CN116414972B - 一种资讯内容自动播报和生成简讯的方法 - Google Patents
一种资讯内容自动播报和生成简讯的方法 Download PDFInfo
- Publication number
- CN116414972B CN116414972B CN202310216474.9A CN202310216474A CN116414972B CN 116414972 B CN116414972 B CN 116414972B CN 202310216474 A CN202310216474 A CN 202310216474A CN 116414972 B CN116414972 B CN 116414972B
- Authority
- CN
- China
- Prior art keywords
- information
- content
- information content
- text
- generating
- 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 40
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 230000019771 cognition Effects 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Document Processing Apparatus (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种资讯内容自动播报和生成简讯的方法，属于报刊资讯技术领域，包括以下步骤：S1：获取资讯内容；S2：提取资讯内容的主题内容和文本摘要内容；S3：根据用户设置参数和文本摘要内容，进行资讯内容播报；S4：生成关联简讯。本发明利用资讯多模态深度语义理解模型提取资讯内容的文本摘要，生成多模态特征向量，来连接用户设置参数和资讯内容，使用户设置参数和资讯等实现多信息融合，高精度地生成简讯，并进行资讯内容弹窗播报。同时，资讯信息直观，通俗易懂。实现对资讯数据理解与生成的统一建模，为不同细分场景开发了一系列的报刊资讯智能弹窗播报及背景图根据摘要语义自动绘画、排版设计的方法。
Description
技术领域
本发明属于报刊资讯技术领域，具体涉及一种资讯内容自动播报和生成简讯的方法。
背景技术
随着信息技术革命，媒介迭代带来万物互联和万物皆媒，资讯的多模态数据既是数字虚拟世界发展的重要支撑，也是AI算法训练的必备供给，媒体特定信息的表达与诠释对信息的传播效能与受众的认知程度产生着深远影响。通过海量数据的注智赋能，虚实同步的未来世界才能够实现， AI模型的重量级突破也才可能出现，因此敏捷而精准的数据不仅可以对资讯传播效能进行有效评价，还可以优化设计媒体多模态融合下的信息加工、处理、表达与传播机制。
资讯的多模态指事物呈现或体验的不同形式，资讯的多模态信号有图片、声音、文字和视频等。多模态信号分析不仅存在于新闻传播学，它也需要信息科学、符号学、语言学和心理学等跨学科的理论架构和知识采纳。新媒体多模态数据分析在信息科学基础上，本发明通过建立模型来关联与处理多模态的资讯数据。为多模态数据的数据表示、数据映射、数据对齐、数据融合以及协同学习五个层次。基于现有映射关系，将现有的多模态数据符号向量化，以此作为神经网络的输入端，结合已有的对应关系，映射到另一模态，基于海量数据不断训练后，得到具有普适性的跨模态数据映射模型。在心理学基础上，从心理和生理测量维度针对不同通道的资讯感知信息以定性为主，国外有关媒体传播效能理论和实证研究不仅揭示了受众的信息认知与处理过程，实现了媒体传播效能的提升，还成为制定公共政策的依据，发挥推动改善媒体内容的社会效益的作用。而国内关于媒体效能的研究刚刚起步，学者们还只习惯于通过对个别事物的观察，或相关传播现象的讨论、思辨来获得提高媒体效能的对策。鲜有学者开展媒体效能评价的实证研究，多数偏重对媒体静态的信息传播现象的描述，而对动态的受众、媒介、社会等因素如何对媒体传播效能起作用的关系性研究甚少，在传播效果理论指导下旨在测量与发展传播学理论的实证研究更是罕见，缺乏定量与定性实证研究方法，***探索信息传播与媒体传播效能机制。本发明公开的一种资讯内容播报和智能生成简讯版的方法，有效利用多模态模型解决资讯静态、动态的信息传播现象。
发明内容
本发明为了解决以上问题，提出了一种资讯内容自动播报和生成简讯的方法。
本发明的技术方案是：一种资讯内容自动播报和生成简讯的方法包括以下步骤：
S1：获取资讯内容；
S2：提取资讯内容的主题内容和文本摘要内容；
S3：获取用户设置参数，根据用户设置参数和文本摘要内容，进行资讯内容播报；
S4：根据主题内容以及与文本摘要内容关联的摘要背景图生成关联简讯。
进一步地，步骤S2包括以下子步骤：
S21：构建资讯多模态深度语义理解模型；
S22：利用资讯多模态深度语义理解模型提取资讯内容中主题特征向量和文本摘要特征向量；
S23：根据主题特征向量和文本摘要特征向量，得到主题内容和文本摘要内容。
进一步地，步骤S21中，资讯多模态深度语义理解模型包括内容输入层、权重提取层和向量输出层；
内容输入层用于将资讯内容输入至资讯多模态深度语义理解模型中；权重提取层用于提取资讯内容对应的权重；向量输出层用于根据资讯内容对应的权重提取特征向量；
其中，资讯内容对应的权重Q的计算公式为：
式中，α表示主题词在资讯内容出现的比值，β表示文本在资讯内容出现的比值。
进一步地，步骤S3包括以下子步骤：
S31：获取用户设置参数，并生成用户喜好优先级顺序；
S32：根据文本摘要内容，提取文本摘要和文本标题；
S33：根据用户喜好优先级顺序，匹配对应的文本摘要和文本标题，并根据文本摘要和文本标题进行对应的资讯内容弹窗播报。
进一步地，步骤S31中，生成用户喜好优先级顺序的具体方法为：计算用户喜好优先级，并将用户喜好优先级从大到小排序，得到用户喜好优先级顺序，其中，用户喜好优先级P(x|y)的计算公式为：
式中，D表示用户访问编号，A表示用户信息中主题特征向量，B表示用户信息中文本特征向量。
进一步地，步骤S4包括以下子步骤：
S41：根据主题内容，提取资讯内容的语句摘要关键字；
S42：根据资讯内容的语句摘要关键字，生成与文本摘要内容关联的摘要背景图；
S43：对摘要背景图进行网格划分，得到若干个网格；
S44：标注摘要背景图的目标矩形块，并根据目标矩形块构建各个网格对应的变量矩阵；
S45：根据各个网格对应的变量矩阵，生成简讯的排版最优区域；
S46：将资讯内容关键字对应的资讯标题和资讯摘要填入至排版最优区域中，生成关联简讯。
进一步地，步骤S44中，构建网格对应的变量矩阵的具体方法为：若网格满足，则变量矩阵的元素为1，否则变量矩阵的元素为0；其中，gird表示变量矩阵的元素，x i 表示目标矩形块左下角的横坐标，y i 表示目标矩形块左下角的纵坐标，w i 表示目标矩形块的宽度，h i 表示目标矩形块的高度，p表示网格的宽度，q表示网格的高度。
进一步地，步骤S45中，生成简讯的排版最优区域的具体方法为：构建排版最优面积模型，并根据排版最优面积模型确定排版最优区域。
进一步地，排版最优面积模型Obj的表达式为：
式中，w_li表示可排版矩形的长，h_li表示可排版矩形的宽，L表示排版矩形数量。
进一步地，步骤S46中，计算排版最优区域的长宽比r_li，若r_li>1，则简讯按照横排进行排版，否则按照竖排进行排版。
本发明的有益效果是：本发明利用资讯多模态深度语义理解模型提取资讯内容的文本摘要，生成多模态特征向量，来连接用户设置参数和资讯内容，使用户设置参数和资讯等实现多信息融合，高精度地生成简讯，并进行资讯内容弹窗播报。同时，资讯信息直观，通俗易懂。实现对资讯数据理解与生成的统一建模，为不同细分场景开发了一系列的报刊资讯智能弹窗播报及背景图根据摘要语义自动绘画、排版设计的方法。
附图说明
图1为资讯内容自动播报和生成简讯的方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种资讯内容自动播报和生成简讯的方法，包括以下步骤：
S1：获取资讯内容；
S2：提取资讯内容的主题内容和文本摘要内容；
S3：获取用户设置参数，根据用户设置参数和文本摘要内容，进行资讯内容播报；
S4：根据主题内容以及与文本摘要内容关联的摘要背景图生成关联简讯。
在本发明实施例中，步骤S2包括以下子步骤：
S21：构建资讯多模态深度语义理解模型；
S22：利用资讯多模态深度语义理解模型提取资讯内容中主题特征向量和文本摘要特征向量；
S23：根据主题特征向量和文本摘要特征向量，得到主题内容和文本摘要内容。
在本发明实施例中，步骤S21中，资讯多模态深度语义理解模型包括内容输入层、权重提取层和向量输出层；
内容输入层用于将资讯内容输入至资讯多模态深度语义理解模型中；权重提取层用于提取资讯内容对应的权重；向量输出层用于根据资讯内容对应的权重提取特征向量；
其中，资讯内容对应的权重Q的计算公式为：
式中，α表示主题词在资讯内容出现的比值，β表示文本在资讯内容出现的比值。
在本发明实施例中，步骤S3包括以下子步骤：
S31：获取用户设置参数，并生成用户喜好优先级顺序；
S32：根据文本摘要内容，提取文本摘要和文本标题；
S33：根据用户喜好优先级顺序，匹配对应的文本摘要和文本标题，并根据文本摘要和文本标题进行对应的资讯内容弹窗播报。
在本发明实施例中，步骤S31中，生成用户喜好优先级顺序的具体方法为：计算用户喜好优先级，并将用户喜好优先级从大到小排序，得到用户喜好优先级顺序，其中，用户喜好优先级P(x|y)的计算公式为：
式中，D表示用户访问编号，A表示用户信息中主题特征向量，B表示用户信息中文本特征向量。
在本发明实施例中，步骤S4包括以下子步骤：
S41：根据主题内容，提取资讯内容的语句摘要关键字；
S42：根据资讯内容的语句摘要关键字，生成与文本摘要内容关联的摘要背景图；
S43：对摘要背景图进行网格划分，得到若干个网格；
S44：标注摘要背景图的目标矩形块，并根据目标矩形块构建各个网格对应的变量矩阵；
S45：根据各个网格对应的变量矩阵，生成简讯的排版最优区域；
S46：将资讯内容关键字对应的资讯标题和资讯摘要填入至排版最优区域中，生成关联简讯。
在本发明实施例中，步骤S44中，构建网格对应的变量矩阵的具体方法为：若网格满足，则变量矩阵的元素为1，否则变量矩阵的元素为0；其中，gird表示变量矩阵的元素，x i 表示目标矩形块左下角的横坐标，y i 表示目标矩形块左下角的纵坐标，w i 表示目标矩形块的宽度，h i 表示目标矩形块的高度，p表示网格的宽度，q表示网格的高度。
在本发明实施例中，步骤S45中，生成简讯的排版最优区域的具体方法为：构建排版最优面积模型，并根据排版最优面积模型确定排版最优区域。
在本发明实施例中，排版最优面积模型Obj的表达式为：
式中，w_li表示可排版矩形的长，h_li表示可排版矩形的宽，L表示排版矩形数量。
在本发明实施例中，步骤S46中，计算排版最优区域的长宽比r_li，若r_li>1，则简讯按照横排进行排版，否则按照竖排进行排版。
资讯信息的标题和文本进行主题综合建模，得到其向量，每条向量代表该资讯信息的符号信息。并通过圈群受众所发信息之间的主题向量的相似度来计算受众之间信息传播的量。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种资讯内容自动播报和生成简讯的方法，其特征在于，包括以下步骤：
S1：获取资讯内容；
S2：提取资讯内容的主题内容和文本摘要内容；
S3：获取用户设置参数，根据用户设置参数和文本摘要内容，进行资讯内容播报；
S4：根据主题内容以及与文本摘要内容关联的摘要背景图生成关联简讯；
所述步骤S4包括以下子步骤：
S41：根据主题内容，提取资讯内容的语句摘要关键字；
S42：根据资讯内容的语句摘要关键字，生成与文本摘要内容关联的摘要背景图；
S43：对摘要背景图进行网格划分，得到若干个网格；
S44：标注摘要背景图的目标矩形块，并根据目标矩形块构建各个网格对应的变量矩阵；
S45：根据各个网格对应的变量矩阵，生成简讯的排版最优区域；
S46：将资讯内容关键字对应的资讯标题和资讯摘要填入至排版最优区域中，生成关联简讯；
所述步骤S44中，构建网格对应的变量矩阵的具体方法为：若网格满足则变量矩阵的元素为1，否则变量矩阵的元素为0；其中，gird表示变量矩阵的元素，xi表示目标矩形块左下角的横坐标，yi表示目标矩形块左下角的纵坐标，wi表示目标矩形块的宽度，hi表示目标矩形块的高度，p表示网格的宽度，q表示网格的高度；
所述步骤S45中，生成简讯的排版最优区域的具体方法为：构建排版最优面积模型，并根据排版最优面积模型确定排版最优区域；
所述排版最优面积模型Obj的表达式为：
式中，w_li表示可排版矩形的长，h_li表示可排版矩形的宽，L表示排版矩形数量；
所述步骤S46中，计算排版最优区域的长宽比r_li，若r_li>1，则简讯按照横排进行排版，否则按照竖排进行排版。
2.根据权利要求1所述的资讯内容自动播报和生成简讯的方法，其特征在于，所述步骤S2包括以下子步骤：
S21：构建资讯多模态深度语义理解模型；
S22：利用资讯多模态深度语义理解模型提取资讯内容中主题特征向量和文本摘要特征向量；
S23：根据主题特征向量和文本摘要特征向量，得到主题内容和文本摘要内容。
3.根据权利要求2所述的资讯内容自动播报和生成简讯的方法，其特征在于，所述步骤S21中，资讯多模态深度语义理解模型包括内容输入层、权重提取层和向量输出层；
所述内容输入层用于将资讯内容输入至资讯多模态深度语义理解模型中；所述权重提取层用于提取资讯内容对应的权重；所述向量输出层用于根据资讯内容对应的权重提取特征向量；
其中，资讯内容对应的权重Q的计算公式为：
式中，α表示主题词在资讯内容出现的比值，β表示文本在资讯内容出现的比值。
4.根据权利要求1所述的资讯内容自动播报和生成简讯的方法，其特征在于，所述步骤S3包括以下子步骤：
S31：获取用户设置参数，并生成用户喜好优先级顺序；
S32：根据文本摘要内容，提取文本摘要和文本标题；
S33：根据用户喜好优先级顺序，匹配对应的文本摘要和文本标题，并根据文本摘要和文本标题进行对应的资讯内容弹窗播报。
5.根据权利要求4所述的资讯内容自动播报和生成简讯的方法，其特征在于，所述步骤S31中，生成用户喜好优先级顺序的具体方法为：计算用户喜好优先级，并将用户喜好优先级从大到小排序，得到用户喜好优先级顺序，其中，用户喜好优先级P(x|y)的计算公式为：
式中，D表示用户访问编号，A表示用户设置参数中的主题特征向量，B表示用户设置参数中的文本特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310216474.9A CN116414972B (zh) | 2023-03-08 | 2023-03-08 | 一种资讯内容自动播报和生成简讯的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310216474.9A CN116414972B (zh) | 2023-03-08 | 2023-03-08 | 一种资讯内容自动播报和生成简讯的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116414972A CN116414972A (zh) | 2023-07-11 |
| CN116414972B true CN116414972B (zh) | 2024-02-20 |
Family
ID=87055640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310216474.9A Active CN116414972B (zh) | 2023-03-08 | 2023-03-08 | 一种资讯内容自动播报和生成简讯的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116414972B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103365942A (zh) * | 2012-03-28 | 2013-10-23 | 索尼公司 | 显示控制装置、显示控制方法和程序 |
| CN105100718A (zh) * | 2015-07-29 | 2015-11-25 | 西安冉科信息技术有限公司 | 一种基于视频摘要的智能视频分析方法 |
| WO2015196122A1 (en) * | 2014-06-19 | 2015-12-23 | Contentguard Holdings, Inc. | Rendering content using obscuration techniques |
| CN108062389A (zh) * | 2017-12-15 | 2018-05-22 | 北京百度网讯科技有限公司 | 简报生成方法和装置 |
| CN109460525A (zh) * | 2018-11-07 | 2019-03-12 | 网易（杭州）网络有限公司 | 简讯类文章的展示方法、装置、介质和计算设备 |
| CN109508400A (zh) * | 2018-10-09 | 2019-03-22 | 中国科学院自动化研究所 | 图文摘要生成方法 |
| CN110555202A (zh) * | 2018-05-30 | 2019-12-10 | 微软技术许可有限责任公司 | 文摘播报的生成方法和设备 |
| CN110597981A (zh) * | 2019-09-16 | 2019-12-20 | 西华大学 | 一种采用多策略自动生成摘要的网络新闻概要*** |
| CN111866079A (zh) * | 2020-06-19 | 2020-10-30 | 云天弈(广州)智能科技有限公司 | 一种财经资讯推送***及方法 |
| CN112133279A (zh) * | 2019-06-06 | 2020-12-25 | Tcl集团股份有限公司 | 车载信息播报方法、装置及终端设备 |
| CN112562669A (zh) * | 2020-12-01 | 2021-03-26 | 浙江方正印务有限公司 | 一种智能数字报自动摘要与语音交互聊新闻方法及*** |
| CN112685556A (zh) * | 2020-12-29 | 2021-04-20 | 西安掌上盛唐网络信息有限公司 | 一种新闻文本自动摘要及语音播报*** |
| CN113312503A (zh) * | 2021-04-20 | 2021-08-27 | 桂林电子科技大学 | 一种新的教学类视频内容摘要和可视化浏览方法 |
| CN113434685A (zh) * | 2021-07-06 | 2021-09-24 | 中国银行股份有限公司 | 一种资讯分类处理的方法及*** |
| CN115687603A (zh) * | 2022-10-28 | 2023-02-03 | 竹间智能科技（上海）有限公司 | 简报生成方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7154638B1 (en) * | 2000-05-23 | 2006-12-26 | Silverbrook Research Pty Ltd | Printed page tag encoder |
| US20060217925A1 (en) * | 2005-03-23 | 2006-09-28 | Taron Maxime G | Methods for entity identification |
-
2023
- 2023-03-08 CN CN202310216474.9A patent/CN116414972B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103365942A (zh) * | 2012-03-28 | 2013-10-23 | 索尼公司 | 显示控制装置、显示控制方法和程序 |
| WO2015196122A1 (en) * | 2014-06-19 | 2015-12-23 | Contentguard Holdings, Inc. | Rendering content using obscuration techniques |
| CN105100718A (zh) * | 2015-07-29 | 2015-11-25 | 西安冉科信息技术有限公司 | 一种基于视频摘要的智能视频分析方法 |
| CN108062389A (zh) * | 2017-12-15 | 2018-05-22 | 北京百度网讯科技有限公司 | 简报生成方法和装置 |
| CN110555202A (zh) * | 2018-05-30 | 2019-12-10 | 微软技术许可有限责任公司 | 文摘播报的生成方法和设备 |
| CN109508400A (zh) * | 2018-10-09 | 2019-03-22 | 中国科学院自动化研究所 | 图文摘要生成方法 |
| CN109460525A (zh) * | 2018-11-07 | 2019-03-12 | 网易（杭州）网络有限公司 | 简讯类文章的展示方法、装置、介质和计算设备 |
| CN112133279A (zh) * | 2019-06-06 | 2020-12-25 | Tcl集团股份有限公司 | 车载信息播报方法、装置及终端设备 |
| CN110597981A (zh) * | 2019-09-16 | 2019-12-20 | 西华大学 | 一种采用多策略自动生成摘要的网络新闻概要*** |
| CN111866079A (zh) * | 2020-06-19 | 2020-10-30 | 云天弈(广州)智能科技有限公司 | 一种财经资讯推送***及方法 |
| CN112562669A (zh) * | 2020-12-01 | 2021-03-26 | 浙江方正印务有限公司 | 一种智能数字报自动摘要与语音交互聊新闻方法及*** |
| CN112685556A (zh) * | 2020-12-29 | 2021-04-20 | 西安掌上盛唐网络信息有限公司 | 一种新闻文本自动摘要及语音播报*** |
| CN113312503A (zh) * | 2021-04-20 | 2021-08-27 | 桂林电子科技大学 | 一种新的教学类视频内容摘要和可视化浏览方法 |
| CN113434685A (zh) * | 2021-07-06 | 2021-09-24 | 中国银行股份有限公司 | 一种资讯分类处理的方法及*** |
| CN115687603A (zh) * | 2022-10-28 | 2023-02-03 | 竹间智能科技（上海）有限公司 | 简报生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Recent automatic text summarization techniques: a survey;Mahak Gambhir;《Artificial Intelligence Review》;第47卷;1-66 * |
| 融合主题信息的抽取生成式摘要技术研究与应用;魏媛媛;《中国优秀硕士学位论文全文数据库 信息科技》;I138-1469 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116414972A (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582241B (zh) | 视频字幕识别方法、装置、设备及存储介质 | |
| CN110941692A (zh) | 互联网政治外交类新闻事件抽取方法 | |
| CN110795925B (zh) | 基于人工智能的图文排版方法、图文排版装置及电子设备 | |
| CN111723784B (zh) | 一种风险视频识别方法、装置和电子设备 | |
| KR20190108378A (ko) | 이미지 캡션 자동 생성 방법 및 시스템 | |
| CN113395578A (zh) | 一种提取视频主题文本的方法、装置、设备及存储介质 | |
| CN114218379B (zh) | 一种面向智能问答***的无法回答问题的归因方法 | |
| Birnbaum et al. | The digital Middle Ages: an introduction | |
| CN113360598A (zh) | 基于人工智能的匹配方法、装置、电子设备及存储介质 | |
| CN116975615A (zh) | 基于视频多模态信息的任务预测方法和装置 | |
| CN116414972B (zh) | 一种资讯内容自动播报和生成简讯的方法 | |
| Lin et al. | Urban space simulation based on wave function collapse and convolutional neural network | |
| CN107506370A (zh) | 多媒体数据深度挖掘方法、存储介质及电子设备 | |
| CN111858962A (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| KR20110039900A (ko) | 지능형 인식 라이브러리 및 관리 도구를 활용한 고문서 이미지 데이터 인식 및 처리 방법 | |
| CN115270943B (zh) | 一种基于注意力机制的知识标签提取模型 | |
| CN116385830A (zh) | 一种基于深度学习的素描作品智能评价方法 | |
| CN116257618A (zh) | 一种基于细粒度情感分析的多源智能旅游推荐方法 | |
| CN113887334A (zh) | 一种视频知识点抽取方法及装置 | |
| CN114372478A (zh) | 一种基于知识蒸馏的问答方法、终端设备及存储介质 | |
| CN113822521A (zh) | 题库题目的质量检测方法、装置及存储介质 | |
| CN115130453A (zh) | 互动信息生成方法和装置 | |
| Zhu | Interactive art design with deep learning and information fusion technology | |
| Chen et al. | DanmuVis: Visualizing danmu content dynamics and associated viewer behaviors in online videos | |
| Cai et al. | A Study on Integrating Multimodal English and American Literature Resources Using Data Mining |
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 |