CN110287910A - 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，涉及云计算领域。该方法的一具体实施方式包括：对待处理文字信息进行文字匹配，从上述待处理文字信息中筛选出待修正词条；查询与上述待修正词条对应的基准词条，将上述待修正词条和基准词条中的差别文字构成至少一个文字组；将上述文字组导入文字相似度计算模型，得到上述文字组的相似度；响应于相似度大于设定阈值，将上述待处理文字信息中的待修正词条替换为上述基准词条，得到对应上述待处理文字信息的目标文字信息。该实施方式提高了获取目标文字信息的准确性。

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

文字是人们日常交流的重要媒介。文字广泛存在于网络、图像、印刷品中。通过文字能够有效地向用户传递信息。为了便于对信息进行处理，用户可以直接接收待处理信息，还可以通过多种文字识别方式从图像或印刷品中提取待处理信息。

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：对待处理文字信息进行文字匹配，从上述待处理文字信息中筛选出待修正词条；查询与上述待修正词条对应的基准词条，将上述待修正词条和基准词条中的差别文字构成至少一个文字组，其中，上述基准词条和上述待修正词条包含相同数量的文字，并且基准词条和待修正词条包含相同的文字，且相同的文字在基准词条和待修正词条中的位置相同，上述文字组包含的两个文字分别在上述待修正词条和基准词条中的对应位置相同；对于上述至少一个文字组中的文字组，将上述文字组导入文字相似度计算模型，得到上述文字组的相似度，其中，上述文字相似度计算模型用于对上述文字组中的文字是否是形近字进行计算，得到上述文字组中的文字的相似度；响应于相似度大于设定阈值，将上述待处理文字信息中的待修正词条替换为上述基准词条，得到对应上述待处理文字信息的目标文字信息。

在一些实施例中，上述文字相似度计算模型通过以下步骤训练得到：获取包含样本文字的多个文字组和对应上述多个文字组中每个文字组的样本相似度，其中，上述文字组包含一个样本文字和一个对比文字，对比文字为样本文字的形近字或除样本文字和样本形近字以外的负样本文字，上述样本相似度用于表征样本文字和对比文字之间的字形相似程度；将上述多个文字组的每个文字组作为输入，将上述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到上述文字相似度计算模型。

在一些实施例中，上述将上述多个文字组的每个文字组作为输入，将上述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到上述文字相似度计算模型，包括：执行以下训练步骤：将上述多个文字组中的每个文字组输入至初始文字相似度计算模型，得到上述多个文字组中的每个文字组所对应的预测相似度，将上述多个文字组中的每个文字组所对应的预测相似度与该文字组所对应的样本相似度进行比较，得到上述初始文字相似度计算模型的预测准确率，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，则将上述初始文字相似度计算模型作为训练完成的文字相似度计算模型。

在一些实施例中，上述将上述多个文字组的每个文字组作为输入，将上述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到上述文字相似度计算模型，包括：响应于不大于上述预设准确率阈值，调整上述初始文字相似度计算模型的参数，并继续执行上述训练步骤。

在一些实施例中，上述样本相似度通过以下步骤得到：通过设定字形编码分别对样本文字和对比文字进行编码，得到上述样本文字和对比文字的第一样本文字向量和第二样本文字向量，其中，上述设定字形编码包括以下至少一项：笔画编码、五笔编码、仓颉编码、四角编码；计算上述第一样本文字向量和第二样本文字向量之间的余弦距离，得到样本相似度。

在一些实施例中，上述调整上述初始文字相似度计算模型的参数，包括：将样本文字和样本文字的形近字构成的文字组的样本相似度标记为样本第一相似度，将样本文字和负样本文字构成的文字组的样本相似度标记为样本第二相似度；计算上述样本第一相似度和预测第一相似度的第一相似度差，上述样本第二相似度和预测第二相似度之间的第二相似度差；响应于对应上述第一相似度差和第二相似度差之和小于等于设定阈值，将当前上述初始文字相似度计算模型的参数作为调整后的参数。

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：待修正词条获取单元，被配置成对待处理文字信息进行文字匹配，从上述待处理文字信息中筛选出待修正词条；文字组构建单元，被配置成查询与上述待修正词条对应的基准词条，将上述待修正词条和基准词条中的差别文字构成至少一个文字组，其中，上述基准词条和上述待修正词条包含相同数量的文字，并且基准词条和待修正词条包含相同的文字，且相同的文字在基准词条和待修正词条中的位置相同，上述文字组包含的两个文字分别在上述待修正词条和基准词条中的对应位置相同；相似度获取单元，对于上述至少一个文字组中的文字组，被配置成将上述文字组导入文字相似度计算模型，得到上述文字组的相似度，其中，上述文字相似度计算模型用于对上述文字组中的文字是否是形近字进行计算，得到上述文字组中的文字的相似度；目标文字信息获取单元，响应于相似度大于设定阈值，被配置成将上述待处理文字信息中的待修正词条替换为上述基准词条，得到对应上述待处理文字信息的目标文字信息。

在一些实施例中，上述装置还包括文字相似度计算模型训练单元，被配置成训练文字相似度计算模型，上述文字相似度计算模型训练单元包括：样本获取子单元，被配置成获取包含样本文字的多个文字组和对应上述多个文字组中每个文字组的样本相似度，其中，上述文字组包含一个样本文字和一个对比文字，对比文字为样本文字的形近字或除样本文字和样本形近字以外的负样本文字，上述样本相似度用于表征样本文字和对比文字之间的字形相似程度；文字相似度计算模型训练子单元，被配置成将上述多个文字组的每个文字组作为输入，将上述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到上述文字相似度计算模型。

在一些实施例中，上述文字相似度计算模型训练子单元包括：文字相似度计算模型训练模块，被配置成将上述多个文字组中的每个文字组输入至初始文字相似度计算模型，得到上述多个文字组中的每个文字组所对应的预测相似度，将上述多个文字组中的每个文字组所对应的预测相似度与该文字组所对应的样本相似度进行比较，得到上述初始文字相似度计算模型的预测准确率，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，则将上述初始文字相似度计算模型作为训练完成的文字相似度计算模型。

在一些实施例中，上述文字相似度计算模型训练子单元包括：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文字相似度计算模型的参数，并返回文字相似度计算模型训练模块。

在一些实施例中，上述装置包括样本相似度计算单元，被配置成计算样本相似度，上述样本相似度计算单元包括：样本文字向量编码子单元，被配置成通过设定字形编码分别对样本文字和对比文字进行编码，得到上述样本文字和对比文字的第一样本文字向量和第二样本文字向量，其中，上述设定字形编码包括以下至少一项：笔画编码、五笔编码、仓颉编码、四角编码；样本相似度计算子单元，被配置成计算上述第一样本文字向量和第二样本文字向量之间的余弦距离，得到样本相似度。

在一些实施例中，上述参数调整模块包括：样本相似度标记子模块，被配置成将样本文字和样本文字的形近字构成的文字组的样本相似度标记为样本第一相似度，将样本文字和负样本文字构成的文字组的样本相似度标记为样本第二相似度；相似度差计算子模块，被配置成计算上述样本第一相似度和预测第一相似度的第一相似度差，上述样本第二相似度和预测第二相似度之间的第二相似度差；参数设置子模块，响应于对应上述第一相似度差和第二相似度差之和小于等于设定阈值，被配置成将当前上述初始文字相似度计算模型的参数作为调整后的参数。

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，首先对待处理文字信息进行文字匹配，从上述待处理文字信息中筛选出待修正词条；然后，查询与上述待修正词条对应的基准词条，将上述待修正词条和基准词条中的差别文字构成至少一个文字组；之后，将上述文字组导入文字相似度计算模型，得到上述文字组的相似度；最后，在相似度大于设定阈值时，将上述待处理文字信息中的待修正词条替换为上述基准词条，得到对应上述待处理文字信息的目标文字信息。本申请技术方案通过形近字对待处理文字进行校正，提高了获取目标文字信息的准确性。

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系统架构图；

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是根据本公开的文字相似度计算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系统架构100。

如图1所示，系统架构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上可以安装有各种数据处理应用，例如图像采集应用、图像信息提取应用、文字识别应用、文字编辑应用等。

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编辑的各种电子设备，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。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发来的待处理文字信息进行处理的服务器。服务器可以对接收到的待处理文字信息等数据进行分析等处理，并将处理结果(例如目标文字信息)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，对待处理文字信息进行文字匹配，从上述待处理文字信息中筛选出待修正词条。

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接收待处理文字信息。其中，待处理文字信息可以对图像进行光学字符识别(Optical Character Recognition，OCR)等方式得到的信息，还可以是通过其他方式得到的网络信息等信息。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(Ultra Wideband)连接、以及其他现在已知或将来开发的无线连接方式。

实际中，通过文字识别等方法获取文字时，会受到光线、图像颜色、印刷品摆放不平整等多种因素的干扰，导致对文字的识别准确性不高。

为此，执行主体在接收到待处理文字信息后，为了提高待处理文字信息的准确性，可以首先通过多种文字匹配方式对待处理文字信息进行文字匹配，以便从上述待处理文字信息中筛选出待修正词条。其中，文字匹配方式可以是通过常用的词条、习惯用语、专业术语等对待处理文字信息包含的文字进行匹配。当待处理文字信息中存在文字匹配方式不能匹配的文字时，可以将这些文字标记为待修正词条。通常，待修正词条可以认为是可能存在文字错误的词条。例如，通过光学字符识别对图像进行处理以提取图像中的文字时，容易出现得到待修正词条的情况。

步骤202，查询与上述待修正词条对应的基准词条，将上述待修正词条和基准词条中的差别文字构成至少一个文字组。

执行主体通过上述常用的词条、习惯用语、专业术语等方式查询到与待修正词条对应的基准词条。其中，上述基准词条可以和上述待修正词条包含相同数量的文字，并且基准词条和待修正词条包含相同的文字，且相同的文字在基准词条和待修正词条中的位置相同。例如，待修正词条可以是：“伶轧卷”，对应的基准词条可以是：“冷轧卷”。其中，“伶轧卷”和“冷轧卷”包含相同数量的文字“轧卷”，并且“伶轧卷”和“冷轧卷”包含相同的文字，且相同的文字在“伶轧卷”和“冷轧卷”中的位置相同(都是第二个字和第三个字)。

之后，执行主体可以将上述待修正词条和基准词条中的差别文字构成至少一个文字组。其中，上述文字组包含的两个文字分别在上述待修正词条和基准词条中的对应位置相同。还以上述的“伶轧卷”和“冷轧卷”为例，此时，对应的文字组为：“伶，冷”。

步骤203，对于上述至少一个文字组中的文字组，将上述文字组导入文字相似度计算模型，得到上述文字组的相似度。

得到文字组后，执行主体可以将文字组导入文字相似度计算模型，得到上述文字组的相似度。其中，上述文字相似度计算模型可以用于对上述文字组中的文字是否是形近字进行计算，得到上述文字组中的文字的相似度。

在本实施例的一些可选的实现方式中，上述文字相似度计算模型通过以下步骤训练得到：

第一步，获取包含样本文字的多个文字组和对应上述多个文字组中每个文字组的样本相似度。

执行主体可以预先获取包含样本文字的多个文字组，每个文字组具有对应的样本相似度。其中，上述文字组可以包含一个样本文字和一个对比文字，对比文字为样本文字的形近字或除样本文字和样本形近字以外的负样本文字。上述样本相似度用于表征样本文字和对比文字之间的字形相似程度。

第二步，将上述多个文字组的每个文字组作为输入，将上述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到上述文字相似度计算模型。

执行主体可以通过多种网络(例如可以是卷积神经网络、深度学习网络等)对文字相似度计算模型进行训练。执行主体可以将文字组作为网络输入，将文字组所对应的样本相似度作为网络输出，训练得到上述文字相似度计算模型。

步骤204，响应于相似度大于设定阈值，将上述待处理文字信息中的待修正词条替换为上述基准词条，得到对应上述待处理文字信息的目标文字信息。

当文字组的相似度大于设定阈值时，说明待修正词条内对应文字组的文字出现错误。此时，执行主体可以将待处理文字信息中的待修正词条替换为基准词条，得到对应上述待处理文字信息的目标文字信息。如此，通过基准词条对待处理文字信息进行了修正，提高了获取目标文字信息的准确性。

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可以通过多种方式从图像中获取待处理文字信息：“边境牧羊犬(Border Co11ie)，原产于苏格兰边境，为桐利牧羊犬的一种，具有强烈的牧羊本能，天性聪颖、善于察言观色，能准确明白主人的指示，可借由眼神的注视而驱动羊群移动或旋转，被当成牧羊犬已有多年的历史，在世界犬种智商排行第一名”。终端设备102对待处理文字信息进行文字匹配后，发现“Co11ie”中“11”不是英文“l”而是数字“1”；并且没有“桐利牧羊犬”这个词条。因此，终端设备102可以将待处理文字信息中的“Co11ie”和“桐利牧羊犬”标记为待修正词条。然后，终端设备102查找到对应“Co11ie”的基准词条为“Collie”；“桐利牧羊犬”的基准词条为“柯利牧羊犬”，进而构建文字组：“Co11ie，Collie”和“桐，柯”；之后，将这两个文字组分别倒入文字相似度计算模型，得到的相似度可以分别为95％和90％，因此，可以判定文字组内的文字为形近字。最后，终端设备102通过基准词条对待处理文字信息进行替换，得到目标文字信息。

本公开的上述实施例提供的方法首先对待处理文字信息进行文字匹配，从上述待处理文字信息中筛选出待修正词条；然后，查询与上述待修正词条对应的基准词条，将上述待修正词条和基准词条中的差别文字构成至少一个文字组；之后，将上述文字组导入文字相似度计算模型，得到上述文字组的相似度；最后，在相似度大于设定阈值时，将上述待处理文字信息中的待修正词条替换为上述基准词条，得到对应上述待处理文字信息的目标文字信息。本申请技术方案通过形近字对待处理文字进行校正，提高了获取目标文字信息的准确性。

进一步参考图4，其示出了文字相似度计算模型训练方法的一个实施例的流程400。该文字相似度计算模型训练方法的流程400，包括以下步骤：

步骤401，获取包含样本文字的多个文字组和对应上述多个文字组中每个文字组的样本相似度。

在本实施例中，文字相似度计算模型训练方法的执行主体(例如图1所示的服务器105)可以获取包含样本文字的多个文字组和对应上述多个文字组中每个文字组的样本相似度。

在本实施例的一些可选的实现方式中，上述样本相似度通过以下步骤得到：

第一步，通过设定字形编码分别对样本文字和对比文字进行编码，得到上述样本文字和对比文字的第一样本文字向量和第二样本文字向量。

其中，上述设定字形编码包括以下至少一项：笔画编码、五笔编码、仓颉编码、四角编码。每种字形编码都有对应的字符和/或数字。执行主体可以根据字形编码对样本文字和对比文字进行编码。得到的就是对应样本文字的第一样本文字向量和对应对比文字的第二样本文字向量。采用的字形编码的种类越多，得到的第一样本文字向量和第二样本文字向量就越复杂，对应的，通过字形描述文字的准确性就越高。当通过一种字形编码进行编码时，可以以该字形编码对应的向量直接作为对应样本文字和对比文字的第一样本文字向量和第二样本文字向量；当通过多种字形编码进行编码时，可以按照设定的字形编码的排序进行编码。例如，将笔画编码设置为第一编码、五笔编码设置为第二编码、仓颉编码设置为第三编码、四角编码设置为第四编码。然后，按照从第一编码到第四编码的顺序，将每种字形编码对应的向量组合起来得到第一样本文字向量和第二样本文字向量。例如，样本文字为：“奔”，对应的笔画编码为：“13412132”；五笔编码为：“DFAJ”；仓颉编码为：“KJT”；···。当只需要一种字形编码构成向量时，样本文字“奔”的向量可以是“13412132”、“DFAJ”或“KJT”，或将“13412132”、“DFAJ”或“KJT”转换为对应的设定维数的向量。当需要多种字形编码构成向量时，样本文字“奔”的向量可以是由“13412132”、“DFAJ”和/或“KJT”组成的向量，或将“13412132”、“DFAJ”和/或“KJT”转换为对应的设定维数的向量。需要说明的是，在将字形编码转换成向量的过程中，字形编码包含的每个编码都对应有一个向量。例如：笔画编码为“13412132”时，其中的“1”、“2”、“3”和“4”都分别对应一个表示对应笔画的向量，进而可以实现通过笔画来判断形近字。类似的，五笔编码“DFAJ”和仓颉编码“KJT”包含的“D”、“F”、“A”、“J”和“K”、“J”、“T”都对应各自的向量。并且，同一编码在不同的字形编码中对应的向量不同。例如，五笔编码“DFAJ”包含“J”，仓颉编码“KJT”也包含“J”。但这两个“J”使用的向量不同，以此对字形编码进行区别。需要说明的是，字形编码中每个笔画的向量、五笔字符的向量、仓颉字符的向量可以通过模型学习得到。第一样本文字向量和第二样本文字向量采用的字形编码应该相同，且采用的字形编码为多种时，字形编码对应的向量之间的先后顺序也应该相同。如此，可以使得每个字具有对应字形的向量，提高了形近字的识别准确性。

第二步，计算上述第一样本文字向量和第二样本文字向量之间的余弦距离，得到样本相似度。

执行主体可以计算上述第一样本文字向量和第二样本文字向量之间的余弦距离，得到样本相似度。执行主体还可以通过其他方式(例如可以是求解二范数等)对第一样本文字向量和第二样本文字向量进行处理，以得到样本相似度。

步骤402，将上述多个文字组中的每个文字组输入至初始文字相似度计算模型，得到上述多个文字组中的每个文字组所对应的预测相似度。

在本实施例中，基于步骤401所获取的多个文字组，执行主体可以将上述多个文字组中的每个文字组输入至初始文字相似度计算模型，从而得到上述多个文字组中的每个文字组所对应的预测相似度。这里，执行主体可以将每个文字组从初始文字相似度计算模型的输入侧输入，依次经过初始文字相似度计算模型中的各层的参数的处理，并从初始文字相似度计算模型的输出侧输出，输出侧输出的信息即为该文字组所对应的预测相似度。其中，初始文字相似度计算模型可以是未经训练的模型(例如可以是深度学习模型等)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，将上述多个文字组中的每个文字组所对应的预测相似度与该文字组所对应的样本相似度进行比较，得到上述初始文字相似度计算模型的预测准确率。

基于步骤402所得到的多个文字组中的每个文字组所对应的预测相似度，执行主体可以将多个文字组中的每个文字组所对应的预测相似度与该文字组所对应的样本相似度进行比较，从而得到初始文字相似度计算模型的预测准确率。具体地，若一个文字组所对应的预测相似度与该文字组所对应的样本相似度相同或相近，则初始文字相似度计算模型预测正确；若一个文字组所对应的预测相似度与该文字组所对应的样本相似度不同或不相近，则初始文字相似度计算模型预测错误。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文字相似度计算模型的预测准确率。

步骤404，确定上述预测准确率是否大于预设准确率阈值。

基于步骤403所得到的初始文字相似度计算模型的预测准确率，执行主体可以将初始文字相似度计算模型的预测准确率与预设准确率阈值进行比较。若大于预设准确率阈值，则执行步骤405；若不大于预设准确率阈值，则执行步骤406。

步骤405，将上述初始文字相似度计算模型作为训练完成的文字相似度计算模型。

在本实施例中，在初始文字相似度计算模型的预测准确率大于预设准确率阈值的情况下，说明该初始文字相似度计算模型训练完成，此时，执行主体可以将初始文字相似度计算模型作为训练完成的文字相似度计算模型。

步骤406，调整上述初始文字相似度计算模型的参数。

在本实施例中，在初始文字相似度计算模型的预测准确率不大于预设准确率阈值的情况下，执行主体可以调整初始文字相似度计算模型的参数，并返回执行步骤402，直至训练出能够表征样本文字和对比文字之间的字形相似程度的相似度的文字相似度计算模型为止。

在本实施例的一些可选的实现方式中，上述调整上述初始文字相似度计算模型的参数，可以包括以下步骤：

第一步，将样本文字和样本文字的形近字构成的文字组的样本相似度标记为样本第一相似度，将样本文字和负样本文字构成的文字组的样本相似度标记为样本第二相似度。

为了调整上述初始文字相似度计算模型的参数，执行主体可以将样本文字和样本文字的形近字构成的文字组的样本相似度标记为样本第一相似度，将样本文字和负样本文字构成的文字组的样本相似度标记为样本第二相似度。通常，相似度的取值范围可以是0到1之间。相似度的值越大，说明相似度对应的两个字越可能是形近字；对应的，相似度的值越小，说明相似度对应的两个字越可能是非形近字。通常，样本第一相似度的值可以远大于样本第二相似度。

第二步，计算上述样本第一相似度和预测第一相似度的第一相似度差，上述样本第二相似度和预测第二相似度之间的第二相似度差。

执行主体可以将同一样本文字对应的包含样本文字和形近字的文字组，以及包含样本文字和负样本文字的文字组导入初始文字相似度计算模型，得到对应样本第一相似度的预测第一相似度，对应样本第二相似度的预测第二相似度。之后，计算上述样本第一相似度和预测第一相似度的第一相似度差，上述样本第二相似度和预测第二相似度之间的第二相似度差。样本第一相似度和样本第二相似度是固定的值，而预测第一相似度和预测第二相似度是初始文字相似度计算模型预测出来的值。通常，预测第一相似度不与样本第一相似度完全相同，预测第二相似度也不与样本第二相似度完全相同。即，第一相似度差和第二相似度差就可以分别代表初始文字相似度计算模型识别形近字的准确性和识别非形近字的准确性。

第三步，响应于对应上述第一相似度差和第二相似度差之和小于等于设定阈值，将当前上述初始文字相似度计算模型的参数作为调整后的参数。

当上述第一相似度差和第二相似度差之和小于等于设定阈值时，说明此时的初始文字相似度计算模型即能够准确识别形近字，又可以准确分辨非形近字。执行主体可以将当前上述初始文字相似度计算模型的参数作为调整后的参数。

执行主体还可以将预测第一相似度和预测第二相似度之间差值大于设定阈值时的参数作为调整后的参数，具体需要哪种方式视实际需要而定。

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：待修正词条获取单元501、文字组构建单元502、相似度获取单元503和目标文字信息获取单元504。其中，待修正词条获取单元501被配置成对待处理文字信息进行文字匹配，从上述待处理文字信息中筛选出待修正词条；文字组构建单元502被配置成查询与上述待修正词条对应的基准词条，将上述待修正词条和基准词条中的差别文字构成至少一个文字组，其中，上述基准词条和上述待修正词条包含相同数量的文字，并且基准词条和待修正词条包含相同的文字，且相同的文字在基准词条和待修正词条中的位置相同，上述文字组包含的两个文字分别在上述待修正词条和基准词条中的对应位置相同；相似度获取单元503，对于上述至少一个文字组中的文字组，被配置成将上述文字组导入文字相似度计算模型，得到上述文字组的相似度，其中，上述文字相似度计算模型用于对上述文字组中的文字是否是形近字进行计算，得到上述文字组中的文字的相似度；目标文字信息获取单元504，响应于相似度大于设定阈值，被配置成将上述待处理文字信息中的待修正词条替换为上述基准词条，得到对应上述待处理文字信息的目标文字信息。

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还可以包括文字相似度计算模型训练单元(图中未示出)，被配置成训练文字相似度计算模型，上述文字相似度计算模型训练单元可以包括：样本获取子单元(图中未示出)和文字相似度计算模型训练子单元(图中未示出)。样本获取子单元被配置成获取包含样本文字的多个文字组和对应上述多个文字组中每个文字组的样本相似度，其中，上述文字组包含一个样本文字和一个对比文字，对比文字为样本文字的形近字或除样本文字和样本形近字以外的负样本文字，上述样本相似度用于表征样本文字和对比文字之间的字形相似程度；文字相似度计算模型训练子单元，被配置成将上述多个文字组的每个文字组作为输入，将上述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到上述文字相似度计算模型。

在本实施例的一些可选的实现方式中，上述文字相似度计算模型训练子单元可以包括：文字相似度计算模型训练模块(图中未示出)，被配置成将上述多个文字组中的每个文字组输入至初始文字相似度计算模型，得到上述多个文字组中的每个文字组所对应的预测相似度，将上述多个文字组中的每个文字组所对应的预测相似度与该文字组所对应的样本相似度进行比较，得到上述初始文字相似度计算模型的预测准确率，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，则将上述初始文字相似度计算模型作为训练完成的文字相似度计算模型。

在本实施例的一些可选的实现方式中，上述文字相似度计算模型训练子单元可以包括：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文字相似度计算模型的参数，并返回文字相似度计算模型训练模块。

在本实施例的一些可选的实现方式中，用于获取信息的装置500可以包括样本相似度计算单元(图中未示出)，被配置成计算样本相似度，上述样本相似度计算单元可以包括：样本文字向量编码子单元(图中未示出)和样本相似度计算子单元(图中未示出)。其中，样本文字向量编码子单元被配置成通过设定字形编码分别对样本文字和对比文字进行编码，得到上述样本文字和对比文字的第一样本文字向量和第二样本文字向量，其中，上述设定字形编码包括以下至少一项：笔画编码、五笔编码、仓颉编码、四角编码；样本相似度计算子单元被配置成计算上述第一样本文字向量和第二样本文字向量之间的余弦距离，得到样本相似度。

在本实施例的一些可选的实现方式中，上述参数调整模块可以包括：样本相似度标记子模块(图中未示出)、相似度差计算子模块(图中未示出)和参数设置子模块(图中未示出)。其中，样本相似度标记子模块被配置成将样本文字和样本文字的形近字构成的文字组的样本相似度标记为样本第一相似度，将样本文字和负样本文字构成的文字组的样本相似度标记为样本第二相似度；相似度差计算子模块被配置成计算上述样本第一相似度和预测第一相似度的第一相似度差，上述样本第二相似度和预测第二相似度之间的第二相似度差；参数设置子模块，响应于对应上述第一相似度差和第二相似度差之和小于等于设定阈值，被配置成将当前上述初始文字相似度计算模型的参数作为调整后的参数。

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中的服务器105)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RAM603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系统、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：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：对待处理文字信息进行文字匹配，从上述待处理文字信息中筛选出待修正词条；查询与上述待修正词条对应的基准词条，将上述待修正词条和基准词条中的差别文字构成至少一个文字组，其中，上述基准词条和上述待修正词条包含相同数量的文字，并且基准词条和待修正词条包含相同的文字，且相同的文字在基准词条和待修正词条中的位置相同，上述文字组包含的两个文字分别在上述待修正词条和基准词条中的对应位置相同；对于上述至少一个文字组中的文字组，将上述文字组导入文字相似度计算模型，得到上述文字组的相似度，其中，上述文字相似度计算模型用于对上述文字组中的文字是否是形近字进行计算，得到上述文字组中的文字的相似度；响应于相似度大于设定阈值，将上述待处理文字信息中的待修正词条替换为上述基准词条，得到对应上述待处理文字信息的目标文字信息。

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：一种处理器包括待修正词条获取单元、文字组构建单元、相似度获取单元和目标文字信息获取单元。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，目标文字信息获取单元还可以被描述为“通过基准词条对待处理文字信息进行修正的单元”。

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 (14)

1.一种用于获取信息的方法，包括：

对待处理文字信息进行文字匹配，从所述待处理文字信息中筛选出待修正词条；

查询与所述待修正词条对应的基准词条，将所述待修正词条和基准词条中的差别文字构成至少一个文字组，其中，所述基准词条和所述待修正词条包含相同数量的文字，并且基准词条和待修正词条包含相同的文字，且相同的文字在基准词条和待修正词条中的位置相同，所述文字组包含的两个文字分别在所述待修正词条和基准词条中的对应位置相同；

对于所述至少一个文字组中的文字组，将所述文字组导入文字相似度计算模型，得到所述文字组的相似度，其中，所述文字相似度计算模型用于对所述文字组中的文字是否是形近字进行计算，得到所述文字组中的文字的相似度；

响应于相似度大于设定阈值，将所述待处理文字信息中的待修正词条替换为所述基准词条，得到对应所述待处理文字信息的目标文字信息。

2.根据权利要求1所述的方法，其中，所述文字相似度计算模型通过以下步骤训练得到：

获取包含样本文字的多个文字组和对应所述多个文字组中每个文字组的样本相似度，其中，所述文字组包含一个样本文字和一个对比文字，对比文字为样本文字的形近字或除样本文字和样本形近字以外的负样本文字，所述样本相似度用于表征样本文字和对比文字之间的字形相似程度；

将所述多个文字组的每个文字组作为输入，将所述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到所述文字相似度计算模型。

3.根据权利要求2所述的方法，其中，所述将所述多个文字组的每个文字组作为输入，将所述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到所述文字相似度计算模型，包括：

执行以下训练步骤：将所述多个文字组中的每个文字组输入至初始文字相似度计算模型，得到所述多个文字组中的每个文字组所对应的预测相似度，将所述多个文字组中的每个文字组所对应的预测相似度与该文字组所对应的样本相似度进行比较，得到所述初始文字相似度计算模型的预测准确率，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，则将所述初始文字相似度计算模型作为训练完成的文字相似度计算模型。

4.根据权利要求3所述的方法，其中，所述将所述多个文字组的每个文字组作为输入，将所述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到所述文字相似度计算模型，包括：

响应于不大于所述预设准确率阈值，调整所述初始文字相似度计算模型的参数，并继续执行所述训练步骤。

5.根据权利要求4所述的方法，其中，所述样本相似度通过以下步骤得到：

通过设定字形编码分别对样本文字和对比文字进行编码，得到所述样本文字和对比文字的第一样本文字向量和第二样本文字向量，其中，所述设定字形编码包括以下至少一项：笔画编码、五笔编码、仓颉编码、四角编码；

计算所述第一样本文字向量和第二样本文字向量之间的余弦距离，得到样本相似度。

6.根据权利要求5所述的方法，其中，所述调整所述初始文字相似度计算模型的参数，包括：

将样本文字和样本文字的形近字构成的文字组的样本相似度标记为样本第一相似度，将样本文字和负样本文字构成的文字组的样本相似度标记为样本第二相似度；

计算所述样本第一相似度和预测第一相似度的第一相似度差，所述样本第二相似度和预测第二相似度之间的第二相似度差；

响应于对应所述第一相似度差和第二相似度差之和小于等于设定阈值，将当前所述初始文字相似度计算模型的参数作为调整后的参数。

7.一种用于获取信息的装置，包括：

待修正词条获取单元，被配置成对待处理文字信息进行文字匹配，从所述待处理文字信息中筛选出待修正词条；

文字组构建单元，被配置成查询与所述待修正词条对应的基准词条，将所述待修正词条和基准词条中的差别文字构成至少一个文字组，其中，所述基准词条和所述待修正词条包含相同数量的文字，并且基准词条和待修正词条包含相同的文字，且相同的文字在基准词条和待修正词条中的位置相同，所述文字组包含的两个文字分别在所述待修正词条和基准词条中的对应位置相同；

相似度获取单元，对于所述至少一个文字组中的文字组，被配置成将所述文字组导入文字相似度计算模型，得到所述文字组的相似度，其中，所述文字相似度计算模型用于对所述文字组中的文字是否是形近字进行计算，得到所述文字组中的文字的相似度；

目标文字信息获取单元，响应于相似度大于设定阈值，被配置成将所述待处理文字信息中的待修正词条替换为所述基准词条，得到对应所述待处理文字信息的目标文字信息。

8.根据权利要求7所述的装置，其中，所述装置还包括文字相似度计算模型训练单元，被配置成训练文字相似度计算模型，所述文字相似度计算模型训练单元包括：

样本获取子单元，被配置成获取包含样本文字的多个文字组和对应所述多个文字组中每个文字组的样本相似度，其中，所述文字组包含一个样本文字和一个对比文字，对比文字为样本文字的形近字或除样本文字和样本形近字以外的负样本文字，所述样本相似度用于表征样本文字和对比文字之间的字形相似程度；

文字相似度计算模型训练子单元，被配置成将所述多个文字组的每个文字组作为输入，将所述多个文字组中的每个文字组所对应的样本相似度作为输出，训练得到所述文字相似度计算模型。

9.根据权利要求8所述的装置，其中，所述文字相似度计算模型训练子单元包括：

文字相似度计算模型训练模块，被配置成将所述多个文字组中的每个文字组输入至初始文字相似度计算模型，得到所述多个文字组中的每个文字组所对应的预测相似度，将所述多个文字组中的每个文字组所对应的预测相似度与该文字组所对应的样本相似度进行比较，得到所述初始文字相似度计算模型的预测准确率，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，则将所述初始文字相似度计算模型作为训练完成的文字相似度计算模型。

10.根据权利要求9所述的装置，其中，所述文字相似度计算模型训练子单元包括：

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文字相似度计算模型的参数，并返回所述文字相似度计算模型训练模块。

11.根据权利要求10所述的装置，其中，所述装置包括样本相似度计算单元，被配置成计算样本相似度，所述样本相似度计算单元包括：

样本文字向量编码子单元，被配置成通过设定字形编码分别对样本文字和对比文字进行编码，得到所述样本文字和对比文字的第一样本文字向量和第二样本文字向量，其中，所述设定字形编码包括以下至少一项：笔画编码、五笔编码、仓颉编码、四角编码；

样本相似度计算子单元，被配置成计算所述第一样本文字向量和第二样本文字向量之间的余弦距离，得到样本相似度。

12.根据权利要求11所述的装置，其中，所述参数调整模块包括：

样本相似度标记子模块，被配置成将样本文字和样本文字的形近字构成的文字组的样本相似度标记为样本第一相似度，将样本文字和负样本文字构成的文字组的样本相似度标记为样本第二相似度；

相似度差计算子模块，被配置成计算所述样本第一相似度和预测第一相似度的第一相似度差，所述样本第二相似度和预测第二相似度之间的第二相似度差；

参数设置子模块，响应于对应所述第一相似度差和第二相似度差之和小于等于设定阈值，被配置成将当前所述初始文字相似度计算模型的参数作为调整后的参数。

13.一种电子设备，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6中任一所述的方法。

14.一种计算机可读介质，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6中任一所述的方法。