CN118296173A - 文本配图方法及装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种文本配图方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及人工智能领域，尤其涉及自然语言处理技术领域。实现方案为：获取待配图的文本数据；通过对文本数据进行关键词提取获得由一个或多个关键词形成的第一搜索文本；将第一搜索文本与预设图片库中的图片描述文本进行文本匹配，以获得匹配到的图片描述文本所对应的多个图片；将文本数据与多个图片分别进行相似度计算，以基于相似度值对多个图片进行重排序；以及基于重排序后的多个图片确定文本数据的目标图片。

Description

文本配图方法及装置、电子设备和介质

技术领域

本公开涉及人工智能领域，尤其涉及自然语言处理技术领域，具体涉及一种文本配图方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

随着科技的迅猛发展，诸如演示文稿(PPT)等的图文富媒体在社交、商务和学术交流中扮演着愈加重要的角色。例如，传统的PPT制作流程中，图像的选择和***往往是一个耗时且容易出现质量不一致问题的环节。此外，随着信息量的增加和观众对视觉效果的更高要求，传统手动选择图像的方式已经无法满足当今快节奏的演示需求。

发明内容

本公开提供了一种文本配图方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种文本配图方法，包括：获取待配图的文本数据；基于所述文本数据获得第一搜索文本，其中第一搜索文本包括：通过对所述文本数据进行关键词提取所获得的一个或多个关键词；将所述第一搜索文本与预设图片库中的图片描述文本进行文本匹配，以获得匹配到的图片描述文本所对应的多个图片，其中，所述预设图片库中的图片和图片描述文本一一对应；将所述文本数据与所述多个图片分别进行相似度计算，以基于相似度值对所述多个图片进行重排序；以及基于重排序后的所述多个图片确定所述文本数据的目标图片。

根据本公开的另一方面，提供了一种文本配图装置，包括：第一获取单元，配置为获取待配图的文本数据；第二获取单元，配置为基于所述文本数据获得第一搜索文本，其中第一搜索文本包括：通过对所述文本数据进行关键词提取所获得的一个或多个关键词；匹配单元，配置为将所述第一搜索文本与预设图片库中的图片描述文本进行文本匹配，以获得匹配到的图片描述文本所对应的多个图片，其中，所述预设图片库中的图片和图片描述文本一一对应；排序单元，配置为将所述文本数据与所述多个图片分别进行相似度计算，以基于相似度值对所述多个图片进行重排序；以及确定单元，配置为基于重排序后的所述多个图片确定所述文本数据的目标图片。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行本公开所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本公开所述的方法。

根据本公开的一个或多个实施例，通过预设图片库并将待配图文本与图片库中的图片描述文本进行匹配来进行图片的粗召回，然后进一步基于文本数据和图片进行多模态相似度计算，以进一步对粗召回的图片进行排序，从而基于重排序后的图片确定目标配图，综合考虑了文本和图像的语义信息，从而提高生成文稿的质量和效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图；

图2示出了根据本公开的实施例的文本配图方法的流程图；

图3示出了根据本公开的实施例的将搜索文本与预设图片库中的图片描述文本进行文本匹配的流程图；

图4示出了根据本公开的实施例的将文本数据与图片进行相似度计算的流程图；

图5示出了根据本公开的实施例的文本配图装置的结构框图；以及

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1，该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行文本配图的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的***配置是可能的，其可以与***100不同。因此，图1是用于实施本文所描述的各种方法的***的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取待配图文本、用户指令等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***，例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS)；或包括各种移动操作***，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式***的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

***100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如图片素材的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件***支持的常规存储库。

图1的***100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

在诸如PPT等的包括文本和图像的富媒体内容制作过程中，图像的选择和***往往是一个耗时且容易出现质量不一致问题的环节。此外，随着信息量的增加和观众对视觉效果的更高要求，传统手动选择图像的方式已经无法满足当今快节奏的演示需求。

因此，衍生出一些结合自然语言处理技术的文本配图方法。通常，可以基于分类的方式对文本进行配图。具体地，可以预设设置一定的类别并在每个类别下预设一定量的图片，通过自然语言处理技术将待配图的页面文本进行总结并将其分类到某一具体类别下，以返回该类别下的图片。但是，该方法的分类通常是基于人工设定的有限数量类别。这可能导致在处理特定主题或领域时，无法很好地适应多样性和个性化的需求；而且某些文本可能涉及多个主题或类别，而这种方法强制将其分配到一个固定的类别，可能导致失去部分语境；并且，该方法的准确性取决于分类模型的性能，如果模型不能准确地理解文本语义并正确分类，那么选取的配图可能与文本内容不匹配，影响演示的质量；另外，无法灵活适应未知领域，固定的分类模板可能无法提供足够的灵活性。

或者，可以基于文本匹配的方式进行配图。结合自然语言处理和计算机视觉技术，通过深度学习模型，能够解析文本描述并以此为基础生成与描述相符的图像。这种可以理解为由计算机模型来绘制与文本相对应的图像，但是作为一种较新的计算机视觉技术，存在一些明显的缺点和挑战：模型在生成图像时可能面临图像真实性的挑战，即生成的图像可能因为缺乏真实图像的约束而显得不自然，影响演示文稿等的专业度；并且，由于扩散模型的训练数据限制，生成的图像可能缺乏足够的多样性，这可能导致出现相似或重复的图像，降低观众的视觉体验；而且，模型需要深入理解文本的语义信息，包括上下文、复杂的词汇和句法结构，这在处理特定领域或主题的专业术语时可能面临挑战。

因此，根据本公开的实施例，提供了一种文本配图方法。图2示出了根据本公开的实施例的文本配图方法的流程图，如图2所示，方法200包括：获取待配图的文本数据(步骤210)；基于文本数据获得第一搜索文本，其中第一搜索文本包括：通过对文本数据进行关键词提取所获得的一个或多个关键词(步骤220)；将第一搜索文本与预设图片库中的图片描述文本进行文本匹配，以获得匹配到的图片描述文本所对应的多个图片，其中，预设图片库中的图片和图片描述文本一一对应(步骤230)；将文本数据与多个图片分别进行相似度计算，以基于相似度值对多个图片进行重排序(步骤240)；以及基于重排序后的多个图片确定文本数据的目标图片(步骤250)。

根据本公开的实施例，通过预设图片库并将待配图文本与图片库中的图片描述文本进行匹配来进行图片的粗召回，然后进一步基于文本数据和图片进行多模态相似度计算，以进一步对粗召回的图片进行排序，从而基于重排序后的图片确定目标配图，综合考虑了文本和图像的语义信息，从而提高生成文稿的质量和效率。

在本公开中，待配图的文本数据可以是任何需要配图的图文界面中的文本，包括但不限于待配图的文章、演示文稿(PPT)、社交软件中的文本等等。

在本公开中，预设图片库中包括预设的多个图片以及每个图片各自对应的图片描述文本。图片描述文本可以是对一张图片通过简洁语言进行关键信息描述的语言，在此不做限定。例如，可以描述照片中的主要元素、场景或人物等，以通过有限的文字传达出创造者的创作意图和思想，从而引导观者更好地理解图片所要表达的主题和情感。

根据一些实施例，所述一个或多个关键词基于词频统计获得。可以理解的是，其他关键词提取方式也是可以的，例如基于词重要性的TF-IDF(Term Frequency-InverseDocument Frequency)算法、TextRank算法等，在此不作限制。

根据一些实施例，所述文本数据包括标题和正文。此时，基于所述文本数据获得第一搜索文本还包括：基于所述文本数据获得第二搜索文本，所述第二搜索文本基于所述标题和正文拼接后所得到的文本获得。将所述第一搜索文本与预设图片库中的图片描述文本进行匹配还包括：将所述第二搜索文本与预设图片库中的图片描述文本进行匹配。

具体地，可以基于文本数据获得第一搜索文本和第二搜索文本，以分别基于该第一搜索文本和第二搜索文本，分成两路去与预设图片库中的图片描述文本进行文本匹配，从而获得匹配到的多个图片描述文本对应的多个图片。

在待配图文本数据为PPT文本的示例中，PTT当页的文本是数据，通常包括标题和正文。其中，标题以“#”来表示，“#”表示一级标题，“##”表示二级标题，以此类推，最高至四级标题；四级标题后的内容为正文。如下所示：

#历届乒乓球大满贯选手(一级标题)

##中国籍大满贯选手(二级标题)

###XXX(表示姓名)(三级标题)

####男子单打大满贯(四级标题)

鹿特丹世界乒乓球锦标赛男单冠军，XX***乒乓球男单、男团冠军，世界乒乓球锦标赛男单冠军(正文)

此时，对文本数据进行关键词提取，获得第一搜索文本。例如，对标题和正文所形成的文本根据词频提取关键词，获得关键词组：“乒乓球、大满贯、冠军、男单、男团”，该关键词组即为第一搜索文本。另外，将标题和正文进行拼接，以获得第二搜索文本。

示例地，第二搜索文本可以为：“历届乒乓球大满贯选手中国籍大满贯选手XXX男子单打大满贯鹿特丹世界乒乓球锦标赛男单冠军，XX***乒乓球男单、男团冠军，世界乒乓球锦标赛男单冠军”。

根据一些实施例，所述标题包括多级标题。基于所述文本数据获得第一搜索文本还包括：基于所述文本数据获得第三搜索文本，所述第三搜索文本基于所述多级标题拼接后所得到的文本获得。将所述第一搜索文本与预设图片库中的图片描述文本进行匹配还包括：将所述第三搜索文本与预设图片库中的图片描述文本进行匹配。

具体地，可以基于文本数据获得第一搜索文本、第二搜索文本和第三搜索文本，以分别基于该第一搜索文本、第二搜索文本和第三搜索文本，分成三路去与预设图片库中的图片描述文本进行文本匹配，从而获得匹配到的多个图片描述文本对应的多个图片。

在上述待配图文本数据为PPT文本的示例中，可以进一步包括基于多级标题所获得的第三搜索文本，例如为：“历届乒乓球大满贯选手中国籍大满贯选手XXX男子单打大满贯”。

在一些示例中，为了搜索到更匹配的图，在基于文本数据获得相应的搜索文本前，可以对文本数据进行清洗，包括但不限于去除标点符号、特殊字符、语气词、重复文本、无意义词汇，填充不完整语句等。

根据一些实施例，基于所述文本数据获得第一搜索文本还包括：对文本数据进行预设实体识别，以将识别到的实体名称添加到基于文本数据所获得的搜索文本中。

具体地，在基于文本数据获得第一搜索文本的实施例中，将该预设实体的名称添加到所述第一搜索文本中，例如文本末尾，以作为新的第一搜索文本。在基于文本数据获得第一搜索文本和第二搜索文本的实施例中，将该预设实体的名称分别添加到第一搜索文本和第二搜索文本中，例如文本末尾，以作为新的第一搜索文本和新的第二搜索文本。在基于文本数据获得第一搜索文本、第二搜索文本和第三搜索文本的实施例中，将该预设实体的名称分别添加到第一搜索文本、第二搜索文本和第三搜索文本中，例如文本末尾，以作为新的第一搜索文本、新的第二搜索文本和新的第三搜索文本。

在本公开的实施例中，通过在搜索文本中添加特定实体，可以提高所召回的图片与文本数据的相关性，从而提高配图质量。该特定实体识别可以包括但不限于以下方法实现，基于规则的方法：主要是采用字符串模板匹配来实现；基于统计的方法：通过预测实体的词性的概率来进行识别；基于深度学习的方法，如通过神经网络序列模型对词进行分类；基于注意力机制的方法，通过注意力模型研究词语之间的联系来进行识别。

在一些示例中，可以通过经训练的命名实体识别模型来对文本数据中的预设实体进行识别，该实体例如包括：人名、动物名、机构、地名等。在该预设实体为人名的实施例中，识别文本数据中是否有人名，如有，则将该人名增加到每一路搜索文本的后面。在上述待配图文本数据为PPT文本的示例中，可以识别到包括人名“XXX”。将其添加到第一搜索文本中，例如为：“乒乓球、大满贯、冠军、男单、男团、XXX”。对于第二搜索文本和第三搜索文本类似，在此不再赘述。

根据一些实施例，如图3所示，将所述第一搜索文本与预设图片库中的图片描述文本进行文本匹配以获得匹配到的图片描述文本所对应的多个图片(步骤230)包括：获取对所述第一搜索文本以及所述图片描述文本中的至少一个进行分词后所获得的至少一个词组(步骤310)；基于所述至少一个词组，确定与所述第一搜索文本具有相关词的图片描述文本以及相对应的图片(步骤320)；以及将所述第一搜索文本与所述相对应的图片进行第一相似度计算，以获得匹配到的图片描述文本所对应的多个图片(步骤330)。

在一些示例中，在获得第一搜索文本后，可以对其进行分词处理。附加地或替换地，预设图片库中的图片描述文本也进行分词处理。通过分词后得到的词组，在预设图片库中查找包含这些词组或相关词组的图片描述文本。通过对比搜索文本的词组与图片描述文本、或对比搜索文本与图片描述文本的词组、或对比搜索文本的词组与图片描述文本的词组，确定与搜索文本具有相同或相似词的图片描述文本及其对应的图片。这一步骤通过模糊匹配的方式，实现了与文本数据相关联的图片的粗召回。

在上述分三路搜索文本分别到预设图片库中进行图片召回的实施例中，没路搜索文本可以预设召回多张图片，例如10张。在一些示例中，可以基于倒排方法进行图片召回。

根据一些实施例，所述预设图片库中还包括对所述图片描述文本进行分词后所获得的词组，并且其中，获取对所述第一搜索文本以及所述图片描述文本中的至少一个进行分词后所获得的至少一个词组包括：获取对所述图片描述文本进行分词后所获得的所述词组。

在该实施例中，为了提高在线搜索的效率和响应速度，可以离线获得图片描述文本所对应的词组，以提高在线召回时的速率。具体地，在构建或维护预设图片库时，***预先对图片描述文本进行分词处理，并存储了对应的词组。这样，当用户在线进行搜索时，不必再进行分词处理，***可以直接将搜索文本与这些预处理好的数据进行匹配操作，避免了实时分词的耗时过程，从而提高了搜索速率。

可以理解的是，在上述基于文本数据获得第一搜索文本时还进一步获得第二搜索文本的实施例中，基于第二搜索文本与预设图片库中的图片描述文本进行文本匹配时也可以基于上述实施例进行匹配。并且，在上述基于文本数据获得第一搜索文本时还进一步获得第三搜索文本的实施例中，基于第三搜索文本分别与预设图片库中的图片描述文本进行文本匹配时也可以基于上述实施例进行匹配，在此不再赘述。

在通过文本匹配获得相关图片后，进一步对搜索文本与这些图片进行相似度计算。在一些示例中，文本编码器和图像编码器也可以基于多模态预训练神经网络模型，如CLIP(Contrastive Language-Image Pre-Training，对比语言-图像预训练)。CLIP模型将图像和文本映射到统一的向量空间，通过对比学习的方式进行预训练，使得模型能够直接在向量空间中计算图像和文本之间的相似性。

根据一些实施例，在将所述第一搜索文本与所述相对应的图片进行第一相似度计算之前，还包括：将所述第一搜索文本与所述所确定的图片描述文本进行第二相似度计算，以对所述相对应的图片进行筛选。

可以理解的是，在上述基于文本数据获得第一搜索文本时还进一步获得第二搜索文本的实施例中，进一步将第二搜索文本与基于该第二搜索文本所确定的图片描述文本进行第二相似度计算。并且，在上述基于文本数据获得第一搜索文本时还进一步获得第三搜索文本的实施例中，进一步将第三搜索文本与基于该第三搜索文本所确定的图片描述文本进行第二相似度计算，在此不再赘述。

通过将相应的搜索文本与所确定的图片描述文本进行第二相似度计算，进一步对粗召回的相关联的图片进行筛选，以提高图片与文本的相关性。

可以理解的是，可以利用任何合适的算法进行文本之间相似度计算，包括但不限于，余弦相似度计算、杰卡德距离(Jaccard Distance)计算、莱文斯坦距离计算、欧几里得距离计算、曼哈顿距离计算、SimHash+汉明距离计算等等，在此不作限制。

根据一些实施例，如图4所示，将所述文本数据与所述多个图片分别进行相似度计算(步骤240)包括：基于所述文本数据获得用于进行重排序的排序文本，其中，所述排序文本包括：所述文本数据、以及通过对所述文本数据进行关键词提取所获得的所述一个或多个关键词(步骤410)；分别获取所述排序文本所对应的文本向量、以及所述多个图片各自对应的图片向量(步骤420)；以及将所述文本向量与每个所述图片向量进行相似度计算(步骤430)。

在上述待配图文本数据为PPT文本的示例中，所述文本数据包标题和正文，此时排序文本例如可以为标题、正文以及关键词的组合：“历届乒乓球大满贯选手中国籍大满贯选手XXX男子单打大满贯鹿特丹世界乒乓球锦标赛男单冠军，XX***乒乓球男单、男团冠军，世界乒乓球锦标赛男单冠军乒乓球、大满贯、冠军、男单、男团”。

在上述包括特定实体识别的实施例中，该排序文本中还可以包括识别到的实体名称。在上述待配图文本数据为PPT文本的示例中，该排序文本进一步可以为：“历届乒乓球大满贯选手中国籍大满贯选手XXX男子单打大满贯鹿特丹世界乒乓球锦标赛男单冠军，XX***乒乓球男单、男团冠军，世界乒乓球锦标赛男单冠军乒乓球、大满贯、冠军、男单、男团XXX”。

在一些示例中，分别通过文本编码器和图像编码器获取文本向量以及图片向量，以实现文本和图像之间的跨模态计算。在获得文本向量和图片向量后，可以利用任何合适的算法进行相似度计算，包括但不限于，余弦相似度、欧氏距离、曼哈顿距离、皮尔逊相关系数和斯皮尔曼等级相关系数等等，在此不作限制。

在一些示例中，文本编码器和图像编码器也可以基于多模态预训练神经网络模型，如CLIP(Contrastive Language-Image Pre-Training，对比语言-图像预训练)。CLIP模型将图像和文本映射到统一的向量空间，通过对比学习的方式进行预训练，使得模型能够直接在向量空间中计算图像和文本之间的相似性。

在根据本公开的实施例中，排序文本通常较长，用于对粗召回的图片进行精确排序；而用于召回的搜索文本通常较排序文本短，用于提高召回效率。因此，在通过模型获得相应的文本向量和图片向量的情况下，可以通过训练分别得到的利于高召回率的模型和利于精确排序的模型。

根据一些实施例，基于重排序后的所述多个图片确定所述文本数据的目标图片包括：对所述重排序后的所述多个图片进行文字识别；确定所识别的文字数量小于预设阈值的图片；以及基于所述文字数量小于预设阈值的图片，确定所述目标图片。

示例地，通过光学字符识别(OCR，Optical Character Recognition)，将图片文本转换成机器可读的文本格式。该技术利用图像处理和模式识别算法，通过扫描或拍摄文档图像，识别并转换其中的字符，最终生成可编辑或可搜索的电子文本。在本公开中，通过识别图片中的文字数目，如果超过一定范围，可能是包含字幕或太过具体的信息，则认为其不适合作为文本配图，予以剔除。

根据一些实施例，基于重排序后的所述多个图片确定所述文本数据的目标图片包括：对所述多个图片分别进行所述预设实体的识别；以及确定与在所述文本数据中所识别到的实体一致的图片，以基于所述确定的图片确定所述文本数据的目标图片。

对上面所识别到的实体进行验证，以确定其是否包括预设实体。例如，通过人脸识别模块，根据图像中的人脸检测其人名。如果其不包括预设实体，则可以将其删除。

由于相关性强的人物通常在图片中一起出现，例如由让人名A搜索到图片包含人物A和其他相关人物B等。因此在一些示例中，基于所述确定的图片确定所述文本数据的目标图片可以进一步包括：将所述确定的图片中的无关实体去除，如将图片中的无关人物B剔除。

在一些实施例中，基于重排序后的所述多个图片确定所述文本数据的目标图片还可以包括：基于美学评价对重排序后的所述多个图片进行筛选。例如，通过图片美观评分模型对图片的美观度进行打分，以输出为美观度分数。如果分数太低则予以剔除。示例地，该图片美观评分模型可以基于CLIP+MLP(多层感知器)模型实现，其输入为图片，输出为美观度分数，分数区间0-1，1意味着最高。

通过本公开的实施例，可以根据文本内容智能选择***与文本内容相符的图片，使得最终的演示文稿等在视觉上更为统一、专业，提升整体演示效果。

根据本公开的实施例，如图5所示，还提供了一种文本配图装置500，包括：第一获取单元510，配置为获取待配图的文本数据；第二获取单元520，配置为基于所述文本数据获得第一搜索文本，其中第一搜索文本包括：通过对所述文本数据进行关键词提取所获得的一个或多个关键词；匹配单元530，配置为将所述第一搜索文本与预设图片库中的图片描述文本进行文本匹配，以获得匹配到的图片描述文本所对应的多个图片，其中，所述预设图片库中的图片和图片描述文本一一对应；排序单元540，配置为将所述文本数据与所述多个图片分别进行相似度计算，以基于相似度值对所述多个图片进行重排序；以及确定单元550，配置为基于重排序后的所述多个图片确定所述文本数据的目标图片。

这里，文本配图装置500的上述各单元510～550的操作分别与前面描述的步骤210～250的操作类似，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元X09允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、***和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (21)

1.一种文本配图方法，包括：

获取待配图的文本数据；

基于所述文本数据获得第一搜索文本，其中第一搜索文本包括：通过对所述文本数据进行关键词提取所获得的一个或多个关键词；

将所述第一搜索文本与预设图片库中的图片描述文本进行文本匹配，以获得匹配到的图片描述文本所对应的多个图片，其中，所述预设图片库中的图片和图片描述文本一一对应；

将所述文本数据与所述多个图片分别进行相似度计算，以基于相似度值对所述多个图片进行重排序；以及

基于重排序后的所述多个图片确定所述文本数据的目标图片。

2.如权利要求1所述的方法，其中，所述文本数据包括标题和正文，并且其中，

基于所述文本数据获得第一搜索文本还包括：基于所述文本数据获得第二搜索文本，其中，所述第二搜索文本基于所述标题和正文拼接后所得到的文本获得；以及

将所述第一搜索文本与预设图片库中的图片描述文本进行匹配还包括：将所述第二搜索文本与预设图片库中的图片描述文本进行匹配。

3.如权利要求2所述的方法，其中，所述标题包括多级标题，并且其中，

基于所述文本数据获得第一搜索文本还包括：基于所述文本数据获得第三搜索文本，其中，所述第三搜索文本基于所述多级标题拼接后所得到的文本获得；以及

将所述第一搜索文本与预设图片库中的图片描述文本进行匹配还包括：将所述第三搜索文本与预设图片库中的图片描述文本进行匹配。

4.如权利要求1所述的方法，其中，将所述文本数据与所述多个图片分别进行相似度计算包括：

基于所述文本数据获得用于进行重排序的排序文本，其中，所述排序文本包括：所述文本数据、以及通过对所述文本数据进行关键词提取所获得的所述一个或多个关键词；

分别获取所述排序文本所对应的文本向量、以及所述多个图片各自对应的图片向量；以及

将所述文本向量与每个所述图片向量进行相似度计算。

5.如权利要求1-3中任一项所述的方法，其中，基于所述文本数据获得第一搜索文本还包括：

对所述文本数据进行预设实体识别；以及

将识别到的实体名称添加到基于所述文本数据所获得的搜索文本中。

6.如权利要求1所述的方法，其中，将所述第一搜索文本与预设图片库中的图片描述文本进行文本匹配以获得匹配到的图片描述文本所对应的多个图片包括：

获取对所述第一搜索文本以及所述图片描述文本中的至少一个进行分词后所获得的至少一个词组；

基于所述至少一个词组，确定与所述第一搜索文本具有相关词的图片描述文本以及相对应的图片；以及

将所述第一搜索文本与所述相对应的图片进行第一相似度计算，以获得匹配到的图片描述文本所对应的多个图片。

7.如权利要求6所述的方法，其中，所述预设图片库中还包括对所述图片描述文本进行分词后所获得的词组，并且其中，获取对所述第一搜索文本以及所述图片描述文本中的至少一个进行分词后所获得的至少一个词组包括：获取对所述图片描述文本进行分词后所获得的所述词组。

8.如权利要求6所述的方法，其中，在将所述第一搜索文本与所述相对应的图片进行第一相似度计算之前，还包括：将所述第一搜索文本与所述所确定的图片描述文本进行第二相似度计算，以对所述相对应的图片进行筛选。

9.如权利要求1所述的方法，其中，基于重排序后的所述多个图片确定所述文本数据的目标图片包括：

对所述重排序后的所述多个图片进行文字识别；

确定所识别的文字数量小于预设阈值的图片；以及

基于所述文字数量小于预设阈值的图片，确定所述目标图片。

10.如权利要求5所述的方法，其中，基于重排序后的所述多个图片确定所述文本数据的目标图片包括：

对所述多个图片分别进行所述预设实体的识别；以及

确定与在所述文本数据中所识别到的实体一致的图片，以基于所述确定的图片确定所述文本数据的目标图片。

11.如权利要求1所述的方法，其中，所述一个或多个关键词基于词频统计获得。

12.一种文本配图装置，包括：

第一获取单元，配置为获取待配图的文本数据；

第二获取单元，配置为基于所述文本数据获得第一搜索文本，其中第一搜索文本包括：通过对所述文本数据进行关键词提取所获得的一个或多个关键词；

匹配单元，配置为将所述第一搜索文本与预设图片库中的图片描述文本进行文本匹配，以获得匹配到的图片描述文本所对应的多个图片，其中，所述预设图片库中的图片和图片描述文本一一对应；

排序单元，配置为将所述文本数据与所述多个图片分别进行相似度计算，以基于相似度值对所述多个图片进行重排序；以及

确定单元，配置为基于重排序后的所述多个图片确定所述文本数据的目标图片。

13.如权利要求12所述的装置，其中，所述文本数据包括标题和正文，并且其中，

所述第二获取单元还包括：用于基于所述文本数据获得第二搜索文本的单元，其中，所述第二搜索文本基于所述标题和正文拼接后所得到的文本获得；以及

所述匹配单元还包括：用于将所述第二搜索文本与预设图片库中的图片描述文本进行匹配的单元。

14.如权利要求13所述的装置，其中，所述标题包括多级标题，并且其中，

所述第二获取单元还包括：用于基于所述文本数据获得第三搜索文本的单元，其中，所述第三搜索文本基于所述多级标题拼接后所得到的文本获得；以及

所述匹配单元还包括：用于将所述第三搜索文本与预设图片库中的图片描述文本进行匹配的单元。

15.如权利要求12-14中任一项所述的装置，其中，所述第二获取单元还包括：

用于对所述文本数据进行预设实体识别的单元；以及

用于将识别到的实体名称添加到基于所述文本数据所获得的搜索文本中的单元。

16.如权利要求12所述的装置，其中，所述匹配单元包括：

用于获取对所述第一搜索文本以及所述图片描述文本中的至少一个进行分词后所获得的至少一个词组的单元；

用于基于所述至少一个词组、确定与所述第一搜索文本具有相关词的图片描述文本以及相对应的图片的单元；以及

用于将所述第一搜索文本与所述相对应的图片进行第一相似度计算、以获得匹配到的图片描述文本所对应的多个图片的单元。

17.如权利要求16所述的装置，其中，所述预设图片库中还包括对所述图片描述文本进行分词后所获得的词组，并且其中，用于获取对所述第一搜索文本以及所述图片描述文本中的至少一个进行分词后所获得的至少一个词组的单元包括：用于获取对所述图片描述文本进行分词后所获得的所述词组的单元。

18.如权利要求15所述的装置，其中，所述排序单元包括：

用于对所述多个图片分别进行所述预设实体的识别的单元；以及

用于确定与在所述文本数据中所识别到的实体一致的图片、以基于所述确定的图片确定所述文本数据的目标图片的单元。

19.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-11中任一项所述的方法。