也可以在其它网络服务器上。

在图2a所示的文本处理***中，用户设备可以接收用户的指令，例如，用户设备可以获取用户输入/选择的一个目标文本，然后向数据处理设备发起包含目标文本的处理请求，以使得数据处理设备针对用户设备得到的目标文本执行文本处理应用，从而得到目标文本的摘要。示例性的，用户设备可以获取用户输入的一个目标文本(目标文本既可以是长文本，也可以是短文本)，然后向数据处理设备发起针对目标文本的处理请求，使得数据处理设备对目标文本进行基于自动摘要技术的处理，从而得到目标文本的摘要。

在图2a中，数据处理设备可以执行本申请实施例的摘要生成方法。

图2b为本申请实施例提供的文本处理***的另一结构示意图，在图2b中，用户设备直接作为数据处理设备，该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理，具体过程与图2a相似，可参考上面的描述，在此不再赘述。

在图2b所示的文本处理***中，用户设备可以接收用户的指令，例如，用户设备可以获取用户在用户设备中所选择的一个目标文本(目标文本既可以是长文本，也可以是短文本)，然后再由用户设备自身针对目标文本执行文本处理应用(相当于进行基于自动摘要技术的处理)，从而得到目标文本的摘要。

在图2b中，用户设备自身就可以执行本申请实施例的摘要生成方法。

图2c为本申请实施例提供的文本处理的相关设备的一个示意图。

上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302，图2a中的数据处理设备具体可以是图2c中的执行设备210，其中，数据存储***250可以存储执行设备210的待处理数据，数据存储***250可以集成在执行设备210上，也可以设置在云上或其它网络服务器上。

图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如，基于支持向量机的模型)进行数据训练/机器学习/深度学习，并利用数据最终训练或者学习得到的模型针对文本执行文本处理应用，从而得到相应的处理结果。

图3为本申请实施例提供的***100架构的一个示意图，在图3中，执行设备110配置输入/输出(input/output，I/O)接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入数据，所述输入数据在本申请实施例中可以包括：各个待调度任务、可调用资源以及其他参数。

在执行设备110对输入数据进行预处理，或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中，执行设备110可以调用数据存储***150中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储***150中。

最后，I/O接口112将处理结果返回给客户设备140，从而提供给用户。

值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则，该相应的目标模型/规则即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。其中，训练数据可以存储在数据库130中，且来自于数据采集设备160采集的训练样本。

在图3中所示情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向I/O接口112发送输入数据，如果要求客户设备140自动发送输入数据需要获得用户的授权，则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端，采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果，作为新的样本数据存入数据库130。

值得注意的是，图3仅是本申请实施例提供的一种***架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图3中，数据存储***150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储***150置于执行设备110中。如图3所示，可以根据训练设备120训练得到神经网络。

本申请实施例还提供的一种芯片，该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则。

神经网络处理器NPU，NPU作为协处理器挂载到主中央处理器(centralprocessing unit，CPU)(host CPU)上，由主CPU分配任务。NPU的核心部分为运算电路，控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路内部包括多个处理单元(process engine,PE)。在一些实现中，运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)中。

向量计算单元可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元可以用于神经网络中非卷积/非FC层的网络计算，如池化(pooling)，批归一化(batch normalization)，局部响应归一化(localresponse normalization)等。

在一些实现种，向量计算单元能将经处理的输出的向量存储到统一缓存器。例如，向量计算单元可以将非线性函数应用到运算电路的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路的激活输入，例如用于在神经网络中的后续层中的使用。

统一存储器用于存放输入数据以及输出数据。

权重数据直接通过存储单元访问控制器(direct memory access controller，DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器，以及将统一存储器中的数据存入外部存储器。

总线接口单元(bus interface unit，BIU)，用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。

与控制器连接的取指存储器(instruction fetch buffer)，用于存储控制器使用的指令；

控制器，用于调用指存储器中缓存的指令，实现控制该运算加速器的工作过程。

一般地，统一存储器，输入存储器，权重存储器以及取指存储器均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory，DDRSDRAM)、高带宽存储器(high bandwidth memory，HBM)或其他可读可写的存储器。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

(1)神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

神经网络中的每一层的工作可以用数学表达式y＝a(Wx+b)来描述：从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由Wx完成，4的操作由+b完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，W是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重W控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。

因为希望神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么神经网络的训练就变成了尽可能缩小这个loss的过程。

(2)反向传播算法

神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。

下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。

本申请实施例提供的模型训练方法，涉及数据序列的处理，具体可以应用于数据训练、机器学习、深度学习等方法，对训练数据(例如，将本申请中的第一文本以及第二文本)进行符号化和形式化的智能信息建模、抽取、预处理、训练等，最终得到训练好的神经网络(如本申请中的第一模型、第二模型以及第三模型)；并且，本申请实施例提供的摘要生成方法可以运用上述训练好的神经网络，将输入数据(例如，将本申请中的目标文本)输入到所述训练好的神经网络中，以得到输出数据(如本申请中目标文本中多个句子的分数以及这多个句子的处理结果等等)。需要说明的是，本申请实施例提供的模型训练方法和摘要生成方法是基于同一个构思产生的发明，也可以理解为一个***中的两个部分，或一个整体流程的两个阶段：如模型训练阶段和模型应用阶段。

为了方便说明，下文以本申请实施例提供的摘要生成方法由用户设备来实现进行示意性介绍。图4为本申请实施例提供的摘要生成方法的一个流程示意图，如图4所示，该方法包括：

401、获取目标文本，目标文本包含N个句子，N≥2。

本实施例中，当用户需要获取目标文本的摘要时，可在用户设备中输入或选择目标文本，以使得用户设备确定需要生成目标文本的摘要。其中，目标文本由N(N为大于或等于2的正整数)个句子构成，每个句子由一个或多个字构成，也就是说，每个句子具备一定的长度，且每个句子的长度是已知的。

需要说明的是，用户设备可为用户提供一个用户界面，该用户界面包含输入窗口和展示窗口。其中，输入窗口用于供用户输入或选择目标文本，即用户可在输入窗口中输入目标文本，或者，用户可在输入窗口展示的文本列表中选择目标文本等等。展示窗口用于为用户显示目标文本的摘要，值得注意的是，展示窗口的大小通常决定摘要的长度阈值(也可以称为摘要的字数阈值，还可以称为摘要的目标长度限制)的大小，摘要的长度阈值的大小可通过以下方式来确定：(1)如图5所示(图5为本申请实施例提供的用户与用户设备交互的一个示意图)，用户可通过手势控制来滑动缩放展示窗口，若用户缩小拉近(zoom in)展示窗口，说明用户所需阅读的摘要的字数较少，用户设备可将摘要的长度阈值设置得较小，若用户放大拉远(zoom out)展示窗口，说明用户所需阅读的摘要的字数较多，用户设备可将摘要的长度阈值设置得较大。(2)用户设备可根据用户自身的信息以及展示窗口的大小，来自行调整长度阈值的大小。例如，在上班时间，用户经常利用零碎时间来快速阅读掌握资讯，此时所需呈现的摘要的字数可以较少，用户设备可将摘要的长度阈值设置得较小。又如，用户设备检测到用户处于移动状态(比如用户在车内等等)，所需呈现的摘要的字数可以更少，以便于用户在移动状态下也可以轻松快速完成简单的阅读，故用户设备可将摘要的长度阈值设置得更小等等。

402、通过第一模型对N个句子进行打分，得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。

得到目标文本后，用户设备可将目标文本的N个句子输入至第一模型(已训练的神经网络模型，也可以称为抽取式摘要模型)，以通过第一模型对目标文本的N个句子进行打分，从而得到目标文本的N个句子的分数，在目标文本的N个句子中，第i个句子的分数用于指示第i个句子在目标文件中的价值(也可以称为重要程度)，i＝1，...，N。

具体地，如图6所示(图6为本申请实施例提供的第一模型的一个结构示意图)，第一模型(也可以称为抽取模型)可包含bert模块以及transformer encoder模块(即前述的transformer模型)，bert模块的输入端为第一模型的输入端，bert模块的输出端和transformer encoder模块的输入端连接，transformer encoder模块的输出端为第一模型的输出端。那么，用户设备可通过以下方式来获取目标文本的N个句子的分数：

(1)得到目标文本后，用户设备可将目标文本的N个句子输入至第一模型中的bert模块，以使得bert模块对目标文本的N个句子进行映射，从而得到目标文本的N个句子的第四表征，并把目标文本的N个句子的第四表征发送至transformer encoder模块。

(2)得到目标文本的N个句子的第四表征后，transformer encoder模块对目标文本的N个句子的第四表征依次进行基于多头注意力机制的处理、前馈网络的处理以及残差网络的处理等等，从而得到并输出目标文本的N个句子的分数。至此，用户设备可成功得到目标文本的N个句子的得分。

403、基于N个句子的分数以及N个句子的长度，从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子，N≥M≥1。

得到目标文本的N个句子的得分后，用户设备还可获取目标文本的N个句子的长度，为了在目标文本的N个句子中，选出价值最高且满足字数限制的句子组合，用户设备可将该问题类比为背包问题，背包问题可通过以下公式进行描述：

Σ_j∈Sl_j＜C

上式中，V为背包问题的目标函数，S为在目标文本的N个句子中选择出的M个句子(M为大于或等于1的正整数，且M小于或等于N)，也就是所选句子的集合，D为目标文本的N个句子，即可选句子的集合(即目标文本)，l_j为选择出的第j个句子的长度，C为摘要的长度阈值，s_j为选择出的第j个句子的分数。

基于此，用户设备可将目标文本的N个句子的得分以及目标文本的N个句子的长度作为背包问题的初始值，并对背包问题进行求解，所求得的解即为目标文本的N个句子中，分数之和最大且长度之和小于摘要的长度阈值的M个句子。

具体地，用户设备可通过多种方式来从目标文本的N个句子中挑选出M个句子：

(1)用户设备可获取目标算法(即用于求解背包问题的算法)，并将目标文本的N个句子的分数以及目标文本的N个句子的长度作为目标算法的初始值，将分数之和最大且长度之和小于摘要的长度阈值作为目标算法的优化目标(限制条件)。然后，用户设备可运行目标算法，以使得目标算法对目标文本的N个句子的分数以及目标文本的N个句子的长度进行优化计算，从而在目标文本的N个句子中，求解出分数之和最大且长度之和小于摘要的长度阈值的M个句子。

进一步地，目标算法为以下任意一种：动态规划算法(dynamic programming，DP)、回溯法、分支限界法以及贪心算法，贪心算法为以下任意一种：基于价值密度的贪心算法(density greedy)、基于价值的贪心算法(profit greedy)以及基于大小的贪心算法等等。

(2)用户设备可获取近似于目标算法的第二模型(已训练的神经网络模型)，并将目标文本的N个句子的分数以及目标文本的N个句子的长度输入至第二模型，以通过第二模型对目标文本的N个句子的分数以及目标文本的N个句子的长度进行处理，从而得到并输出目标文本的N个句子的处理结果，该处理结果通常包含目标文本的N个句子被选择与否的指标，故该处理结果可用于从N个句子中，确定分数之和最大且长度之和小于摘要的长度阈值的M个句子。

进一步地，如图7所示(图7为本申请实施例提供的第二模型的一个结构示意图)，第二模型(也可以称为knapsack transformer模型)可包含第一线性模块、transformerencoder模块、第二线性模块以及非线性模块，其中，第一线性模块的输入端为第二模型的输入端，第一线性模块的输出端与transformer encoder模块的输入端连接，transformerencoder模块的输出端与第二线性模块的输入端连接，第二线性模块的输出端与非线性模块的输入端连接，非线性模块的输出端为第二模型的输出端。那么，用户设备可通过以下方式来获取目标文本的N个句子的处理结果：

(2.1)用户设备可将目标文本的N个句子的分数以及目标文本的N个句子的长度输入至第二模型的第一线性模块，以使得第一线性模块先将目标文本的N个句子的分数以及目标文本的N个句子的长度进行拼接，再对拼接得到的结果进行线性运算，从而得到目标文本的N个句子的第一表征，并把目标文本的N个句子的第一表征发送至transformerencoder模块。

(2.2)得到目标文本的N个句子的第一表征后，transformer encoder模块可对目标文本的N个句子的第一表征依次进行基于多头注意力机制的处理、前馈网络的处理以及残差网络的处理等等，从而得到目标文本的N个句子的第二表征，并发送至第二线性模块。

(2.3)得到目标文本的N个句子的第二表征后，第二线性模块可对目标文本的N个句子的第二表征进行线性运算，从而得到目标文本的N个句子的第三表征，并发送至非线性模块。

(2.4)得到目标文本的N个句子的第三表征后，非线性模块可对得到目标文本的N个句子的第三表征进行非线性运算(例如，通过sigmoid激活函数来实现非线性运算等等)，从而得到并输出目标文本的N个句子的处理结果，该处理结果通常包含目标文本的N个句子被选择与否的指标(该指标的取值通常为0或1)，例如，在目标文本的N个句子中，第1个句子被选择与否的指标为0，则表示第1个句子不可被选中，第2个句子被选择与否的指标为1，则表示第2个句子可被选中等等。那么，用户设备可基于该处理结果，从N个句子中选出M个句子，所选出的M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。

404、基于M个句子生成目标文本的摘要。

得到分数之和最大且长度之和小于摘要的长度阈值的M个句子后，用户设备可将M个句子组成目标文本的摘要，并在展示窗口中展示，以供用户浏览和使用。

本申请实施例中，在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

进一步地，本申请实施例中，摘要的长度阈值的大小可由用户的滑动操作来控制，即用户缩小拉近展示窗口时，可将摘要的长度阈值设置得较小，用户放大拉远展示窗口时，可将摘要的长度阈值设置得较大。由此可见，在生成目标文本的摘要的过程中，用户不仅完成输入目标文本的操作，还完成了设置摘要的长度阈值的操作，可提高用户的参与度，令用户更多地参与到摘要生成的过程中，从而满足用户对摘要的自定义需求。

此外，还可将本申请实施例提供的神经网络模型与相关技术的神经网络模型进行比较。首先，可先用本申请实施例提供的第二模型与相关技术的神经网络模型进行比较，比较结果如表一所示：

表一

基于表一可知，本申请实施例提供的第二模型在数据集二和数据集三上，均取得了较好的效果，具备一定的优势。

其次，还可将本申请实施例提供的整体模型和相关技术的整体模型进行比较，比较结果如表二所示：

表二

基于表二可知，相较于相关技术提供的模型，本申请实施例提供的整体模型在多个评估指标上提升明显，具更加优良的性能。

以上是对本申请实施例提供的摘要生成方法所进行的详细说明，以下将对本申请实施例提供的模型训练方法进行介绍。图8为本申请实施例提供的模型训练方法的一个流程示意图，如图8所示，该方法包括：

801、获取第一文本，第一文本包含P个第一句子，P≥2。

本实施例中，当需要对第一待训练模型(即某个未训练的神经网络模型)进行训练时，训练设备可先获取第一训练数据集中的一批训练数据，该批训练数据包含第一文本，第一文本包含P个第一句子(P为大于或等于2的正整数)，每个第一句子由一个或多个字构成，也就是说，每个第一句子具备一定的长度，且每个第一句子的长度是已知的。

802、通过第一待训练模型对P个第一句子进行打分，得到P个第一句子的分数，P个第一句子的分数用于指示P个第一句子在第一文本中的价值。

得到第一文本后，训练设备可将第一文本的P个第一句子输入至第一待训练模型，以通过第一待训练模型对第一文本的P个第一句子进行打分，从而得到第一文本的P个第一句子的分数，在第一文本的P个第一句子中，第i个第一句子的分数用于指示第i个第一句子在第一文件中的价值(也可以称为重要程度)，i＝1，...，P。

具体地，训练设备可通过以下方式获取第一文本的P个第一句子的分数：首先，训练设备可通过第一待训练模型对P个第一句子进行映射，得到P个第一句子的第四表征。然后，训练设备可通过第一待训练模型对第四表征进行基于transformer模型的处理，得到P个第一句子的分数。

需要说明的是，第一待训练模型处理第一文本中P个第一句子的具体过程，可参考图4所示实施例的步骤402中，第一模型处理目标文本中N个句子的具体过程的相关说明部分，此处不再赘述。

803、通过第二模型对P个第一句子的分数以及P个第一句子的长度进行处理，得到P个第一句子的处理结果，P个第一句子的处理结果用于从P个第一句子中，确定分数之和最大且长度之和小于长度阈值的Q个第一句子，P≥Q≥1。

得到第一文本的P个第一句子的得分后，训练设备还可获取第一文本的P个第一句子的长度以及近似于目标算法的第二模型(已训练的神经网络模型)。然后，训练设备可将第一文本的P个第一句子的分数以及第一文本的P个第一句子的长度输入至第二模型，以通过第二模型对第一文本的P个第一句子的分数以及第一文本的P个第一句子的长度进行处理，从而得到并输出第一文本的P个第一句子的处理结果，该处理结果通常包含第一文本的P个第一句子被选择与否的指标，故该处理结果可用于从P个第一句子中，确定分数之和最大且长度之和小于摘要的长度阈值的Q个第一句子(Q为大于或等于1的正整数，且Q小于或等于P)。

具体地，训练设备可通过以下方式获取第一文本的P个第一句子的处理结果：首先，训练设备通过第二模型对P个第一句子的分数以及P个第一句子的长度进行线性运算，得到P个第一句子的第一表征。接着，训练设备可通过第二模型对第一表征进行基于transformer模型的处理，得到P个第一句子的第二表征。然后，训练设备可通过第二模型对第二表征进行线性运算，得到P个第一句子的第三表征。最后，训练设备可通过第二模型对第三表征进行非线性运算，得到P个第一句子的处理结果。

需要说明的是，第二模型处理第一文本中P个第一句子的分数以及长度的具体过程，可参考图4所示实施例的步骤403中，第二模型处理目标文本中N个句子的分数以及长度的具体过程的相关说明部分，此处不再赘述。

更具体地，在对第一待训练模型进行训练之前(也就是步骤801之前)，训练设备可先完成针对第二待训练模型的训练，从而得到第二模型，该过程包括：

(1)当需要对第二待训练模型(即另一个未训练的神经网络模型)进行训练时，训练设备可先获取第二训练数据集中的一批训练数据，该批训练数据包含第二文本，第二文本包含X个第二句子(X为大于或等于2的正整数)，值得注意的是，每个第二句子的真实分数(即每个第二句子在第二文本中的真实重要程度)是已知的，每个句子被选择的真实概率也是已知的，即X个第二句子的真实处理结果是已知的(该真实处理结果可由前述的目标算法来获取)，且每个第二句子的长度也是已知的。

需要说明的是，第二训练数据集和第一训练数据集通常为两个不同的数据集，且第二训练数据集可通过以下方式采样获得：首先，可获取一个原始数据集。接着，训练设备可确定原始数据集中所有句子的平均长度，利用所有句子的平均长度以及第二待训练模型所能处理的最大长度确定第二待训练模型平均处理的句子数量，那么，基于所有句子的平均长度可构建一个泊松分布，基于平均处理的句子数量可构建一个伽马分布，基于原始数据集中的每个句子的分数可构建一个均匀分布，最后人工采样一个新的数据集，即第二训练数据集，同时满足这三个分布，并将第二训练数据集提供给训练设备。

(2)得到第二文本后，训练设备可将第二文本的X个第二句子的真实分数以及第二文本的X个第二句子的长度输入至第二待训练模型，以通过第二待训练模型对第二文本的X个第二句子的真实分数以及长度进行处理，从而得到第二文本的X个第二句子的(预测)处理结果，该处理结果通常包含第二文本的X个第二句子被选择的(预测)概率，故该处理结果可用于用于从X个第二句子中，确定分数之和最大且长度之和小于长度阈值的Y个第二句子(Y为大于或等于1的正整数，且Y小于或等于X)。

需要说明的是，第二待训练模型处理第二文本中X个第二句子的真实分数以及长度的具体过程，可参考图4所示实施例的步骤403中，第二模型处理目标文本中N个句子的分数以及长度的具体过程的相关说明部分，此处不再赘述。

(3)得到第二文本的X个第二句子的处理结果后，由于第二文本的X个第二句子的真实处理结果已知，故训练设备可利用预置的损失函数，对第二文本的X个第二句子的处理结果以及第二文本的X个第二句子的真实处理结果进行计算，从而得到目标损失，目标损失用于指示第二文本的X个第二句子的处理结果以及第二文本的X个第二句子的真实处理结果之间的差异。

(4)得到目标损失后，训练设备可利用目标损失，来更新第二待训练模型的参数，并利用第二训练数据集中的另一批训练数据，继续对更新参数后的第二待训练模型进行训练，直至满足模型训练条件(例如，目标损失收敛等等)，从而得到图4所示实施例中的第二模型。

804、基于Q个第一句子，更新第一待训练模型的参数，得到第一模型。

得到分数之和最大且长度之和小于摘要的长度阈值的Q个第一句子后，训练设备可基于这Q个第一句子，来更新第一待训练模型的参数，从而得到图4所示实施例中的第一模型。

具体地，训练设备可通过以下方式来训练得到第一模型：

(1)得到第一文本的P个第一句子的处理结果后，训练设备可将第一文本的P个第一句子的处理结果与第一文本的P个第一句子的第四表征进行相乘，从而在第一文本的P个第一句子的第四表征中，筛选出分数之和最大且长度之和小于摘要的长度阈值的Q个第一句子的第四表征。

(2)得到这Q个第一句子的第四表征后，训练设备可将这Q个第一句子的第四表征以及第一文本输入至第三待训练模型(又一个未训练的神经网络模型，即一个对比学习模型)。那么，第三待训练可先获取第一文本的表征，再获取并输出这Q个第一句子的第四表征与第一文本的表征之间的相似度。

需要说明的是，第三待训练模型可具备多种结构，以下将分别进行介绍：

(2.1)如图9所示(图9为本申请实施例提供的第三待训练模型的一个结构示意图)，第三待训练模型可包含bert模块、第一transformer encoder模块、第二transformerencoder模块、预测器(predictor)模块以及相似度确定模块。其中，bert模块用于对第一文本进行映射，从而得到第一文本的表征，而其余模块则用于对这Q个第一句子的第四表征与第一文本的表征进行一系列的处理，从而得到这Q个第一句子的第四表征与第一文本的表征之间的相似度。

(2.2)如图10所示(图10为本申请实施例提供的第三待训练模型的另一结构示意图)，第三待训练模型可包含bert模块、第一多层感知器(multi-layer perceptron，MLP)、第二MLP模块、多头注意力(multi-head attention)模块以及相似度确定模块。其中，bert模块用于对第一文本进行映射，从而得到第一文本的表征，而其余模块则用于对这Q个第一句子的第四表征与第一文本的表征进行一系列的处理，从而得到这Q个第一句子的第四表征与第一文本的表征之间的相似度。

(2.3)如图11所示(图11为本申请实施例提供的第三待训练模型的另一结构示意图)，第三待训练模型可包含bert模块、第一多层感知器(multi-layer perceptron，MLP)、第二MLP模块、预测器模块以及相似度确定模块。其中，bert模块用于对第一文本进行映射，从而得到第一文本的表征，而其余模块则用于对这Q个第一句子的第四表征与第一文本的表征进行一系列的处理，从而得到这Q个第一句子的第四表征与第一文本的表征之间的相似度。

(2.4)如图12所示(图12为本申请实施例提供的第三待训练模型的另一结构示意图)，第三待训练模型可包含第一simbert模块、第二simbert模块、第一多层感知器(multi-layer perceptron，MLP)、第二MLP模块、预测器模块以及相似度确定模块。其中，第一simbert模块用于对第一文本进行映射，从而得到第一文本的表征，而其余模块则用于对这Q个第一句子的第四表征与第一文本的表征进行一系列的处理，从而得到这Q个第一句子的第四表征与第一文本的表征之间的相似度。

(3)得到这Q个第一句子的第四表征与第一文本的表征之间的相似度后，训练设备可基于该相似度，来更新第一待训练模型的参数以及第三待训练模型的参数，并利用第一训练数据集中的另一批训练数据，继续对更新参数后的第一待训练模型以及更新参数后的第三待训练模型进行训练，直至满足模型训练条件(例如，该相似度达到最大值等等)，从而得到第三模型以及图4所示实施例中的第一模型。

至此，训练设备完成了所有模型的端到端训练，并将训练得到的第一模型以及第二模型部署在前述的用户设备或数据处理设备中，故用户设备或数据处理设备可为用户实现自动摘要服务。

本申请实施例训练得到的第一模型，具备自动摘要功能。具体地，在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

进一步地，本申请实施例中，还可以通过有监督学习的方式训练得到第二模型，第二模型具备摘要的长度控制功能，可以与前述的第一待训练模型结合，以实现端到端的训练，从而得到更好地适应于长度控制算法的第一模型。

进一步地，本申请实施例中，第一模型可通过无监督学习的训练方式来获取，通过此种方式训练得到的第一模型，可具备精准的打分功能，能够为目标文本的各个句子实现准确的打分，从而准确推断出目标文本的摘要，进一步地提高用户体验。

以上是对本申请实施例提供的模型训练方法所进行的详细说明，以下将对本申请实施例的摘要生成装置以及模型训练装置进行介绍。图13为本申请实施例提供的摘要生成装置的一个结构示意图，如图13所示，该装置包括：

获取模块1301，用于获取目标文本，目标文本包含N个句子，N≥2；

打分模块1302，用于通过第一模型对N个句子进行打分，得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值；

确定模块1303，用于基于N个句子的分数以及N个句子的长度，从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子，N≥M≥1；

生成模块1304，用于基于M个句子生成目标文本的摘要。

本申请实施例中，在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

在一种可能实现的方式中，确定模块1303，用于通过目标算法对N个句子的分数以及N个句子的长度进行计算，以从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子。

在一种可能实现的方式中，目标算法为以下任意一种：动态规划算法、回溯法、分支限界法以及贪心算法。

在一种可能实现的方式中，确定模块1303，用于通过第二模型对N个句子的分数以及N个句子的长度进行处理，得到N个句子的处理结果，处理结果用于从N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子。

在一种可能实现的方式中，确定模块1303，用于：通过第二模型对N个句子的分数以及N个句子的长度进行线性运算，得到N个句子的第一表征；通过第二模型对第一表征进行基于transformer模型的处理，得到N个句子的第二表征；通过第二模型对第二表征进行线性运算，得到N个句子的第三表征；通过第二模型对第三表征进行非线性运算，得到N个句子的处理结果。

在一种可能实现的方式中，打分模块1302，用于：通过第一模型对N个句子进行映射，得到N个句子的第四表征；通过第一模型对第四表征进行基于transformer模型的处理，得到N个句子的分数。

在一种可能实现的方式中，目标文本由用户输入，长度阈值由用户设置。

图14为本申请实施例提供的模型训练装置的一个结构示意图，如图14所示，该装置包括：

第一获取模块1401，用于获取第一文本，第一文本包含P个第一句子，P≥2；

打分模块1402，用于通过第一待训练模型对P个第一句子进行打分，得到P个第一句子的分数，P个第一句子的分数用于指示P个第一句子在第一文本中的价值；

第一处理模块1403，用于通过第二模型对P个第一句子的分数以及P个第一句子的长度进行处理，得到P个第一句子的处理结果，P个第一句子的处理结果用于从P个第一句子中，确定分数之和最大且长度之和小于长度阈值的Q个第一句子，P≥Q≥1；

第一更新模块1404，用于基于Q个第一句子，更新第一待训练模型的参数，得到第一模型。

本申请实施例训练得到的第一模型，具备自动摘要功能。具体地，在获取包含N个句子的目标文本后，可通过第一模型对N个句子进行打分，从而得到N个句子的分数，N个句子的分数用于指示N个句子在目标文本中的价值。然后，可基于N个句子的分数以及N个句子的长度，从N个句子中选择分数之和最大且长度之和小于长度阈值的M个句子。最后，可将选择的M个句子组成目标文本的摘要。前述生成目标文本的摘要的过程中，在确定目标文本中N个句子的分数后，可进一步从N个句子中挑选出M个句子，这M个句子的分数之和最大，且这M个句子的长度之和小于摘要的长度阈值。由此可见，在生成目标文本的摘要时，不仅考虑了这M个句子在目标文本中的价值，还考虑了这M个句子的总长度(即目标文本的摘要的长度)，所考虑的因素较为全面，故由这M个句子所构成的目标文本的摘要，通常是质量较高的摘要，可以满足用户的阅读需求，从而提高用户体验。

在一种可能实现的方式中，该装置还包括：第二获取模块，用于获取第二文本，第二文本包含X个第二句子，X≥2；第二处理模块，用于通过第二待训练模型对X个第二句子的真实分数以及X个第二句子的长度进行处理，得到X个第二句子的处理结果，X个第二句子的处理结果用于从X个第二句子中，确定分数之和最大且长度之和小于长度阈值的Y个第二句子，X≥Y≥1；第三获取模块，用于基于X个第二句子的真实处理结果以及X个第二句子的处理结果，获取目标损失，目标损失用于指示X个第二句子的真实处理结果以及X个第二句子的处理结果之间的差异；第二更新模块，用于基于目标损失，更新第二待训练模型的参数，直至满足模型训练条件，得到第二模型。

在一种可能实现的方式中，第一处理模块1403，用于：通过第二模型对P个第一句子的分数以及P个第一句子的长度进行线性运算，得到P个第一句子的第一表征；通过第二模型对第一表征进行基于transformer模型的处理，得到P个第一句子的第二表征；通过第二模型对第二表征进行线性运算，得到P个第一句子的第三表征；通过第二模型对第三表征进行非线性运算，得到P个第一句子的处理结果。

在一种可能实现的方式中，打分模块1402，用于：通过第一待训练模型对P个第一句子进行映射，得到P个第一句子的第四表征；通过第一待训练模型对第四表征进行基于transformer模型的处理，得到P个第一句子的分数。

在一种可能实现的方式中，第一更新模块1404，用于：通过第三待训练模型获取第一文本的表征；通过第三待训练模型获取Q个第一句子的第四表征与第一文本的表征之间的相似度；基于相似度更新第一待训练模型的参数以及第三待训练模型的参数，直至满足模型训练条件，分别得到第一模型和第三模型。

需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参考本申请实施例前述所示的方法实施例中的叙述，此处不再赘述。

本申请实施例还涉及一种执行设备，图15为本申请实施例提供的执行设备的一个结构示意图。如图15所示，执行设备1500具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等，此处不做限定。其中，执行设备1500上可部署有图13对应实施例中所描述的摘要生成装置，用于实现图4对应实施例中摘要生成的功能。具体的，执行设备1500包括：接收器1501、发射器1502、处理器1503和存储器1504(其中执行设备1500中的处理器1503的数量可以一个或多个，图15中以一个处理器为例)，其中，处理器1503可以包括应用处理器15031和通信处理器15032。在本申请的一些实施例中，接收器1501、发射器1502、处理器1503和存储器1504可通过总线或其它方式连接。

存储器1504可以包括只读存储器和随机存取存储器，并向处理器1503提供指令和数据。存储器1504的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1504存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1503控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线***耦合在一起，其中总线***除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线***。

上述本申请实施例揭示的方法可以应用于处理器1503中，或者由处理器1503实现。处理器1503可以是一种集成电路芯片，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1503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1503可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，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。该处理器1503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介质中。该存储介质位于存储器1504，处理器1503读取存储器1504中的信息，结合其硬件完成上述方法的步骤。

接收器1501可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1502可用于通过第一接口输出数字或字符信息；发射器1502还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1502还可以包括显示屏等显示设备。

本申请实施例中，在一种情况下，处理器1503，用于通过图4对应实施例中的第一模型以及第二模型(或目标算法)，生成目标文本的摘要。

本申请实施例还涉及一种训练设备，图16为本申请实施例提供的训练设备的一个结构示意图。如图16所示，训练设备1600由一个或多个服务器实现，训练设备1600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以***处理器(centralprocessing units，CPU)1614(例如，一个或一个以上处理器)和存储器1632，一个或一个以上存储应用程序1642或数据1644的存储介质1630(例如一个或一个以上海量存储设备)。其中，存储器1632和存储介质1630可以是短暂存储或持久存储。存储在存储介质1630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1614可以设置为与存储介质1630通信，在训练设备1600上执行存储介质1630中的一系列指令操作。

训练设备1600还可以包括一个或一个以上电源1626，一个或一个以上有线或无线网络接口1650，一个或一个以上输入输出接口1658；或，一个或一个以上操作***1641，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

具体的，训练设备可以执行图8对应实施例中的模型训练方法。

本申请实施例还涉及一种计算机存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例还涉及一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图17，图17为本申请实施例提供的芯片的一个结构示意图，所述芯片可以表现为神经网络处理器NPU 1700，NPU 1700作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1703，通过控制器1704控制运算电路1703提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路1703内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1703是二维脉动阵列。运算电路1703还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1703是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1702中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1701中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1708中。

统一存储器1706用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1705，DMAC被搬运到权重存储器1702中。输入数据也通过DMAC被搬运到统一存储器1706中。

BIU为Bus Interface Unit即，总线接口单元1713，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1709的交互。

总线接口单元1713(Bus Interface Unit，简称BIU)，用于取指存储器1709从外部存储器获取指令，还用于存储单元访问控制器1705从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1706或将权重数据搬运到权重存储器1702中或将输入数据数据搬运到输入存储器1701中。

向量计算单元1707包括多个运算处理单元，在需要的情况下，对运算电路1703的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对预测标签平面进行上采样等。

在一些实现中，向量计算单元1707能将经处理的输出的向量存储到统一存储器1706。例如，向量计算单元1707可以将线性函数；或，非线性函数应用到运算电路1703的输出，例如对卷积层提取的预测标签平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1707生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1703的激活输入，例如用于在神经网络中的后续层中的使用。

控制器1704连接的取指存储器(instruction fetch buffer)1709，用于存储控制器1704使用的指令；

统一存储器1706，输入存储器1701，权重存储器1702以及取指存储器1709均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (17)

1.一种摘要生成方法，其特征在于，所述方法包括：

获取目标文本，所述目标文本包含N个句子，N≥2；

通过第一模型对所述N个句子进行打分，得到所述N个句子的分数，所述N个句子的分数用于指示所述N个句子在所述目标文本中的价值；

基于所述N个句子的分数以及所述N个句子的长度，从所述N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子，N≥M≥1；

基于所述M个句子生成所述目标文本的摘要。

2.根据权利要求1所述的方法，其特征在于，所述基于所述N个句子的分数以及所述N个句子的长度，从所述N个句子中，确定分数之和最大且长度之和小于摘要长度的M个句子包括：

通过目标算法对所述N个句子的分数以及所述N个句子的长度进行计算，以从所述N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子。

3.根据权利要求2所述的方法，其特征在于，所述目标算法为以下任意一种：动态规划算法、回溯法、分支限界法以及贪心算法。

4.根据权利要求1所述的方法，其特征在于，所述基于所述N个句子的分数以及所述N个句子的长度，从所述N个句子中，确定分数之和最大且长度之和小于摘要长度的M个句子包括：

通过第二模型对所述N个句子的分数以及所述N个句子的长度进行处理，得到所述N个句子的处理结果，所述处理结果用于从所述N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子。

5.根据权利要求4所述的方法，其特征在于，所述通过第二模型对所述N个句子的分数以及所述N个句子的长度进行处理，所述N个句子的处理结果包括：

通过第二模型对所述N个句子的分数以及所述N个句子的长度进行线性运算，得到所述N个句子的第一表征；

通过所述第二模型对所述第一表征进行基于transformer模型的处理，得到所述N个句子的第二表征；

通过所述第二模型对所述第二表征进行线性运算，得到所述N个句子的第三表征；

通过所述第二模型对所述第三表征进行非线性运算，得到所述N个句子的处理结果。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述通过第一模型对所述N个句子进行打分，得到所述N个句子的分数包括：

通过第一模型对所述N个句子进行映射，得到所述N个句子的第四表征；

通过第一模型对所述第四表征进行基于transformer模型的处理，得到所述N个句子的分数。

7.根据权利要求1至6任意一项所述的方法，其特征在于，所述目标文本由用户输入，所述长度阈值由所述用户设置。

8.一种模型训练方法，其特征在于，所述方法包括：

获取第一文本，所述第一文本包含P个第一句子，P≥2；

通过第一待训练模型对所述P个第一句子进行打分，得到所述P个第一句子的分数，所述P个第一句子的分数用于指示所述P个第一句子在所述第一文本中的价值；

通过第二模型对所述P个第一句子的分数以及所述P个第一句子的长度进行处理，得到所述P个第一句子的处理结果，所述P个第一句子的处理结果用于从所述P个第一句子中，确定分数之和最大且长度之和小于长度阈值的Q个第一句子，P≥Q≥1；

基于所述Q个第一句子，更新所述第一待训练模型的参数，得到第一模型。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

获取第二文本，所述第二文本包含X个第二句子，X≥2；

通过第二待训练模型对所述X个第二句子的真实分数以及所述X个第二句子的长度进行处理，得到所述X个第二句子的处理结果，所述X个第二句子的处理结果用于从所述X个第二句子中，确定分数之和最大且长度之和小于长度阈值的Y个第二句子，X≥Y≥1；

基于所述X个第二句子的真实处理结果以及所述X个第二句子的处理结果，获取目标损失，所述目标损失用于指示所述X个第二句子的真实处理结果以及所述X个第二句子的处理结果之间的差异；

基于所述目标损失，更新所述第二待训练模型的参数，直至满足模型训练条件，得到所述第二模型。

10.根据权利要求8或9所述的方法，其特征在于，所述通过第二模型对所述P个第一句子的分数以及所述P个第一句子的长度进行处理，得到所述P个第一句子的处理结果包括：

通过第二模型对所述P个第一句子的分数以及所述P个第一句子的长度进行线性运算，得到所述P个第一句子的第一表征；

通过所述第二模型对所述第一表征进行基于transformer模型的处理，得到所述P个第一句子的第二表征；

通过所述第二模型对所述第二表征进行线性运算，得到所述P个第一句子的第三表征；

通过所述第二模型对所述第三表征进行非线性运算，得到所述P个第一句子的处理结果。

11.根据权利要求8至10任意一项所述的方法，其特征在于，所述通过第一待训练模型对所述P个第一句子进行打分，得到所述P个第一句子的分数包括：

通过第一待训练模型对所述P个第一句子进行映射，得到所述P个第一句子的第四表征；

通过第一待训练模型对所述第四表征进行基于transformer模型的处理，得到所述P个第一句子的分数。

12.根据权利要求11所述的方法，其特征在于，所述基于所述Q个第一句子，更新所述第一待训练模型的参数，得到第一模型包括：

通过第三待训练模型获取所述第一文本的表征；

通过所述第三待训练模型获取所述Q个第一句子的第四表征与所述第一文本的表征之间的相似度；

基于所述相似度更新所述第一待训练模型的参数以及所述第三待训练模型的参数，直至满足模型训练条件，分别得到第一模型和第三模型。

13.一种摘要生成装置，其特征在于，所述装置包括：

获取模块，用于获取目标文本，所述目标文本包含N个句子，N≥2；

打分模块，用于通过第一模型对所述N个句子进行打分，得到所述N个句子的分数，所述N个句子的分数用于指示所述N个句子在所述目标文本中的价值；

确定模块，用于基于所述N个句子的分数以及所述N个句子的长度，从所述N个句子中，确定分数之和最大且长度之和小于长度阈值的M个句子，N≥M≥1；

生成模块，用于基于所述M个句子生成所述目标文本的摘要。

14.一种模型训练装置，其特征在于，所述装置包括：

第一获取模块，用于获取第一文本，所述第一文本包含P个第一句子，P≥2；

打分模块，用于通过第一待训练模型对所述P个第一句子进行打分，得到所述P个第一句子的分数，所述P个第一句子的分数用于指示所述P个第一句子在所述第一文本中的价值；

第一处理模块，用于通过第二模型对所述P个第一句子的分数以及所述P个第一句子的长度进行处理，得到所述P个第一句子的处理结果，所述P个第一句子的处理结果用于从所述P个第一句子中，确定分数之和最大且长度之和小于长度阈值的Q个第一句子，P≥Q≥1；

第一更新模块，用于基于所述Q个第一句子，更新所述第一待训练模型的参数，得到第一模型。

15.一种摘要生成装置，其特征在于，所述装置包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为执行所述代码，当所述代码被执行时，所述摘要生成装置执行如权利要求1至12任意一项所述的方法。

16.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至12任一所述的方法。

17.一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施权利要求1至12任意一项所述的方法。

Images