CN119854545B 一种基于深度学习的新闻智能播报系统及方法 （金华市新闻传媒中心）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119854545B(45)授权公告日2025.07.04

(21)申请号202510339248.9

(22)申请日2025.03.21

(65)同一申请的已公布的文献号申请公布号CN119854545A

(43)申请公布日2025.04.18

(73)专利权人金华市新闻传媒中心

地址321000浙江省金华市婺城区人民西

路238号

(72)发明人章涛李贤忠宗伟王建寅金永华鲍健

(74)专利代理机构合肥北极牛知识产权代理事务所(特殊普通合伙)34239

专利代理师刘思伟

(51)Int.CI.

HO4N21/25(2011.01)

H04N21/258(2011.01)

H04N21/466(2011.01)

H04N21/81(2011.01)

H04N21/8547(2011.01)

GO6F18/213(2023.01)

GO6F18/25(2023.01)

GO6F18/26(2023.01)

GO6N3/044(2023.01)

GO6N3/0455(2023.01)

GO6N3/0464(2023.01)

GO6N3/0475(2023.01)

GO6N3/091(2023.01)

G06F123/02(2023.01)

(56)对比文件

US2022383075A1,2022.12.01CN119441573A,2025.02.14

审查员郭广萍

权利要求书4页说明书12页附图2页

(54)发明名称

一种基于深度学习的新闻智能播报系统及

方法

(57)摘要

CN119854545B本发明公开了一种基于深度学习的新闻智能播报系统及方法，包括以下步骤：S1、构建多模态新闻数据集并进行语义编码，生成初步语义特征；S2、利用动态时间卷积网络提取时间特征，并通过分层Transformer生成时间特征与分层语义特征；S3、对时间特征与分层语义特征进行跨模态对齐，生成跨模态融合特征；S4、进行多尺度语义建模，构建动态事件树，并生成多尺度动态语义结构；S5、将多尺度动态语义结构输入改进的三阶段生成网络生成概要、细节及预测性播报内容并推送；S6、结合用户反馈优化动态事件树及语义生成规则；S7、以文字、语音和视频形式同步输出优化后的播报内容。本发明结合深度学习、

CN119854545B

S1:

S1:构建多模态新闻数据集并进行语义编码生成初步语义特征

S2:利用动态时间卷积网络提取时间特征

通过分层Transformer生成时间特征与分层语义特征

S3:对时间特征与分层语义特征

进行跨模态对齐生成跨模态融合特征

S4:进行多尺度语义建模

构建动态事件树并生成多尺度动态语义结构

S5:将多尺度动态语义结构输入三阶段生成网络生成概要、细节及预测性播报内容并推送

S6:结合用户反馈优化动态事件树及语义生成规则

S7:以文字、语音和视频形式同步输出优化后的播报内容

CN119854545B权利要求书1/4页

2

1.一种基于深度学习的新闻智能播报方法，其特征在于，包括如下步骤：

S1、采集新闻事件的文本数据、图像数据和视频数据，构建多模态新闻数据集并进行语义编码，生成初步语义特征；

S2、基于动态时间卷积网络对所述初步语义特征进行时间维度的特征提取，并通过分层Transformer架构对新闻内容进行语义分级，生成时间特征与分层语义特征；

S3、通过事件特性驱动的跨模态对比学习，将所述时间特征与分层语义特征与多模态新闻数据对齐，生成跨模态融合特征；

S4、利用多头自注意力机制对所述跨模态融合特征进行多尺度语义建模，并基于时间节点和语义关联性构建动态事件树，生成多尺度动态语义结构；

S5、将所述多尺度动态语义结构输入改进的三阶段生成网络，依次生成概要播报内容、细节播报内容以及基于事件演化的预测性播报内容，并实时推送至用户终端；

S6、基于用户交互反馈信息，利用事件反馈优化机制动态调整所述动态事件树的节点权重和语义生成规则，生成优化后的播报内容；

S7、将优化后的播报内容以文字、语音和视频多模态形式进行同步输出；

所述S2