CN108182180B - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取目标信息，以及确定目标信息所属的类别；将目标信息输入到预先训练的电话号码识别模型中，得到目标信息的识别结果，其中，识别结果用于指示目标信息中是否包含电话号码，电话号码识别模型用于表征信息与识别结果之间的对应关系；响应于确定出识别结果指示目标信息中包含电话号码，从目标信息中提取电话号码，生成包括提取出的电话号码和类别的记录。该实施方式提高了电话号码提取的准确率和覆盖率。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及信息处理技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

目前，在一些用户原创内容(UGC，User Generated Content)网站(例如，论坛类网站、社交类网站等)中，一些用户会将自己的某一需求(例如，房屋出租出售、跳槽等)和电话号码发表在帖子或者评论区域中，使得其他人(例如，销售人员、猎头等)看到后可以与这些具有需求的用户进一步沟通。因此，如何从这些用户发表内容中提取出用户的电话号码具有重要的意义。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，包括：获取目标信息，以及确定目标信息所属的类别；将目标信息输入到预先训练的电话号码识别模型中，得到目标信息的识别结果，其中，识别结果用于指示目标信息中是否包含电话号码，电话号码识别模型用于表征信息与识别结果之间的对应关系；响应于确定出识别结果指示目标信息中包含电话号码，从目标信息中提取电话号码，生成包括提取出的电话号码和类别的记录。

在一些实施例中，目标信息来源于目标网站；以及该方法还包括：获取在目标网站中发表目标信息的用户的用户名。

在一些实施例中，在从目标信息中提取电话号码之后，该方法还包括：确定提取出的电话号码的置信度。

在一些实施例中，确定提取出的电话号码的置信度，包括：统计用户在目标网站发表的包含电话号码的信息的数目作为第一数目；统计用户在目标网站发表的包含提取出的电话号码的信息的数目作为第二数目；统计在目标网站发表包含电话号码的信息最多的用户所发表的包含电话号码的信息的数目作为第三数目；求取预设数值与第一数目之和的对数作为第一对数，求取预设数值与第三数目之和的对数作为第二对数；将第一对数与第二对数的比值乘以第一数目与第二数目的比值的乘积确定为提取出的电话号码的置信度。

在一些实施例中，生成包括提取出的电话号码和类别的记录，包括：生成包括用户名、提取出的电话号码、目标信息、类别和置信度的记录。

在一些实施例中，该方法还包括：响应于接收到包括类别的搜索请求，获取所搜索的类别对应的至少一条记录；从至少一条记录中按照置信度由大到小的顺序选取预设数目个记录，输出选取出的记录。

在一些实施例中，电话号码识别模型是通过如下步骤训练得到的：获取样本数据集合，其中，样本数据集合中的每个样本数据包括样本信息和识别结果，样本信息包括包含电话号码的样本信息和不包含电话号码的样本信息，识别结果包括表征样本信息包含电话号码的标识和表征样本信息不包含电话号码的标识；利用机器学习方法，将样本数据集合中的每个样本数据中的样本信息作为输入，将该样本数据中的识别结果作为输出，对预设的初始模型进行训练得到电话号码识别模型。

在一些实施例中，包含电话号码的样本信息是通过如下步骤得到的：在目标网站中获取至少一个用户发表的用户发表信息；利用预设的正则表达式对用户发表信息进行过滤，得到包含电话号码的样本信息。

第二方面，本申请实施例提供了一种用于生成信息的装置，包括：第一获取单元，配置用于获取目标信息，以及确定目标信息所属的类别；输入单元，配置用于将目标信息输入到预先训练的电话号码识别模型中，得到目标信息的识别结果，其中，识别结果用于指示目标信息中是否包含电话号码，电话号码识别模型用于表征信息与识别结果之间的对应关系；第一生成单元，配置用于响应于确定出识别结果指示目标信息中包含电话号码，从目标信息中提取电话号码，生成包括提取出的电话号码和类别的记录。

在一些实施例中，目标信息来源于目标网站；以及该装置还包括：第二获取单元，配置用于获取在目标网站中发表目标信息的用户的用户名。

在一些实施例中，该装置还包括：确定单元，配置用于确定提取出的电话号码的置信度。

在一些实施例中，确定单元包括：第一统计模块，配置用于统计用户在目标网站发表的包含电话号码的信息的数目作为第一数目；第二统计模块，配置用于统计用户在目标网站发表的包含提取出的电话号码的信息的数目作为第二数目；第三统计模块，配置用于统计在目标网站发表包含电话号码的信息最多的用户所发表的包含电话号码的信息的数目作为第三数目；求取模块，配置用于求取预设数值与第一数目之和的对数作为第一对数，求取预设数值与第三数目之和的对数作为第二对数；确定模块，配置用于将第一对数与第二对数的比值乘以第一数目与第二数目的比值的乘积确定为提取出的电话号码的置信度。

在一些实施例中，生成单元进一步配置用于：生成包括用户名、提取出的电话号码、目标信息、类别和置信度的记录。

在一些实施例中，该装置还包括：第三获取单元，配置用于响应于接收到包括类别的搜索请求，获取所搜索的类别对应的至少一条记录；输出单元，配置用于从至少一条记录中按照置信度由大到小的顺序选取预设数目个记录，输出选取出的记录。

在一些实施例中，该装置还包括用于训练电话号码识别模型的训练单元，训练单元包括：获取模块，配置用于获取样本数据集合，其中，样本数据集合中的每个样本数据包括样本信息和识别结果，样本信息包括包含电话号码的样本信息和不包含电话号码的样本信息，识别结果包括表征样本信息包含电话号码的标识和表征样本信息不包含电话号码的标识；训练模块，配置用于利用机器学习方法，将样本数据集合中的每个样本数据中的样本信息作为输入，将该样本数据中的识别结果作为输出，对预设的初始模型进行训练得到电话号码识别模型。

在一些实施例中，该装置还包括用于生成包含电话号码的样本信息的第二生成单元，第二生成单元包括：获取模块，配置用于在目标网站中获取至少一个用户发表的用户发表信息；过滤模块，配置用于利用预设的正则表达式对用户发表信息进行过滤，得到包含电话号码的样本信息。

第三方面，本申请实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现本申请提供的用于生成信息的方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请提供的用于生成信息的方法。

本申请提供的用于生成信息的方法和装置，通过获取目标信息，以及确定获取到的目标信息所属的类别，而后将上述目标信息输入到预先训练的电话号码识别模型中，得到上述目标信息的识别结果，响应于确定出上述识别结果指示上述目标信息中包含电话号码，从上述目标信息中提取电话号码，以及生成包括提取出的电话号码和上述类别的记录，从而提高了电话号码提取的准确率和覆盖率。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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，本申请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申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括用户终端1011、1012、1013，生成服务器102，目标网站服务器103和网络1041、1042。网络1041 用以在用户终端1011、1012、1013和生成服务器102之间提供通信链路的介质。网络1042用以在目标网站服务器103和生成服务器102之间提供通信链路的介质。网络1041、1042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。

用户可以使用用户终端1011、1012、1013通过网络1041与生成服务器102交互，以供生成服务器102接收用户的搜索请求等。用户终端1011、1012、1013上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用等、论坛社交类应用等。

用户终端1011、1012、1013可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。

目标网站服务器103通过网络1042与生成服务器102交互，以供生成服务器102从目标网站服务器103中获取目标信息等。

生成服务器102可以是提供各种服务的服务器，例如对所生成的包括电话号码和类别的记录提供支持的后台服务器。后台服务器可以对获取到的目标信息等数据进行分析等处理，并将处理结果(例如包括提取出的电话号码和类别的记录)进行存储。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由生成服务器102执行，相应地，用于生成信息的装置一般设置于生成服务器102中。

需要指出的是，生成服务器102的本地也可以直接存储目标信息，生成服务器102可以直接获取本地的目标信息进行处理，此时，示例性系统架构100可以不存在目标网站服务器103和网络1042。

应该理解，图1中的用户终端、生成服务器、目标网站服务器和网络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用户终端、生成服务器、目标网站服务器和网络。

继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取目标信息，以及确定目标信息所属的类别。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以获取目标信息，上述目标信息通常为文本信息。上述目标信息可以为待识别是否包含电话号码的信息。

在本实施例中，上述电子设备可以确定上述目标信息所属的类别，上述电子设备可以将上述目标信息输入到预先训练的类别识别模型中，得到上述目标信息所属的类别。其中，上述类别识别模型可以用于表征文本信息与所属类别之间的对应关系，上述类别识别模型可以是利用机器学习方法将现有的模型(例如朴素贝叶斯模型(Naive BayesianModel，NBM)或支持向量机(Support Vector Machine，SVM) 等用于分类的模型)进行有监督训练后得到的。其中，训练上述类别识别模型所使用的样本可以包括大量的文本信息和每个文本信息所属的类别。实践中，可以将样本中的文本信息作为模型的输入，将该文本信息所属的类别作为模型的输出，利用机器学习方法对该模型进行训练，将训练后的该模型确定为类别识别模型。

在本实施例中，上述电子设备也可以将包含上述目标信息的页面在所来源的网站中所属的类别(垂类)确定为上述目标信息所属的类别。作为示例，若包含上述目标信息的页面在所来源的网站中属于房产类别，则上述目标信息所属的类别可以为房产；若包含上述目标信息的页面在所来源的网站中属于体育类别，则上述目标信息所属的类别可以为体育。

需要说明的是，上述目标信息可以直接存储在上述电子设备的本地，此时，上述电子设备可以直接从本地获取上述目标信息。此外，上述目标信息也可以是与上述电子设备相连接的其余电子设备(例如目标网站服务器)通过有线连接方式或者无线连接方式发送给上述电子设备的。其中，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(ultra wideband) 连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，将目标信息输入到预先训练的电话号码识别模型中，得到目标信息的识别结果。

在本实施例中，上述电子设备可以将上述目标信息输入到预先训练的电话号码识别模型中，得到目标信息的识别结果。此处，所得到的识别结果可以用于指示上述目标信息中是否包含电话号码，上述识别结果可以是一个数值。上述电话号码可以是利用阿拉伯数字所表征的，有些用户为了防止网络爬虫对电话号码进行各类转化，也会用汉字或者拼音表征电话号码。需要说明的是，上述电话号码识别模型可以用于表征信息与识别结果之间的对应关系。作为示例，上述电话号码识别模型可以是技术人员基于对大量的文本信息与用于表征文本信息中是否包含电话号码的识别结果的统计后所制定的文本信息与识别结果的对应关系表。

此处，上述电话号码识别模型若判定输入的目标信息中包含电话号码，则可以输出1；若判定输入的目标信息中不包含电话号码，则可以输出0。需要说明的是，上述电话号码识别模型也可以基于预先设定输出其他数值，不限于1和0。

在本实施例的一些可选的实现方式中，上述电子设备可以预先按照以下步骤训练电话号码识别模型：

首先，上述电子设备可以获取样本数据集合，上述样本数据集合中的样本数据可以包括样本信息和识别结果，样本信息可以包括包含电话号码的样本信息和不包含电话号码的样本信息，识别结果可以包括表征对应的样本信息包含电话号码的标识和表征对应的样本信息不包含电话号码的标识。

之后，上述电子设备可以利用机器学习方法，将上述样本数据集合中的每个样本数据中的样本信息作为输入，将该样本数据中的识别结果作为输出，对预设的初始模型进行训练得到电话号码识别模型。具体地，上述初始模型可以为朴素贝叶斯模型或支持向量机等用于分类的初始模型，上述电子设备可以将上述包含电话号码的样本信息作为模型输入，将上述表征样本信息包含电话号码的标识作为对应的模型输出，同时将上述不包含电话号码的样本信息作为模型输入，将上述表征样本信息不包含电话号码的标识作为对应的模型输出，利用机器学习方法，对该初始模型进行训练，得到电话号码识别模型。

在本实施例的一些可选的实现方式中，上述包含电话号码的样本信息可以是通过如下步骤得到的：

首先，上述电子设备可以在上述目标网站中获取至少一个用户发表的用户发表信息，上述用户发表信息也可以称为用户原创内容，通常指的是用户通过互联网平台所展示或发表的文本内容，例如，用户在论坛类应用中发表的帖子(在网站中发表的意见或信息)、用户在社交类网站中的评论区中回复的评论等。

之后，上述电子设备可以利用预设的正则表达式(Regular Expression)对上述用户发表信息进行过滤，得到包含电话号码的样本信息。正则表达式通常描述了一种字符串匹配的模式，可以用来检查一个字符串是否含有某种字符子串、将匹配的字符子串做替换或者从某个字符串中取出符合某个条件的字符子串等。在这里，上述正则表达式通常为电话号码正则表达式，用于在上述用户发表信息中提取电话号码。作为示例，电话号码正则表达式可以包括提取信息中的中国手机号码的正则表达式、提取信息中的中国固定电话号码的正则表达式，还可以包括提取信息中的电话号码同时对电话号码进行验证的正则表达式。在这里，在提取出电话号码之后，可以对电话号码的真实性与合法性进行校验，例如，确定电话号码是否存在于预设的真实电话号码集合中，若存在，则说明此电话号码具有合法性与真实性。需要说明的是，上述电话号码正则表达式是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，响应于确定出识别结果指示目标信息中包含电话号码，从目标信息中提取电话号码，生成包括提取出的电话号码和类别的记录。

在本实施例中，在步骤202中得到识别结果之后，上述电子设备可以确定上述识别结果是否指示上述目标信息中包含电话号码，响应于确定出上述识别结果指示上述目标信息中包含电话号码，上述电子设备可以从上述目标信息中提取电话号码。此处，若待提取的电话号码为阿拉伯数字所表征的，则上述电子设备可以从上述目标信息中提取阿拉伯数字部分作为电话号码；若待提取的电话号码为拼音或汉字所表征的，上述电子设备可以首先将拼音或汉字与各个阿拉伯数字进行匹配，而后可以提取匹配出的阿拉伯数字部分作为电话号码。最后，上述电子设备可以生成包括提取出的电话号码和步骤201中确定出的类别的记录，并可以将生成的记录存储到电子设备本地或者其他电子设备中。

在本实施例的一些可选的实现方式中，上述目标信息可以来源于目标网站。上述目标网站可以为用户原创内容网站，例如，论坛类网站、社交类网站等，用户原创内容网站可以是将用户原创内容进行展示或者提供给其它用户的平台。上述电子设备可以获取在上述目标网站中发表上述目标信息的用户的用户名。

在本实施例的一些可选的实现方式中，在提取出上述目标信息中的电话号码之后，上述电子设备可以确定所提取出的电话号码的置信度。具体地，上述电子设备可以首先统计上述用户在上述目标网站所发表的包含电话号码的信息的数目；之后，可以统计上述用户在上述目标网站所发表的包含上述所提取出的电话号码的信息的数目；最后，可以将包含上述所提取出的电话号码的信息的数目与上述包含电话号码的信息的数目的比值确定为上述所提取出的电话号码的置信度。

继续参见图3，图3是根据本实施例的用于生成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，服务器301首先获取到目标信息302为“求购毕加索小镇一期二期的两居室，请联系，谢谢！ 13585943619李先生”，服务器301可以将目标信息302输入到类别识别模型中得到目标信息302所属的类别为房产；之后，服务器301将目标信息302输入到预先训练的电话号码识别模型中，得到目标信息 302的识别结果；而后，服务器301确定出得到的识别结果指示目标信息302中包含电话号码，从目标信息302提取出电话号码为：13585943619；最后，服务器301生成包括电话号码“13585943619”和类别“房产”的距离303。

本申请的上述实施例提供的方法通过对目标信息中是否包含电话号码进行识别，从识别出的包含电话号码的目标信息中提取电话号码，从而提高了电话号码提取的准确率和覆盖率。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取目标信息，以及确定目标信息所属的类别。

在本实施例中，步骤401的操作与步骤201的操作基本相同，在此不再赘述。

步骤402，获取在目标网站中发表目标信息的用户的用户名。

在本实施例中，上述目标信息可以来源于目标网站。上述目标网站可以为用户原创内容网站，例如，论坛类网站、社交类网站等，用户原创内容网站可以是将用户原创内容进行展示或者提供给其它用户的平台。上述电子设备可以获取在上述目标网站中发表上述目标信息的用户的用户名。

步骤403，将目标信息输入到预先训练的电话号码识别模型中，得到目标信息的识别结果。

在本实施例中，步骤403的操作与步骤202的操作基本相同，在此不再赘述。

步骤404，响应于确定出识别结果指示目标信息中包含电话号码，从目标信息中提取电话号码。

在本实施例中，上述电子设备可以确定上述识别结果是否指示上述目标信息中包含电话号码，响应于确定出上述识别结果指示上述目标信息中包含电话号码，上述电子设备可以从上述目标信息中提取电话号码。此处，若待提取的电话号码为阿拉伯数字所表征的，则上述电子设备可以从上述目标信息中提取阿拉伯数字部分作为电话号码；若待提取的电话号码为拼音或汉字所表征的，上述电子设备可以首先将拼音或汉字与各个阿拉伯数字进行匹配，而后可以提取匹配出的阿拉伯数字部分作为电话号码。

步骤405，统计用户在目标网站发表的包含电话号码的信息的数目作为第一数目。

在本实施例中，上述电子设备可以统计上述用户在上述目标网站中所发表的包含电话号码的信息的数目作为第一数目。上述电子设备可以在存储的记录中获取该用户发表的包含电话号码的全部记录，并统计包含电话号码的记录的数目。

步骤406，统计用户在目标网站发表的包含提取出的电话号码的信息的数目作为第二数目。

在本实施例中，上述电子设备可以统计上述用户在上述目标网站中所发表的包含上述所提取出的电话号码的信息的数目作为第二数目。上述电子设备可以在上述全部记录中获取记录中的电话号码为所提取出的电话号码的记录，并统计记录中的电话号码为所提取出的电话号码的记录的数目。

步骤407，统计在目标网站发表包含电话号码的信息最多的用户所发表的包含电话号码的信息的数目作为第三数目。

在本实施例中，上述电子设备可以统计在上述目标网站中发表的包含电话号码的信息最多的用户所发表的包含电话号码的信息的数目作为第三数目。针对存储的记录中的各个用户名中的每个用户名，上述电子设备可以在存储的记录中确定该用户名所对应的所有记录，并统计具有最多记录的用户名所对应的所有记录的数目。

步骤408，求取预设数值与第一数目之和的对数作为第一对数，求取预设数值与第三数目之和的对数作为第二对数。

在本实施例中，上述电子设备可以求取预设数值(通常为1)与上述第一数目之和的对数作为第一对数，并求取上述预设数值与上述第三数目之和的对数作为第二对数。

步骤409，将第一对数与第二对数的比值乘以第一数目与第二数目的比值的乘积确定为提取出的电话号码的置信度。

在本实施例中，上述电子设备可以首先求取上述第一对数与上述第二对数的比值作为第一比值，再求取上述第一数目与上述第二数目的比值作为第二数目，而后将上述第一比值与上述第二比值的乘积确定为上述所提取出的电话号码的置信度。上述电子设备可以通过如下公式(1)确定上述提取出的电话号码的置信度：

其中，C为上述提取出的电话号码的置信度，x₁为上述用户在上述目标网站中发表的包含电话号码的信息的数目，x₂为上述用户在上述目标网站中发表的包含提取出的电话号码的信息的数目，x₃为在上述目标网站发表包含电话号码的信息最多的用户所发表的包含电话号码的信息的数目。

步骤410，生成包括用户名、提取出的电话号码、目标信息、类别和置信度的记录。

在本实施例中，上述电子设备可以生成包括步骤402获取到的用户名、步骤404提取出的电话号码、步骤401获取到的目标信息以及确定出的类别和步骤409确定出的置信度的记录。上述电子设备可以将生成的记录存储到电子设备本地或者其他电子设备中。

在本实施例的一些可选的实现方式中，用户可以通过用户终端向上述电子设备发送搜索请求，用户也可以通过电子设备本地的显示屏向上述电子设备发送搜索请求。上述搜索请求可以是用户在搜索框中输入类别并点击搜索按钮所发送的，也可以是通过点击包含类别的搜索链接所发送的。响应于接收到包括类别的搜索请求，上述电子设备可以获取所搜索的类别对应的至少一条记录，上述电子设备可以在存储记录的数据库中获取包括上述所搜索的类别的至少一条记录；之后，可以从上述至少一条记录中按照记录中的置信度由大到小的顺序选取预设数目(例如，二十、五十)个记录；最后，可以将选取出的记录进行输出，如可以将选取出的记录输出到用户终端，可以输出到电子设备本地的显示屏上。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了获取用户名的步骤、确定提取出的电话号码的置信度的步骤以及生成包括用户名、提取出的电话号码、目标信息、类别和置信度的记录的步骤。由此，本实施例描述的方案可以进一步提高所提取的电话号码的准确率，并且提高了信息生成的丰富性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成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，本实施例的用于生成信息的装置500包括：第一获取单元501、输入单元502和第一生成单元503。其中，第一获取单元 501配置用于获取目标信息，以及确定目标信息所属的类别；输入单元502配置用于将目标信息输入到预先训练的电话号码识别模型中，得到目标信息的识别结果，其中，识别结果用于指示目标信息中是否包含电话号码，电话号码识别模型用于表征信息与识别结果之间的对应关系；第一生成单元503配置用于响应于确定出识别结果指示目标信息中包含电话号码，从目标信息中提取电话号码，生成包括提取出的电话号码和类别的记录。

在本实施例中，用于生成信息的装置500的第一获取单元501、输入单元502和第一生成单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202和步骤203。

在本实施例的一些可选的实现方式中，上述目标信息可以来源于目标网站。上述目标网站可以为用户原创内容网站，例如，论坛类网站、社交类网站等，用户原创内容网站可以是将用户原创内容进行展示或者提供给其它用户的平台。上述用于生成信息的装置500还可以包括第二获取单元(图中未示出)，上述第二获取单元可以获取在上述目标网站中发表上述目标信息的用户的用户名。

在本实施例的一些可选的实现方式中，上述用于生成信息的装置 500还可以包括确定单元(图中未示出)。在提取出上述目标信息中的电话号码之后，上述确定单元可以确定所提取出的电话号码的置信度。具体地，上述确定单元可以首先统计上述用户在上述目标网站所发表的包含电话号码的信息的数目；之后，可以统计上述用户在上述目标网站所发表的包含上述所提取出的电话号码的信息的数目；最后，可以将包含上述所提取出的电话号码的信息的数目与上述包含电话号码的信息的数目的比值确定为上述所提取出的电话号码的置信度。

在本实施例的一些可选的实现方式中，上述确定单元可以包括第一统计模块(图中未示出)、第二统计模块(图中未示出)、第三统计模块(图中未示出)、求取模块(图中未示出)和确定模块(图中未示出)。上述第一统计模块可以统计上述用户在上述目标网站中所发表的包含电话号码的信息的数目作为第一数目。上述第一统计模块可以在存储的记录中获取该用户发表的包含电话号码的全部记录，并统计包含电话号码的记录的数目。上述第二统计模块可以统计上述用户在上述目标网站中所发表的包含上述所提取出的电话号码的信息的数目作为第二数目。上述第二统计模块可以在上述全部记录中获取记录中的电话号码为所提取出的电话号码的记录，并统计记录中的电话号码为所提取出的电话号码的记录的数目。上述第三统计模块可以统计在上述目标网站中发表的包含电话号码的信息最多的用户所发表的包含电话号码的信息的数目作为第三数目。针对存储的记录中的各个用户名中的每个用户名，上述第三统计模块可以在存储的记录中确定该用户名所对应的所有记录，并统计具有最多记录的用户名所对应的所有记录的数目。上述求取模块可以求取预设数值(通常为1)与上述第一数目之和的对数作为第一对数，并求取上述预设数值与上述第三数目之和的对数作为第二对数。上述确定模块可以首先求取上述第一对数与上述第二对数的比值作为第一比值，再求取上述第一数目与上述第二数目的比值作为第二数目，而后将上述第一比值与上述第二比值的乘积确定为上述所提取出的电话号码的置信度。上述确定模块可以通过如上所示的公式(1)确定上述提取出的电话号码的置信度。

在本实施例的一些可选的实现方式中，上述第一生成单元503可以生成包括获取到的用户名、提取出的电话号码、获取到的目标信息以及确定出的类别和确定出的置信度的记录。上述第一生成单元503 可以将生成的记录存储到电子设备本地或者其他电子设备中。

在本实施例的一些可选的实现方式中，上述用于生成信息的装置 500还可以包括第三获取单元(图中未示出)和输出单元(图中未示出)。用户可以通过用户终端向电子设备发送搜索请求，用户也可以通过电子设备本地的显示屏向电子设备发送搜索请求。上述搜索请求可以是用户在搜索框中输入类别并点击搜索按钮所发送的，也可以是通过点击包含类别的搜索链接所发送的。响应于接收到包括类别的搜索请求，上述第三获取单元可以获取所搜索的类别对应的至少一条记录，上述第三获取单元可以在存储记录的数据库中获取包括上述所搜索的类别的至少一条记录；之后，上述输出单元可以从上述至少一条记录中按照记录中的置信度由大到小的顺序选取预设数目(例如，二十、五十)个记录；最后，上述输出单元可以将选取出的记录进行输出，如可以将选取出的记录输出到用户终端，可以输出到电子设备本地的显示屏上。

在本实施例的一些可选的实现方式中，上述用于生成信息的装置 500还可以包括用于训练电话号码识别模型的训练单元(图中未示出)。上述训练单元可以包括获取模块(图中未示出)和训练模块(图中未示出)。上述训练单元可以预先按照以下步骤训练电话号码识别模型：

首先，上述获取模块可以获取样本数据集合，上述样本数据集合中的样本数据可以包括样本信息和识别结果，样本信息可以包括包含电话号码的样本信息和不包含电话号码的样本信息，识别结果可以包括表征对应的样本信息包含电话号码的标识和表征对应的样本信息不包含电话号码的标识。

之后，上述训练模块可以利用机器学习方法，将上述样本数据集合中的每个样本数据中的样本信息作为输入，将该样本数据中的识别结果作为输出，对预设的初始模型进行训练得到电话号码识别模型。具体地，上述初始模型可以为朴素贝叶斯模型或支持向量机等用于分类的初始模型，上述训练模块可以将上述包含电话号码的样本信息作为模型输入，将上述表征样本信息包含电话号码的标识作为对应的模型输出，同时将上述不包含电话号码的样本信息作为模型输入，将上述表征样本信息不包含电话号码的标识作为对应的模型输出，利用机器学习方法，对该初始模型进行训练，得到电话号码识别模型。

在本实施例的一些可选的实现方式中，上述用于生成信息的装置 500还可以包括用于生成包含电话号码的样本信息的第二生成单元 (图中未示出)。上述第二生成单元可以包括获取模块(图中未示出) 和过滤模块(图中未示出)。上述第二生成单元可以通过如下步骤得到上述包含电话号码的样本信息：

首先，上述获取模块可以在上述目标网站中获取至少一个用户发表的用户发表信息，上述用户发表信息也可以称为用户原创内容，通常指的是用户通过互联网平台所展示或发表的文本内容，例如，用户在论坛类应用中发表的帖子、用户在社交类网站中的评论区中回复的评论等。

之后，上述过滤模块可以利用预设的正则表达式对上述用户发表信息进行过滤，得到包含电话号码的样本信息。正则表达式通常描述了一种字符串匹配的模式，可以用来检查一个字符串是否含有某种字符子串、将匹配的字符子串做替换或者从某个字符串中取出符合某个条件的字符子串等。在这里，上述正则表达式通常为电话号码正则表达式，用于在上述用户发表信息中提取电话号码。作为示例，电话号码正则表达式可以包括提取信息中的中国手机号码的正则表达式、提取信息中的中国固定电话号码的正则表达式，还可以包括提取信息中的电话号码同时对电话号码进行验证的正则表达式。在这里，在提取出电话号码之后，可以对电话号码的真实性与合法性进行校验，例如，确定电话号码是否存在于预设的真实电话号码集合中，若存在，则说明此电话号码具有合法性与真实性。需要说明的是，上述电话号码正则表达式是目前广泛研究和应用的公知技术，在此不再赘述。

下面参考图6，其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)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部分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，还存储有系统600操作所需的各种程序和数据。CPU 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。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

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部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601 执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请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、或半导体的系统、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。在本申请中，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系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的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。计算机可读的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，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明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：一种处理器包括第一获取单元、输入单元和第一生成单元。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，第一获取单元还可以被描述为“获取目标信息，以及确定所述目标信息所属的类别的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取目标信息，以及确定目标信息所属的类别；将目标信息输入到预先训练的电话号码识别模型中，得到目标信息的识别结果，其中，识别结果用于指示目标信息中是否包含电话号码，电话号码识别模型用于表征信息与识别结果之间的对应关系；响应于确定出识别结果指示目标信息中包含电话号码，从目标信息中提取电话号码，生成包括提取出的电话号码和类别的记录。

以上描述仅为本发明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，本发明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。例如上述特征与本发明中公开的(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 (14)

1.一种用于生成信息的方法，包括：

获取目标信息，以及确定所述目标信息所属的类别，其中，所述目标信息来源于目标网站；

将所述目标信息输入到预先训练的电话号码识别模型中，得到所述目标信息的识别结果，其中，所述识别结果用于指示所述目标信息中是否包含电话号码，所述电话号码识别模型用于表征信息与识别结果之间的对应关系；

响应于确定出所述识别结果指示所述目标信息中包含电话号码，从所述目标信息中提取电话号码，生成包括提取出的电话号码和所述类别的记录；

确定提取出的电话号码的置信度；

所述确定提取出的电话号码的置信度，包括：统计在所述目标网站中发表所述目标信息的用户在所述目标网站发表的包含电话号码的信息的数目作为第一数目；统计所述用户在所述目标网站发表的包含提取出的电话号码的信息的数目作为第二数目；统计在所述目标网站发表包含电话号码的信息最多的用户所发表的包含电话号码的信息的数目作为第三数目；求取预设数值与所述第一数目之和的对数作为第一对数，求取所述预设数值与所述第三数目之和的对数作为第二对数；将所述第一对数与所述第二对数的比值乘以所述第一数目与所述第二数目的比值的乘积确定为所述提取出的电话号码的置信度，或将所述第二数目与第一数目的比值确定为所述提取出的电话号码的置信度。

2.根据权利要求1所述的方法，其中，所述方法还包括：

获取在所述目标网站中发表所述目标信息的用户的用户名。

3.根据权利要求2所述的方法，其中，所述生成包括提取出的电话号码和所述类别的记录，包括：

生成包括所述用户名、所述提取出的电话号码、所述目标信息、所述类别和所述置信度的记录。

4.根据权利要求3所述的方法，其中，所述方法还包括：

响应于接收到包括类别的搜索请求，获取所搜索的类别对应的至少一条记录；

从所述至少一条记录中按照置信度由大到小的顺序选取预设数目个记录，输出选取出的记录。

5.根据权利要求1所述的方法，其中，所述电话号码识别模型是通过如下步骤训练得到的：

获取样本数据集合，其中，所述样本数据集合中的每个样本数据包括样本信息和识别结果，样本信息包括包含电话号码的样本信息和不包含电话号码的样本信息，识别结果包括表征样本信息包含电话号码的标识和表征样本信息不包含电话号码的标识；

利用机器学习方法，将所述样本数据集合中的每个样本数据中的样本信息作为输入，将该样本数据中的识别结果作为输出，对预设的初始模型进行训练得到电话号码识别模型。

6.根据权利要求5所述的方法，其中，所述包含电话号码的样本信息是通过如下步骤得到的：

在目标网站中获取至少一个用户发表的用户发表信息；

利用预设的正则表达式对所述用户发表信息进行过滤，得到包含电话号码的样本信息。

7.一种用于生成信息的装置，包括：

第一获取单元，配置用于获取目标信息，以及确定所述目标信息所属的类别，其中，所述目标信息来源于目标网站；

输入单元，配置用于将所述目标信息输入到预先训练的电话号码识别模型中，得到所述目标信息的识别结果，其中，所述识别结果用于指示所述目标信息中是否包含电话号码，所述电话号码识别模型用于表征信息与识别结果之间的对应关系；

第一生成单元，配置用于响应于确定出所述识别结果指示所述目标信息中包含电话号码，从所述目标信息中提取电话号码，生成包括提取出的电话号码和所述类别的记录；

确定单元，配置用于确定提取出的电话号码的置信度；

所述确定单元包括：第一统计模块，配置用于统计在所述目标网站中发表所述目标信息的用户在所述目标网站发表的包含电话号码的信息的数目作为第一数目；第二统计模块，配置用于统计所述用户在所述目标网站发表的包含提取出的电话号码的信息的数目作为第二数目；第三统计模块，配置用于统计在所述目标网站发表包含电话号码的信息最多的用户所发表的包含电话号码的信息的数目作为第三数目；求取模块，配置用于求取预设数值与所述第一数目之和的对数作为第一对数，求取所述预设数值与所述第三数目之和的对数作为第二对数；确定模块，配置用于将所述第一对数与所述第二对数的比值乘以所述第一数目与所述第二数目的比值的乘积确定为所述提取出的电话号码的置信度，或将所述第二数目与第一数目的比值确定为所述提取出的电话号码的置信度。

8.根据权利要求7所述的装置，其中，所述装置还包括：

第二获取单元，配置用于获取在所述目标网站中发表所述目标信息的用户的用户名。

9.根据权利要求8所述的装置，其中，所述生成单元进一步配置用于：

生成包括所述用户名、所述提取出的电话号码、所述目标信息、所述类别和所述置信度的记录。

10.根据权利要求9所述的装置，其中，所述装置还包括：

第三获取单元，配置用于响应于接收到包括类别的搜索请求，获取所搜索的类别对应的至少一条记录；

输出单元，配置用于从所述至少一条记录中按照置信度由大到小的顺序选取预设数目个记录，输出选取出的记录。

11.根据权利要求7所述的装置，其中，所述装置还包括用于训练电话号码识别模型的训练单元，所述训练单元包括：

获取模块，配置用于获取样本数据集合，其中，所述样本数据集合中的每个样本数据包括样本信息和识别结果，样本信息包括包含电话号码的样本信息和不包含电话号码的样本信息，识别结果包括表征样本信息包含电话号码的标识和表征样本信息不包含电话号码的标识；

训练模块，配置用于利用机器学习方法，将所述样本数据集合中的每个样本数据中的样本信息作为输入，将该样本数据中的识别结果作为输出，对预设的初始模型进行训练得到电话号码识别模型。

12.根据权利要求11所述的装置，其中，所述装置还包括用于生成包含电话号码的样本信息的第二生成单元，所述第二生成单元包括：

获取模块，配置用于在目标网站中获取至少一个用户发表的用户发表信息；

过滤模块，配置用于利用预设的正则表达式对所述用户发表信息进行过滤，得到包含电话号码的样本信息。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。