[发明专利]一种会议记录抽取与PPT插入方法与系统

说明书

在会议中获取演讲者的语音数据自动转换为文本数据，做分句、分词，做非负矩阵分解，获得会议话题列表，判断出前后无法连接形成话题的孤立句子，判断所述孤立句子是否在topK个话题中；获取PPT内容；通过ImageCaption技术，将PPT中的图像转化为图像文本描述，并将所述图像文本描述与所述去噪后会议内容文本进行相似度匹配；最终获得去除了会议噪音并包含有PPT的会议记录内容。本发明通过将会议中上下文无关联的噪音去除，能有效的降低自动会议记录产生大量话题噪音的问题。并且基于更加重要核心的话题去提取PPT内容，又使PPT内容更加具有精确度，使会议记录更加突出重点，值得阅读。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种会议记录抽取与PPT插入方法与系统。

背景技术

疫情期间，大部分会议都是线上会议，这种会议如果有会议记录，能够很好的对内容进行重点总结，能够给没有时间在直播的时候参加会议的人，给出总结的内容，方便查看和阅读。会议内容的自动记录，将参加会议的人的语音内容通过语音识别技术识别为文本内容，并记录下来，能够节省人工录入的时间成本，但是因为自动，也会导致格式没有人工整理那么规范。而且跟会议无关的发音也被记录。例如，跟讨论话题无关的，“把PPT打开，把音量开大点”，“我先喝口水”，甚至因为一些用户的麦克风没有关掉，会把跟会议无关，生活录音内容也录进去，造成语音识别的会议内容有很多杂音和不规范的文本。没有话题依赖关系的发言，不具有记录的价值，而且导致会议记录不严谨。没有人工记录那么具有真实意义，应该被去除。

另一方面，由于会议的讲解经常会需要根据PPT来讲。而一张PPT要能够让用户看清，经常需要放大到半个页面。当PPT很多时，会导致文档很长，而实际有些PPT并不是重要内容。例如，PPT的插入到会议纪要中，有些内容对某种PPT的内容讲解得多，有些讲解得少。需要将有价值的PPT插入到里面。将不重要的剔除。根据内容中，显示某张PPT的时间，以及根据在谈话中是否提到PPT内容，来进行判断PPT的价值。

发明内容

本发明提供了一种会议记录抽取与PPT插入方法与系统用于自动将会议记录进去去除杂音并将关键PPT插入其中。

本发明提供了一种会议记录抽取与PPT插入方法与系统，主要包括以下步骤：

在会议中获取演讲者的语音数据，通过语音识别技术，自动转换为文本数据，做分句、分词，并基于scikit-learn工具做非负矩阵分解，获得会议话题列表，判断出前后无法连接形成话题的孤立句子，所述孤立句子是指所述句子即不跟上文有关联又不跟下文有关联；判断所述孤立句子是否在topK个话题中，若否，删除所述孤立句子；删除所有的所述孤立句子后，获得去噪后会议内容文本；获取PPT内容；通过ImageCaption技术，将PPT中的图像转化为图像文本描述，并将所述图像文本描述与所述去噪后会议内容文本进行相似度匹配；如果相似度大于预设的阈值，则将所述PPT插入到会议记录之中，如果相似度小于预设的阈值，则PPT不插入到会议记录；最终获得会议记录。最终获得去除了会议噪音并包含有PPT的会议记录内容。

进一步可选地，如上所述的方法中，所述在会议中获取演讲者的语音数据，通过语音识别技术，自动转换为文本数据 ，主要包括：

获取参与会议发言的所有人员的语音内容，将语音数据通过语音识别接口转换为文本内容，所述语音识别接口采用百度或者科大讯飞的语音识别API接口。

进一步可选地，如上所述的方法中，所述做分句、分词，并基于scikit-learn工具做非负矩阵分解，获得会议话题列表 ，主要包括：

采用哈工大LTP自然语言处理工具对所述文本数据做分句、分词处理，获取分词后的词语，经过L1正则化处理，调用sklearn.decomposition.NMF包，进行非负矩阵分解，获得描述全部会议内容的话题列表。

进一步可选地，如上所述的方法中，所述判断出前后无法连接形成话题的孤立句子，主要包括：