公开(公告)号：CN111782799A

公开(公告)日：2020-10-16

申请号：CN202010611790.2

申请日：2020-06-30

Applicant: 湖南大学

Inventor： 赵欢 ,  李博 ,  李祎颖

IPC: G06F16/34 ,  G06F40/30 ,  G06N3/04

Abstract: 本发明公开了一种基于复制机制和变分神经推理的增强性文本摘要生成方法，其步骤包括：步骤S1：通过编码输入和输出序列；利用变分自编码器分别对原文本X＝(x1,x2,...,xT)和文本对应的标准摘要Y＝(y1,y2,...,yN)进行编码。即，将输入的原文词序列和标准摘要词序列编码成连续的词向量序列；步骤S2：对隐变量地近似后验分布进行建模；利用变分神经推理根据学习到的先验分布和近似后验概率得到隐变量z的表示；所述先验分布为pθ(z|x)，所述近似后验概率为 步骤S3：利用上下文语义向量、隐变量和生成复制网络函数解码得到生成的摘要。本发明具有原理简单、适用范围广、能够大幅优化文本摘要生成质量等优点。

公开(公告)号：CN111782799B

公开(公告)日：2023-11-10

申请号：CN202010611790.2

申请日：2020-06-30

Applicant: 湖南大学

Inventor： 赵欢 ,  李博 ,  李祎颖

IPC: G06F16/34 ,  G06F40/30 ,  G06N3/0455

Abstract: 本发明公开了一种基于复制机制和变分神经推理的增强性文本摘要生成方法，其步骤包括：步骤S1：通过编码输入和输出序列；利用变分自编码器分别对原文本X＝(x1,x2,…,xT)和文本对应的标准摘要Y＝(y1,y2,…,yN)进行编码。即，将输入的原文词序列和标准摘要词序列编码成连续的词向量序列；步骤S2：对隐变量地近似后验分布进行建模；利用变分神经推理根据学习到的先验分布和近似后验概率得到隐变量z的表示；所述先验分布为pθ(z|x)，所述近似后验概率为#imgabs0#步骤S3：利用上下文语义向量、隐变量和生成复制网络函数解码得到生成的摘要。本发明具有原理简单、适用范围广、能够大幅优化文本摘要生成质量等优点。

公开(公告)号：CN111782810A

公开(公告)日：2020-10-16

申请号：CN202010611844.5

申请日：2020-06-30

Applicant: 湖南大学

Inventor： 赵欢 ,  李婷婷 ,  李祎颖

IPC: G06F16/35 ,  G06F40/284 ,  G06N3/04

Abstract: 本发明公开了一种基于主题增强的文本摘要生成方法，其步骤包括：步骤S1：对文本进行压缩编码后输入；步骤S2：将主题信息和源文信息结合，通过双注意力机制形成文本信息；所述双注意力机制包括主题注意力模块和文本注意力模块；步骤S3：将步骤S2形成的文本信息解码，生成与源文内容相关且主题信息增强的文本摘要。本发明具有原理简单、操作简便、能够大幅提升文本摘要生成内容的主题相关性和语句质量等优点。