演示文稿生成方法、装置、设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种演示文稿生成方法、装置、设备及存储介质。


背景技术：

2.随着科技发展，多种办公软件层现不穷，但在现有的ppt(演示文稿)制作的形式上变化不明显，仍然是以人为地在电脑面前的操作为主。每次编写ppt，都要先寻找合适的模板，浪费大量时间；选择好模板后，还要花费大量时间修改模板和内容，最后ppt的生成根据不同群体的编写能力体现出参差不齐的ppt质量，即ppt生成的质量规范方面难以得到保障。


技术实现要素：

3.本发明的主要目的在于解决ppt生成的质量规范方面难以得到保障的技术问题。
4.本发明第一方面提供了一种演示文稿生成方法，包括：获取终端发送的待生成演示文稿的需求信息，其中，演示文稿的需求信息包括模板信息和对应的文稿信息；基于模板信息，采用预设的多层卷积神经网络模型选取与待生成演示文稿相对应的多个备选演示文稿模板；采用预置文本识别模型对文稿信息进行语义识别，得到文稿信息对应的文稿语义信息；基于文稿语义信息，从各备选演示文稿模板中选取与待生成演示文稿的风格类型匹配程度最高的最优演示文稿模板；采用文稿信息和最优演示文稿模板，构建对应的演示文稿，并将演示文稿返回至终端。
5.可选的，在本发明第一方面的第一种实现方式中，基于模板信息，采用预设的多层卷积神经网络模型选取与待生成演示文稿相对应的多个备选演示文稿模板包括：利用预设的多层卷积神经网络模型对模板信息中的第一需求进行分析，得到对应的第一需求信息；根据第一需求信息和预设的迭代参数，利用多层卷积神经网络模型对模板信息中的第二需求进行分析，得到对应的第二需求信息；对第一需求信息和第二需求信息进行迭代分析处理，得到与待生成演示文稿相对应的多个备选演示文稿模板。
6.可选的，在本发明第一方面的第二种实现方式中，对第一需求信息和第二需求信息进行迭代分析处理，得到与待生成演示文稿相对应的多个备选演示文稿模板包括：判断第一需求信息是否满足预设的深度分析评价条件；若不满足，则根据多层卷积神经网络模型对第二需求信息进行分析，得到与第二需求信息相对应的待填写信息；基于待填写信息从预置模板库中选取与待生成演示文稿相对应的多个备选演示文稿模板。
7.可选的，在本发明第一方面的第三种实现方式中，采用预置文本识别模型对文稿信息进行语义识别，得到文稿信息对应的文稿语义信息包括：利用预置文本识别模型将文稿信息转换成对应的词向量与位置向量；基于预置文本识别模型中的信息检索挖掘算法分析文稿信息对应的跨句语义，并基于跨句语义确定文稿信息对应的邻接语义向量；将词向量、位置向量和邻接语义向量作为文稿信息对应的文稿语义信息。
8.可选的，在本发明第一方面的第四种实现方式中，基于文稿语义信息，从各备选演示文稿模板中选取与待生成演示文稿的风格类型匹配程度最高的最优演示文稿模板包括：基于词向量、位置向量与邻接语义向量，采用预置分类模型对应提取文稿信息的词性特征、实体特征和上下文特征；基于词性特征、实体特征和上下文特征，利用分类模型对待生成演示文稿的风格类型进行识别；根据识别到的风格类型确定待生成演示文稿对应的内容标签，并从各备选演示文稿模板中选取出与内容标签匹配程度最高的最优演示文稿模板。
9.可选的，在本发明第一方面的第五种实现方式中，采用文稿信息和最优演示文稿模板，构建对应的演示文稿包括：提取文稿信息中的信息字段和文件资源字段，并确定信息字段和文件资源字段在最优演示文稿模板中对应的区域；将信息字段写入最优演示文稿模板中对应的区域，以及根据文件资源字段在预置数据库中查找对应的文件资源，并将文件资源插入最优演示文稿模板中对应的区域，得到对应的演示文稿；根据预置的样式规则调整演示文稿中信息字段和文件资源的样式，得到对应的演示文稿。
10.本发明第二方面提供了一种演示文稿生成装置，包括：获取模块，用于获取终端发送的待生成演示文稿的需求信息，其中，演示文稿的需求信息包括模板信息和对应的文稿信息；选取模块，用于基于模板信息，采用预设的多层卷积神经网络模型选取与待生成演示文稿相对应的多个备选演示文稿模板；识别模块，用于采用预置文本识别模型对文稿信息进行语义识别，得到文稿信息对应的文稿语义信息；匹配模块，用于基于文稿语义信息，从各备选演示文稿模板中选取与待生成演示文稿的风格类型匹配程度最高的最优演示文稿模板；构建模块，用于采用文稿信息和最优演示文稿模板，构建对应的演示文稿，并将演示文稿返回至终端。
11.可选的，在本发明第二方面的第一种实现方式中，选取模块包括：第一分析单元，用于利用预设的多层卷积神经网络模型对模板信息中的第一需求进行分析，得到对应的第一需求信息；第二分析单元，用于根据第一需求信息和预设的迭代参数，利用多层卷积神经网络模型对模板信息中的第二需求进行分析，得到对应的第二需求信息；迭代单元，用于对第一需求信息和第二需求信息进行迭代分析处理，得到与待生成演示文稿相对应的多个备选演示文稿模板。
12.可选的，在本发明第二方面的第二种实现方式中，迭代单元还用于：判断第一需求信息是否满足预设的深度分析评价条件；若不满足，则根据多层卷积神经网络模型对第二需求信息进行分析，得到与第二需求信息相对应的待填写信息；基于待填写信息从预置模板库中选取与待生成演示文稿相对应的多个备选演示文稿模板。
13.可选的，在本发明第二方面的第三种实现方式中，识别模块包括：转换单元，用于利用预置文本识别模型将文稿信息转换成对应的词向量与位置向量；检索挖掘单元，用于基于预置文本识别模型中的信息检索挖掘算法分析文稿信息对应的跨句语义，并基于跨句语义确定文稿信息对应的邻接语义向量；生成单元，用于将词向量、位置向量和邻接语义向量作为文稿信息对应的文稿语义信息。
14.可选的，在本发明第二方面的第四种实现方式中，匹配模块包括：分类单元，基于词向量、位置向量与邻接语义向量，采用预置分类模型对应提取文稿信息的词性特征、实体特征和上下文特征；基于词性特征、实体特征和上下文特征，利用分类模型对待生成演示文稿的风格类型进行识别；匹配单元，基于根据识别到的风格类型确定待生成演示文稿对应
的内容标签，并从各备选演示文稿模板中选取出与内容标签匹配程度最高的最优演示文稿模板。
15.可选的，在本发明第二方面的第五种实现方式中，构建模块包括：提取单元，用于提取文稿信息中的信息字段和文件资源字段，并确定信息字段和文件资源字段在最优演示文稿模板中对应的区域；插入单元，用于将信息字段写入最优演示文稿模板中对应的区域，以及根据文件资源字段在预置数据库中查找对应的文件资源，并将文件资源插入最优演示文稿模板中对应的区域，得到对应的演示文稿；调整单元，用于根据预置的样式规则调整演示文稿中信息字段和文件资源的样式，得到对应的演示文稿。
16.本发明第三方面提供了一种演示文稿生成设备，包括：存储器和至少一个处理器，存储器中存储有指令；至少一个处理器调用存储器中的指令，以使得演示文稿生成设备执行上述的演示文稿生成方法。
17.本发明的第四方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的演示文稿生成方法。
18.本发明提供的技术方案中，通过获取需要生成演示文稿的需求信息，其中，通过需求信息中的模板信息，可以提取需求的多个备选演示文稿模板，通过需求信息中的文稿信息，可以识别出其中的文稿语义信息，结合备选演示文稿模板和演示文稿的语义，来进一步筛选一个风格类型最匹配的最优演示文稿模板，进行最终的延时文稿的构建，以自动生成演示文稿。同时考虑模板风格和文稿内容的语义，以及需求的模板，在提升演示文稿生成的效率的同时，还保证了演示文稿生成的质量规范性。
附图说明
19.图1为本发明实施例中演示文稿生成方法的一个实施例示意图；
20.图2为本发明实施例中演示文稿生成方法的另一个实施例示意图；
21.图3为本发明实施例中演示文稿生成装置的一个实施例示意图；
22.图4为本发明实施例中演示文稿生成装置的另一个实施例示意图；
23.图5为本发明实施例中演示文稿生成设备的一个实施例示意图。
具体实施方式
24.本发明实施例提供了一种演示文稿生成方法、装置、设备及存储介质，获取终端发送的待生成演示文稿的需求信息；基于需求信息中的模板信息，采用预设的多层卷积神经网络模型选取与待生成演示文稿相对应的多个备选演示文稿模板；采用预置文本识别模型对需求信息中的文稿信息进行语义识别，得到文稿信息对应的文稿语义信息；基于文稿语义信息，从各备选演示文稿模板中选取与待生成演示文稿的风格类型匹配程度最高的最优演示文稿模板；采用文稿信息和最优演示文稿模板，构建对应的演示文稿，并将演示文稿返回至终端。本发明实现了演示文稿的自动化生成，提升了演示文稿的规范性和质量，减少了演示文稿的生成时间。
25.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示
或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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步骤或单元。
26.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中演示文稿生成方法的第一个实施例包括：
27.101、获取终端发送的待生成演示文稿的需求信息，其中，演示文稿的需求信息包括模板信息和对应的文稿信息；
28.可以理解的是，本发明的执行主体可以为演示文稿生成装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
29.本实施例中，通过获取用户在终端选取的演示文稿应用场景的模板风格等、以及在模板中需要输入的演示文稿主题和概要描述等打包得到的演示文稿需求信息，来确定对应的模板信息和对应的文稿信息。其中，模板信息是指用户期待获取的哪一类风格的演示文稿模板，文稿信息则包括了用户期望的在演示文稿模板中输入的文稿内容。当用户有制作演示文稿的需求时，则可将其期望的演示文稿模板和输入的文稿内容终端进行发送。
30.102、基于模板信息，采用预设的多层卷积神经网络模型选取与待生成演示文稿相对应的多个备选演示文稿模板；
31.本实施例中，多层卷积神经网络模型的选取过程具体可以包括：
32.2.1)利用预设的多层卷积神经网络模型对模板信息中的第一需求进行分析，得到对应的第一需求信息；
33.2.2)根据第一需求信息和预设的迭代参数，利用多层卷积神经网络模型对模板信息中的第二需求进行分析，得到对应的第二需求信息；
34.2.3)对第一需求信息和第二需求信息进行迭代分析处理，得到与待生成演示文稿相对应的多个备选演示文稿模板；
35.本实施例中，预设的多层卷积神经网络模型可以为多卷积神经网络模型、深度极限无监督学习、脊函数、稀疏分类等方法的结合，以用于对第一需求进行分析，得到第一需求信息。后续在结合第一需求信息和预设的迭代参数对第二需求进行分析时，迭代参数包括：迭代最大次数，迭代增加次数。比如，若初始迭代次数为0，即对首个需求进行分析，然后再迭代次数上加1，即为第一次迭代，以此类推，直到达到迭代最大次数，得到第二需求信息。
36.103、采用预置文本识别模型对文稿信息进行语义识别，得到文稿信息对应的文稿语义信息；
37.本实施例中，文稿语义信息包括文稿信息中词语、句子、以及不同句子之间的语义信息。具体的，用于文稿信息的语义识别的文本识别模型可以采用自然语言处理模型对文稿内容，从词语层面、句子层面和跨句层面深度挖掘文稿语义。
38.3.1)利用预置文本识别模型中的将文稿信息转换成对应的词向量与位置向量；
39.3.2)基于预置文本识别模型中的信息检索挖掘算法分析目文稿信息对应的跨句语义，并基于跨句语义确定文稿信息对应的邻接语义向量；
40.3.3)将词向量、位置向量和邻接语义向量作为文稿信息对应的文稿语义信息。
41.本实施例中，词向量可以采用主流word2vec、glove等模型获取，位置向量可以可采用transformer里的正弦波获取，可以应用词频-逆文档频率算法即tf-idf(term frequency inversedocument frequency)算法进行文稿信息的跨句语义分析，以确定对应的临街语义向量。
42.使用tf-idf算法，生成文稿信息对应的tf-idf属性队列，以将文稿信息转换为词向量矩阵，对每一词序列进行词性分析，得到目文稿信息对应的词性频率属性队列；使用命名实体识别技术，识别文稿信息中每一语句序列的实体，并结合预设知识图谱三元组，得到文稿信息对应的实体共现频率属性队列；结合tf-idf属性队列、词性频率属性队列与实体共现频率属性队列，得到目标备选词集合；最终每个词的对应输出为词向量、位置向量、邻接语义向量三者相加而成，即为文稿语义信息。
43.104、基于文稿语义信息，从各备选演示文稿模板中选取与待生成演示文稿的风格类型匹配程度最高的最优演示文稿模板；
44.本实施例中，每个演示文稿模板(包括备选演示文稿模板)都会标明其适用的场景类别。最优演示文稿模板指的是最终选出的与当前的待生成演示文稿的风格类型最相匹配的备选演示文稿模板。
45.另外，在得到备选演示文稿的文稿语义信息后，可以进一步确定对应的内容标签后，并以此为标准在备选演示文稿中进行筛选，以筛选出与待生成演示文稿的风格类型最相匹配的最优演示文稿模板。在确定出最优演示文稿模板后，即可将文稿信息整合进最优演示文稿模板中，最终得到需求的演示文稿。
46.需要说明的是，由于一个演示文稿中除了文字外可能还存在图片、音频或者视频，因此在处理完成文字部分时，用户可在演示文稿上进一步加工，将需要添加的图片、音频、视频等内容添加到演示文稿中，以对演示文稿进行完善。
47.105、采用文稿信息和最优演示文稿模板，构建对应的演示文稿，并将演示文稿返回至终端。
48.本实施例中，将文稿信息划分为若干区域，比如利用前得到的内容标签，将内容标签对应的文稿语音在文稿信息映射的文字部分作为属于该内容标签对应的文字区域。例如，当前的文稿信息共分为4个段落，语音识别得到的3个内容标签包括：产品名称、宣传规划与传播主题。在得到内容标签后，可将文稿信息中参与内容标签提取的内容进行标记，例如，“产品名称”这一内容标签是基于第一段落得到，则将第一段落标记为第一文字区域；“宣传规划”这一内容标签是基于第二段落与第三段落得到，则将第二段落与第三段落标记为第二文字区域，“传播主题”这一内容标签是基于第四段落得到，则将第四段落标记为第三文字区域，即可直接得到各个内容标签对应文稿信息在最优演示文稿模板中所对应的文字区域，并进行填充，即可构建得到对应的延时文稿。
49.本发明实施例中，通过获取需要生成演示文稿的需求信息，其中，通过需求信息中的模板信息，可以提取需求的多个备选演示文稿模板，通过需求信息中的文稿信息，可以识别出其中的文稿语义信息，结合备选演示文稿模板和演示文稿的语义，来进一步筛选一个风格类型最匹配的最优演示文稿模板，进行最终的延时文稿的构建，以自动生成演示文稿。同时考虑模板风格和文稿内容的语义，以及需求的模板，在提升演示文稿生成的效率的同时，还保证了演示文稿生成的质量规范性。
50.请参阅图2，本发明实施例中演示文稿生成方法的第二个实施例包括：
51.201、获取终端发送的待生成演示文稿的需求信息，其中，演示文稿的需求信息包括模板信息和对应的文稿信息；
52.202、利用预设的多层卷积神经网络模型对模板信息中的第一需求进行分析，得到对应的第一需求信息；
53.203、根据第一需求信息和预设的迭代参数，利用多层卷积神经网络模型对模板信息中的第二需求进行分析，得到对应的第二需求信息；
54.204、判断第一需求信息是否满足预设的深度分析评价条件；
55.205、若不满足，则根据多层卷积神经网络模型对第二需求信息进行分析，得到与第二需求信息相对应的待填写信息；
56.206、基于待填写信息从预置模板库中选取与待生成演示文稿相对应的多个备选演示文稿模板；
57.本实施例中，可以根据以下公式来判断第一需求信息是否满足预设的深度分析评价条件：
[0058][0059]
其中，i＝1，2，
……
，m，j＝1，2，
……
，n。t＝1，2，
……
，q，l
kijt
为第一需求信息对应的演示文稿模板自动生成的时延，ckijt为第一需求信息对应的演示文稿模板自动生成的准确度，w
kijt
为第一需求信息对应的演示文稿模板自动生成的算力与传输宽带成本比，m，n和q分别为预设参数。其中，m，n和q分别为该多层卷积神经网络模型的三个方向的向量上的取值。
[0060]
多层卷积神经网络模型在1,2，
…
h多维空间中，多个深度分析方案根据多层卷积神经网络模型向更优化的演示文稿模板匹配推荐方案确定的方向迁移。其中，多层卷积神经元网络包含：演示文稿自动生成延迟l、演示文稿模板自动选择准确度c、演示文稿模板算力与传输带宽成本比w(w＝演示文稿模板生成边缘服务器算力/传输带宽成本)。
[0061]
如果第一需求信息不满足预设的深度分析评价条件时，则执行继续根据预设的迭代参数和第一需求信息进行第二需求信息的分析，来确定用于生成备选演示文稿模板的待填写信息。具体的，可以通过以下公式来确定待填写信息：
[0062][0063]
其中，
[0064]
其中，m
kijt
为第一需求信息对应的待填写信息，l
kijt
为第二需求信息对应的演示文稿模板自动生成的时延，c
kijt
为第二需求信息对应的演示文稿模板自动生成的准确度，w
kijt
为第二需求信息对应的演示文稿模板自动生成的算力与传输宽带成本比，b
k 1ijt
为第二需求信息对应的稀疏无监督学习因子，l
ming
为历史演示文稿模板自动生成的最小时延，c
maxg
为历史演示文稿模板自动生成的最大准确度，w
ming
为历史演示文稿模板自动生成的最小的算力与传输宽带成本比。
[0065]
207、利用预置文本识别模型将文稿信息转换成对应的词向量与位置向量；
[0066]
208、基于预置文本识别模型中的信息检索挖掘算法分析文稿信息对应的跨句语义，并基于跨句语义确定文稿信息对应的邻接语义向量；
[0067]
209、将词向量、位置向量和邻接语义向量作为文稿信息对应的文稿语义信息；
[0068]
210、基于词向量、位置向量与邻接语义向量，采用预置分类模型对应提取文稿信息的词性特征、实体特征和上下文特征；
[0069]
211、基于词性特征、实体特征和上下文特征，利用分类模型对待生成演示文稿的风格类型进行识别；
[0070]
212、根据识别到的风格类型确定待生成演示文稿对应的内容标签，并从各备选演示文稿模板中选取出与内容标签匹配程度最高的最优演示文稿模板；
[0071]
本实施例中，通过词向量可以确定词性频率信息，以确定在该文稿信息中，所表现出来的词性特征；通过位置向量可以确定文稿信息中的单字、单词、句子划分，以确定每个单字、单词和句子在整个文稿信息中的语义实体特征；通过上下文特征，可以确定前述得到的每个单字、单词和句子之间的上下文关系，有利于分析整个文稿信息的实际表达意义，从词性、实体和上下文关系上，进一步识别文稿信息所要表达的风格类型，即为需要生成的待生成演示文稿的风格类型。
[0072]
本实施例中，内容标签为能够表明文稿语义信息的关键词或是关键词组，可以包括产品名称、工作规划、历史回顾、感谢致辞等。终端在确定文稿信息的文稿语义信息后，还需要将分析得出的文稿语义信息凝练成一个或多个内容标签，即将挖掘出的文稿语义信息转化成一个或多个关键词，作为能够示意文稿语义信息的内容标签。
[0073]
其中，由于一份文稿信息中通常会表达多重含义，也即需要标记多个内容标签，后续可根据内容标签将同一份文稿信息中的文字进行区域划分，每一区域文字与一个内容标签相关联。
[0074]
213、提取文稿信息中的信息字段和文件资源字段，并确定信息字段和文件资源字段在最优演示文稿模板中对应的区域；
[0075]
214、将信息字段写入最优演示文稿模板中对应的区域，以及根据文件资源字段在预置数据库中查找对应的文件资源，并将文件资源插入最优演示文稿模板中对应的区域，得到对应的演示文稿；
[0076]
215、根据预置的样式规则调整演示文稿中信息字段和文件资源的样式，得到对应的演示文稿，并将演示文稿返回至终端。
[0077]
本实施例中，文件资源可以包括图片、文字报告、报表和/或语音等。其中，针对图片的文件资源，可以根据对应于文件资源字段的区域中添加的图片的数量，调整图片的大小、位置和排布等样式。例如，当对应于文件资源字段的区域有1张图片时，该图片占据整个区域的高度，当该区域有2张或3张图片时，则可将图片并排放置，当该区域有4张图片时，可将图片并排为两排排放，以此类推。
[0078]
本实施例中，信息字段包括文本，也可以包括演示文稿的流程任务的处理状态字段，可以在对应的状态提示区域中插入，根据处理状态字段的内容调整对应区域的填充颜色。也就是说，根据预设的处理状态来调整区域的填充颜色，通过填充颜色来表示当前演示文稿的流程任务的处理状态。
[0079]
本发明实施例中，在基于模板信息生成备选演示文稿模板时，可以通过爱一个多层卷积神经网络进行筛选，同时考虑模板生成的时延、准确度、算例和传输宽带成本比，来保证在边缘计算机之间进行演示文稿的展示时，可以保证每个备选演示文稿模板能够满足前述的深度分析评价条件，使得模板满足边缘计算的条件，而且通过内容标签来对文稿信息的内容进行分区，使得每个分区可以填充相应语义的文稿内容，提升演示文稿的质量。
[0080]
上面对本发明实施例中演示文稿生成方法进行了描述，下面对本发明实施例中演示文稿生成装置进行描述，请参阅图3，本发明实施例中演示文稿生成装置一个实施例包括：
[0081]
获取模块301，用于获取终端发送的待生成演示文稿的需求信息，其中，演示文稿的需求信息包括模板信息和对应的文稿信息；
[0082]
选取模块302，用于基于模板信息，采用预设的多层卷积神经网络模型选取与待生成演示文稿相对应的多个备选演示文稿模板；
[0083]
识别模块303，用于采用预置文本识别模型对文稿信息进行语义识别，得到文稿信息对应的文稿语义信息；
[0084]
匹配模块304，用于基于文稿语义信息，从各备选演示文稿模板中选取与待生成演示文稿的风格类型匹配程度最高的最优演示文稿模板；
[0085]
构建模块305，用于采用文稿信息和最优演示文稿模板，构建对应的演示文稿，并将演示文稿返回至终端。
[0086]
本发明实施例中，通过获取需要生成演示文稿的需求信息，其中，通过需求信息中的模板信息，可以提取需求的多个备选演示文稿模板，通过需求信息中的文稿信息，可以识别出其中的文稿语义信息，结合备选演示文稿模板和演示文稿的语义，来进一步筛选一个风格类型最匹配的最优演示文稿模板，进行最终的延时文稿的构建，以自动生成演示文稿。同时考虑模板风格和文稿内容的语义，以及需求的模板，在提升演示文稿生成的效率的同时，还保证了演示文稿生成的质量规范性。
[0087]
请参阅图4，本发明实施例中演示文稿生成装置的另一个实施例包括：
[0088]
获取模块301，用于获取终端发送的待生成演示文稿的需求信息，其中，演示文稿的需求信息包括模板信息和对应的文稿信息；
[0089]
选取模块302，用于基于模板信息，采用预设的多层卷积神经网络模型选取与待生成演示文稿相对应的多个备选演示文稿模板；
[0090]
识别模块303，用于采用预置文本识别模型对文稿信息进行语义识别，得到文稿信息对应的文稿语义信息；
[0091]
匹配模块304，用于基于文稿语义信息，从各备选演示文稿模板中选取与待生成演示文稿的风格类型匹配程度最高的最优演示文稿模板；
[0092]
构建模块305，用于采用文稿信息和最优演示文稿模板，构建对应的演示文稿，并将演示文稿返回至终端。
[0093]
具体的，选取模块302包括：
[0094]
第一分析单元3021，用于利用预设的多层卷积神经网络模型对模板信息中的第一需求进行分析，得到对应的第一需求信息；
[0095]
第二分析单元3022，用于根据第一需求信息和预设的迭代参数，利用多层卷积神经网络模型对模板信息中的第二需求进行分析，得到对应的第二需求信息；
[0096]
迭代单元3023，用于对第一需求信息和第二需求信息进行迭代分析处理，得到与待生成演示文稿相对应的多个备选演示文稿模板。
[0097]
具体的，迭代单元3023还用于：
[0098]
判断第一需求信息是否满足预设的深度分析评价条件；
[0099]
若不满足，则根据多层卷积神经网络模型对第二需求信息进行分析，得到与第二需求信息相对应的待填写信息；
[0100]
基于待填写信息从预置模板库中选取与待生成演示文稿相对应的多个备选演示文稿模板。
[0101]
具体的，识别模块303包括：
[0102]
转换单元3031，用于利用预置文本识别模型将文稿信息转换成对应的词向量与位置向量；
[0103]
检索挖掘单元3032，用于基于预置文本识别模型中的信息检索挖掘算法分析文稿信息对应的跨句语义，并基于跨句语义确定文稿信息对应的邻接语义向量；
[0104]
生成单元3033，用于将词向量、位置向量和邻接语义向量作为文稿信息对应的文稿语义信息。
[0105]
具体的，匹配模块304包括：
[0106]
分类单元3041，基于词向量、位置向量与邻接语义向量，采用预置分类模型对应提取文稿信息的词性特征、实体特征和上下文特征；基于词性特征、实体特征和上下文特征，利用分类模型对待生成演示文稿的风格类型进行识别；
[0107]
匹配单元3042，基于根据识别到的风格类型确定待生成演示文稿对应的内容标签，并从各备选演示文稿模板中选取出与内容标签匹配程度最高的最优演示文稿模板。
[0108]
具体的，构建模块305包括：
[0109]
提取单元3051，用于提取文稿信息中的信息字段和文件资源字段，并确定信息字段和文件资源字段在最优演示文稿模板中对应的区域；
[0110]
插入单元3052，用于将信息字段写入最优演示文稿模板中对应的区域，以及根据文件资源字段在预置数据库中查找对应的文件资源，并将文件资源插入最优演示文稿模板中对应的区域，得到对应的演示文稿；
[0111]
调整单元3053，用于根据预置的样式规则调整演示文稿中信息字段和文件资源的样式，得到对应的演示文稿。
[0112]
本发明实施例中，在基于模板信息生成备选演示文稿模板时，可以通过爱一个多层卷积神经网络进行筛选，同时考虑模板生成的时延、准确度、算例和传输宽带成本比，来保证在边缘计算机之间进行演示文稿的展示时，可以保证每个备选演示文稿模板能够满足前述的深度分析评价条件，使得模板满足边缘计算的条件，而且通过内容标签来对文稿信息的内容进行分区，使得每个分区可以填充相应语义的文稿内容，提升演示文稿的质量。
[0113]
上面图3和图4从模块化功能实体的角度对本发明实施例中的演示文稿生成装置进行详细描述，下面从硬件处理的角度对本发明实施例中演示文稿生成设备进行详细描述。
[0114]
图5是本发明实施例提供的一种演示文稿生成设备的结构示意图，该演示文稿生成设备500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上处理器(central processing units，cpu)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530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演示文稿生成设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在演示文稿生成设备500上执行存储介质530中的一系列指令操作。
[0115]
演示文稿生成设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的演示文稿生成设备结构并不构成对演示文稿生成设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0116]
本发明还提供一种演示文稿生成设备，计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的演示文稿生成方法的步骤。
[0117]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行演示文稿生成方法的步骤。
[0118]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0119]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中，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，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0120]
以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。