CN110543635A - 基于深度学习的信息检测方法、装置及计算机存储介质 - Google Patents

Abstract

本申请实施例提供一种基于深度学习的信息检测方法、装置及计算机存储介质，方法包括：接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息；对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测；根据情感模型对所述目标内容信息进行情感检测；根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作；本申请能够有效、准确和可靠地对客户人员回复的内容进行实时监控，提高回复内容的准确性和可靠性，进而提升用户体验。

Description

基于深度学习的信息检测方法、装置及计算机存储介质

技术领域

本申请涉及深度学习领域，具体涉及一种基于深度学习的信息检测方法、装置及计算机存储介质。

背景技术

随着互联网应用的普及和发展，越来越多的公司选择用互联网在线客服沟通的模式取代传统的电话客服模式。其主要原因是：一、互联网的普及使人们更希望使用网络聊天的方式进行沟通；二，对于互联网服务方，互联网在线客服的沟通效率是普通电话客服的三到六倍。客服人员可以同时为更多的用户提供服务。

无论互联网在线客服还是传统的电话客服，客服人员的回复标准化程度都是对产品和服务提升的重要因素。目前比较流行的客服回复标准化程度监测技术是：

1、人工质检，质检人员分析客服人员和客户的沟通信息，从而判断客服人员的回复是否标准。并且将发现问题共享给客服人员。

2、数据字典和问答列表，有经验的客服人员或客服主管会将一些常见的问题和标准的回复方式总结成数据字典或者问答列表。客服人员在回答的过程中可以通过在字典中查找相关的问题获得标准答案。

3、模版，客服人员可以制作常用回复模版，当客户问到相应的问题是可以用模版内容进行回复。

发明人发现，目前的客服回复标准化程度监测技术存在一下问题：

1、人工质检限于人工成本社时间的限制，只能做到抽查。无法对所有客服的回复进行分析。覆盖率相对很低。此外人工质检发生在客服回复客户之后，不标准的回复已经发送给客户，其负面影响已经产生。

2、数据字典和问答列表不能做到所有的问题都覆盖到。此外客服人员需要通过查询才能找到答案。影响时间并且覆盖率相对较低。并且数据字典的答案可能随着时间而发生变化，客服人员可能因为经验而不进行查询，从而错过了更新的正确答案。

3、模版同样存在着覆盖率低的问题。

因此，亟需一种基于深度学习的信息检测方法、装置及计算机存储介质，以对客户人员回复的内容进行实时监控，提高回复内容的准确性和可靠性，进而提升用户体验。

发明内容

针对现有技术中的问题，本申请提供一种基于深度学习的信息检测方法、装置及计算机存储介质，能够有效、准确和可靠地对客户人员回复的内容进行实时监控，提高回复内容的准确性和可靠性，进而提升用户体验。

为了解决上述问题中的至少一个，本申请提供以下技术方案：

第一方面，本申请提供一种基于深度学习的信息检测方法，包括：

接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息；

对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测；

根据情感模型对所述目标内容信息进行情感检测；

根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作。

进一步地，所述对所述实体信息中进行完整性检测，包括：

对所述实体信息中的关键词实体进行完整性检测，得到完整性检测结果。

进一步地，所述根据预设知识库对所述实体信息进行实时性检测，包括：

根据预设知识库对所述实体信息中的时间实体进行实时性检测，得到实时性检测结果。

进一步地，所述对所述实体信息中的关键词实体进行完整性检测，得到完整性检测结果，包括：

根据所述实体信息中的关键词实体在预设多维向量空间中的位置，确定与所述关键词实体的位置满足预设相邻距离条件的扩展关键词实体；

根据所述关键词实体、所述扩展关键词实体以及预设知识库中对应的预设答复内容，确定所述关键词实体的完整性。

第二方面，本申请提供一种基于深度学习的信息检测装置，包括：

实体信息提取模块，用于接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息；

实体信息检测模块，用于对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测；

情感检测模块，用于根据情感模型对所述目标内容信息进行情感检测；

告警模块，用于根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作。

进一步地，所述实体信息检测模块包括：

完整性检测单元，用于对所述实体信息中的关键词实体进行完整性检测，得到完整性检测结果。

进一步地，所述实体信息检测模块包括：

实时性检测单元，用于根据预设知识库对所述实体信息中的时间实体进行实时性检测，得到实时性检测结果。

进一步地，所述完整性检测单元包括：

多维空间扩展子单元，用于根据所述实体信息中的关键词实体在预设多维向量空间中的位置，确定与所述关键词实体的位置满足预设相邻距离条件的扩展关键词实体；

完整性检测子单元，用于根据所述关键词实体、所述扩展关键词实体以及预设知识库中对应的预设答复内容，确定所述关键词实体的完整性。

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于深度学习的信息检测方法的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于深度学习的信息检测方法的步骤。

由上述技术方案可知，本申请提供一种基于深度学习的信息检测方法、装置及计算机存储介质，通过实时接收客服人员发送的目标内容信息(即客服人员做出的答复内容)，通过命名实体识别模型提取目标内容信息中的实体信息，并对所述实体信息进行完整性检测，同时结合预设知识库对所述实体信息进行实时性检测，再根据预设情感模型对所述目标内容信息进行情感检测，从而根据各检测的结果执行对应的告警操作，本申请从多个维度(完整性、实时性和内容情感)对客服人员的答复内容进行实时监控，确保答复内容准确、可靠和态度积极，进而提升了对客服务的用户体验，同时也降低了人工进行检测的人力成本。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中的基于深度学习的信息检测方法的流程示意图之一；

图2为本申请实施例中的基于深度学习的信息检测方法的流程示意图之二；

图3为本申请实施例中的基于深度学习的信息检测装置的结构图之一；

图4为本申请实施例中的基于深度学习的信息检测装置的结构图之二；

图5为本申请实施例中的基于深度学习的信息检测装置的结构图之三；

图6为本申请实施例中的基于深度学习的信息检测装置的结构图之四；

图7为本申请实施例中的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，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。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

考虑到现有技术中人工质检限于人工成本社时间的限制，只能做到抽查，无法对所有客服的回复进行分析，覆盖率相对很低，此外人工质检发生在客服回复客户之后，不标准的回复已经发送给客户，其负面影响已经产生，数据字典和问答列表不能做到所有的问题都覆盖到，此外客服人员需要通过查询才能找到答案，影响时间并且覆盖率相对较低，并且数据字典的答案可能随着时间而发生变化，客服人员可能因为经验而不进行查询，从而错过了更新的正确答案，模版同样存在着覆盖率低的问题，本申请提供一种基于深度学习的信息检测方法、装置及计算机存储介质，通过实时接收客服人员发送的目标内容信息(即客服人员做出的答复内容)，通过命名实体识别模型提取目标内容信息中的实体信息，并对所述实体信息进行完整性检测，同时结合预设知识库对所述实体信息进行实时性检测，再根据预设情感模型对所述目标内容信息进行情感检测，从而根据各检测的结果执行对应的告警操作，本申请从多个维度(完整性、实时性和内容情感)对客服人员的答复内容进行实时监控，确保答复内容准确、可靠和态度积极，进而提升了对客服务的用户体验，同时也降低了人工进行检测的人力成本。

为了能够有效、准确和可靠地对客户人员回复的内容进行实时监控，提高回复内容的准确性和可靠性，进而提升用户体验，本申请提供一种基于深度学习的信息检测方法的实施例，参见图1，所述基于深度学习的信息检测方法具体包含有如下内容：

步骤S101：接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息。

可以理解的是，所述目标内容信息可以为客服人员针对用户提出的问题所作出的答复内容，在该答复内容发送至用户处之前，本申请可以预先对该答复内容进行一系列检测，确保只有符合预设条件的答复内容才能够发送至用户处。

可选地，所述命名实体识别模型(Named Entity Recognition，NER)可以采用现有的命名实体识别模型，其能够从所述目标内容信息中提取得到实体信息，其中，所述实体信息包括但不限于：关键词实体和时间实体。

步骤S102：对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测。

可选地，通过上述步骤S101得到的实体信息，可以对所述实体信息进行完整性检测，具体地，可以对所述实体信息中的关键词实体进行完整性检测。

举例来说，客服说：“你的订单将于下周一送到”，这个回复就是不完整的，因为回复中没有说明下周一的具体日期，客户看到这样的回复，需要问客服具体日期，或者自行查询下周一的日期。完整性分析通过NER模型，对回复内容识别实体，然后根据实体查看对应的实体完整性。

可选地，通过上述步骤S101得到的实体信息，还可以结合预设知识库对所述实体信息进行实时性检测，具体地，可以对所述实体信息中的时间实体进行实时性检测。

举例来说，某电商平台的第三方卖家的退货时间，可能从一天变为了两天。使用NER模型识别回复中的时间实体，并且通过知识库的答案对这个时间实体进行验证。

步骤S103：根据情感模型对所述目标内容信息进行情感检测。

可以理解的是，所述情感模型可以为一种现有的确定两者之间关联程度的模型，例如现有的Deep learning based Sentimental Analysis模型，所述情感模型的训练数据可以为人工预设的表征负面情感的关键词或语句，通过所述情感模型能够对所述目标内容信息进行情感检测，进而确定所述目标内容信息是否预设满足负面情感条件，例如，根据目标内容信息分词和语法作为输入，判断该目标内容信息是否带有情感，并且判断带有情感的强烈程度。

步骤S104：根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作。

可选地，当所述完整性检测的结果为不完成时，可以执行对应的第一告警操作，例如向客服人员弹窗并提示“信息不完整，缺失xxx内容”；当所述实时性检测的结果为非最新信息时，可以执行对应的第二告警操作，例如向客服人员弹窗并提示“xxx信息已更新，请重新确认”；当所述情感检测的结果为存在消极情感时，可以执行对应的第三告警操作，例如向客服人员弹窗并提示“请重新组织得体的语言”，在本申请的其他实施例中，所述告警操作也可以为其他能够提示客服人员进行信息纠正的操作。

从上述描述可知，本申请实施例提供的基于深度学习的信息检测方法，能够通过实时接收客服人员发送的目标内容信息(即客服人员做出的答复内容)，通过命名实体识别模型提取目标内容信息中的实体信息，并对所述实体信息进行完整性检测，同时结合预设知识库对所述实体信息进行实时性检测，再根据预设情感模型对所述目标内容信息进行情感检测，从而根据各检测的结果执行对应的告警操作，本申请从多个维度(完整性、实时性和内容情感)对客服人员的答复内容进行实时监控，确保答复内容准确、可靠和态度积极，进而提升了对客服务的用户体验，同时也降低了人工进行检测的人力成本。

为了能够准确的对实体信息的完整性进行检测，在本申请的基于深度学习的信息检测方法的一实施例中，还具体包含有如下内容：对所述实体信息中的关键词实体进行完整性检测，得到完整性检测结果。

可选地，可以通过组合现有的NER模型和Entity-Relationship模型以进行信息抽取，所述信息抽取模型的训练数据可以为认为预先设置的关键词列表，采用这些训练数据训练并得到本申请的NER模型，从而利用该NER模型从所述目标内容信息中提取关键词实体。

可选地，可以对所述实体信息中的关键词实体进行完整性检测，例如，客服说：“你的订单将于下周一送到”，这个回复就是不完整的，因为回复中没有说明下周一的具体日期，客户看到这样的回复，需要问客服具体日期，或者自行查询下周一的日期。完整性分析通过NER模型，对回复内容识别实体，然后根据实体查看对应的实体完整性。

为了能够准确的对实体信息的实时性进行检测，在本申请的基于深度学习的信息检测方法的一实施例中，还具体包含有如下内容：根据预设知识库对所述实体信息中的时间实体进行实时性检测，得到实时性检测结果。

可选地，可以对所述实体信息中的时间实体进行实时性检测，例如，某电商平台的第三方卖家的退货时间，可能从一天变为了两天。使用NER模型识别回复中的时间实体，并且通过知识库的答案对这个时间实体进行验证。

为了能够进一步准确的对实体信息的完整性进行检测，在本申请的基于深度学习的信息检测方法的一实施例中，参见图2，还具体包含有如下内容：

步骤S201：根据所述实体信息中的关键词实体在预设多维向量空间中的位置，确定与所述关键词实体的位置满足预设相邻距离条件的扩展关键词实体。

步骤S202：根据所述关键词实体、所述扩展关键词实体以及预设知识库中对应的预设答复内容，确定所述关键词实体的完整性。

可以理解的是，不同单词(即关键词实体)在多维向量空间中的位置不同，单词的含义越接近，在多维向量空间的位置越接近；相反，如果单词的含义差别很大，在多维向量空间的位置越远，通过用户输入的初始搜索词在多维向量空间中的位置向量，找到与其相关(即相邻或相近)的词向量，将这些接近的词设定为扩展搜索词，以提高搜索的覆盖率和准确性。

为了能够有效、准确和可靠地对客户人员回复的内容进行实时监控，提高回复内容的准确性和可靠性，进而提升用户体验，本申请提供一种用于实现所述基于深度学习的信息检测方法的全部或部分内容的基于深度学习的信息检测装置的实施例，参见图3，所述基于深度学习的信息检测装置具体包含有如下内容：

实体信息提取模块10，用于接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息。

实体信息检测模块20，用于对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测。

情感检测模块30，用于根据情感模型对所述目标内容信息进行情感检测。

告警模块40，用于根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作。

从上述描述可知，本申请实施例提供的基于深度学习的信息检测装置，能够通过实时接收客服人员发送的目标内容信息(即客服人员做出的答复内容)，通过命名实体识别模型提取目标内容信息中的实体信息，并对所述实体信息进行完整性检测，同时结合预设知识库对所述实体信息进行实时性检测，再根据预设情感模型对所述目标内容信息进行情感检测，从而根据各检测的结果执行对应的告警操作，本申请从多个维度(完整性、实时性和内容情感)对客服人员的答复内容进行实时监控，确保答复内容准确、可靠和态度积极，进而提升了对客服务的用户体验，同时也降低了人工进行检测的人力成本。

为了能够准确的对实体信息的完整性进行检测，在本申请的基于深度学习的信息检测装置的一实施例中，参见图4，所述实体信息检测模块20包括：

完整性检测单元21，用于对所述实体信息中的关键词实体进行完整性检测，得到完整性检测结果。

为了能够准确的对实体信息的实时性进行检测，在本申请的基于深度学习的信息检测装置的一实施例中，参见图5，所述实体信息检测模块20包括：

实时性检测单元22，用于根据预设知识库对所述实体信息中的时间实体进行实时性检测，得到实时性检测结果。

为了能够进一步准确的对实体信息的完整性进行检测，在本申请的基于深度学习的信息检测装置的一实施例中，参见图6，所述完整性检测单元21包括：

多维空间扩展子单元211，用于根据所述实体信息中的关键词实体在预设多维向量空间中的位置，确定与所述关键词实体的位置满足预设相邻距离条件的扩展关键词实体。

完整性检测子单元212，用于根据所述关键词实体、所述扩展关键词实体以及预设知识库中对应的预设答复内容，确定所述关键词实体的完整性。

为了更进一步说明本方案，本申请还提供一种应用上述基于深度学习的信息检测装置实现基于深度学习的信息检测方法的具体应用实例，具体包含有如下内容：

步骤1，完整性分析，回复完整性是指客服的回复是否提供了完整的答复。例如，客服说：“你的订单将于下周一送到。”。这个回复就是不完整的，因为回复中没有说明下周一的具体日期。客户看到这样的回复，需要问客服具体日期，或者自行查询下周一的日期。

完整性分析通过NER模型，对回复内容识别实体，然后根据实体查看对应的实体完整性。

步骤2，情感模型，客服的回复作为互联网公司最重要的用户接口，负面的回复将对公司造成重大的损失。例如回复中出现不耐烦、不恭敬的内容。这里我们使用深度学习情感模型来监测客服的回复中是否有负面情感。

步骤3，实时性信息分析，知识库中更新的信息将实时的对客服的回复进行检测。例如，某电商平台的第三方卖家的退货时间，可能从一天变为了两天。使用NER模型识别回复中的时间实体，并且通过知识库的答案对这个时间实体进行验证。

这里知识库由普通关系型知识库和知识图谱组成。知识库中的实体除了实体的关键词还保存实体的多维向量化空间坐标。可以通过Word2Vec实现将关键词向多维向量化空间坐标的转化。根据单词在句子和文章中的关系确定不同单词在多维向量空间中的位置。单词的含义越接近，在多维向量空间的位置越接近。相反，如果单词的含义差别很大，在多维向量空间的位置越远。通过在空间中找到比较近的点从而找到知识库中的答案。对于没有固定答案的问题，可以使用知识图谱，对问题的相关实体进行答案搜索。或者将相关实体展现给客服人员。

除此之外，框架还提供了收据收集模块，收集回复标准化检查的结果。通过数据分析模块生成图标展现给客服经理。客服经理可以对客服回复标准化进行实时监控

由上述内容可知，本申请还可以实现如下技术效果：

1、提高客服回复标准化监测的覆盖度

由于本监测框架对客服的每一次回复都进行了评估，并且可以通过模型对每一种标准化指标进行训练。由于框架提供了数据收集模块，对于没有在线评估的指标也可以线下评估。回复标准化监测覆盖度可以达到100％

2、客服回复标准化监测的实时性

本监测框架对客服的每一次回复发送给客户之前进行回复，在不标准的回复发送给客户之前进行判断和预警。所以客服回复标准化具有其他方案的实时性。

3、降低人工成本

由于客服回复标准化监测的过程由微机自动完成，可以节省大量的人工投入。同时也可以提高人工处理时出现的错误。

本申请的实施例还提供能够实现上述实施例中的基于深度学习的信息检测方法中全部步骤的一种电子设备的具体实施方式，参见图7，所述电子设备具体包括如下内容：

处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604；

其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述通信接口603用于实现基于深度学习的信息检测装置、在线业务***、客户端设备以及其他参与机构之间的信息传输；

所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的基于深度学习的信息检测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤S101：接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息。

步骤S102：对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测。

步骤S103：根据情感模型对所述目标内容信息进行情感检测。

步骤S104：根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作。

从上述描述可知，本申请实施例提供的电子设备，能够通过实时接收客服人员发送的目标内容信息(即客服人员做出的答复内容)，通过命名实体识别模型提取目标内容信息中的实体信息，并对所述实体信息进行完整性检测，同时结合预设知识库对所述实体信息进行实时性检测，再根据预设情感模型对所述目标内容信息进行情感检测，从而根据各检测的结果执行对应的告警操作，本申请从多个维度(完整性、实时性和内容情感)对客服人员的答复内容进行实时监控，确保答复内容准确、可靠和态度积极，进而提升了对客服务的用户体验，同时也降低了人工进行检测的人力成本。

本申请的实施例还提供能够实现上述实施例中的基于深度学习的信息检测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于深度学习的信息检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤S101：接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息。

步骤S102：对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测。

步骤S103：根据情感模型对所述目标内容信息进行情感检测。

步骤S104：根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作。

从上述描述可知，本申请实施例提供的计算机可读存储介质，能够通过实时接收客服人员发送的目标内容信息(即客服人员做出的答复内容)，通过命名实体识别模型提取目标内容信息中的实体信息，并对所述实体信息进行完整性检测，同时结合预设知识库对所述实体信息进行实时性检测，再根据预设情感模型对所述目标内容信息进行情感检测，从而根据各检测的结果执行对应的告警操作，本申请从多个维度(完整性、实时性和内容情感)对客服人员的答复内容进行实时监控，确保答复内容准确、可靠和态度积极，进而提升了对客服务的用户体验，同时也降低了人工进行检测的人力成本。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (10)

1.一种基于深度学习的信息检测方法，其特征在于，所述方法包括：

接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息；

对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测；

根据情感模型对所述目标内容信息进行情感检测；

根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作。

2.根据权利要求1所述的基于深度学习的信息检测方法，其特征在于，所述对所述实体信息中进行完整性检测，包括：

对所述实体信息中的关键词实体进行完整性检测，得到完整性检测结果。

3.根据权利要求1所述的基于深度学习的信息检测方法，其特征在于，所述根据预设知识库对所述实体信息进行实时性检测，包括：

根据预设知识库对所述实体信息中的时间实体进行实时性检测，得到实时性检测结果。

4.根据权利要求2所述的基于深度学习的信息检测方法，其特征在于，所述对所述实体信息中的关键词实体进行完整性检测，得到完整性检测结果，包括：

根据所述实体信息中的关键词实体在预设多维向量空间中的位置，确定与所述关键词实体的位置满足预设相邻距离条件的扩展关键词实体；

根据所述关键词实体、所述扩展关键词实体以及预设知识库中对应的预设答复内容，确定所述关键词实体的完整性。

5.一种基于深度学习的信息检测装置，其特征在于，包括：

实体信息提取模块，用于接受目标内容信息，根据命名实体识别模型得到所述目标内容信息中的实体信息；

实体信息检测模块，用于对所述实体信息中进行完整性检测并根据预设知识库对所述实体信息进行实时性检测；

情感检测模块，用于根据情感模型对所述目标内容信息进行情感检测；

告警模块，用于根据所述完整性检测的结果、实时性检测的结果和所述情感检测的结果执行对应的告警操作。

6.根据权利要求5所述的基于深度学习的信息检测装置，其特征在于，所述实体信息检测模块包括：

完整性检测单元，用于对所述实体信息中的关键词实体进行完整性检测，得到完整性检测结果。

7.根据权利要求5所述的基于深度学习的信息检测装置，其特征在于，所述实体信息检测模块包括：

实时性检测单元，用于根据预设知识库对所述实体信息中的时间实体进行实时性检测，得到实时性检测结果。

8.根据权利要求6所述的基于深度学习的信息检测装置，其特征在于，所述完整性检测单元包括：

多维空间扩展子单元，用于根据所述实体信息中的关键词实体在预设多维向量空间中的位置，确定与所述关键词实体的位置满足预设相邻距离条件的扩展关键词实体；

完整性检测子单元，用于根据所述关键词实体、所述扩展关键词实体以及预设知识库中对应的预设答复内容，确定所述关键词实体的完整性。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述的基于深度学习的信息检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述的基于深度学习的信息检测方法的步骤。