CN116644176A - 一种摘要生成方法及其相关设备 - Google Patents
一种摘要生成方法及其相关设备 Download PDFInfo
- Publication number
- CN116644176A CN116644176A CN202210143418.2A CN202210143418A CN116644176A CN 116644176 A CN116644176 A CN 116644176A CN 202210143418 A CN202210143418 A CN 202210143418A CN 116644176 A CN116644176 A CN 116644176A
- Authority
- CN
- China
- Prior art keywords
- matrix
- processed
- sentences
- target text
- similarity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 141
- 239000011159 matrix material Substances 0.000 claims description 700
- 238000012545 processing Methods 0.000 claims description 115
- 230000015654 memory Effects 0.000 claims description 80
- 230000008569 process Effects 0.000 claims description 48
- 238000009826 distribution Methods 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 description 77
- 238000005516 engineering process Methods 0.000 description 50
- 238000013528 artificial neural network Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 28
- 239000013598 vector Substances 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 22
- 238000000605 extraction Methods 0.000 description 20
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 230000010261 cell growth Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000005406 washing Methods 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种摘要生成方法及其相关设备,提供一种新的方式来自动生成摘要,该方式所生成的摘要,具备一定程度上的语义多样性,且摘要所包含的信息足够全面,可准确表达整个目标文本的主要内容。本申请的方法包括:获取目标文本的多个句子以及多个句子中任意两个句子之间的相似度;基于这些相似度将多个句子划分为多个类别;基于这些相似度和目标文本确定多个类别中每个类别中权重最大的句子;基于每个类别中权重最大的句子,生成目标文本的摘要。
Description
技术领域
本申请涉及人工智能(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,存在两类自动摘要技术,其中一类为抽取式的自动摘要技术,另一类为生成式的自动摘要技术。抽取式的自动摘要技术可基于textrank算法实现,textrank算法的实现过程为:先对目标文本(即待生成摘要的文本)进行分析,确定目标文本中句子之间的相似度。接着,基于句子之间的相似度,可将目标文本中所有句子划分为多个类别(也可以称为语义簇)。然后,可从某个类别中抽取若干个句子,作为目标文本的摘要。
然而,不同类别的句子之间的相似度很低,textrank算法受限于自身,算法的注意力容易集中在某一类别上(该类别所包含的句子的数量通常最大),容易忽略其余类别(其余类别所包含的句子的数量通常较小),导致最终生成的摘要仅包含某一类别的句子,而未包含其余重要类别的句子,即最终生成的摘要语义重复度高,且缺失重要信息。
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,提供一种新的方式来自动生成摘要,该方式所生成的摘要,具备一定程度上的语义多样性,且摘要所包含的信息足够全面,可准确表达整个目标文本的主要内容。
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:
当需要获取目标文本的摘要时,可对目标文本进行拆分,以获取目标文本的多个句子(即目标文本的所有句子)。接着,可利用相似度算法对目标文本的多个句子进行分析,从而得到这多个句子中任意两个句子之间的相似度。例如,可利用相似度算法对目标文本的多个句子进行计算,从而得到第一矩阵,第一矩阵包含目标文本的多个句子中,任意两个句子之间的相似度,即两两句子之间的相似度。
得到目标文本的多个句子中,任意两个句子之间的相似度后,可基于目标文本的多个句子中,任意两个句子之间的相似度,将这多个句子划分为多个类别。例如,在得到第一矩阵后,可基于第一矩阵可将目标文本的多个句子划分为多个类别(即多个语义簇),即句子之间的相似度可将目标文本的多个句子划分为多个类别,每一个类别包含目标文本的至少一个句子。
得到多个类别后,还可基于这些相似度以及目标文本确定多个类别中每个类别中权重最大的句子。进一步地,可通过以下方式来确定每个类别中权重最大的句子:得到目标文本的多个句子中,任意两个句子之间的相似度后,可基于这些相似度进行迭代运算,从而得到目标文本中每个句子的权重。那么,则可确定多个类别中每个类别中权重最大的句子。例如,在得到第一矩阵后,可基于第一矩阵进行迭代运算,得到第二矩阵,第二矩阵包含目标文本中每个句子的权重,需要说明的是,对于目标文本的任意一个句子,该句子的权重也可以理解为该句子的重要程度,若该句子的权重越大,说明该句子的重要程度越大,若该句子的权重越小,说明该句子的重要程度越小。由于第二矩阵包含目标文本的多个句子中每个句子的权重,故可在多个类别中,确定每个类别中权重最大的句子。
确定每个类别中权重最大的句子后,可基于这部分句子,生成目标文本的摘要。
从上述方法可以看出:在获取目标文本的多个句子以及第一矩阵后,可基于第一矩阵进行迭代运算,得到第二矩阵,第一矩阵包含多个句子中任意两个句子之间的相似度,第二矩阵包含多个句子中每个句子的权重。然后,可基于第一矩阵将多个句子划分为多个类别。接着,可基于第二矩阵,确定多个类别中每个类别中权重最大的句子。最后,基于权重最大的句子,生成目标文本的摘要。前述过程中,由于目标文本的摘要来源于目标文本的各个类别中权重最大的句子,具备一定程度上的语义多样性,且摘要所包含的信息足够全面,可准确表达整个目标文本的主要内容。可见,以此种方式所生成的目标文本的摘要,其句子之间的语义重复度低,且囊括目标文本的重要信息。
在一种可能的实现方式中,该方法还包括:获取第三矩阵和第四矩阵,第三矩阵包含多个句子中任意一个句子与目标文本的标题之间的相似度,第四矩阵包含多个句子中每个句子所包含的关键词的数量;基于第一矩阵进行迭代运算,得到第二矩阵包括:将第一矩阵、第三矩阵和第四矩阵进行融合,得到第五矩阵;基于第五矩阵进行迭代运算,得到第二矩阵。前述实现方式中,得到目标文本后,可执行以下步骤:(1)可利用同样的相似度算法,对目标文本的标题和目标文本的多个句子进行计算,得到第三矩阵,第三矩阵包含目标文本的多个句子中,任意一个句子与目标文本的标题之间的相似度。(2)可利用关键词检测算法,对目标文本的多个句子进行检测,得到第四矩阵,第四矩阵包含目标文本的多个句子中,每个句子所包含的关键词的数量。(3)得到第三矩阵和第四矩阵后,可将第一矩阵、第三矩阵和第四矩阵进行融合(也可以理解为矩阵合并),得到第五矩阵。得到第五矩阵后,可基于第五矩阵进行迭代运算,得到第二矩阵。可见,本申请在获取句子的权重时,不仅考虑了句子之间的相似度,还考虑句子与标题之间的相似度,句子所包含的关键词的数量等多个因素,所考虑的因素较为全面,有利于提高句子的权重的准确度,进而有利于提高目标文本的摘要的质量。
在一种可能的实现方式中,若第一矩阵为n行n列的矩阵,第三矩阵和第四矩阵为n行1列的矩阵,n为句子的数量,将第一矩阵、第三矩阵和第四矩阵进行融合,得到第五矩阵包括:对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,处理后的第一矩阵的第i列、处理后的第三矩阵和处理后的第四矩阵均符合标准正态分布,i=1,…,n;将处理后的第一矩阵的第i列、处理后的第三矩阵、处理后的第四矩阵和第i个正值进行相加处理,得到第五矩阵的第i列,第五矩阵的第i列符合正态分布。前述实现方式中,若第一矩阵为n行n列的矩阵,且第三矩阵和第四矩阵为n行1列的矩阵,可按列对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵。需要说明的是,处理后的第一矩阵依旧为n行n列的矩阵,对于处理后的第一矩阵的任意一列,即处理后的第一矩阵的第i列(i=1,…,n),处理后的第一矩阵的第i列中的所有元素可符合标准正态分布,同样地,处理后的第三矩阵依旧为n行1列的矩阵,处理后的第三矩阵的所有元素符合标准正态分布,处理后的第四矩阵依旧为n行1列的矩阵,处理后的第四矩阵的所有元素符合标准正态分布。可见,处理后的第一矩阵、处理后的第三矩阵和处理后的第三矩阵为同一量纲的矩阵,有利于后续实现矩阵的计算。
进一步地,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵后,可将处理后的第一矩阵的第i列、处理后的第三矩阵、处理后的第四矩阵和第i个正值进行相加处理,得到第五矩阵的第i列。由于第i个正值的存在,可使得第五矩阵的第i列符合正态分布。对于处理后的第一矩阵的其余列,也可执行如同对处理后的第一矩阵的第i列的操作,故可得到第五矩阵的其余列。如此一来,则得到了完整的第五矩阵。
在一种可能的实现方式中,若第一矩阵为n行n列的矩阵,第三矩阵和第四矩阵为1行n列的矩阵,n为句子的数量,将第一矩阵、第三矩阵和第四矩阵进行融合,得到第五矩阵包括:对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,处理后的第一矩阵的第j行、处理后的第三矩阵和处理后的第四矩阵均符合标准正态分布,j=1,…,n;将处理后的第一矩阵的第j行、处理后的第三矩阵、处理后的第四矩阵和第j个正值进行相加处理,得到第五矩阵的第j行,第五矩阵的第j行符合正态分布。前述实现方式中,若第一矩阵为n行n列的矩阵,第三矩阵和第四矩阵为1行n列的矩阵,可按行对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵。需要说明的是,处理后的第一矩阵依旧为n行n列的矩阵,对于处理后的第一矩阵的任意一行,即处理后的第一矩阵的第j行(j=1,…,n),处理后的第一矩阵的第j行中的所有元素可符合标准正态分布。同样地,处理后的第三矩阵依旧为1行n列的矩阵,处理后的第三矩阵的所有元素符合标准正态分布,处理后的第四矩阵依旧为1行n列的矩阵,处理后的第四矩阵的所有元素符合标准正态分布。可见,处理后的第一矩阵、处理后的第三矩阵和处理后的第三矩阵为同一量纲的矩阵,有利于后续实现矩阵的计算。
进一步地,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵后,可将处理后的第一矩阵的第j行、处理后的第三矩阵、处理后的第四矩阵和第j个正值进行相加处理,得到第五矩阵的第j行。由于第j个正值的存在,可使得第五矩阵的第j行符合正态分布。对于处理后的第一矩阵的其余行,也可执行如同对处理后的第一矩阵的第j行的操作,故可得到第五矩阵的其余行。如此一来,则得到了完整的第五矩阵。
在一种可能的实现方式中,第i个正值可通过以下方式获取:在处理后的第一矩阵的第i列、处理后的第三矩阵和处理后的第四矩阵中,可挑选出最小的元素,并将最小的元素与预置的正值进行求和,得到第i个正值。
在一种可能的实现方式中,第j个正值可通过以下方式获取:在处理后的第一矩阵的第j行、处理后的第三矩阵和处理后的第四矩阵中,可挑选出最小的元素,并将最小的元素与预置的正值进行求和,得到第j个正值。
在一种可能的实现方式中,基于第五矩阵进行迭代运算,得到第二矩阵包括:将第五矩阵与第p-1次处理后的第六矩阵进行第p次相乘处理,得到第p次处理后的第六矩阵,直至第p次处理后的第六矩阵符合预置的条件,其中,p=1,…,m,m≥1,第0次处理后的第六矩阵为预置的矩阵,第m次处理后的第六矩阵作为第二矩阵。前述实现方式中,得到第五矩阵后,可获取预置的矩阵(该矩阵为n行1列的矩阵或1行n列的矩阵)作为第0次处理后的第六矩阵,并将第五矩阵与第0次处理后的第六矩阵进行第1次相乘处理,得到第1次处理后的第六矩阵。接着,再将第五矩阵与第1次处理后的第六矩阵进行相乘处理,得到第2次处理后的第六矩阵,以此类推,直至将第五矩阵与第m-1次处理后的第六矩阵进行第m次相乘处理后,所得到的第m次处理后的第六矩阵满足预置的条件,则可将第m次处理后的第六矩阵作为第二矩阵。
在一种可能的实现方式中,任意一个类别中任意两个句子之间的相似度大于或等于预置的相似度阈值,且任意两个类别中权重最大的句子之间的相似度小于相似度阈值。
在一种可能的实现方式中,基于权重最大的句子,生成目标文本的摘要包括:通过摘要生成模型对权重最大的句子进行处理,得到目标文本的摘要。前述实现方式中,确定每个类别中权重最大的句子后,可将这部分句子输入至摘要生成模型,以通过摘要生成模型对这部分句子进行处理(也可以理解为微调,例如,摘要生成模型可调整这部分句子的语法构成和表述等等),得到目标文本的摘要。
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:获取待训练模型以及目标文本的真实摘要。通过待训练模型对目标文本的真实摘要进行处理,得到目标文本的预测摘要。基于目标文本的真实摘要和预测摘要,获取目标损失,目标损失用于指示目标文本的真实摘要和预测摘要之间的差异。基于目标损失,对待训练模型的参数进行更新,直至满足模型训练条件,得到摘要生成模型。
上述方法所得到摘要生成模型,具备自动摘要的能力。在模型训练的过程中,仅需使用少量已知标签的训练数据,即可完成模型的训练,有利于降低模型训练的成本,且该模型基于生成式的自动摘要技术实现,可结合抽取式的自动摘要技术,作为一个整体去提取文本的摘要,有利于扩充自动摘要技术的应用场景。
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:第一获取模块,用于获取目标文本的多个句子以及多个句子中任意两个句子之间的相似度,例如,第一获取模块用于获取目标文本的多个句子以及第一矩阵,第一矩阵包含多个句子中任意两个句子之间的相似度;划分模块,用于基于这些相似度将所述多个句子划分为多个类别,例如,划分模块用于基于第一矩阵将多个句子划分为多个类别;选择模块,用于基于这些相似度和目标文本确定所述多个类别中每个类别中权重最大的句子,示例性地,选择模块包括运算模块和确定模块,其中,运算模块,用于基于这些相似度进行迭代运算,得到多个句子中每个句子的权重,例如,运算模块用于基于第一矩阵进行迭代运算,得到第二矩阵,第二矩阵包含多个句子中每个句子的权重,确定模块,用于确定多个类别中每个类别中权重最大的句子,例如,确定模块用于基于第二矩阵,确定多个类别中每个类别中权重最大的句子;生成模块,用于基于权重最大的句子,生成目标文本的摘要。
从上述装置可以看出:在获取目标文本的多个句子以及第一矩阵后,可基于第一矩阵进行迭代运算,得到第二矩阵,第一矩阵包含多个句子中任意两个句子之间的相似度,第二矩阵包含多个句子中每个句子的权重。然后,可基于第一矩阵将多个句子划分为多个类别。接着,可基于第二矩阵,确定多个类别中每个类别中权重最大的句子。最后,基于权重最大的句子,生成目标文本的摘要。前述过程中,由于目标文本的摘要来源于目标文本的各个类别中权重最大的句子,具备一定程度上的语义多样性,且摘要所包含的信息足够全面,可准确表达整个目标文本的主要内容。可见,以此种方式所生成的目标文本的摘要,其句子之间的语义重复度低,且囊括目标文本的重要信息。
在一种可能的实现方式中,该装置还包括:第二获取模块,用于获取第三矩阵和第四矩阵,第三矩阵包含多个句子中任意一个句子与目标文本的标题之间的相似度,第四矩阵包含多个句子中每个句子所包含的关键词的数量;运算模块,用于:将第一矩阵、第三矩阵和第四矩阵进行融合,得到第五矩阵;基于第五矩阵进行迭代运算,得到第二矩阵。
在一种可能的实现方式中,若第一矩阵为n行n列的矩阵,第三矩阵和第四矩阵为n行1列的矩阵,n为句子的数量,运算模块,用于:对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,处理后的第一矩阵的第i列、处理后的第三矩阵和处理后的第四矩阵均符合标准正态分布,i=1,…,n;将处理后的第一矩阵的第i列、处理后的第三矩阵、处理后的第四矩阵和第i个正值进行相加处理,得到第五矩阵的第i列,第五矩阵的第i列符合正态分布。
在一种可能的实现方式中,若第一矩阵为n行n列的矩阵,第三矩阵和第四矩阵为1行n列的矩阵,n为句子的数量,运算模块,用于:对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,处理后的第一矩阵的第j行、处理后的第三矩阵和处理后的第四矩阵均符合标准正态分布,j=1,…,n;将处理后的第一矩阵的第j行、处理后的第三矩阵、处理后的第四矩阵和第j个正值进行相加处理,得到第五矩阵的第j行,第五矩阵的第j行符合正态分布。
在一种可能的实现方式中,第i个正值为处理后的第一矩阵的第i列、处理后的第三矩阵、处理后的第四矩阵中最小的元素与预置的正值之间的和。
在一种可能的实现方式中,第j个正值为处理后的第一矩阵的第j行、处理后的第三矩阵、处理后的第四矩阵中最小的元素与预置的正值之间的和。
在一种可能的实现方式中,运算模块,用于将第五矩阵与第p-1次处理后的第六矩阵进行第p次相乘处理,得到第p次处理后的第六矩阵,直至第p次处理后的第六矩阵符合预置的条件,其中,p=1,…,m,m≥1,第0次处理后的第六矩阵为预置的矩阵,第m次处理后的第六矩阵作为第二矩阵。
在一种可能的实现方式中,任意一个类别中任意两个句子之间的相似度大于或等于预置的相似度阈值,且任意两个类别中权重最大的句子之间的相似度小于相似度阈值。
在一种可能的实现方式中,生成模块,用于通过摘要生成模型对权重最大的句子进行处理,得到目标文本的摘要。
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,用于获取待训练模型以及目标文本的真实摘要。处理模块,用于通过待训练模型对目标文本的真实摘要进行处理,得到目标文本的预测摘要。第二获取模块,用于基于目标文本的真实摘要和预测摘要,获取目标损失,目标损失用于指示目标文本的真实摘要和预测摘要之间的差异。更新模块,用于基于目标损失,对待训练模型的参数进行更新,直至满足模型训练条件,得到摘要生成模型。
上述装置所得到摘要生成模型,具备自动摘要的能力。在模型训练的过程中,仅需使用少量已知标签的训练数据,即可完成模型的训练,有利于降低模型训练的成本,且该模型基于生成式的自动摘要技术实现,可结合抽取式的自动摘要技术,作为一个整体去提取文本的摘要,有利于扩充自动摘要技术的应用场景。
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,图像分类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或第二方面所述的方法。
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或第二方面所述的方法。
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或第二方面所述的方法。
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或第二方面所述的方法。
本申请实施例中,在获取目标文本的多个句子以及第一矩阵后,可基于第一矩阵进行迭代运算,得到第二矩阵,第一矩阵包含多个句子中任意两个句子之间的相似度,第二矩阵包含多个句子中每个句子的权重。然后,可基于第一矩阵将多个句子划分为多个类别。接着,可基于第二矩阵,确定多个类别中每个类别中权重最大的句子。最后,基于权重最大的句子,生成目标文本的摘要。前述过程中,由于目标文本的摘要来源于目标文本的各个类别中权重最大的句子,具备一定程度上的语义多样性,且摘要所包含的信息足够全面,可准确表达整个目标文本的主要内容。可见,以此种方式所生成的目标文本的摘要,其句子之间的语义重复度低,且囊括目标文本的重要信息。
进一步地,本申请实施例结合了抽取式的自动摘要技术和生成式的自动摘要技术的结合,抽取式的自动摘要技术的结果作为生成式的自动摘要技术的输入,且生成式的自动摘要技术的输出作为最终的结果。可见,目标文本可先经过抽取式的自动摘要技术的处理,得到了初步的摘要。接着,摘要生成模型对初步的摘要进行处理,从而得到最终的摘要(即目标文本的摘要),由于初步的摘要所包含的句子的数量往往较小(可视为一个短文本),摘要生成模型在对初步的摘要进行处理时,所需计算的数据量较少,有利于缩短模型生成摘要过程所需的时间,相当于提高了模型的性能,从而保证最终的摘要的质量。
进一步地,本申请实施例可适用于各种结构的目标文本,即可实现对各种结构的目标文本的摘要生成,且最终得到的摘要可有效代表目标文本的主要内容,可见,本申请实施例在各种应用场景下均具备良好的摘要生成效果。
进一步地,本申请实施例中,当需要对目标文本的句子进行类别划分时,可提前对目标文本进行分析,以获取类别的数量与相似度阈值之间的关系以及类别所包含句子的数量与相似度阈值之间的关系,再基于这些关系来确定类别的数量,从而避免过多的人为干预。
进一步地,本申请实施例在获取目标文本中句子的权重时,不仅考虑了句子之间的相似度,还考虑句子与标题之间的相似度,句子所包含的关键词的数量等多个因素,所考虑的因素较为全面,有利于提高句子的权重的准确度,进而有利于提高目标文本的摘要的质量。
进一步地,本申请实施例所训练得到摘要生成模型,具备自动摘要的能力。在模型训练的过程中,仅需使用少量已知标签的训练数据,即可完成模型的训练,有利于降低模型训练的成本,且该模型基于生成式的自动摘要技术实现,可结合抽取式的自动摘要技术,作为一个整体去提取文本的摘要,有利于扩充自动摘要技术的应用场景。
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数据序列处理***的一个结构示意图;
图2b为本申请实施例提供的数据序列处理***的另一结构示意图;
图2c为本申请实施例提供的数据序列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文本清洗过程的一个示意图;
图6为本申请实施例提供的类别划分的一个示意图;
图7为本申请实施例提供的分析曲线的一个示意图;
图8为本申请实施例提供的实验结果的一个示意图;
图9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10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11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12为本申请实施例提供的执行设备的一个结构示意图;
图13为本申请实施例提供的训练设备的一个结构示意图;
图14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,提供一种新的方式来自动生成摘要,该方式所生成的摘要,具备一定程度上的语义多样性,且摘要所包含的信息足够全面,可准确表达整个目标文本的主要内容。
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”并他们的任何变形,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,存在两类自动摘要技术,其中一类为抽取式的自动摘要技术,另一类为生成式的自动摘要技术。抽取式的自动摘要技术可基于textrank算法实现,textrank算法的实现过程为:先对目标文本(即待生成摘要的文本)进行分析,确定目标文本的所有句子中,两两句子之间的相似度。接着,基于句子之间的相似度,可将目标文本的所有句子划分为多个类别(也可以称为多个语义簇)。然后,可从某个类别中抽取若干个句子,作为目标文本的摘要。
然而,不同类别的句子之间的相似度很低,textrank算法受限于自身,算法的注意力容易集中在某一类别上(该类别所包含的句子的数量通常最大),容易忽略其余类别(其余类别所包含的句子的数量通常较小),导致最终生成的摘要仅包含某一类别的句子,而未包含其余重要类别的句子。例如,设一篇文章的主要内容为讨论“干扰”这一主题,该文章包含100个句子。textrank算法在确定这100个句子中两两句子之间的相似度后,可将80个句子归类于“自然干扰”,20个句子归类于“人为干扰”。那么,textrank算法会从“自然干扰”这一类别中,选择若干个句子来作为该文章的摘要。可见,按照此种方式所生成的摘要,存在语义重复度高和缺失重要信息等问题。
进一步地,生成式的自动摘要技术可基于AI技术中的神经网络模型实现,该模型通常需要大量已知标签的数据(即从文本中提取出来的可作为摘要的句子)进行训练,这些数据往往难以大量获取(例如,需要付出极大的成本来获取这些数据),导致生成式的自动摘要技术的应用场景受限。
进一步地,若存在较长的文本,使用生成式的自动摘要技术来生成相应的摘要,摘要生成过程所需的时间较长,即神经网络模型的性能较慢,且模型的生成效果难以保证,因为生成过程是不可控的,可能导致最终生成的摘要存在一些错误信息。
进一步地,文本的结构往往是多样化的,没有统一的格式,有些依赖于文本结构的自动摘要技术无法适用于各类文本,例如,抽取文本的前N个句子作为该文本的摘要这类抽取式的自动摘要技术,若遇到存在各类小标题的文章,该技术所生成的摘要无法代表该文章的内容。可见,此种方式的应用场景也受到了限制。
进一步地,在对进行类别划分时,具体要将文本的句子划分为多少类,往往需要人工提前设置,既不够智能化,也可能存在精度上的偏差。
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数据序列处理***的一个结构示意图,该数据序列处理***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。用户设备为数据序列处理的发起端,作为数据序列处理请求的发起方,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所示的数据序列处理***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/选择的一个文本,然后向数据处理设备发起请求,使得数据处理设备针对用户设备得到的该文本执行文本处理应用,从而得到针对该文本的对应的处理结果。示例性的,用户设备可以获取用户输入的一个文本(无论是长文本还是短文本),然后向数据处理设备发起文本的处理请求,使得数据处理设备对该文本进行基于自动摘要技术的处理,从而得到该文本的处理结果,即该文本的摘要。
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数据序列处理***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所示的数据序列处理***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文本,然后再由用户设备自身针对该文本执行文本处理应用(例如,文本的摘要生成等),从而得到针对该文本的对应的处理结果。
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数据序列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图像执行图像处理应用,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,将本申请中的待处理文本的多个句子划分为多个类别后,每个类别中权重最大的句子)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(如本申请中的摘要生成模型);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的多个句子划分为多个类别后,每个类别中权重最大的句子)输入到所述训练好的神经网络中,得到输出数据(如本申请中目标文本的摘要等等)。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。
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、获取目标文本的多个句子以及第一矩阵,第一矩阵包含多个句子中任意两个句子之间的相似度。
本实施例中,当需要获取某个原始文本的摘要时,由于原始文本中可能存在各种问题(例如,无效内容、特殊符号、引用注解等等各类对文本正文可能存在影响的问题),可先对原始文本进行文本清洗,以得到清洗后的文本。为了便于介绍,下文可将清洗后的文本称为目标文本,那么,本实施例的目的为自动生成目标文本的摘要。
具体地,可通过图5所示的方式对原始文本进行文本清洗(图5为本申请实施例提供的文本清洗过程的一个示意图),从而得到目标文本:
(1)去除原始文本的无效内容,例如,原始文本中的无效内容可以为原始文本中过短的文本或原始文本中乱码的文本等等。
(2)去除特殊符号对原始文本的分句结果所造成的不良影响,例如,在原始文本中,存在一个句子为“Gujarat Act no.28 of 2015”。“Gujarat Act no.28 of 2015”中的圆点“.”对该句子的分句结果造成了不良影响,可将“Gujarat Act no.28 of 2015”修改为“Gujarat Act no-28 of 2015”。
(3)处理引用注解对原始文本的分句结果所造成的不良影响,例如,在原始文本中,存在一个句子为“e.g.enable cell growth.26A scafford is required”。“e.g.enable cell growth.26A scafford is required”中的引用注解“e.g.”和“26”对该句子的分句结果造成了不良影响,可将“e.g.enable cell growth.26A scafford isrequired”修改为“enable cell growth.A scafford is required”。
(4)利用其它清洗规则对原始文本进行清洗。
(5)去除原始文本中的小标题和尾注等内容,得到目标文本。值得注意的是,原始文本中的小标题和尾注等内容可作为目标文本的显性摘要。
得到目标文本后,可利用相似度算法(例如,Jaccard算法、Bert SimCSE算法、Roberta SimCSE算法等等)对目标文本的多个句子(也就是所有句子)进行计算,得到第一矩阵,第一矩阵包含目标文本的多个句子中,任意两个句子之间的相似度。设目标文本包含n个句子(n为大于或等于1的正整数),故第一矩阵可以为n行n列的矩阵,其中,第一矩阵中第i列第j行的元素为目标文本的第i个句子和目标文本的第j个句子之间的相似度,i=1,…,n,j=1,…,n。例如,第一矩阵可表示为SMn×n,如公式(2)所示:
式中,w12为目标文本的第1个句子和目标文本的第2个句子之间的相似度,w43为目标文本的第4个句子和目标文本的第3个句子之间的相似度等,其余元素也可参考w12和w43的相关说明部分,此处不再赘述。
402、基于第一矩阵进行迭代运算,得到第二矩阵,第二矩阵包含多个句子中每个句子的权重。
得到第一矩阵后,可基于第一矩阵进行迭代运算,得到第二矩阵,第二矩阵包含目标文本中每个句子的权重,需要说明的是,对于目标文本的任意一个句子,该句子的权重也可以理解为该句子的重要程度,若该句子的权重越大,说明该句子的重要程度越大,若该句子的权重越小,说明该句子的重要程度越小。
具体地,可通过以下方式对第一矩阵进行迭代运算,从而得到第二矩阵:
(1)得到目标文本后,还可利用同样的相似度算法,对目标文本的标题和目标文本的多个句子进行计算,得到第三矩阵,第三矩阵包含目标文本的多个句子中,任意一个句子与目标文本的标题之间的相似度。由于目标文本包含n个句子,故第三矩阵可以为n行1列的矩阵或1行n列的矩阵。若第三矩阵为n行1列的矩阵,第三矩阵中第j行的元素为目标文本的标题和目标文本的第j个句子之间的相似度。若第三矩阵为1行n列的矩阵,第三矩阵中第i列的元素为目标文本的标题和目标文本的第i个句子之间的相似度。例如,以第三矩阵可以为n行1列的矩阵为例进行示意性说明,第三矩阵可表示为TSMn×1,如公式(3)所示:
式中,a1为目标文本的标题和目标文本的第1个句子之间的相似度,其余元素也可参考a1的相关说明部分,此处不再赘述。
(2)得到目标文本后,可利用关键词检测算法,对目标文本的多个句子进行检测,得到第四矩阵,第四矩阵包含目标文本的多个句子中,每个句子所包含的关键词的数量。由于目标文本包含n个句子,故第四矩阵可以为n行1列的矩阵或1行n列的矩阵。若第四矩阵为n行1列的矩阵,第四矩阵中第j行的元素为目标文本的第j个句子所包含的关键词的数量。若第四矩阵为1行n列的矩阵,第四矩阵中第i列的元素为目标文本的第i个句子所包含的关键词的数量。例如,以第四矩阵可以为n行1列的矩阵为例进行示意性说明,第四矩阵可表示为KSn×1,如公式(4)所示:
式中,k1为目标文本的第1个句子所包含的关键词的数量,其余元素也可参考k1的相关说明部分,此处不再赘述。
(3)得到第三矩阵和第四矩阵后,可将第一矩阵、第三矩阵和第四矩阵进行融合(也可以理解为矩阵合并),得到第五矩阵。得到第五矩阵后,可基于第五矩阵进行迭代运算,得到第二矩阵。
进一步地,在步骤(3)中,可通过以下两种方式中的其中一种,对第一矩阵、第三矩阵和第四矩阵进行融合,从而得到第五矩阵:
(3.1)若第三矩阵和第四矩阵为n行1列的矩阵,可按列对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵。需要说明的是,处理后的第一矩阵依旧为n行n列的矩阵,处理后的第一矩阵中第i列第j行的元素为归一化后的目标文本的第i个句子和目标文本的第j个句子之间的相似度。那么,对于处理后的第一矩阵的任意一列,即处理后的第一矩阵的第i列(i=1,…,n),处理后的第一矩阵的第i列中的所有元素可符合标准正态分布,例如,处理后的第一矩阵可表示为SMSn×n,如公式(5)所示:
式中,ws21为归一化后的目标文本的第1个句子和目标文本的第2个句子之间的相似度,第一矩阵中第1列的所有元素ws21、ws31、ws41、…、wsn1符合标准正态分布,其余元素也可参考ws21的相关说明部分,其余列也可参考第1列的相关说明部分,此处不再赘述。
同样地,处理后的第三矩阵依旧为n行1列的矩阵,处理后的第三矩阵中第j行的元素为归一化后的目标文本的标题和目标文本的第j个句子之间的相似度。那么,处理后的第三矩阵的所有元素符合标准正态分布,例如,处理后的第三矩阵可表示为TSMn×1,如公式(6)所示:
式中,as1为归一化后的目标文本的标题和目标文本的第1个句子之间的相似度,as1、as2、as3、…、asn符合标准正态分布,其余元素也可参考as1的相关说明部分,此处不再赘述。
同样地,处理后的第四矩阵依旧为n行1列的矩阵,处理后的第四矩阵中第j行的元素为归一化后的目标文本的第j个句子所包含的关键词的数量。那么,处理后的第四矩阵的所有元素符合标准正态分布,例如,处理后的第四矩阵可表示为KSSn×1,如公式(7)所示:
式中,ks1为归一化后的目标文本的第1个句子中所包含的关键词的数量,ks1、ks2、ks3、ks4、…、ksn符合标准正态分布,其余元素也可参考ks1的相关说明部分,此处不再赘述。
得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵后,可将处理后的第一矩阵的第i列、处理后的第三矩阵、处理后的第四矩阵和第i个正值进行相加处理,得到第五矩阵的第i列,第五矩阵的第i列符合正态分布(由于第i个正值的存在)。值得注意的是,第i个正值可通过以下方式获取:在处理后的第一矩阵的第i列、处理后的第三矩阵和处理后的第四矩阵中,可挑选出最小的元素,并将最小的元素与预置的正值(例如,预置的正值为1等等)进行求和,得到第i个正值。
对于处理后的第一矩阵的其余列,也可执行如同对处理后的第一矩阵的第i列的操作(即前述的相加处理),故可得到第五矩阵的其余列。如此一来,则得到了完整的第五矩阵。例如,第五矩阵可表示为Mn×n,如公式(8)所示:
式中,第五矩阵的第i列为β1*Wi+3*di+β2*T+β3*K,Wi为处理后的第一矩阵SMSn×n的第i列,T=TSSMn×1,K=KSSn×1,β1、β2和β3为预置的权重(这三个权重之和为1,三个权重的大小可根据实际需求进行设置,此处不做限制),di为第i个正值,di=min{ws1i、ws2i、...、ws4i、as1、as2、...、asn、ks1、ks2、...、ksn}+1。
(3.2)若第三矩阵和第四矩阵为1行n列的矩阵,可按行对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵。需要说明的是,处理后的第一矩阵依旧为n行n列的矩阵,处理后的第一矩阵中第i列第j行的元素为归一化后的目标文本的第i个句子和目标文本的第j个句子之间的相似度。那么,对于处理后的第一矩阵的任意一行,即处理后的第一矩阵的第j行(j=1,…,n),处理后的第一矩阵的第j行中的所有元素可符合标准正态分布。
同样地,处理后的第三矩阵依旧为1行n列的矩阵,处理后的第三矩阵中第i列的元素为归一化后的目标文本的标题和目标文本的第i个句子之间的相似度。那么,处理后的第三矩阵的所有元素符合标准正态分布。
同样地,处理后的第四矩阵依旧为1行n列的矩阵,处理后的第四矩阵中第i列的元素为归一化后的目标文本的第i个句子所包含的关键词的数量。那么,处理后的第四矩阵的所有元素符合标准正态分布。
得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵后,可将处理后的第一矩阵的第j行、处理后的第三矩阵、处理后的第四矩阵和第j个正值进行相加处理,得到第五矩阵的第j行,第五矩阵的第j行符合正态分布。值得注意的是,第j个正值可通过以下方式获取:在处理后的第一矩阵的第j行、处理后的第三矩阵和处理后的第四矩阵中,可挑选出最小的元素,并将最小的元素与预置的正值(例如,预置的正值为1等等)进行求和,得到第j个正值。
对于处理后的第一矩阵的其余行,也可执行如同对处理后的第一矩阵的第j行的操作(即前述的相加处理),故可得到第五矩阵的其余行。如此一来,则得到了完整的第五矩阵。
进一步地,在步骤(3)中,可通过以下方式对第五矩阵进行迭代运算,从而得到第二矩阵:
得到第五矩阵后,将第五矩阵与第p-1次处理后的第六矩阵进行第p次相乘处理,得到第p次处理后的第六矩阵,直至第p次处理后的第六矩阵符合预置的条件,其中,p=1,…,m,m≥1。具体地,可获取预置的矩阵(该矩阵为n行1列的矩阵或1行n列的矩阵,且该矩阵中每个元素均为预置的值,预置的值的大小可根据实际需求进行设置,此处不做限制)作为第0次处理后的第六矩阵,并将第五矩阵与第0次处理后的第六矩阵进行第1次相乘处理,得到第1次处理后的第六矩阵。接着,再将第五矩阵与第1次处理后的第六矩阵进行相乘处理,得到第2次处理后的第六矩阵,以此类推,直至将第五矩阵与第m-1次处理后的第六矩阵进行第m次相乘处理后,所得到的第m次处理后的第六矩阵满足预置的条件(例如,第m次处理后的第六矩阵相较于前几次处理后的第六矩阵而言未发生变化,即最近若干次相乘处理所得到的第六矩阵趋于稳定状态),则可将第m次处理后的第六矩阵作为第二矩阵,第二矩阵也为n行1列的矩阵或1行n列的矩阵,若第二矩阵为n行1列的矩阵,第二矩阵中第u行的元素为目标文本的第u个句子的权重,u=1,…,n,若第二矩阵为1行n列的矩阵,第二矩阵中第r行的元素为目标文本的第u个句子的权重,u=1,…,n。例如,第p次处理后的第六矩阵可表示为Bp,如公式(9)所示:
Bp=Mn×n·Bp-1 (9)
式中,Bp-1为第p-1次处理后的第六矩阵。
403、基于第一矩阵将多个句子划分为多个类别。
得到第二矩阵后,基于第一矩阵可将目标文本的多个句子划分为多个类别(即多个语义簇),即句子之间的相似度可将目标文本的多个句子划分为多个类别,每一个类别包含目标文本的至少一个句子。例如,如图6所示(图6为本申请实施例提供的类别划分的一个示意图),设一篇清洗后的文章包含100个句子,基于句子之间的相似度,可将这100个句子分为三个类别,分别为类别A、类别B和类别C,其中,类别A包含50个句子,类别B包含30个句子,类别C包括20个句子。需要说明的是,在图6所示的例子中,圆点代表句子,圆点之间的连线代表句子之间的相似度,连线的长度代表相似度的大小。
具体地,可通过以下方式对目标文本的多个句子进行划分,从而得到多个类别:
在得到第二矩阵后,由于第一矩阵包含目标文本的多个句子中两两句子之间的相似度,且第二矩阵包含目标文本的多个句子中每个句子的权重,故可结合句子之间的相似度和句子的权重将目标文本的多个句子划分为多个类别。在这多个类别中,任意一个类别中任意两个句子之间的相似度大于或等于预置的相似度阈值,且任意两个类别中权重最大的句子之间的相似度小于预置的相似度阈值。值得注意的是,预置的相似度阈值可通过以下方式获取:如图7所示(图7为本申请实施例提供的分析曲线的一个示意图),对目标文本进行分析得到,获取类别的数量与相似度阈值之间的关系曲线(即图7中的曲线1),以及类别所包含句子的数量与相似度阈值之间的关系曲线(即图7中的曲线2),基于这两个曲线可知,当相似度阈值增大时,类别的数量减少,类别所包含句子的数量增多,因此,可选择两个曲线的交点所对应的相似度阈值,作为预置的相似度阈值(例如,图7中预置的相似度阈值为0.325等等),与此同时,也就确定了在对目标文本的多个句子进行类别划分时的类别数量。由此可见,基于此种方式(即通过分析目标文本,获取类别的数量与相似度阈值之间的关系以及类别所包含句子的数量与相似度阈值之间的关系)所得的相似度阈值,可作为句子的分类标准,从而准确获取多个句子类别。相较于相关技术中的无监督聚类方法,该方法可以同时满足聚类(类别)个数指定或聚类距离(相似度阈值)的指定。如果选用基于聚类距离(相似度阈值)的方法,可以结合第二矩阵中句子的权重来简化类间距离计算完成类别的划分,有效降低类别划分过程的时间复杂度,从而节约时间成本,具备足够强大的性能。
404、基于第二矩阵,确定多个类别中每个类别中权重最大的句子。
得到多个类别后,由于第二矩阵包含目标文本的多个句子中每个句子的权重,故可在多个类别中,确定每个类别中权重最大的句子。
405、基于权重最大的句子,生成目标文本的摘要。
确定每个类别中权重最大的句子后,可将这部分句子输入至摘要生成模型(已训练的神经网络模型),以通过摘要生成模型对这部分句子进行处理(例如,摘要生成模型可调整这部分句子的语法构成和表述等等),得到目标文本的摘要。
可以理解的是,步骤401至步骤402实现了抽取式的自动摘要技术,步骤405实现了生成式的自动摘要技术,故本实施例可视为抽取式的自动摘要技术和生成式的自动摘要技术的结合,抽取式的自动摘要技术的结果作为生成式的自动摘要技术的输入,从而输出最终的结果,即目标文本的摘要。
进一步地,为了令目标文本的摘要所包含的句子的数量保持在合适在范围内,可适当改变输入至摘要生成模型的句子的数量。例如,在确定每个类别中权重最大的句子后(后续将这部分句子称为待输入至模型的句子集合),若该句子集合中句子的数量小于前述目标文本的显性摘要所包含的句子的数量,可从每个类别选择一个句子(例如,对于任意一个类别,可选择与该类别中权重最大的句子相似度最低的句子)添加进该句子集合,以使得更新后的句子集合中句子的数量较大于或等于目标文本的显性摘要所包含的句子的数量。若该句子集合中句子的数量远大于目标文本的显性摘要所包含的句子的数量,可适当删减该句子集合中的一部分句子,以控制更新后的句子集合中句子的数量较大于或等于目标文本的显性摘要所包含的句子的数量
此外,还可将本申请实施例提供的摘要生成方法与相关技术的摘要生成方法进行实验,并比较实验结果。本申请实施例的实验结果如表1至表3所示:
表1
Rouge-1_p | Rouge-1_r | Rouge-1_f |
Mean:0.473621 | Mean:0.413516 | Mean:0.441532 |
Std:0.258386 | Std:0.271154 | Std:0.264616 |
Min:0.070229 | Min:0.095077 | Min:0.080785 |
25%:0.313629 | 25%:0.188237 | 25%:0.235268 |
50%:0.505412 | 50%:0.302077 | 50%:0.378143 |
70%:0.821636 | 70%:0.486534 | 70%:0.611165 |
Max:0.952684 | Max:0.970364 | Max:0.961442 |
表2
Rouge-2_p | Rouge-2_r | Rouge-2_f |
Mean:0.353311 | Mean:0.232346 | Mean:0.280336 |
Std:0.335484 | Std:0.209967 | Std:0.258284 |
Min:0.000000 | Min:0.000000 | Min:0.000000 |
25%:0.058439 | 25%:0.057518 | 25%:0.057975 |
50%:0.293531 | 50%:0.140548 | 50%:0.190082 |
70%:0.756445 | 70%:0.313329 | 70%:0.443114 |
Max:0.944226 | Max:0.910378 | Max:0.926953 |
表3
Rouge-L_p | Rouge-L_r | Rouge-L_f |
Mean:0.493885 | Mean:0.413022 | Mean:0.449849 |
Std:0.273202 | Std:0.218731 | Std:0.242951 |
Min:0.048181 | Min:0.059077 | Min:0.053075 |
25%:0.275182 | 25%:0.136154 | 25%:0.182171 |
50%:0.476133 | 50%:0.227463 | 50%:0.307855 |
70%:0.824682 | 70%:0.398821 | 70%:0.537637 |
Max:0.956734 | Max:0.966314 | Max:0.961501 |
在表1至表3中,可将表1中Rouge-1_f的mean值作为指标1,将表2中Rouge-2_f的mean值作为指标2,将表3中Rouge-L_f的mean值作为指标3,且以百分比的形式呈现。那么,本申请实施例的指标1为44.1,指标2为28,指标3为45,将本申请实施例的实验结果与相关技术的实验结果进行比较,比较结果如表4和表5所示:
表4
评价指标 | 行业标准 | 相关技术一 | 本申请实施例 |
指标1 | 44.7 | 31.1 | 44.1 |
指标2 | 21.4 | 19.8 | 28.0 |
指标3 | 41.4 | 30.1 | 45.0 |
表5
指标1 | 指标2 | 指标3 | |
行业标准 | 44.7 | 21.4 | 41.4 |
相关技术2 | 44.51 | 21.58 | 41.24 |
相关技术3 | 44.45 | 21.25 | 41.4 |
相关技术4 | 44.38 | 21.53 | 41.17 |
相关技术5 | 44.31 | 21.35 | 41.60 |
相关技术6 | 44.2 | 21.17 | 41.30 |
基于表4和表5可知,相较于行业标准,本申请实施例在指标1上相差不大,且在指标2和指标3上,均有较大提升。相较于相关技术1至相关技术6,本申请实施例在指标1上相差不大,且在指标2和指标3上,均有大幅度提升。而且,本申请实施例在经过多个实验后,在其所生成的多个文本的摘要中,摘要所包含的句子的数量分布如图8所示(图8为本申请实施例提供的实验结果的一个示意图),可见,本申请实施例所生成的摘要所包含的句子的数量,大部分为6到8句。
进一步地,可利用相关技术的摘要生成方法和本申请实施例提供的摘要生成方法,对同一篇文章进行自动摘要提取,并比较二者的摘要内容:
相关技术所得到的摘要为:A国认为,B国所受到的指定是它在政治和道义上的巨大胜利,其在国际层面的政治地位会变得更好,最终使其在未来的谈判地位更加强大,但预计这一指定将使B国处于较弱的政治地位并给他们造成许多损失。在内部,这会使他们成为一个不那么有吸引力的政党,并使他们与社会、政治和经济人物和实体的关系变得尴尬,尤其是那些与外部利益和交易有关系的人。在外部,他们的国际孤立将会恶化,他们的活动将变得更加复杂,即使和平努力和国际社会结束冲突的愿望有助于减少这种孤立。
本申请实施例所得到的摘要为:本文阐明了C国将B国指定为“XX组织”的立场的演变。有人担心这一指定可能对A国的和平进程产生负面影响。这一指定预计将B国派置于较弱的政治地位,给他们造成许多损失。例如,对内会让关系变得尴尬并失去吸引力,对外则会被孤立。D国在这一过程中获得增加影响力的机会。
可见,相关技术的摘要主要包含“A国对B国的看法”这一类别的句子,而本申请实施例不仅包含“A国对B国的看法”这一类别的句子,还包含“C国对B国的指定”这一类别的句子以及“D国在该指定中的收益”这一类别的句子。可见,本申请实施例所提供的摘要生成方法,所得到的摘要内容更具备多样性,能够更加全面地代表文章的主要内容。
本申请实施例中,在获取目标文本的多个句子以及第一矩阵后,可基于第一矩阵进行迭代运算,得到第二矩阵,第一矩阵包含多个句子中任意两个句子之间的相似度,第二矩阵包含多个句子中每个句子的权重。然后,可基于第一矩阵将多个句子划分为多个类别。接着,可基于第二矩阵,确定多个类别中每个类别中权重最大的句子。最后,基于权重最大的句子,生成目标文本的摘要。前述过程中,由于目标文本的摘要来源于目标文本的各个类别中权重最大的句子,具备一定程度上的语义多样性,且摘要所包含的信息足够全面,可准确表达整个目标文本的主要内容。可见,以此种方式所生成的目标文本的摘要,其句子之间的语义重复度低,且囊括目标文本的重要信息。
进一步地,本申请实施例结合了抽取式的自动摘要技术和生成式的自动摘要技术的结合,抽取式的自动摘要技术的结果作为生成式的自动摘要技术的输入,且生成式的自动摘要技术的输出作为最终的结果。可见,目标文本可先经过抽取式的自动摘要技术的处理,得到了初步的摘要。接着,摘要生成模型对初步的摘要进行处理,从而得到最终的摘要(即目标文本的摘要),由于初步的摘要所包含的句子的数量往往较小(可视为一个短文本),摘要生成模型在对初步的摘要进行处理时,所需计算的数据量较少,有利于缩短模型生成摘要过程所需的时间,相当于提高了模型的性能,从而保证最终的摘要的质量。
进一步地,本申请实施例可适用于各种结构的目标文本,即可实现对各种结构的目标文本的摘要生成,且最终得到的摘要可有效代表目标文本的主要内容,可见,本申请实施例在各种应用场景下均具备良好的摘要生成效果。
进一步地,本申请实施例中,当需要对目标文本的句子进行类别划分时,可提前对目标文本进行分析,以获取类别的数量与相似度阈值之间的关系以及类别所包含句子的数量与相似度阈值之间的关系,再基于这些关系来确定类别的数量,从而避免过多的人为干预。
进一步地,本申请实施例在获取目标文本中句子的权重时,不仅考虑了句子之间的相似度,还考虑句子与标题之间的相似度,句子所包含的关键词的数量等多个因素,所考虑的因素较为全面,有利于提高句子的权重的准确度,进而有利于提高目标文本的摘要的质量。
图9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9所示,该方法包括:
901、获取待训练模型以及目标文本的真实摘要。
本实施例中,当需要获取具备自动摘要能力(即可实现生成式的自动摘要技术)的模型时,可获取待训练模型(即未训练的神经网络模型)以及一批训练数据。其中,该批训练数据包括目标文本的真实摘要,即目标文本中可作为摘要的句子,这些句子可理解为目标文本的标签,且这些标签是已知的。
902、通过待训练模型对目标文本的真实摘要进行处理,得到目标文本的预测摘要。
得到目标文本的真实摘要后,可将目标文本的真实摘要输入至待训练模型中,以通过待训练模型对目标文本的真实摘要进行处理,得到目标文本的预测摘要。
903、基于目标文本的真实摘要和预测摘要,获取目标损失,目标损失用于指示目标文本的真实摘要和预测摘要之间的差异。
得到目标文本的预测摘要后,由于目标文本的真实摘要已知,故可利用预置的目标损失函数对目标文本的真实摘要和目标文本的预测摘要进行计算,从而得到目标损失,目标损失可用于指示目标文本的真实摘要和目标文本的预测摘要之间的差异。
904、基于目标损失,对待训练模型的参数进行更新,直至满足模型训练条件,得到摘要生成模型。
得到目标损失后,可基于目标损失对待训练模型的模型参数进行更新,得到更新后的待训练模型,并获取下一批训练数据,并基于下一批训练数据对更新后的待训练模型进行训练(即重新执行步骤902至步骤904),直至满足模型训练条件(例如,目标损失达到收敛等等),可得到摘要生成模型。
本申请实施例所得到摘要生成模型,具备自动摘要的能力。在模型训练的过程中,仅需使用少量已知标签的训练数据,即可完成模型的训练,有利于降低模型训练的成本,且该模型基于生成式的自动摘要技术实现,可结合抽取式的自动摘要技术,作为一个整体去提取文本的摘要,有利于扩充自动摘要技术的应用场景。
以上是对本申请实施例提供的摘要生成方法以及模型训练方法所进行的具体说明,以下将对本申请实施例提供的摘要生成装置和模型训练装置进行介绍。图10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10所示,该装置包括:
第一获取模块1001,用于获取目标文本的多个句子以及多个句子中任意两个句子之间的相似度,例如,第一获取模块用于获取目标文本的多个句子以及第一矩阵,第一矩阵包含多个句子中任意两个句子之间的相似度;
运算模块1002,用于基于这些相似度进行迭代运算,得到多个句子中每个句子的权重,例如,运算模块用于基于第一矩阵进行迭代运算,得到第二矩阵,第二矩阵包含多个句子中每个句子的权重;
划分模块1003,用于基于这些相似度将所述多个句子划分为多个类别,例如,划分模块用于基于第一矩阵将多个句子划分为多个类别;
确定模块1004,用于确定多个类别中每个类别中权重最大的句子,例如,确定模块用于基于第二矩阵,确定多个类别中每个类别中权重最大的句子;
生成模块1005,用于基于权重最大的句子,生成目标文本的摘要。值得注意的是,运算模块1002和确定模块1004组成前述的选择模块,选择模块用于基于这些相似度和目标文本确定所述多个类别中每个类别中权重最大的句子。
本申请实施例中,在获取目标文本的多个句子以及第一矩阵后,可基于第一矩阵进行迭代运算,得到第二矩阵,第一矩阵包含多个句子中任意两个句子之间的相似度,第二矩阵包含多个句子中每个句子的权重。然后,可基于第一矩阵将多个句子划分为多个类别。接着,可基于第二矩阵,确定多个类别中每个类别中权重最大的句子。最后,基于权重最大的句子,生成目标文本的摘要。前述过程中,由于目标文本的摘要来源于目标文本的各个类别中权重最大的句子,具备一定程度上的语义多样性,且摘要所包含的信息足够全面,可准确表达整个目标文本的主要内容。可见,以此种方式所生成的目标文本的摘要,其句子之间的语义重复度低,且囊括目标文本的重要信息。
进一步地,本申请实施例结合了抽取式的自动摘要技术和生成式的自动摘要技术的结合,抽取式的自动摘要技术的结果作为生成式的自动摘要技术的输入,且生成式的自动摘要技术的输出作为最终的结果。可见,目标文本可先经过抽取式的自动摘要技术的处理,得到了初步的摘要。接着,摘要生成模型对初步的摘要进行处理,从而得到最终的摘要(即目标文本的摘要),由于初步的摘要所包含的句子的数量往往较小(可视为一个短文本),摘要生成模型在对初步的摘要进行处理时,所需计算的数据量较少,有利于缩短模型生成摘要过程所需的时间,相当于提高了模型的性能,从而保证最终的摘要的质量。
进一步地,本申请实施例可适用于各种结构的目标文本,即可实现对各种结构的目标文本的摘要生成,且最终得到的摘要可有效代表目标文本的主要内容,可见,本申请实施例在各种应用场景下均具备良好的摘要生成效果。
进一步地,本申请实施例中,当需要对目标文本的句子进行类别划分时,可提前对目标文本进行分析,以获取类别的数量与相似度阈值之间的关系以及类别所包含句子的数量与相似度阈值之间的关系,再基于这些关系来确定类别的数量,从而避免过多的人为干预。
进一步地,本申请实施例在获取目标文本中句子的权重时,不仅考虑了句子之间的相似度,还考虑句子与标题之间的相似度,句子所包含的关键词的数量等多个因素,所考虑的因素较为全面,有利于提高句子的权重的准确度,进而有利于提高目标文本的摘要的质量。
在一种可能的实现方式中,该装置还包括:第二获取模块,用于获取第三矩阵和第四矩阵,第三矩阵包含多个句子中任意一个句子与目标文本的标题之间的相似度,第四矩阵包含多个句子中每个句子所包含的关键词的数量;运算模块1002,用于:将第一矩阵、第三矩阵和第四矩阵进行融合,得到第五矩阵;基于第五矩阵进行迭代运算,得到第二矩阵。
在一种可能的实现方式中,若第一矩阵为n行n列的矩阵,第三矩阵和第四矩阵为n行1列的矩阵,n为句子的数量,运算模块1002,用于:对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,处理后的第一矩阵的第i列、处理后的第三矩阵和处理后的第四矩阵均符合标准正态分布,i=1,…,n;将处理后的第一矩阵的第i列、处理后的第三矩阵、处理后的第四矩阵和第i个正值进行相加处理,得到第五矩阵的第i列,第五矩阵的第i列符合正态分布。
在一种可能的实现方式中,若第一矩阵为n行n列的矩阵,第三矩阵和第四矩阵为1行n列的矩阵,n为句子的数量,运算模块1002,用于:对第一矩阵、第三矩阵和第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,处理后的第一矩阵的第j行、处理后的第三矩阵和处理后的第四矩阵均符合标准正态分布,j=1,…,n;将处理后的第一矩阵的第j行、处理后的第三矩阵、处理后的第四矩阵和第j个正值进行相加处理,得到第五矩阵的第j行,第五矩阵的第j行符合正态分布。
在一种可能的实现方式中,第i个正值为处理后的第一矩阵的第i列、处理后的第三矩阵、处理后的第四矩阵中最小的元素与预置的正值之间的和。
在一种可能的实现方式中,第j个正值为处理后的第一矩阵的第j行、处理后的第三矩阵、处理后的第四矩阵中最小的元素与预置的正值之间的和。
在一种可能的实现方式中,运算模块1002,用于将第五矩阵与第p-1次处理后的第六矩阵进行第p次相乘处理,得到第p次处理后的第六矩阵,直至第p次处理后的第六矩阵符合预置的条件,其中,p=1,…,m,m≥1,第0次处理后的第六矩阵为预置的矩阵,第m次处理后的第六矩阵作为第二矩阵。
在一种可能的实现方式中,任意一个类别中任意两个句子之间的相似度大于或等于预置的相似度阈值,且任意两个类别中权重最大的句子之间的相似度小于相似度阈值。
在一种可能的实现方式中,生成模块1005,用于通过摘要生成模型对权重最大的句子进行处理,得到目标文本的摘要。
图11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11所示,该装置包括:
第一获取模块1101,用于获取待训练模型以及目标文本的真实摘要。
处理模块1102,用于通过待训练模型对目标文本的真实摘要进行处理,得到目标文本的预测摘要。
第二获取模块1103,用于基于目标文本的真实摘要和预测摘要,获取目标损失,目标损失用于指示目标文本的真实摘要和预测摘要之间的差异。
更新模块1104,用于基于目标损失,对待训练模型的参数进行更新,直至满足模型训练条件,得到摘要生成模型。
本申请实施例所得到摘要生成模型,具备自动摘要的能力。在模型训练的过程中,仅需使用少量已知标签的训练数据,即可完成模型的训练,有利于降低模型训练的成本,且该模型基于生成式的自动摘要技术实现,可结合抽取式的自动摘要技术,作为一个整体去提取文本的摘要,有利于扩充自动摘要技术的应用场景。
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12为本申请实施例提供的执行设备的一个结构示意图。如图12所示,执行设备1200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1200上可部署有图10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1200包括:接收器1201、发射器1202、处理器1203和存储器1204(其中执行设备1200中的处理器1203的数量可以一个或多个,图12中以一个处理器为例),其中,处理器1203可以包括应用处理器12031和通信处理器12032。在本申请的一些实施例中,接收器1201、发射器1202、处理器1203和存储器1204可通过总线或其它方式连接。
存储器1204可以包括只读存储器和随机存取存储器,并向处理器1203提供指令和数据。存储器1204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1204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1203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1203中,或者由处理器1203实现。处理器1203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1203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1203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1203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1204,处理器1203读取存储器1204中的信息,结合其硬件完成上述方法的步骤。
接收器1201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1202可用于通过第一接口输出数字或字符信息;发射器1202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1202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1203,用于通过图4对应实施例中的摘要生成模型,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13为本申请实施例提供的训练设备的一个结构示意图。如图13所示,训练设备1300由一个或多个服务器实现,训练设备1300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)1314(例如,一个或一个以上处理器)和存储器1332,一个或一个以上存储应用程序1342或数据1344的存储介质1330(例如一个或一个以上海量存储设备)。其中,存储器1332和存储介质1330可以是短暂存储或持久存储。存储在存储介质1330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1314可以设置为与存储介质1330通信,在训练设备1300上执行存储介质1330中的一系列指令操作。
训练设备1300还可以包括一个或一个以上电源1326,一个或一个以上有线或无线网络接口1350,一个或一个以上输入输出接口1358;或,一个或一个以上操作***1341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,训练设备可以执行图9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14,图14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 1400,NPU 1400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1403,通过控制器1404控制运算电路1403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1403内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1403是二维脉动阵列。运算电路1403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1403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1402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1401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)1408中。
统一存储器1406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)1405,DMAC被搬运到权重存储器1402中。输入数据也通过DMAC被搬运到统一存储器1406中。
BIU为Bus Interface Unit即,总线接口单元1413,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1409的交互。
总线接口单元1413(Bus Interface Unit,简称BIU),用于取指存储器1409从外部存储器获取指令,还用于存储单元访问控制器1405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1406或将权重数据搬运到权重存储器1402中或将输入数据数据搬运到输入存储器1401中。
向量计算单元1407包括多个运算处理单元,在需要的情况下,对运算电路1403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1407能将经处理的输出的向量存储到统一存储器1406。例如,向量计算单元1407可以将线性函数;或,非线性函数应用到运算电路1403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1407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1403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1404连接的取指存储器(instruction fetch buffer)1409,用于存储控制器1404使用的指令;
统一存储器1406,输入存储器1401,权重存储器1402以及取指存储器1409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 (23)
1.一种摘要生成方法,其特征在于,所述方法包括:
获取目标文本的多个句子以及所述多个句子中任意两个句子之间的相似度;
基于所述相似度将所述多个句子划分为多个类别;
基于所述相似度和所述目标文本确定所述多个类别中每个类别中权重最大的句子;
基于所述每个类别中权重最大的句子,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,所述基于所述相似度和所述目标文本确定所述多个类别中每个类别中权重最大的句子包括:
基于所述相似度进行迭代运算,得到所述多个句子中每个句子的权重;
确定所述多个类别中每个类别中权重最大的句子。
3.根据权利要求2所述的方法,其特征在于,所述多个句子中任意两个句子之间的相似度通过第一矩阵获取,所述方法还包括:
获取第三矩阵和第四矩阵,所述第三矩阵包含所述多个句子中任意一个句子与所述目标文本的标题之间的相似度,所述第四矩阵包含所述多个句子中每个句子所包含的关键词的数量;
所述基于所述相似度进行迭代运算,得到所述多个句子中每个句子的权重包括:
将所述第一矩阵、所述第三矩阵和所述第四矩阵进行融合,得到第五矩阵;
基于所述第五矩阵进行迭代运算,得到第二矩阵,所述第二矩阵包含所述多个句子中每个句子的权重。
4.根据权利要求3所述的方法,其特征在于,若所述第一矩阵为n行n列的矩阵,所述第三矩阵和所述第四矩阵为n行1列的矩阵,n为句子的数量,所述将所述第一矩阵、所述第三矩阵和所述第四矩阵进行融合,得到第五矩阵包括:
对所述第一矩阵、所述第三矩阵和所述第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,所述处理后的第一矩阵的第i列、所述处理后的第三矩阵和所述处理后的第四矩阵均符合标准正态分布,i=1,…,n;
将所述处理后的第一矩阵的第i列、所述处理后的第三矩阵、所述处理后的第四矩阵和第i个正值进行相加处理,得到第五矩阵的第i列,所述第五矩阵的第i列符合正态分布。
5.根据权利要求3所述的方法,其特征在于,若所述第一矩阵为n行n列的矩阵,所述第三矩阵和所述第四矩阵为1行n列的矩阵,n为句子的数量,所述将所述第一矩阵、所述第三矩阵和所述第四矩阵进行融合,得到第五矩阵包括:
对所述第一矩阵、所述第三矩阵和所述第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,所述处理后的第一矩阵的第j行、所述处理后的第三矩阵和所述处理后的第四矩阵均符合标准正态分布,j=1,…,n;
将所述处理后的第一矩阵的第j行、所述处理后的第三矩阵、所述处理后的第四矩阵和第j个正值进行相加处理,得到第五矩阵的第j行,所述第五矩阵的第j行符合正态分布。
6.根据权利要求4所述的方法,其特征在于,所述第i个正值为所述处理后的第一矩阵的第i列、所述处理后的第三矩阵、所述处理后的第四矩阵中最小的元素与预置的正值之间的和。
7.根据权利要求5所述的方法,其特征在于,所述第j个正值为所述处理后的第一矩阵的第j行、所述处理后的第三矩阵、所述处理后的第四矩阵中最小的元素与预置的正值之间的和。
8.根据权利要求3至7任意一项所述的方法,其特征在于,所述基于所述第五矩阵进行迭代运算,得到第二矩阵包括:
将所述第五矩阵与第p-1次处理后的第六矩阵进行第p次相乘处理,得到第p次处理后的第六矩阵,直至第p次处理后的第六矩阵符合预置的条件,其中,p=1,…,m,m≥1,第0次处理后的第六矩阵为预置的矩阵,第m次处理后的第六矩阵作为第二矩阵。
9.根据权利要求1至8任意一项所述的方法,其特征在于,任意一个类别中任意两个句子之间的相似度大于或等于预置的相似度阈值,且任意两个类别中权重最大的句子之间的相似度小于所述相似度阈值。
10.根据权利要求1至9任意一项所述的方法,其特征在于,所述基于所述每个类别中权重最大的句子,生成所述目标文本的摘要包括:
通过摘要生成模型对所述每个类别中权重最大的句子进行处理,得到所述目标文本的摘要。
11.一种摘要生成装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标文本的多个句子以及所述多个句子中任意两个句子之间的相似度;
划分模块,用于基于所述相似度将所述多个句子划分为多个类别;
选择模块,用于基于所述相似度和所述目标文本确定所述多个类别中每个类别中权重最大的句子;
生成模块,用于基于所述每个类别中权重最大的句子,生成所述目标文本的摘要。
12.根据权利要求11所述的装置,其特征在于,所述选择模块,包括:
运算模块,用于基于所述相似度进行迭代运算,得到所述多个句子中每个句子的权重;
确定模块,用于确定所述多个类别中每个类别中权重最大的句子。
13.根据权利要求12所述的装置,其特征在于,所述多个句子中任意两个句子之间的相似度通过第一矩阵获取,所述装置还包括:
第二获取模块,用于获取第三矩阵和第四矩阵,所述第三矩阵包含所述多个句子中任意一个句子与所述目标文本的标题之间的相似度,所述第四矩阵包含所述多个句子中每个句子所包含的关键词的数量;
所述运算模块,用于:
将所述第一矩阵、所述第三矩阵和所述第四矩阵进行融合,得到第五矩阵;
基于所述第五矩阵进行迭代运算,得到第二矩阵,所述第二矩阵包含所述多个句子中每个句子的权重。
14.根据权利要求13所述的装置,其特征在于,若所述第一矩阵为n行n列的矩阵,所述第三矩阵和所述第四矩阵为n行1列的矩阵,n为句子的数量,所述运算模块,用于:
对所述第一矩阵、所述第三矩阵和所述第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,所述处理后的第一矩阵的第i列、所述处理后的第三矩阵和所述处理后的第四矩阵均符合标准正态分布,i=1,…,n;
将所述处理后的第一矩阵的第i列、所述处理后的第三矩阵、所述处理后的第四矩阵和第i个正值进行相加处理,得到第五矩阵的第i列,所述第五矩阵的第i列符合正态分布。
15.根据权利要求13所述的装置,其特征在于,若所述第一矩阵为n行n列的矩阵,所述第三矩阵和所述第四矩阵为1行n列的矩阵,n为句子的数量,所述运算模块,用于:
对所述第一矩阵、所述第三矩阵和所述第四矩阵进行归一化处理,得到处理后的第一矩阵、处理后的第三矩阵和处理后的第四矩阵,所述处理后的第一矩阵的第j行、所述处理后的第三矩阵和所述处理后的第四矩阵均符合标准正态分布,j=1,…,n;
将所述处理后的第一矩阵的第j行、所述处理后的第三矩阵、所述处理后的第四矩阵和第j个正值进行相加处理,得到第五矩阵的第j行,所述第五矩阵的第j行符合正态分布。
16.根据权利要求14所述的装置,其特征在于,所述第i个正值为所述处理后的第一矩阵的第i列、所述处理后的第三矩阵、所述处理后的第四矩阵中最小的元素与预置的正值之间的和。
17.根据权利要求14所述的装置,其特征在于,所述第j个正值为所述处理后的第一矩阵的第j行、所述处理后的第三矩阵、所述处理后的第四矩阵中最小的元素与预置的正值之间的和。
18.根据权利要求13至17任意一项所述的装置,其特征在于,所述运算模块,用于将所述第五矩阵与第p-1次处理后的第六矩阵进行第p次相乘处理,得到第p次处理后的第六矩阵,直至第p次处理后的第六矩阵符合预置的条件,其中,p=1,…,m,m≥1,第0次处理后的第六矩阵为预置的矩阵,第m次处理后的第六矩阵作为第二矩阵。
19.根据权利要求12至18任意一项所述的装置,其特征在于,任意一个类别中任意两个句子之间的相似度大于或等于预置的相似度阈值,且任意两个类别中权重最大的句子之间的相似度小于所述相似度阈值。
20.根据权利要求12至19任意一项所述的装置,其特征在于,所述生成模块,用于通过摘要生成模型对所述每个类别中权重最大的句子进行处理,得到所述目标文本的摘要。
21.一种摘要生成装置,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10任意一项所述的方法。
22.一种计算机存储介质,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10任一所述的方法。
23.一种计算机程序产品,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10任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143418.2A CN116644176A (zh) | 2022-02-16 | 2022-02-16 | 一种摘要生成方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143418.2A CN116644176A (zh) | 2022-02-16 | 2022-02-16 | 一种摘要生成方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116644176A true CN116644176A (zh) | 2023-08-25 |
Family
ID=87638717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210143418.2A Pending CN116644176A (zh) | 2022-02-16 | 2022-02-16 | 一种摘要生成方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644176A (zh) |
-
2022
- 2022-02-16 CN CN202210143418.2A patent/CN116644176A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020228376A1 (zh) | 文本处理方法、模型训练方法和装置 | |
CN111898636B (zh) | 一种数据处理方法及装置 | |
CN113656563B (zh) | 一种神经网络搜索方法及相关设备 | |
CN113065633B (zh) | 一种模型训练方法及其相关联设备 | |
CN114329029B (zh) | 对象检索方法、装置、设备及计算机存储介质 | |
WO2023185925A1 (zh) | 一种数据处理方法及相关装置 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
CN116049536A (zh) | 一种推荐方法及相关装置 | |
CN117009650A (zh) | 一种推荐方法以及装置 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
WO2024114659A1 (zh) | 一种摘要生成方法及其相关设备 | |
WO2024067779A1 (zh) | 一种数据处理方法及相关装置 | |
WO2023246735A1 (zh) | 一种项目推荐方法及其相关设备 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
CN117251619A (zh) | 一种数据处理方法及相关装置 | |
CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
CN116843022A (zh) | 一种数据处理方法及相关装置 | |
CN116680401A (zh) | 文档处理方法、文档处理装置、设备及存储介质 | |
CN110851600A (zh) | 基于深度学习的文本数据处理方法及装置 | |
CN116312489A (zh) | 一种模型训练方法及其相关设备 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 | |
CN116644176A (zh) | 一种摘要生成方法及其相关设备 | |
CN112966766B (zh) | 物品分类方法、装置、服务器及存储介质 |
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 |