CN110046229B - 用于获取信息的方法及装置 - Google Patents

Abstract

本公开的实施例公开了用于获取信息的方法及装置。该方法的一具体实施方式包括：从待处理信息中提取至少一条特征信息，其中，特征信息用于表征上述待处理信息的信息类型；将上述至少一条特征信息导入预先训练的信息识别模型，得到上述待处理信息的级别信息，上述信息识别模型与上述信息类型对应，用于表征特征信息与级别信息之间的对应关系；根据上述级别信息构建结果信息。该实施方式有利于对待处理信息的安全性做出判断。

Description

用于获取信息的方法及装置

技术领域

本公开的实施例涉及数据处理技术领域，具体涉及用于获取信息的方法及装置。

背景技术

随着法治社会的发展，人们的法律意识也得到提高。人们在工作和生活中经常用到与法律相关的各类文件。例如，与公司签订的雇佣合同，与房东签订的租房合同等。

发明内容

本公开的实施例提出了用于获取信息的方法及装置。

第一方面，本公开的实施例提供了一种用于获取信息的方法，该方法包括：从待处理信息中提取至少一条特征信息，其中，上述特征信息用于表征上述待处理信息的信息类型；将上述至少一条特征信息导入预先训练的信息识别模型，得到上述待处理信息的级别信息；其中，上述信息识别模型与上述信息类型对应，用于表征特征信息与级别信息之间的对应关系；以及，根据上述级别信息构建结果信息。

在一些实施例中，上述将上述至少一条特征信息导入预先训练的信息识别模型，得到上述待处理信息的级别信息，包括：查询对应上述信息类型的信息识别模型。

在一些实施例中，上述信息识别模型通过以下步骤训练得到：获取指定信息类型的多条样本信息和对应上述多条样本信息中每条样本信息的样本级别信息，上述样本信息包括至少一条样本特征信息；将上述多条样本信息作为输入，将与上述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应上述指定信息类型的信息识别模型。

在一些实施例中，上述将上述多条样本信息作为输入，将与上述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应上述指定信息类型的信息识别模型，包括：执行以下训练步骤：将上述多条样本信息中的每条样本信息依次输入至初始信息识别模型，得到上述多条样本信息中的每条样本信息所对应的预测级别信息，将上述多条样本信息中的每条样本信息所对应的预测级别信息与该样本信息所对应的上述样本级别信息进行比较，得到上述初始信息识别模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始信息识别模型作为训练完成的信息识别模型。

在一些实施例中，上述将上述多条样本信息作为输入，将与上述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应上述指定信息类型的信息识别模型，还包括：响应于不大于上述预设准确率阈值，调整上述初始信息识别模型的参数，并继续执行上述训练步骤。

在一些实施例中，上述样本级别信息通过以下步骤得到：从每一条样本信息中提取至少一条样本特征信息；对于上述至少一条样本特征信息中的样本特征信息，获取该样本特征信息对应的基准信息，上述基准信息用于对该样本特征信息的级别设置级别数值；通过上述基准信息为对应的样本特征信息设置级别数值，得到对应样本信息的样本级别信息。

在一些实施例中，上述基准信息包括至少一条级别设置信息和权重值，以及，上述通过上述基准信息为对应的样本特征信息设置级别数值，包括：通过上述至少一条级别设置信息中的级别设置信息为对应的样本特征信息设置初始级别数值，并通过初始级别数值和对应初始级别数值的权重值为样本特征信息设置最终级别数值。

在一些实施例中，上述方法还包括：获取并发送对应上述结果信息的至少一条历史参考信息，其中，上述历史参考信息包括与上述结果信息对应的历史信息。

在一些实施例中，上述方法还包括：响应于上述级别信息小于设定级别，从上述至少一条特征信息中提取并显示至少一条标记信息，上述标记信息为使得上述级别信息小于设定级别的特征信息。

在一些实施例中，上述信息类型包括以下至少一项：法律文书、安全信息。

第二方面，本公开的实施例提供了一种用于获取信息的装置，该装置包括：特征信息提取单元，被配置成从待处理信息中提取至少一条特征信息，其中，上述特征信息用于表征上述待处理信息的信息类型；级别信息获取单元，被配置成将上述至少一条特征信息导入预先训练的信息识别模型，得到上述待处理信息的级别信息，其中，上述信息识别模型与上述信息类型对应，用于表征特征信息与级别信息之间的对应关系；结果信息构建单元，被配置成根据上述级别信息构建结果信息。

在一些实施例中，上述级别信息获取单元包括：信息识别模型查询子单元，被配置成查询对应上述信息类型的信息识别模型。

在一些实施例中，上述装置还包括信息识别模型训练单元，被配置成训练信息识别模型，上述信息识别模型训练单元包括：信息获取子单元，被配置成获取指定信息类型的多条样本信息和对应上述多条样本信息中每条样本信息的样本级别信息，上述样本信息包括至少一条样本特征信息；信息识别模型训练子单元，被配置成将上述多条样本信息作为输入，将与上述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应上述指定信息类型的信息识别模型。

在一些实施例中，上述信息识别模型训练子单元包括：信息识别模型训练模块，被配置成将上述多条样本信息中的每条样本信息依次输入至初始信息识别模型，得到上述多条样本信息中的每条样本信息所对应的预测级别信息，将上述多条样本信息中的每条样本信息所对应的预测级别信息与该样本信息所对应的上述样本级别信息进行比较，得到上述初始信息识别模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始信息识别模型作为训练完成的信息识别模型。

在一些实施例中，上述信息识别模型训练子单元还包括：参数调整模块，响应于不大于上述预设准确率阈值，被配置成调整上述初始信息识别模型的参数，并继续执行上述训练步骤。

在一些实施例中，上述装置还包括样本级别信息获取单元，被配置成获取样本级别信息，上述样本级别信息获取单元包括：样本特征信息提取子单元，被配置成从每一条样本信息中提取至少一条样本特征信息；基准信息获取子单元，对于上述至少一条样本特征信息中的样本特征信息，被配置成获取该样本特征信息对应的基准信息，上述基准信息用于对该样本特征信息的级别设置级别数值；样本级别信息获取子单元，被配置成通过上述基准信息为对应的样本特征信息设置级别数值，得到对应样本信息的样本级别信息。

在一些实施例中，上述基准信息包括至少一条级别设置信息和权重值，以及，上述样本级别信息获取子单元包括：样本级别信息获取模块，被配置成通过上述至少一条级别设置信息中的级别设置信息为对应的样本特征信息设置初始级别数值，并通过初始级别数值和对应初始级别数值的权重值为样本特征信息设置最终级别数值。

在一些实施例中，上述装置还包括：历史参考信息发送单元，被配置成获取并发送对应上述结果信息的至少一条历史参考信息，其中，上述历史参考信息包括与上述结果信息对应的历史信息。

在一些实施例中，上述装置还包括：提示单元，响应于上述级别信息小于设定级别，被配置成从上述至少一条特征信息中提取并显示至少一条标记信息，上述标记信息为使得上述级别信息小于设定级别的特征信息。

在一些实施例中，上述信息类型包括以下至少一项：法律文书、安全信息。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述第一方面的用于获取信息的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面的用于获取信息的方法。

本公开的实施例提供的用于获取信息的方法及装置，首先从待处理信息中提取特征信息，然后将特征信息导入预先训练的信息识别模型，得到待处理信息的级别信息；最后根据级别信息构建结果信息。本申请技术方案能够得到对应待处理信息的结果信息，有利于对待处理信息的安全性做出判断。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性***架构图；

图2是根据本公开的用于获取信息的方法的一个实施例的流程图；

图3是根据本公开的用于获取信息的方法的一个应用场景的示意图；

图4是根据本公开的信息识别模型训练方法的一个实施例的流程图；

图5是根据本公开的用于获取信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的用于获取信息的方法或用于获取信息的装置的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持信息处理的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发来的待处理信息进行数据处理的服务器。服务器可以对接收到的待处理信息等数据进行分析等处理，并将处理结果(例如结果信息)反馈给终端设备。

需要说明的是，本公开的实施例所提供的用于获取信息的方法可以由终端设备101、102、103单独执行，或者也可以由终端设备101、102、103和服务器105共同执行。相应地，用于获取信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于获取信息的方法的一个实施例的流程200。该用于获取信息的方法包括以下步骤：

步骤201，从待处理信息中提取至少一条特征信息。

在本实施例中，用于获取信息的方法的执行主体(例如图1所示的终端设备101、102、103和/或服务器105)可以通过有线连接方式或者无线连接方式从用户利用其进行信息处理的终端接收待处理信息。其中，待处理信息可以是图片、文字等数据格式。待处理信息可以是合同、协议等与法律条款或规定相关的内容。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

日常生活中，人们会处理各种类型的信息。其中，有些信息需要符合相关的形式要求和/或内容要求。为此，可以参考数据/文献库中已有的历史信息，以便借鉴历史信息对当前的信息进行相应的处理。其中，信息类型可以包括法律文书和安全信息。更具体而言，信息类型可以是各种合同等，进而可以根据各类合同涉及的法律条款对信息做出判断。信息类型还是可以是劳动合同、买卖合同、租赁合同等。对不具有法律专业知识的人而言，通常无法对法律文书的准确性和法律效力等做出准确的判断。因此，需要从法律文书中的信息中的甄选鉴别出不合理之处。当法律文书中存在不符合法律强制性规定或者有对己方不利的条款时，这些法律文书可能给人们带来不必要的风险。

本申请的执行主体在获取到待处理信息后，可以首先从待处理信息中提取至少一条特征信息。其中，特征信息可以用于表征上述待处理信息的信息类型不同类型的待处理信息包含的特征信息不同，特征信息可以是信息类型所对应的关键词信息。例如，劳动合同对应的特征信息可以包括：“劳动合同”、“员工”、“公司”、“试用期”、“辞退”等；买卖合同对应的特征信息可以包括：“买卖合同”、“定金”、“违约金”等。

步骤202，将上述至少一条特征信息导入预先训练的信息识别模型，得到上述待处理信息的级别信息。

在此步骤中，执行主体可以将上述得到的特征信息导入预先训练的信息识别模型，进而可以得到级别信息。其中，信息识别模型可以与上述信息类型对应，用于表征特征信息与级别信息之间的对应关系。

在本实施例的一些可选的实现方式中，上述将上述至少一条特征信息导入预先训练的信息识别模型，得到上述待处理信息的级别信息，可以包括：查询对应上述信息类型的信息识别模型。

实际中，待处理信息可以是多种不同的信息类型。对于不同的信息类型，对应的法律内容可以不同。因此，在获取到特征信息后，执行主体需要确定这些特征信息所对应的信息识别模型。执行主体可以通过特征信息对应的信息类型来选择对应的信息识别模型。

在本实施例的一些可选的实现方式中，信息识别模型可以通过以下步骤训练得到：

第一步，获取指定信息类型的多条样本信息和对应上述多条样本信息中每条样本信息的样本级别信息。

为了训练信息识别模型，执行主体可以获取指定信息类型的多条样本信息和对应上述多条样本信息中每条样本信息的样本级别信息。其中，样本级别信息可以是技术人员根据实际情况对样本信息做出的评级信息等。

第二步，将上述多条样本信息作为输入，将与上述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应上述指定信息类型的信息识别模型。

获取到样本信息和样本级别信息后，执行主体可以将上述多条样本信息作为输入，将与上述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应上述指定信息类型的信息识别模型。

步骤203，根据上述级别信息构建结果信息。

得到级别信息后，执行主体可以通过级别信息构建结果信息。则结果信息就可以反映待处理信息的安全性。

在本实施例的一些可选的实现方式中，上述方法还可以包括：获取并发送对应上述结果信息的至少一条历史参考信息。

实际中通常存在结果信息相同或相似的其他信息。执行主体可以获取结果信息相同或相似的其他信息的历史参考信息，并将历史参考信息发送给用户，以便用户可以根据历史参考信息进行相关的操作。其中，历史参考信息可以包括与上述结果信息对应的历史信息。例如，李某的劳动合同的结果信息与张某的劳动合同的结果信息相同。且张某的劳动合同先于李某的劳动合同。张某的劳动合同后续还有经过法院判决的判决书等信息。则张某的判决书等信息就可以是李某的结果信息对应的历史参考信息。

在本实施例的一些可选的实现方式中，上述方法还可以包括：响应于上述级别信息小于设定级别，从上述至少一条特征信息中提取并显示至少一条标记信息。

当执行主体获得的级别信息小于设定级别时，可以认为当前的待处理信息存在较大的风险。此时，执行主体可以从至少一条特征信息中提取并显示至少一条标记信息。例如，执行主体对某一待处理信息处理后得到的级别信息为“高危”，而设定级别为“低危”。此时，执行主体可以从待处理信息的至少一条特征信息中提取出至少一条标记信息。其中，上述标记信息为使得所述级别信息小于设定级别的特征信息。例如，至少一条特征信息中存在一些特征信息，这些特征信息对应的基准信息的权重值较大。当这些特征信息不符合基准信息的要求时，基准信息的权重值将直接影响待处理信息的级别信息。则执行主体可以将这些特征信息设置为标记信息，并显示标记信息，以便用户能够获取。

继续参见图3，图3是根据本实施例的用于获取信息的方法的应用场景的一个示意图。在图3的应用场景中，终端设备102将待处理信息“劳动合同”发送给服务器105。服务器105从“劳动合同”中提取特征信息后，将特征信息导入信息识别模型，得到对应“劳动合同”的级别信息；最后，服务器105根据级别信息构建结果信息。

本公开的上述实施例提供的方法首先从待处理信息中提取特征信息，然后将特征信息导入预先训练的信息识别模型，得到待处理信息的级别信息；最后根据级别信息构建结果信息。本申请技术方案能够得到对应待处理信息的结果信息，有利于对待处理信息的安全性做出判断。

进一步参考图4，其示出了信息识别模型训练方法的又一个实施例的流程400。该信息识别模型训练方法的流程400，包括以下步骤：

步骤401，获取指定信息类型的多条样本信息和对应上述多条样本信息中每条样本信息的样本级别信息。

在本实施例中，深度学习模型训练方法运行于其上的执行主体(例如图1所示的服务器105)可以获取多条样本信息和对应上述多条样本信息中每条样本信息的样本级别信息。

在本实施例中，执行主体可以获取多条样本信息，并为本领域技术人员展示。其中，样本信息可以包括至少一条样本特征信息。本领域技术人员可以根据经验对多条样本信息中的每条样本信息标注样本级别信息。

例如，当样本信息为法律文书时，对应的样本级别信息可以是：违反法律禁止性规定、对己方不利、己方利益最大化等几个级别。

步骤402，将上述多条样本信息中的每条样本信息依次输入至初始信息识别模型，得到上述多条样本信息中的每条样本信息所对应的预测级别信息。

执行主体可以将多条样本信息中的每条样本信息依次输入至初始信息识别模型，从而得到上述多条样本信息中的每条样本信息所对应的预测级别信息。此处，初始信息识别模型可以是各种由智能算法构建的模型(例如可以是深度学习模型)。执行主体可以将样本信息从初始信息识别模型的输入侧输入，依次经过初始信息识别模型的各层参数的处理，并从初始信息识别模型的输出侧输出，输出侧输出的信息即为对应该样本信息的预测级别信息。其中，初始信息识别模型可以是未经训练的模型或未训练完成的模型，其各层设置有初始化参数，初始化参数在模型的训练过程中可以被不断地调整。。

步骤403，将上述多条样本信息中的每条样本信息所对应的预测级别信息与该样本信息所对应的上述样本级别信息进行比较，得到上述初始信息识别模型的预测准确率。

在本实施例中，基于步骤402所得到的多条样本信息中的每条样本信息所对应的预测级别信息，执行主体可以将多条样本信息中的每条样本信息所对应的预测级别信息与该样本信息所对应的样本级别信息进行比较，从而得到初始信息识别模型的预测准确率。具体地，若一个样本信息所对应的预测级别信息与该样本信息所对应的样本级别信息相同或相近，则初始信息识别模型预测正确；若一条样本信息所对应的预测级别信息与该样本信息所对应的样本级别信息不同或不相近，则初始信息识别模型预测错误。例如，当样本信息为合同时，对应的样本级别信息可以是：低危。对应的预测级别信息可以是：高危。则初始信息识别模型预测错误；当预测级别信息与样本级别信息同为低危时，初始信息识别模型预测准确。这里，执行主体可以计算预测正确的数目与样本总数的比值，并将该比值作为初始信息识别模型的预测准确率。

步骤404，确定上述预测准确率是否大于预设准确率阈值。

在本实施例中，基于步骤403所得到的初始信息识别模型的预测准确率，执行主体可以将初始信息识别模型的预测准确率与预设准确率阈值进行比较。若大于预设准确度阈值，则执行步骤405；若不大于预设准确度阈值，则执行步骤406。

例如，当样本信息为合同时，初始信息识别模型的预测准确率为95％，预设准确率阈值为75％，此时，可以执行步骤405；当初始信息识别模型的预测准确率低于75％时，可以执行步骤406。

步骤405，将上述初始信息识别模型作为训练完成的信息识别模型。

在本实施例中，在初始信息识别模型的预测准确度大于预设准确度阈值的情况下，说明该信息识别模型训练完成，此时，执行主体可以将初始信息识别模型作为训练完成的信息识别模型。

步骤406，调整上述初始信息识别模型的参数。

在本实施例中，在初始信息识别模型的预测准确度不大于预设准确度阈值的情况下，执行主体可以调整初始信息识别模型的参数，并返回执行步骤402，直至训练出能够特征信息与级别信息之间的对应关系的信息识别模型为止。

在本实施例的一些可选的实现方式中，上述样本级别信息可以通过以下步骤得到：

第一步，从每一条样本信息中提取至少一条样本特征信息。

为了获取样本级别信息，执行主体(例如可以是图1所示的服务器105)可以从每一条样本信息中提取至少一条样本特征信息。

第二步，对于上述至少一条样本特征信息中的样本特征信息，获取该样本特征信息对应的基准信息。

执行主体获取到样本特征信息后，技术人员可以查询每条样本特征信息所对应的基准信息。其中，上述基准信息用于对该样本特征信息的级别设置级别数值。例如，基准信息可以是法条等。

第三步，通过上述基准信息为对应的样本特征信息设置级别数值，得到对应样本信息的样本级别信息。

技术人员可以通过基准信息为样本特征信息设置级别数值，进而得到对应样本信息的样本级别信息。有利于对待处理信息的安全性做出判断。例如，基准信息可以是法条，当样本特征信息满足该法条的所有条件时，为该样本信息设置的样本级别信息可以是“安全”；当样本特征信息部分满足该法条的所有条件时，为该样本信息设置的样本级别信息可以是“存在风险”；当样本特征信息不满足该法条的所有条件的任意一条时，为该样本信息设置的样本级别信息可以是“危险”。样本级别信息还可以是“100％安全”、“90％安全”、“10％安全”等形式，具体根据实际需要而定。

在本实施例的一些可选的实现方式中，上述基准信息可以包括至少一条级别设置信息和权重值，以及，上述通过上述基准信息为对应的样本特征信息设置级别数值，可以包括：通过上述至少一条级别设置信息中的级别设置信息为对应的样本特征信息设置初始级别数值，并通过初始级别数值和对应初始级别数值的权重值为样本特征信息设置最终级别数值。

不同的基准信息对应的法律效力可以不同。执行主体可以根据基准信息的法律效力设置对应的权重值。权重值越大，则基准信息的法律效力越大。基准信息还可以包括至少一条级别设置信息。其中，级别设置信息可以是基准信息包含的条件。同时满足基准信息的所有级别设置信息才完全具有基准信息所对应的法律效率。为此，执行主体可以通过级别设置信息为对应的样本特征信息设置初始级别数值，并通过初始级别数值和对应初始级别数值的权重值为样本特征信息设置最终级别数值。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于获取信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于获取信息的装置500可以包括：特征信息提取单元501、级别信息获取单元502和结果信息构建单元503。其中，特征信息提取单元501被配置成从待处理信息中提取至少一条特征信息，其中，上述特征信息用于表征上述待处理信息的信息类型；级别信息获取单元502被配置成将上述至少一条特征信息导入预先训练的信息识别模型，得到上述待处理信息的级别信息，其中，上述信息识别模型与上述信息类型对应，用于表征特征信息与级别信息之间的对应关系；结果信息构建单元503被配置成根据上述级别信息构建结果信息。

在本实施例的一些可选的实现方式中，上述级别信息获取单元502可以包括：信息识别模型查询子单元(图中未示出)，被配置成查询对应上述信息类型的信息识别模型。

在本实施例的一些可选的实现方式中，上述用于获取信息的装置500还可以包括信息识别模型训练单元(图中未示出)，被配置成训练信息识别模型，上述信息识别模型训练单元可以包括：信息获取子单元(图中未示出)和信息识别模型训练子单元(图中未示出)。其中，信息获取子单元被配置成获取指定信息类型的多条样本信息和对应上述多条样本信息中每条样本信息的样本级别信息，上述样本信息包括至少一条样本特征信息；信息识别模型训练子单元被配置成将上述多条样本信息作为输入，将与上述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应上述指定信息类型的信息识别模型。

在本实施例的一些可选的实现方式中，上述信息识别模型训练子单元可以包括：信息识别模型训练模块(图中未示出)，被配置成将上述多条样本信息中的每条样本信息依次输入至初始信息识别模型，得到上述多条样本信息中的每条样本信息所对应的预测级别信息，将上述多条样本信息中的每条样本信息所对应的预测级别信息与该样本信息所对应的上述样本级别信息进行比较，得到上述初始信息识别模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始信息识别模型作为训练完成的信息识别模型。

在本实施例的一些可选的实现方式中，上述信息识别模型训练子单元还可以包括：参数调整模块(图中未示出)，响应于不大于上述预设准确率阈值，被配置成调整上述初始信息识别模型的参数，并继续执行上述训练步骤。

在本实施例的一些可选的实现方式中，上述用于获取信息的装置500还可以包括样本级别信息获取单元(图中未示出)，被配置成获取样本级别信息，上述样本级别信息获取单元可以包括：样本特征信息提取子单元(图中未示出)、基准信息获取子单元(图中未示出)和样本级别信息获取子单元(图中未示出)。其中，样本特征信息提取子单元被配置成从每一条样本信息中提取至少一条样本特征信息；基准信息获取子单元，对于上述至少一条样本特征信息中的样本特征信息，被配置成获取该样本特征信息对应的基准信息，上述基准信息用于对该样本特征信息的级别设置级别数值；样本级别信息获取子单元被配置成通过上述基准信息为对应的样本特征信息设置级别数值，得到对应样本信息的样本级别信息。

在本实施例的一些可选的实现方式中，上述基准信息可以包括至少一条级别设置信息和权重值，以及，上述样本级别信息获取子单元包括：样本级别信息获取模块(图中未示出)，被配置成通过上述至少一条级别设置信息中的级别设置信息为对应的样本特征信息设置初始级别数值，并通过初始级别数值和对应初始级别数值的权重值为样本特征信息设置最终级别数值。

在本实施例的一些可选的实现方式中，上述用于获取信息的装置500还可以包括：历史参考信息发送单元(图中未示出)，被配置成获取并发送对应上述结果信息的至少一条历史参考信息，其中，上述历史参考信息包括与上述结果信息对应的历史信息。

在本实施例的一些可选的实现方式中，上述装置还包括：提示单元，响应于上述级别信息小于设定级别，被配置成从上述至少一条特征信息中提取并显示至少一条标记信息，上述标记信息为使得上述级别信息小于设定级别的特征信息。

在本实施例的一些可选的实现方式中，上述信息类型包括以下至少一项：法律文书、安全信息。

本实施例还提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述的用于获取信息的方法。

本实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述的用于获取信息的方法。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如，图1中的终端设备101、102、103和/或服务器105)的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：从待处理信息中提取至少一条特征信息，其中，特征信息用于表征上述待处理信息的信息类型；将上述至少一条特征信息导入预先训练的信息识别模型，得到上述待处理信息的级别信息，上述信息识别模型与上述信息类型对应，用于表征特征信息与级别信息之间的对应关系；根据上述级别信息构建结果信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开的各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括特征信息提取单元、级别信息获取单元和结果信息构建单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，结果信息构建单元还可以被描述为“获取结果信息的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (20)

1.一种用于获取信息的方法，包括：

从待处理信息中提取至少一条特征信息，其中，所述特征信息用于表征所述待处理信息的信息类型；

将所述至少一条特征信息导入预先训练的信息识别模型，得到所述待处理信息的级别信息；

其中，所述信息识别模型与所述信息类型对应，用于表征特征信息与级别信息之间的对应关系；以及

根据所述级别信息构建结果信息，所述结果信息反映所述待处理信息的安全性；

响应于所述级别信息小于设定级别，从所述至少一条特征信息中提取并显示至少一条标记信息，所述标记信息为使得所述级别信息小于设定级别的特征信息。

2.根据权利要求1所述的方法，其中，所述将所述至少一条特征信息导入预先训练的信息识别模型，得到所述待处理信息的级别信息，包括：

查询对应所述信息类型的信息识别模型。

3.根据权利要求1所述的方法，其中，所述信息识别模型通过以下步骤训练得到：

获取指定信息类型的多条样本信息和对应所述多条样本信息中每条样本信息的样本级别信息，所述样本信息包括至少一条样本特征信息；

将所述多条样本信息作为输入，将与所述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应所述指定信息类型的信息识别模型。

4.根据权利要求3所述的方法，其中，所述将所述多条样本信息作为输入，将与所述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应所述指定信息类型的信息识别模型，包括：

执行以下训练步骤：将所述多条样本信息中的每条样本信息依次输入至初始信息识别模型，得到所述多条样本信息中的每条样本信息所对应的预测级别信息，将所述多条样本信息中的每条样本信息所对应的预测级别信息与该样本信息所对应的所述样本级别信息进行比较，得到所述初始信息识别模型的预测准确率，确定所述预测准确率是否大于预设准确率阈值，若大于所述预设准确率阈值，则将所述初始信息识别模型作为训练完成的信息识别模型。

5.根据权利要求4所述的方法，其中，所述将所述多条样本信息作为输入，将与所述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应所述指定信息类型的信息识别模型，还包括：

响应于不大于所述预设准确率阈值，调整所述初始信息识别模型的参数，并继续执行所述训练步骤。

6.根据权利要求3所述的方法，其中，所述样本级别信息通过以下步骤得到：

从每一条样本信息中提取至少一条样本特征信息；

对于所述至少一条样本特征信息中的样本特征信息，获取该样本特征信息对应的基准信息，所述基准信息用于对该样本特征信息的级别设置级别数值；

通过所述基准信息为对应的样本特征信息设置级别数值，得到对应样本信息的样本级别信息。

7.根据权利要求6所述的方法，其中，所述基准信息包括至少一条级别设置信息和权重值，以及

所述通过所述基准信息为对应的样本特征信息设置级别数值，包括：

通过所述至少一条级别设置信息中的级别设置信息为对应的样本特征信息设置初始级别数值，并通过初始级别数值和对应初始级别数值的权重值为样本特征信息设置最终级别数值。

8.根据权利要求1所述的方法，其中，所述方法还包括：

获取并发送对应所述结果信息的至少一条历史参考信息，其中，所述历史参考信息包括与所述结果信息对应的历史信息。

9.根据权利要求1至8任意一项所述的方法，其中，所述信息类型包括以下至少一项：法律文书、安全信息。

10.一种用于获取信息的装置，包括：

特征信息提取单元，被配置成从待处理信息中提取至少一条特征信息，其中，所述特征信息用于表征所述待处理信息的信息类型；

级别信息获取单元，被配置成将所述至少一条特征信息导入预先训练的信息识别模型，得到所述待处理信息的级别信息，其中，所述信息识别模型与所述信息类型对应，用于表征特征信息与级别信息之间的对应关系；

结果信息构建单元，被配置成根据所述级别信息构建结果信息，所述结果信息反映所述待处理信息的安全性；

提示单元，响应于所述级别信息小于设定级别，被配置成从所述至少一条特征信息中提取并显示至少一条标记信息，所述标记信息为使得所述级别信息小于设定级别的特征信息。

11.根据权利要求10所述的装置，其中，所述级别信息获取单元包括：

信息识别模型查询子单元，被配置成查询对应所述信息类型的信息识别模型。

12.根据权利要求10所述的装置，其中，所述装置还包括信息识别模型训练单元，被配置成训练信息识别模型，所述信息识别模型训练单元包括：

信息获取子单元，被配置成获取指定信息类型的多条样本信息和对应所述多条样本信息中每条样本信息的样本级别信息，所述样本信息包括至少一条样本特征信息；

信息识别模型训练子单元，被配置成将所述多条样本信息作为输入，将与所述多条样本信息中的每条样本信息对应的样本级别信息作为输出，训练得到对应所述指定信息类型的信息识别模型。

13.根据权利要求12所述的装置，其中，所述信息识别模型训练子单元包括：

信息识别模型训练模块，被配置成将所述多条样本信息中的每条样本信息依次输入至初始信息识别模型，得到所述多条样本信息中的每条样本信息所对应的预测级别信息，将所述多条样本信息中的每条样本信息所对应的预测级别信息与该样本信息所对应的所述样本级别信息进行比较，得到所述初始信息识别模型的预测准确率，确定所述预测准确率是否大于预设准确率阈值，若大于所述预设准确率阈值，则将所述初始信息识别模型作为训练完成的信息识别模型。

14.根据权利要求13所述的装置，其中，所述信息识别模型训练子单元还包括：

参数调整模块，响应于不大于所述预设准确率阈值，被配置成调整所述初始信息识别模型的参数，并继续执行所述训练步骤。

15.根据权利要求12所述的装置，其中，所述装置还包括样本级别信息获取单元，被配置成获取样本级别信息，所述样本级别信息获取单元包括：

样本特征信息提取子单元，被配置成从每一条样本信息中提取至少一条样本特征信息；

基准信息获取子单元，对于所述至少一条样本特征信息中的样本特征信息，被配置成获取该样本特征信息对应的基准信息，所述基准信息用于对该样本特征信息的级别设置级别数值；

样本级别信息获取子单元，被配置成通过所述基准信息为对应的样本特征信息设置级别数值，得到对应样本信息的样本级别信息。

16.根据权利要求15所述的装置，其中，所述基准信息包括至少一条级别设置信息和权重值，以及

所述样本级别信息获取子单元包括：

样本级别信息获取模块，被配置成通过所述至少一条级别设置信息中的级别设置信息为对应的样本特征信息设置初始级别数值，并通过初始级别数值和对应初始级别数值的权重值为样本特征信息设置最终级别数值。

17.根据权利要求10所述的装置，其中，所述装置还包括：

历史参考信息发送单元，被配置成获取并发送对应所述结果信息的至少一条历史参考信息，其中，所述历史参考信息包括与所述结果信息对应的历史信息。

18.根据权利要求10至17任意一项所述的装置，其中，所述信息类型包括以下至少一项：法律文书、安全信息。

19.一种电子设备，包括：

一个或多个处理器；

存储器，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1至9中任一所述的方法。

20.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至9中任一所述的方法。

Images