买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉金华市新闻传媒中心申请的专利一种基于深度学习的新闻智能播报系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119854545B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510339248.9，技术领域涉及：H04N21/25；该发明授权一种基于深度学习的新闻智能播报系统及方法是由章涛;李贤忠;宗伟;王建寅;金永华;鲍健设计研发完成，并于2025-03-21向国家知识产权局提交的专利申请。

本一种基于深度学习的新闻智能播报系统及方法在说明书摘要公布了：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、多模态对齐与动态建模方法等，实现智能化新闻播报。

本发明授权一种基于深度学习的新闻智能播报系统及方法在权利要求书中公布了：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具体包括： S21、对初步语义特征进行嵌入编码，通过改进的位置编码方法嵌入特征向量： ； 其中，表示第pos个特征向量在偶数维度索引2q上的偏码值，表示第pos个特征向量在奇数维度索引2q+1上的偏码值，pos表示特征向量的位置索引，exp表示指数函数，t表示时间节点，d表示嵌入特征向量的维度，表示时间衰减因子； S22、利用动态时间卷积网络对嵌入编码特征进行时间维度的特征提取，通过动态调整的卷积核捕捉不规则时间序列中的时间特征： ； 其中，表示时间步t的输出特征值，k表示卷积核的大小，表示卷积核的权重参数，表示时间步t-r的输入特征值，表示时间节点差异，b表示偏置项； S23、构建分层Transformer的第一层，利用多头自注意力机制对动态时间卷积网络提取的时间特征进行语义编码，提取新闻内容中核心语义特征，核心语义包括新闻事件的主体、关键词及时间节点的特征： ； 其中，表示核心语义特征，softmax表示归一化函数，表示核心语义特征的查询向量，表示核心语义特征的键向量，表示核心语义特征的键向量的转置，表示核心语义特征的值向量，表示时间特征的权重矩阵，表示归一化因子； S24、构建分层Transformer的第二层，对核心语义特征进行背景语义解码，提取次要语义特征： ； 其中，表示次要语义特征，表示次要语义特征的查询向量，表示次要语义特征的键向量，表示次要语义特征的键向量的转置，表示次要语义特征的值向量，和表示权重参数，表示背景语义的位置编码； S25、基于核心语义特征与次要语义特征，通过时间维度和语义层次的多重动态加权机制生成时间特征与分层语义特征： ； 其中，表示时间特征与分层语义特征，表示核心语义特征的权重矩阵，表示次要语义特征的权重矩阵，表示时间特征； 所述S5具体包括： S51、初始化改进的三阶段生成网络，包括概要生成模块、细节生成模块和预测生成模块，并加载多尺度动态语义结构中的核心层特征、次核心层特征及背景层特征； S52、在概要生成模块中，对核心层特征进行要素提取，生成紧急与突发新闻的概要播报内容，所述概要生成模块包括序列编码器和注意力解码器，输出第一阶段的概要播报序列； S53、在细节生成模块中，接收概要生成模块输出的概要播报序列与多尺度动态语义结构中的次核心层特征与背景层特征，并融合至多模态解码器中，通过细粒度注意力机制补充事件主体、背景及上下文细节，输出第二阶段的细节播报序列； S54、在预测生成模块中，结合概要播报序列、细节播报序列及多尺度动态语义结构的时间特征信息，通过递归时间网络捕捉事件演化趋势的未来走向，输出基于事件演化的预测性播报内容； S55、将概要播报内容、细节播报内容与基于事件演化的预测性播报内容整合至统一的多模态输出模块，并对进行交叉验证，筛除冗余及矛盾内容； S56、将交叉验证后的播报内容通过实时推送通道输出至用户终端。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人金华市新闻传媒中心，其通讯地址为：321000 浙江省金华市婺城区人民西路238号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。