CN114547252A - 文本识别方法、装置、电子设备和介质 - Google Patents

文本识别方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN114547252A
CN114547252A CN202210190635.7A CN202210190635A CN114547252A CN 114547252 A CN114547252 A CN 114547252A CN 202210190635 A CN202210190635 A CN 202210190635A CN 114547252 A CN114547252 A CN 114547252A
Authority
CN
China
Prior art keywords
entity
sensitive
sensitive word
list
target text
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210190635.7A
Other languages
English (en)
Inventor
李硕
刘昊骋
宫健
韩光耀
岳洪达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210190635.7A priority Critical patent/CN114547252A/zh
Publication of CN114547252A publication Critical patent/CN114547252A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种方法，涉及人工智能技术领域，尤其涉及深度学习技术领域。实现方案为：获取目标文本和预设的敏感词列表，其中敏感词列表中包含多个敏感词；利用语义分类模型对目标文本进行二分类；响应于目标文本对应于第一类别，对目标文本进行实体的提取，以获取实体列表，其中，第一类别表示目标文本预期包含目标敏感词，实体的类型是基于敏感词列表中的敏感词所对应的类型来确定的；以及针对实体列表中的至少一个实体，响应于该至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将该至少一个实体确定为目标敏感词。

Description

文本识别方法、装置、电子设备和介质
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习技术领域，具体涉及一种文本识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术。人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着互联网技术的发展，出于文件审查和用户的隐私保护等多种原因，文本的识别和文本数据的脱敏技术显得尤为重要。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种文本识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种文本识别方法，包括：获取目标文本和预设的敏感词列表，其中所述敏感词列表中包含多个敏感词；利用语义分类模型对所述目标文本进行二分类；响应于所述目标文本对应于第一类别，对所述目标文本进行实体的提取，以获取实体列表，其中，所述第一类别表示所述目标文本预期包含目标敏感词，所述实体的类型是基于所述敏感词列表中的敏感词所对应的类型来确定的；以及针对所述实体列表中的至少一个实体，响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
根据本公开的另一方面，提供了一种文本识别装置，包括：第一获取模块，被配置为获取目标文本和预设的敏感词列表，其中所述敏感词列表中包含多个敏感词；分类模块，被配置为利用语义分类模型对所述目标文本进行二分类；提取模块，被配置为响应于所述目标文本对应于第一类别，对所述目标文本进行实体的提取，以获取实体列表，其中，所述第一类别表示所述目标文本预期包含目标敏感词，所述实体的类型是基于所述敏感词列表中的敏感词所对应的类型来确定的；以及确定模块，被配置为针对所述实体列表中的至少一个实体，响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行文本识别方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行文本识别方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现文本识别方法。
根据本公开的一个或多个实施例，提供了一种文本识别方法，通过语义分类模型对文本的类别进行预判，仅对语义上预期包含敏感词的文本进行实体的提取并与预设的敏感词进行相似度的比对，以确定文本中的敏感词。通过语义分类模型对文本的预判可以提升敏感文本和敏感词识别的效率，后续的对实体提取、相似度的比较可以减少人工成本，提升敏感词识别的效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图；
图2示出了根据本公开的实施例的文本识别方法的流程图；
图3示出了根据本公开的实施例的确定目标敏感词的方法的流程图；
图4示出了根据本公开的实施例的文本识别装置的结构框图；
图5示出了根据本公开的实施例的用于确定目标敏感词的确定模块的结构框图；以及
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，多是采用人工的方式对文本进行审核，以实现对文本中敏感内容的筛选。然而这一方法将耗费大量的人力，文本审核的效率也较低，同时，人工审核也容易出现错漏的情况。
为解决上述问题，本公开采用人工智能技术，通过语义分类模型对文本的类别进行预判，仅对语义上预期包含敏感词的文本进行实体的提取并与预设的敏感词进行相似度的比对，以确定文本中的敏感词。通过语义分类模型对文本的预判可以提升敏感文本和敏感词识别的效率，后续的对实体提取、相似度的比较可以减少人工成本，提升敏感词识别的效率。
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1，该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行文本识别方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的***配置是可能的，其可以与***100不同。因此，图1是用于实施本文所描述的各种方法的***的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来执行文本识别方法。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***，例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS)；或包括各种移动操作***，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式***的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
需要说明的是，本申请的文本识别方法不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。
图2示出了根据本公开的实施例的文本识别方法的流程图。如图2所示，文本识别方法200包括：步骤S201、获取目标文本和预设的敏感词列表，其中所述敏感词列表中包含多个敏感词；步骤S202、利用语义分类模型对所述目标文本进行二分类；步骤S203、响应于所述目标文本对应于第一类别，对所述目标文本进行实体的提取，以获取实体列表，其中，所述第一类别表示所述目标文本预期包含目标敏感词，所述实体的类型是基于所述敏感词列表中的敏感词所对应的类型来确定的；以及步骤S204、针对所述实体列表中的至少一个实体，响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
由此，通过采用人工智能技术，具体地，首先通过语义分类模型对目标文本的类别进行预判，以基于目标文本的语义信息初步判断目标文本是否可能包含目标敏感词。随后，仅当目标文本在语义上预期包含敏感词的情况下，对目标文本进行实体的提取并与预设的敏感词进行相似度的比对，以确定目标文本中的敏感词。由此，通过语义分类模型对目标文本的预判可以提升敏感文本和敏感词识别的效率，后续的对实体提取、相似度的比较可以减少人工成本，提升敏感词识别的效率。
根据一些实施例，步骤S203包括：获取实体提取模型，其中，所述实体提取模型是基于与所述敏感词列表相关的文本数据训练得到的；响应于所述目标文本对应于第一类别，利用所述实体提取模型对所述目标文本进行实体的提取，以获取实体列表。
可以理解的是，实体的提取是基于实体提取模型来实现的。所要提取的实体的类型与预设的敏感词类型相关，可以根据实际的业务需求来确定。具体地，可以根据实际的业务需求来构建训练实体提取模型的训练样本，以得到实体提取模型来提取相应类型的实体。在一个示例中，实体提取模型可以是命名实体识别(Named Entity Recognition，NER)模型。
在一个示例中，预设的敏感词可以由人工根据业务场景来定义。例如，在风险评估场景下，预设的敏感词可以是：预期、欠款、未结清等；在健康评估场景下，相应的预设的敏感词可以是：疾病名称、疾病症状等。由此，可以基于经验来丰富不同场景下对应的预设敏感词，并基于不同的需求、不同的应用场景匹配对应的预设的敏感词，以筛选出目标敏感词，从而满足了不同用户的不同需求，并提升了文本识别方法的应用范围以及在每一个应用场景下的识别效率和准确性。
图3示出了根据本公开的实施例的确定目标敏感词的方法的流程图。如图3所示，确定目标敏感词的方法S204包括：步骤S301、获取所述实体列表中的每一个实体以及所述多个敏感词中的每一个敏感词对应的词向量；步骤S302、针对所述实体列表中的至少一个实体，基于所述至少一个实体对应的词向量计算所述至少一个实体与所述多个敏感词中的每一个敏感词的相似度；以及步骤S303、响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
可以基于所提取的实体与预设的敏感词二者的词向量来计算二者之间的相似度。可以利用词向量算法来获取实体列表中的每一个实体和每一个预设的敏感词所对应的词向量。具体地，可以获取主流网站的语料数据来作为词向量算法的训练样本，也可以根据实际的业务需求和业务领域来构建训练样本。本公开对所采用的词向量算法的类型不做限定。
根据一些实施例，所述语义分类模型为下列各项中的一项：基于转换器的双向编码表征(Bidirectional Encoder Representation from Transformers，BERT)模型、生成式的预训练(Generative Pre-Training，GPT)模型和通过知识集成增强的表征(EnhancedRepresentation through Knowledge Integration，ERNIE)模型。
可以基于上述任一模型对目标文本进行二分类，以预先地判断并确定目标文本中是否可能存在敏感词。示例性的，语义分类模型可以根据目标文本的语义信息来判断目标文本在语义上是否符合预设场景。例如，在风险评估场景下，若想识别出与高风险相关的敏感词，则属于第一类别的目标文本表示该目标文本为语义正向，具有潜在欺诈、逾期的可能性；在健康评估场景下，若想识别出与健康风险相关的敏感词，则属于第一类别的目标文本表示该目标文本为语义正向，具有健康状况不佳的可能性。二分类操作中两种类别在含义上的设定可以根据具体的业务场景来定义，本公开对此不做限定。
根据一些实施例，所述文本识别方法还包括：获取纸质文档，并识别所述纸质文档中的文字区域以将所述文字区域存储为图片；对所述图片进行文字识别，以得到所述目标文本。
具体地，可以利用文字识别模型来识别纸质文档中的文字区域并将文字区域存储为图片用于后续转成文本数据。利用OCR模型识别图片中的文字，以将图像数据转换为文本数据，并通过前述描述的方法来进行敏感词的识别。由此，所述文本识别方法可以用于识别纸质文档中的敏感词，从而利用了OCR算法和多个深度学习模型的结合来实现从文件的扫描到敏感词的识别的全过程。
根据本公开的另一方面，提供了一种文本识别装置。如图4所示，文本识别装置400包括：第一获取模块401，被配置为获取目标文本和预设的敏感词列表，其中所述敏感词列表中包含多个敏感词；分类模块402，被配置为利用语义分类模型对所述目标文本进行二分类；提取模块403，被配置为响应于所述目标文本对应于第一类别，对所述目标文本进行实体的提取，以获取实体列表，其中，所述第一类别表示所述目标文本预期包含目标敏感词，所述实体的类型是基于所述敏感词列表中的敏感词所对应的类型来确定的；以及确定模块404，被配置为针对所述实体列表中的至少一个实体，响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
首先由分类模块402通过语义分类模型对目标文本的类别进行预判，以基于目标文本的语义信息初步判断目标文本是否可能包含目标敏感词。随后，提取模块403仅当目标文本在语义上预期包含敏感词的情况下，对目标文本进行实体的提取并由确定模块404将所提取的实体与预设的敏感词进行相似度的比对，以确定目标文本中的敏感词。由此，通过语义分类模型对目标文本的预判可以提升敏感文本和敏感词识别的效率，后续的对实体提取、相似度的比较可以减少人工成本，提升敏感词识别的效率。
文本识别装置400的模块401-404的操作与前述描述的步骤S201-步骤S204的操作类似，在此不作赘述。
根据一些实施例，提取模块403包括：第一获取单元，被配置为获取实体提取模型，其中，所述实体提取模型是基于与所述敏感词列表相关的文本数据训练得到的；提取单元，被配置为响应于所述目标文本对应于第一类别，利用所述实体提取模型对所述目标文本进行实体的提取，以获取实体列表。
可以理解的是，提取模块403对实体的提取是基于实体提取模型来实现的。所要提取的实体的类型与预设的敏感词类型相关，可以根据实际的业务需求来确定。具体地，可以根据实际的业务需求来构建训练实体提取模型的训练样本，以得到实体提取模型来提取相应类型的实体。在一个示例中，实体提取模型可以是命名实体识别(Named EntityRecognition，NER)模型。
图5示出了根据本公开的实施例的用于确定目标敏感词的确定模块的结构框图。如图5所示，确定模块404包括：第二获取单元501，被配置为获取所述实体列表中的每一个实体以及所述多个敏感词中的每一个敏感词对应的词向量；计算单元502，被配置为针对所述实体列表中的至少一个实体，基于所述至少一个实体对应的词向量计算所述至少一个实体与所述多个敏感词中的每一个敏感词的相似度；以及确定单元503，被配置为响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
计算单元502可以基于所提取的实体与预设的敏感词二者的词向量来计算二者之间的相似度。第二获取单元501可以利用词向量算法来获取实体列表中的每一个实体和每一个预设的敏感词所对应的词向量。具体地，可以获取主流网站的语料数据来作为词向量算法的训练样本，也可以根据实际的业务需求和业务领域来构建训练样本。本公开对所采用的词向量算法的类型不做限定。
根据一些实施例，所述语义分类模型为下列各项中的一项：BERT模型、GPT模型和ERNIE模型。
分类模块402可以基于上述任一模型对目标文本进行二分类，以预先地判断并确定目标文本中是否可能存在敏感词。示例性的，语义分类模型可以根据目标文本的语义信息来判断目标文本在语义上是否符合预设场景。例如，在风险评估场景下，若想识别出与高风险相关的敏感词，则属于第一类别的目标文本表示该目标文本为语义正向，具有潜在欺诈、逾期的可能性；在健康评估场景下，若想识别出与健康风险相关的敏感词，则属于第一类别的目标文本表示该目标文本为语义正向，具有健康状况不佳的可能性。二分类操作中两种类别在含义上的设定可以根据具体的业务场景来定义，本公开对此不做限定。
根据一些实施例，所述文本识别装置还包括：第二获取模块，被配置为获取纸质文档，并识别所述纸质文档中的文字区域以将所述文字区域存储为图片；识别模块，被配置为对所述图片进行文字识别，以得到所述目标文本。
具体地，第二获取模块可以利用文字识别模型来识别纸质文档中的文字区域并将文字区域存储为图片用于后续转成文本数据。识别模块可以利用OCR模型来识别图片中的文字，以将图像数据转换为文本数据，并通过前述描述的装置来进行敏感词的识别。由此，所述文本识别装置可以用于识别纸质文档中的敏感词，从而利用了OCR算法和多个深度学习模型的结合来实现从文件的扫描到敏感词的识别的全过程。
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储电子设备600操作所需的各种程序和数据。计算单元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。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如文本识别方法。例如，在一些实施例中，文本识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的文本识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、***和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (13)

1.一种文本识别方法，包括：
获取目标文本和预设的敏感词列表，其中所述敏感词列表中包含多个敏感词；
利用语义分类模型对所述目标文本进行二分类；
响应于所述目标文本对应于第一类别，对所述目标文本进行实体的提取，以获取实体列表，其中，所述第一类别表示所述目标文本预期包含目标敏感词，所述实体的类型是基于所述敏感词列表中的敏感词所对应的类型来确定的；以及
针对所述实体列表中的至少一个实体，响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
2.根据权利要求1所述的方法，其中，响应于所述目标文本对应于第一类别，对所述目标文本进行实体提取，以获取实体列表包括：
获取实体提取模型，其中，所述实体提取模型是基于与所述敏感词列表相关的文本数据训练得到的；
响应于所述目标文本对应于第一类别，利用所述实体提取模型对所述目标文本进行实体的提取，以获取实体列表。
3.根据权利要求1或2所述的方法，其中，针对所述实体列表中的至少一个实体，响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词包括：
获取所述实体列表中的每一个实体以及所述多个敏感词中的每一个敏感词对应的词向量；
针对所述实体列表中的至少一个实体，基于所述至少一个实体对应的词向量计算所述至少一个实体与所述多个敏感词中的每一个敏感词的相似度；以及
响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
4.根据权利要求1所述的方法，其中，所述语义分类模型为下列各项中的一项：
BERT模型、GPT模型和ERNIE模型。
5.根据权利要求1-4中任一项所述的方法，还包括：
获取纸质文档，并识别所述纸质文档中的文字区域以将所述文字区域存储为图片；
对所述图片进行文字识别，以得到所述目标文本。
6.一种文本识别装置，包括：
第一获取模块，被配置为获取目标文本和预设的敏感词列表，其中所述敏感词列表中包含多个敏感词；
分类模块，被配置为利用语义分类模型对所述目标文本进行二分类；
提取模块，被配置为响应于所述目标文本对应于第一类别，对所述目标文本进行实体的提取，以获取实体列表，其中，所述第一类别表示所述目标文本预期包含目标敏感词，所述实体的类型是基于所述敏感词列表中的敏感词所对应的类型来确定的；以及
确定模块，被配置为针对所述实体列表中的至少一个实体，响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
7.根据权利要求6所述的装置，其中，所述提取模块包括：
第一获取单元，被配置为获取实体提取模型，其中，所述实体提取模型是基于与所述敏感词列表相关的文本数据训练得到的；
提取单元，被配置为响应于所述目标文本对应于第一类别，利用所述实体提取模型对所述目标文本进行实体的提取，以获取实体列表。
8.根据权利要求6或7所述的装置，其中，所述确定模块包括：
第二获取单元，被配置为获取所述实体列表中的每一个实体以及所述多个敏感词中的每一个敏感词对应的词向量；
计算单元，被配置为针对所述实体列表中的至少一个实体，基于所述至少一个实体对应的词向量计算所述至少一个实体与所述多个敏感词中的每一个敏感词的相似度；以及
确定单元，被配置为响应于所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值，将所述至少一个实体确定为所述目标敏感词。
9.根据权利要求6所述的装置，其中，所述语义分类模型为下列各项中的一项：
BERT模型、GPT模型和ERNIE模型。
10.根据权利要求6-9中任一项所述的装置，还包括：
第二获取模块，被配置为获取纸质文档，并识别所述纸质文档中的文字区域以将所述文字区域存储为图片；
识别模块，被配置为对所述图片进行文字识别，以得到所述目标文本。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-5中任一项所述的方法。
CN202210190635.7A 2022-02-28 2022-02-28 文本识别方法、装置、电子设备和介质 Pending CN114547252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210190635.7A CN114547252A (zh) 2022-02-28 2022-02-28 文本识别方法、装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210190635.7A CN114547252A (zh) 2022-02-28 2022-02-28 文本识别方法、装置、电子设备和介质

Publications (1)

Publication Number Publication Date
CN114547252A true CN114547252A (zh) 2022-05-27

Family

ID=81662309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210190635.7A Pending CN114547252A (zh) 2022-02-28 2022-02-28 文本识别方法、装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN114547252A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204164A (zh) * 2022-09-13 2022-10-18 国网湖北省电力有限公司信息通信公司 一种电力***通信敏感信息识别方法、***及存储介质
CN118013963A (zh) * 2024-04-09 2024-05-10 四川易景智能终端有限公司 敏感词的识别和替换方法及其装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204164A (zh) * 2022-09-13 2022-10-18 国网湖北省电力有限公司信息通信公司 一种电力***通信敏感信息识别方法、***及存储介质
CN115204164B (zh) * 2022-09-13 2022-12-02 国网湖北省电力有限公司信息通信公司 一种电力***通信敏感信息识别方法、***及存储介质
CN118013963A (zh) * 2024-04-09 2024-05-10 四川易景智能终端有限公司 敏感词的识别和替换方法及其装置

Similar Documents

Publication Publication Date Title
CN113807440B (zh) 利用神经网络处理多模态数据的方法、设备和介质
CN113836333A (zh) 图文匹配模型的训练方法、实现图文检索的方法、装置
CN114612749B (zh) 神经网络模型训练方法及装置、电子设备和介质
CN114648638A (zh) 语义分割模型的训练方法、语义分割方法与装置
CN113656668B (zh) 多模态信息库的检索方法、管理方法、装置、设备和介质
CN113256583A (zh) 图像质量检测方法及装置、计算机设备和介质
CN113656587A (zh) 文本分类方法、装置、电子设备及存储介质
CN114443989B (zh) 排序方法、排序模型的训练方法、装置、电子设备及介质
CN113723305A (zh) 图像和视频检测方法、装置、电子设备和介质
CN114547252A (zh) 文本识别方法、装置、电子设备和介质
CN115269989B (zh) 对象推荐方法、装置、电子设备和存储介质
CN115578501A (zh) 图像处理方法、装置、电子设备和存储介质
CN116152607A (zh) 目标检测方法、训练目标检测模型的方法及装置
CN112905743B (zh) 文本对象检测的方法、装置、电子设备和存储介质
CN114842476A (zh) 水印检测方法及装置、模型训练方法及装置
CN114998963A (zh) 图像检测方法和用于训练图像检测模型的方法
CN114724146A (zh) 异常文本识别方法及装置、电子设备和存储介质
CN114429678A (zh) 模型训练方法及装置、电子设备和介质
CN114219046A (zh) 模型训练方法、匹配方法、装置、***、电子设备和介质
CN114140852A (zh) 图像检测方法和装置
CN113486853A (zh) 视频检测方法及装置、电子设备和介质
CN114140851B (zh) 图像检测方法和用于训练图像检测模型的方法
CN114169440A (zh) 模型训练方法、数据处理方法、装置、电子设备及介质
CN117909235A (zh) 代码风险检测方法、深度学习模型的训练方法和装置
CN114117074A (zh) 数据处理方法、装置、电子设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination