实体简介生成方法、设备及存储介质

摘要

本申请属于自然语言处理技术领域，具体涉及一种实体简介生成方法、设备及存储介质。该方法包括，获取待生成简介的目标实体的三元组数据；确定与三元组数据相关的目标文档；使用目标文档确定三元组数据中符合目标实体简介的目标三元组数据和目标三元组数据的排列顺序；使用目标三元组数据确定实体类别；将目标三元组数据按照顺序融合为符合实体类别的实体简介，得到目标实体的实体简介；由于可以筛选出对目标实体更有价值的三元组数据，同时可以结合与目标实体相关的文档按照三元组数据的排列顺序以及实体类别进行融合，这样可以避免生成的实体简介内容出现单一、死板、重复的现象。

说明书

【技术领域】

本申请属于自然语言处理技术领域，具体涉及一种实体简介生成方法、设备及存储介质。

【背景技术】

实体是指客观存在并可相互区别的事物。实体通常具有多种属性。目前通常需要按照实体的属性对实体进行介绍，因此，需要生成实体简介。

传统的实体简介生成方法包括：获取目标实体的多种属性的三元组数据和多种属性之间的相关关系；将多个三元组数据和该相关关系输入预训练的融合模型，得到目标实体简介。

然而，不是所有属性的属性数据都是用户期望获知的，按照传统的介绍内容生成方法会导致生成的介绍内容出现冗余的问题。

【发明内容】

本申请提供了实体简介生成方法、设备及存储介质，可以解决传统的介绍内容生成方法会导致生成的介绍内容出现冗余的问题。本申请提供如下技术方案：

第一方面，提供了一种实体简介生成方法，所述方法包括：

获取待生成简介目标实体的三元组数据；

确定与所述三元组数据相关的目标文档；

使用所述目标文档确定所述三元组数据中符合所述目标实体简介的目标三元组数据和所述目标三元组数据的排列顺序；

使用所述目标三元组数据确定所述实体类别；

将所述目标三元组数据按照所述顺序融合为符合所述实体类别的实体简介，得到所述目标实体简介。

可选地，所述目标文档包括第一目标文档和第二目标文档，其中，第二目标文档中与所述目标实体相关度高于所述第一目标文档与所述目标实体相关度；

所述使用所述目标文档确定所述三元组数据中符合所述目标实体简介的目标三元组数据和所述目标三元组数据的排列顺序，包括：

使用所述第一目标文档和所述第二目标文档确定所述三元组数据中的目标三元组数据；

使用所述第二目标文档确定所述目标三元组数据的排列顺序。

可选地，所述使用所述第一目标文档和所述第二目标文档确定所述三元组数据中的目标三元组数据，包括：

对于每个目标文档，将每个三元组数据与所述目标文档中的各分句进行对齐处理，得到与所述三元组数据对齐的至少一个对齐分句，以及所述三元组数据的对齐次数；

获取每个对齐分句在所述目标文档中的注意力权重；

基于所述对齐次数与所述注意力权重确定所述三元组数据在所述目标文档中的得分值；

确定每个三元组数据在各个目标文档中的得分值的加权平均值，得到每个三元组数据的目标分数；

确定目标分数大于分数阈值的三元组数据，得到所述目标三元组数据。

可选地，所述使用所述第二目标文档确定所述目标三元组数据的排列顺序，包括：

将所述目标三元组数据与所述第二目标文档中各分句进行对齐，得到与所述目标三元组数据对齐的目标对齐分句；

获取所述目标对齐分句在所述第二目标文档中出现的分句顺序，得到所述排列顺序。

可选地，所述确定与所述三元组数据相关的目标文档，+

获取原始文档集；

确定所述原始文档集每个原始文档与所述三元组数据相关性；

确定与所述三元组数据相关性高于相关度阈值的原始文档，得到所述目标文档。

可选地，所述确定所述原始文档集每个原始文档与所述三元组数据相关性，包括：

确定各个原始文档中各分句的句子向量和各个三元组数据的向量值；

确定所述句子向量值与所述向量值的相似度；

获取各个所述原始文档的时间信息；

使用所述相似度和时间因子，或者使用所述相似度确定所述各个原始文档与所述目标实体的三元组数据的相关性。

可选地，所述将所述目标三元组数据按照所述顺序融合为符合所述实体类别的实体简介，得到所述目标实体简介，包括：

将所述实体类别、所述目标三元组数据和所述目标文档输入至预先训练的融合模型，得到目标实体简介；

其中，所述融合模型使用训练数据对预设的神经网络模型训练得到，所述训练数据包括样本实体类别标签，样本目标三元组数据，样本目标文档以及融合后的目标实体简介。

第二方面，提供了一种实体简介生成装置，所述装置包括：

数据获取模块，用于获取待生成简介目标实体的三元组数据；

第一确定模块，用于确定与所述三元组数据相关的目标文档；

第二确定模块，用于使用所述目标文档确定所述三元组数据中符合所述目标实体简介的目标三元组数据和所述目标三元组数据的排列顺序；

第三确定模块，用于使用所述目标三元组数据确定所述实体类别；

数据融合模块，用于将所述目标三元组数据按照所述顺序融合为符合所述实体类别的实体简介，得到所述目标实体简介。

第三方面，提供了一种电子设备，所述设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现如第一方面所述的实体简介生成方法。

第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有程序，所述程序被处理器执行时用于实现如第一方面所述的实体简介生成方法。

本申请的有益效果在于：通过获取待生成简介目标实体的三元组数据；确定与所述三元组数据相关的目标文档；使用所述目标文档确定所述三元组数据中符合所述目标实体简介的目标三元组数据和所述目标三元组数据的排列顺序；使用所述目标三元组数据确定所述实体类别；将所述目标三元组数据按照所述顺序融合为符合所述实体类别的实体简介，得到所述目标实体简介；由于可以通过对用户期望获知的三元组数据的筛选以及目标文档与三元组数据的融合，来避免实体简介内容的冗余，同时增强实体简介在表达上的多样性。

另外，由于传统的实体简介生成方法并不会对目标实体的三元组数据的排列顺序进行排序，这样就会导致生成的实体简介会出现语句不通顺的问题，基于上述技术问题，本实施例中，通过使用第二目标文档确定目标三元组数据的排列顺序，由于第二目标文档是已经编辑且经过润色的文档内容，第二目标文档的语句符合正常排列顺序，这样通过第二目标文档确定的目标三元组数据的排列顺序符合正常阅读顺序，因此可以提高生成的实体简介的可读性。

另外，由于传统的实体简介生成方法在对三元组数据的筛选的不足，导致生成的实体简介往往只是三元组数据的堆积，生成的实体简介内容中容易出现一些对目标实体并不重要的属性信息，无法体现目标实体自身的特点，难以与异类实体相区分。基于上述技术问题，本实施例从三元组数据是否有助于识别实体类别角度出发来筛选三元组数据，丢弃对目标实体不重要的三元组数据，这样可以简化实体简介内容，进一步提高实体简介的可读性。

【附图说明】

图1是本申请一个实施例提供的实体简介生成方法的流程图；

图2是本申请一个实施例提供的实体简介生成装置的框图；

图3是本申请一个实施例提供的电子设备的框图。

【具体实施方式】

下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。

在申请中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的，或者是针对部件本身在竖直、垂直或重力方向上而言的；同样地，为便于理解和描述，“内、外”是指相对于各部件本身的轮廓的内、外，但上述方位词并不用于限制本申请。

本实施例提供的实体简介生成方法，如图1所示。本申请提供的实体简介生成方法的执行主体为电子设备，该电子设备可以为计算机、手机、平板电脑等终端，或者也可以为服务器，本实施例不对电子设备的实现方式作限定。该方法至少包括以下几个步骤：

步骤101，获取待生成简介目标实体的三元组数据。

其中，待生成简介目标实体是指需要进行内容介绍的目标实体。

其中，目标实体是客观存在并可相互区别的事物。

可选地，目标实体可以是一个人、一部电影、一个商品、一个新闻事件、一场体育比赛、一天的天气等，本实施例不对目标实体的类型作限定。

由于目标实体具有多方面信息，本实施例中将目标实体的多方面信息称为目标实体的三元组数据。

可选地，目标实体的三元组数据可以为目标实体的三元组数据。

在一个示例中，获取待生成简介目标实体的三元组数据，包括：获取目标实体的表格属性信息；基于表格属性信息确定目标实体的三元组数据。

其中，目标实体的表格属性信息预存于电子设备中。

比如：以目标实体为“姚明”此人为例，三元组数据为三元组数据为例，目标实体“姚明”所对应的表格属性信息如下表一所示，基于表格属性信息生成的三元组数据可以为{姚明，国籍，中国}、{姚明，出生地，上海徐汇区}、{姚明，身高，226cm}等三元组数据。

表一：

在另一个示例中，获取待生成简介目标实体的三元组数据，包括：获取目标实体的知识图谱；基于知识图谱生成目标实体的三元组数据。

其中，目标实体的知识图谱预存于电子设备中。

在又一个示例中，获取待生成简介目标实体的三元组数据，包括：获取与电子设备通信连接的其它设备发送的待生成简介目标实体的三元组数据，可选地，该其他设备可以为计算机、手机、可穿戴式设备等，本实施例不对其它设备的实现方式作限定。

步骤102，确定与三元组数据相关的目标文档。

可选地，确定与三元组数据相关的目标文档，至少包括以下步骤S11至S13：

步骤S11，获取原始文档集。

可选地，原始文档集可以从百度百科与目标实体相关的词条获取或者与目标实体相关的新闻报道获取等，本实施例不对原始文档集的获取来源作限定。

步骤S12，确定原始文档集每个原始文档与三元组数据相关性。

其中，确定原始文档集每个原始文档与三元组数据相关性，至少包括以下步骤S131至S134：

步骤S131，确定各个原始文档中各分句的句子向量和各个三元组数据的向量值。

其中，确定各个原始文档中各分句的句子向量，包括：基于正则表达式对各个原始文档中与目标实体相关的非结构化文档进行过滤，得到符合正则表达式的原始文档；基于标点符号对符合正则表达式的原始文档进行分句，得到各个原始文档的各分句的句子集合；基于分词算法对句子集合中各分句进行分词处理，得到各个原始文档的各分句的句子集合中的各个分词；将各个分词输入预先训练的第一生成模型，得到各个分词对应的词向量，其中，第一生成模型使用第一训练数据对预设的神经网络模型训练得到，第一训练数据包括样本分词以及样本分词对应的生成后词向量标签；对句子集合中各分词的词向量取平均值，得到各个原始文档中各分句的句子向量。

可选地，分词算法可以为双向最大匹配法(Bi-directction Matching method，BM)、条件随机场算法(conditional random field algorithm，CRF)等，本实施例不对分词算法的实现方式作限定。

其中，确定各个三元组数据的向量值，包括：将各个三元组数据输入至预先训练的第二生成模型，得到各个三元组数据对应的向量值，其中，第二生成模型使用第二训练数据对预设的神经网络模型训练得到，第二训练数据包括样本三元组数据以及样本三元组数据对应的生成后的样本三元组数据的向量值标签。

步骤S132，确定句子向量值与向量值的相似度。

可选地，确定句子向量值与向量值的相似度的算法包括但不限于：余弦相似度算法、杰卡德相似系数算法等，本实施例不对确定相似度的算法作限定。

步骤S133，获取各个原始文档的时间信息。

其中，获取各个原始文档的时间信息，包括：确定各个原始文档的时间因子。

对于原始文档的时间因子计算方式，见如下公式：

其中，T为原始文档的时间因子，CurrentTime为当前时间，ReleseTime为原始文档发布时间，TimeAll为原始文档集中最早发布的原始文档时间。

步骤134，使用相似度和时间信息，或者使用相似度确定各个原始文档与目标实体的三元组数据的相关性。

在一个示例中，使用相似度和时间信息确定各个原始文档与目标实体的三元组数据的相关性。

具体地，使用相似度和时间信息确定各个原始文档与目标实体的三元组数据的相关性，包括：将相似度和时间信息的比值大小确定为原始文档与目标实体的三元组数据的相关性。

在另一个示例中，使用相似度确定各个原始文档与目标实体的三元组数据的相关性。

具体地，使用相似度确定各个原始文档与目标实体的三元组数据的相关性，包括：将原始文档中各句子向量值与向量值的相似度确定为原始文档与目标实体的三元组数据的相关性。

步骤S13,确定与三元组数据相关性高于相关度阈值的原始文档，得到目标文档。

其中，相关度阈值预存于电子设备中。

步骤103，使用目标文档确定三元组数据中符合目标实体简介的目标三元组数据和目标三元组数据的排列顺序。

在一个示例中，目标文档包括第一目标文档和第二目标文档，第二目标文档中与目标实体相关度高于第一目标文档与目标实体相关度。

相应地，使用目标文档确定三元组数据中符合目标实体简介的目标三元组数据和目标三元组数据的排列顺序，包括：使用第一目标文档和第二目标文档确定三元组数据中的目标三元组数据；使用第二目标文档确定目标三元组数据的排列顺序。

其中，使用第一目标文档和第二目标文档确定三元组数据中的目标三元组数据，至少包括以下步骤S21至S25：

步骤S21，对于每个目标文档，将每个三元组数据与目标文档中的各分句进行对齐处理，得到与三元组数据对齐的至少一个对齐分句，以及三元组数据的对齐次数。

其中，将每个三元组数据与目标文档中的各分句进行对齐处理基于每个三元组数据与目标文档中的各分句的相似度进行对齐，在三元组数据与目标文档的某分句的相似度大于相似度阈值，则将三元组数据与该分句进行对齐处理。

可选地，一个分句可以与多个三元组数据进行对齐。

步骤S22，获取每个对齐分句在目标文档中的注意力权重。

其中，每个对齐分句在目标文档中的注意力权重基于注意力机制获得。

具体地，将对齐分句输入预先训练的注意力权重获取模型，得到对齐分句在目标文档中的注意力权重，其中，注意力权重获取模型使用第三训练数据对神经网络训练训练得到，第三训练数据包括样本分句和样本分句对应的注意力权重标签。

步骤S23，基于对齐次数与注意力权重确定三元组数据在目标文档中的得分值。

步骤S24，确定每个三元组数据在各个目标文档中的得分值的加权平均值，得到每个三元组数据的目标分数。

具体地，每个三元组数据的目标分数如下公式：

其中，Rank(ri)表示三元组数据ri的目标分数，|D|表示目标文档的文档数量，count(ri)表示三元组数据的在目标文档d中与目标文档d各分句的对齐次数，K表示目标文档d中与三元组数据ri对齐的分句数，pj表示与三元组数据对齐的分句在目标文档中的注意力权重。

步骤S25，确定目标分数大于分数阈值的三元组数据，得到目标三元组数据。

其中，分数阈值的获取方式包括获取预存于电子设备中的分数阈值，或者接收与电子设备通信相连的其它设备发送的分数阈值，本实施例不对分数阈值的获取方式作限定。

可选地，使用第二目标文档确定目标三元组数据的排列顺序，包括：将目标三元组数据与第二目标文档中各分句进行对齐，得到与目标三元组数据对齐的目标对齐分句；获取目标对齐分句在第二目标文档中出现的分句顺序，得到排列顺序。

其中，将目标三元组数据与第二目标文档中各分句进行对齐的步骤见上述步骤S21。

比如：以三元组数据为三元组数据为例，三元组数据包括r1，r2，r3，r4，r5，r6，第二目标文档各分句为S1，S2，S3，若对齐结果为{>,>,>}，则按照{S1,S2,S3}的顺序，则得到排列顺序为R＝{r1,rw3,r5,r6,r4}。

在另一个示例中，目标文档包括第一目标文档，相应地，使用目标文档确定三元组数据中符合目标实体简介的目标三元组数据和目标三元组数据的排列顺序，包括：使用第一目标文档确定三元组数据中的目标三元组数据；使用第一目标文档确定目标三元组数据的排列顺序。

其中，使用第一目标文档确定三元组数据中的目标三元组数据，包括：

将每个三元组数据与第一目标文档中的各分句进行对齐处理，得到与三元组数据对齐的至少一个对齐分句，以及三元组数据的对齐次数；获取每个对齐分句在第一目标文档中的注意力权重；基于对齐次数与注意力权重确定三元组数据在第一目标文档中的得分值；确定得分值大于分数阈值的三元组数据，得到目标三元组数据。

其中，使用第一目标文档确定目标三元组数据的排列顺序，包括：将目标三元组数据与第一目标文档中各分句进行对齐，得到与目标三元组数据对齐的目标对齐分句；获取目标对齐分句在第一目标文档中出现的分句顺序，得到排列顺序。

由于传统的实体简介生成方法并不会对目标实体的三元组数据的排列顺序进行排序，这样就会导致生成的实体简介会出现语句不通顺的问题，基于上述技术问题，本实施例中，通过使用第二目标文档确定目标三元组数据的排列顺序，由于第二目标文档是已经编辑且经过润色的文档内容，第二目标文档的语句符合正常排列顺序，这样通过第二目标文档确定的目标三元组数据的排列顺序符合正常阅读顺序，因此可以提高生成的实体简介的可读性。

步骤104，使用目标三元组数据确定实体类别。

在一个示例中，使用目标三元组数据确定实体类别，包括：将目标三元组数据输入预先训练的类别确定模式，得到实体类别，其中，类别确定模式使用训练数据对预设的神经网络模型训练得到；训练数据包括样本目标三元组数据和样本目标三元组数据对应的实体类别标签。

其中，类别确定模型训练过程中对应的损失函数为Loss

在另一个示例中，使用目标三元组数据确定实体类别，包括：获取目标三元组数据的数据特征；获取数据特征与实体类别的对应关系；基于对应关系确定实体类别。

由于传统的实体简介生成方法在对三元组数据筛选的不足，导致生成的实体简介往往只是三元组数据的堆积，内容中容易出现一些对实体并不重要的属性信息，无法体现实体特点，难以与异类实体相区分。基于上述技术问题，本实例从三元组是否有助于识别实体类别角度出发筛选三元组，丢弃对实体不重要的三元组，这样可以简化实体简介内容，并进一步提高生成简介的可读性。

步骤105，将目标三元组数据按照顺序融合为符合实体类别的实体简介，得到目标实体简介。

在一个示例中，将目标三元组数据按照顺序融合为符合实体类别的实体简介，得到目标实体简介，包括：将实体类别、目标三元组数据和目标文档输入至预先训练的融合模型，得到目标实体简介。

其中，融合模型使用训练数据对预设的神经网络模型训练得到，训练数据包括样本实体类别标签，样本目标三元组数据，样本目标文档以及融合后的目标实体简介。

其中，融合模型在训练过程中对应的损失函数为Loss

在另一个示例中，将目标三元组数据按照顺序融合为符合实体类别的实体简介，得到目标实体简介，包括：获取目标文档中各分句的排列顺序；基于目标文档中各分句的排列顺序和实体类别将目标三元组数据进行融合，得到目标实体简介。

综上所述，本实施例提供的实体简介生成方法，通过获取待生成简介目标实体的三元组数据；确定与三元组数据相关的目标文档；使用目标文档确定三元组数据中符合目标实体简介的目标三元组数据和目标三元组数据的排列顺序；使用目标三元组数据确定实体类别；将目标三元组数据按照顺序融合为符合实体类别的实体简介，得到目标实体简介；由于可以通过对用户期望获知的三元组数据的筛选以及目标文档与三元组数据的融合，来避免实体简介内容的冗余，同时增强实体简介在表达上的多样性。

另外，由于传统的实体简介生成方法并不会对目标实体的三元组数据的排列顺序进行排序，这样就会导致生成的实体简介会出现语句不通顺的问题，基于上述技术问题，本实施例中，通过使用第二目标文档确定目标三元组数据的排列顺序，由于第二目标文档是已经编辑且经过润色的文档内容，第二目标文档的语句符合正常排列顺序，这样通过第二目标文档确定的目标三元组数据的排列顺序符合正常阅读顺序，因此可以提高生成的实体简介的可读性。

另外，由于传统的实体简介生成方法在对三元组数据的筛选的不足，导致生成的实体简介往往只是三元组数据的堆积，生成的实体简介内容中容易出现一些对目标实体并不重要的属性信息，无法体现目标实体自身的特点，难以与异类实体相区分。基于上述技术问题，本实施例从三元组数据是否有助于识别实体类别角度出发来筛选三元组数据，丢弃对目标实体不重要的三元组数据，这样可以简化实体简介内容，进一步提高实体简介的可读性。

为了更清楚地了解上述实体简介生成方法，本实施例以上述表一内容为例对“姚明”实体进行内容生成的生成效果进行举例说明。

根据表一的三元组数据可知，若以传统的实体简介生成方法对表一的三元组数据进行融合，得到目标实体简介为“姚明，外文名是Yao Ming，性别男，国籍为中国，出生日期是1980年9月12日，出生地是上海徐汇区，身高226cm，体重140.6公斤，血型为B型，星座是处女座，主要奖项是8次NBA全明星赛，中国篮球杰出贡献奖”。可以看出，在现有技术下生成的实体简介只是介绍了实体“姚明”最基本的信息，并没有筛选出有效属性来突出“姚明”运动员身份”，对于简介而言，这些基本的信息略显冗余。同时，生成的实体简介语言逻辑混乱，形式单一，与自然语言的表达有一定差距。

若以上述实施例的实体简介生成方法对表一的三元组数据进行融合，可以得到目标实体简介为“姚明(YaoMing)，性别男，国籍中国，1980年9月12日生于上海徐汇区，身高226cm，篮球运动员，场上位置是中锋，擅长20英尺外精确跳投，主要奖项是8次NBA全明星赛，中国篮球杰出贡献奖，现任亚洲篮球联合会主席、中国篮球协会主席、中职联公司董事长兼总经理，十三届全国青联副主席。”可以看出，由于可以筛选用户期望获知的三元组数据，同时可以结合与目标实体相关的文档按照排列顺序以及实体类别进行融合，并重新规划了三元组数据的使用，如调整了三元组数据的顺序，将“出生日期”、“出生地”两个三元组数据进行了合并。在表达上，将“专业特点”改为了“擅长”，“职位是”改为了“现任”，更符合自然语言的使用习惯。

图2是本申请一个实施例提供的实体简介生成装置的框图，该装置至少包括以下几个模块：数据获取模块210、第一确定模块220、第二确定模块230、第三确定模块240和数据融合模块250。

数据获取模块210，用于获取待生成简介目标实体的三元组数据；

第一确定模块220，用于确定与三元组数据相关的目标文档；

第二确定模块230，用于使用所述目标文档确定所述三元组数据中符合所述目标实体简介的目标三元组数据和所述目标三元组数据的排列顺序；

第三确定模块240，用于使用目标三元组数据确定实体类别；

数据融合模块250，用于将目标三元组数据按照顺序融合为符合实体类别的实体简介，得到目标实体简介。

相关细节参考上述实施例。

需要说明的是：上述实施例中提供的实体简介生成装置在进行实体简介生成时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将实体简介生成装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的实体简介生成装置与实体简介生成方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本实施例提供一种电子设备，如图3所示，该电子设备至少包括处理器301和存储器302。

处理器301可以包括一个或多个处理核心，比如：4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的实体简介生成方法。

在一些实施例中，电子设备还可选包括有：外围设备接口和至少一个外围设备。处理器301、存储器302和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。

当然，电子设备还可以包括更少或更多的组件，本实施例对此不作限定。

可选地，本申请还提供有一种计算机可读存储介质，计算机可读存储介质中存储有程序，程序由处理器加载并执行以实现上述方法实施例的实体简介生成方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。