[发明专利]一种辅助审稿的方法及设备

权利要求书

1.一种辅助审稿的方法，其特征在于，所述方法包括：

A、获取待审稿件的结构化信息；

B、建模学习审稿时关注的稿件焦点句子；

C、根据待审稿件结构化信息和训练好的模型预测当前稿件每个审核指标对应的稿件焦点内容；

D、根据每个指标方面对应的稿件焦点内容给出审核结果。

2.如权利要求1所述的辅助审稿的方法，其特征在于，所述A主要包括：获取待审核稿件的结构化内容paper_s_info，包括稿件的标题、关键词、摘要、作者、单位/机构、章节标题和章节内容、基金、参考文献及引用内容。

3.如权利要求1所述的辅助审稿的方法，其特征在于，所述B主要包括：通过分析期刊下专家历史审过的稿子，分析稿件的结构化内容和稿件的结构化评论进行建模，其中，稿件的结构化评论是指专家从多个评价方面对稿件进行评价，并采用两种建模方式，其中

第一种建模方法是：建模专家怎么根据稿件内容撰写评论，学习专家生成评论过程中关注的焦点句子；

第二种建模方法是：根据期刊下专家历史评论中的每个句子和句子对应的评价方面构建指标分类器。

4.如权利要求1所述的辅助审稿的方法，其特征在于，所述C具体包括用训练好的模型对待审稿件进行焦点句子预测，并针对不同的建模方法，采用不同的预测方法。

5.如权利要求3所述的辅助审稿的方法，其特征在于，所述第一种建模方法具体建模步骤包括：

1)选取语言模型；

2)构建训练语料；

3)采用多任务训练方式进行模型训练；

4)设定损失函数。

6.如权利要求5所述的辅助审稿的方法，其特征在于，所述构建训练语料具体包括：

模型输入：为每篇稿件提取句子集合S’用来作为表示稿件，作为模型的输入；其中句子的提取具体包括：根据关键词为每个稿件提取句子集合S＝[s_0,s_1,s_2,......,s_i,......,s_n-1]，共有n个句子；再使用交叉熵进一步从S中提炼出一部分句子S’＝[s’_0,s’_1,s’_2,......,s’_i,......,s’_m-1]，共有m个句子，且m小于等于n；

模型输出：每篇稿件对应专家多方面评价，具体包括专家评价序列Seq，Seq的长度是评论的长度，以及专家评价序列对应的评价方面SeqLabel，SeqLabel的类别数是评价的方面数。

7.如权利要求5所述的辅助审稿的方法，其特征在于，所述3)中包括两个训练任务，其中一个是生成专家的评论序列：seq2seq任务；另一个是给专家的评论序列做序列标注：seq2lab任务；训练任务中损失函数为：

L＝(1-α)L_seq2seq+αL_seq2lab,α＝0.5

其中，L_seq2seq表示序列到序列的损失，L_seq2lab表示序列标列标记，α表示L_seq2lab的损失比重。

8.如权利要求3或4所述的辅助审稿的方法，其特征在于，根据第一种建模方法训练好的模型进行预测，具体包括：

为待审稿件提取句子集合S’，先根据关键词提取句子集合，再根据交叉熵进一步提炼句子集合,并同时保存句子在稿件的结构化信息中的位置；

把提取的句子集合S’输入第一模型,输出生成每个指标评论时输入token的attention值；

计算每个句子的attention值；

为每个指标提取attention值最大的top k个句子作为焦点。

9.如权利要求3所述的辅助审稿的方法，其特征在于，所述第二种建模方法具体建模步骤包括：

1)选择语言模型；

2)构建训练语料；

3)采用多标签多分类的单任务进行模型训练；

4)采用交叉熵进行损失函数计算。