[发明专利]一种基于文本分析技术的自动写稿系统

说明书

本发明涉及文本分析、自然语言文字处理技术领域，且公开了一种基于文本分析技术的自动写稿系统，包括以下步骤：S1，从网页中及时获取企业发布的各种年报、公告信息，主要是以PDF文档为主；S2，下载PDF文件后，将PDF文件输入到R‑CNN神经网络中，通过深度学习技术对文档进行解析，分离图片和表格。本发明通过自动化写稿系统，能够快速的从互联网上获取上市企业发布的各类信息，并对这些信息进行提取、处理、生成摘要、格式变换后，最终为用户呈现出来可视化的、易理解的摘要稿件信息。

技术领域

本发明涉及文本分析、自然语言文字处理技术领域，具体为一种基于文本分析技术的自动写稿系统。

背景技术

自动写稿背后的核心技术是自然语言处理(NLP)，同时涉及数据挖掘、机器学习、搜索技术、知识图谱等多项人工智能技术。自然语言处理是指机器理解并解释人类写作、说话方式的能力。目标是让计算机在理解语言上像人类一样智能，最终能弥补人类交流和计算机理解(机器语言)之间的差距。

随着NLP、深度学习以及大数据等技术的长足发展并开始在产业应用上大放异彩，自动写稿正是技术发展和行业变革催生的一股潮流，目前自动写稿有三种实现方法：模板式、抽取式和生成式这三种技术。

以上三种自动写稿技术在实际的使用过程中都有各自的缺陷。

模板式自动写稿比较适合稿件内容结构相对固定的场景，对于突发性的事件难以快速响应，而企业公告的内容又会经常性的出现突发事件，这时如果发现稿件内容异常再进行人工干预就会影响稿件发布的时效性；

抽取式自动写稿是从海量已有的文本素材中进行信息抽取并进行二次创作，目前抽取式自动文本摘要技术主要应用在新闻领域，因为互联网上有大量的新闻文本可以方便收集，而对于金融行业的企业公告内容，基本上都是以PDF/DOC的文档形式存在，没有直接的数据源可以使用；

生成式自动写稿更多的是用于模仿某个人/某个场景的内容写作，需要收集大量目标文本进行学习，然后再自动生成比较接近于目标文件的文本，目前技术还不是非常成熟。

所以，本发明将文本分析技术、自然语言处理技术、动态模板技术相结合后提出一种基于文本分析技术的自动写稿系统。

发明内容

针对现有技术的不足，本发明提供了一种基于文本分析技术的自动写稿系统，解决了上述背景技术中提到的问题。

本发明提供如下技术方案：一种基于文本分析技术的自动写稿系统，包括以下步骤：

S1，从网页中及时获取企业发布的各种年报、公告信息，主要是以PDF文档为主；

S2，下载PDF文件后，将PDF文件输入到R-CNN神经网络中，通过深度学习技术对文档进行解析，分离图片和表格；

S2-1，首先分析文档的目录，将文档根据目录进行页码分组；

S2-2，按照目录提取出每个段落标题的文字作为关键数据，并且按照段落分级进行组织，获得整片文档的段落信息为Sector[i]数组；

S2-3，将文档中的图片和表格从文字中分离出来，图片直接保存到数据库中，表格输入到神经网络中；

S2-4，通过神经网络对表格中的数据进行提取，并且保存到关系数据库中；

S3，将分离得到的文档进行自然语言处理，获取文档中的情绪信息，处理完成后给出文档的情绪指标Motion(i)；

S4，将分离得到的文档进行自然语言处理，从中进行文本摘要抽取，抽取出的文本片段为Text(i)；