CN110765973B - 账号类型的识别方法和装置 - Google Patents
账号类型的识别方法和装置 Download PDFInfo
- Publication number
- CN110765973B CN110765973B CN201911053641.2A CN201911053641A CN110765973B CN 110765973 B CN110765973 B CN 110765973B CN 201911053641 A CN201911053641 A CN 201911053641A CN 110765973 B CN110765973 B CN 110765973B
- Authority
- CN
- China
- Prior art keywords
- text
- identification
- character string
- determining
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Character Discrimination (AREA)
Abstract
本公开的实施例公开了账号类型的识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取待识别文本;响应于确定出待识别文本中存在符合第一预设规则的原始子串,生成原始子串的图像,其中,原始子串包括至少一个表情符号;对所生成的图像进行文字识别,得到原始子串的识别字符串;响应于确定出预设数据库中存在识别字符串,确定识别字符串的账号类型。该实施方式提高了营销账号识别的效率和准确性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及账号类型的识别方法和装置。
背景技术
目前,业界对营销广告的识别,通常是使用人工审核的方法。但是人工审核存在及时性较差的问题,并且人工审核会消耗较多的人力成本。或者,还可以采用在文本中匹配用于营销的账号的方式来判断该文本是否为营销广告,这里的账号可以为人们在日常交流中所使用的社交账号,例如、电话号码、微博账号等。
相关技术中,采用在文本中识别用于营销的账号的方式来判断文本是否为营销广告。但是,现有的识别方式无法识别出构成账号的表情符号,从而导致无法准确地识别营销账号。
发明内容
本公开的实施例提出了账号类型的识别方法和装置。
第一方面,本公开的实施例提供了一种账号类型的识别方法,该方法包括:获取待识别文本;响应于确定出待识别文本中存在符合第一预设规则的原始子串,生成原始子串的图像,其中,原始子串包括至少一个表情符号;对所生成的图像进行文字识别,得到原始子串的识别字符串;响应于确定出预设数据库中存在识别字符串,确定识别字符串的账号类型。
第二方面,公开的实施例提供了一种账号类型的识别装置,该装置包括:获取单元,被配置成获取待识别文本;图像生成单元,被配置成响应于确定出待识别文本中存在符合第一预设规则的原始子串,生成原始子串的图像,其中,原始子串包括至少一个表情符号;第一识别单元,被配置成对所生成的图像进行文字识别,得到原始子串的识别字符串;第一确定单元,被配置成响应于确定出预设数据库中存在识别字符串,确定识别字符串的账号类型。
第三方面,本公开的实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面描述的方法。
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,该计算机程序被处理器执行时实现如第一方面描述的方法。
本公开的实施例提供的账号类型的识别方法和装置,获取待识别文本,之后响应于确定出待识别文本中存在符合第一预设规则的原始子串,可以生成该原始子串的图像,该原始子串包括至少一个表情符号,而后对所生成的图像进行文字识别,可以得到原始子串的识别字符串,最后响应于确定出预设数据库中存在识别字符串,可以确定上述识别字符串的账号类型。本公开所提供的方案可以准确定地判断出包含表情符号的原始子串所对应的识别字符串是否为预设数据库中所包含的营销账号,进而可以准确地确定待识别文本是否为营销广告。本公开所提供的方案可以通过营销账号的识别来识别营销广告,无需采用人工审核的方式识别营销广告,从而提高了营销广告识别的效率。
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是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的账号类型的识别方法的一个实施例的流程图;
图3是根据本公开的实施例的预设数据库中不存在的识别字符串的处理方法的流程图;
图4是根据本公开的账号类型的识别方法的又一个实施例的流程图;
图5是根据本公开的账号类型的识别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的结构示意图。
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账号类型的识别方法或账号类型的识别装置的示例性系统架构100。
如图1所示,系统架构100可以包括平台101、102、103,网络104和服务器105。网络104用以在平台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。
用户可以在平台101、102、103中发布日志、广告等文本。服务器105可以是提供各种服务的服务器,例如从平台101、102、103获取待识别文本(例如日志、广告等)的后台服务器。后台服务器可以确定所获取的待识别文本等数据是否存在符合第一预设规则的原始子串,之后对确定出的符合第一预设规则的原始子串进行处理生成原始子串的图像,而后对图像进行文字识别处理,得到原始子串的识别字符串,响应于确定出预设数据库中存在该识别字符串,确定上述识别字符串的账号类型为营销账号。并对所识别的营销广告的发布者进行封号等处理。
需要说明的是,本公开的实施例所提供的账号类型的识别方法可以由服务器105执行。相应地,账号类型的识别装置可以设置于服务器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,可以实现成例如用来提供分布式服务的多个软件或软件模块,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中的平台、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平台、网络和服务器。
继续参考图2,示出了根据本公开的账号类型的识别方法的一个实施例的流程200。该账号类型的识别方法,包括以下步骤:
步骤201,获取待识别文本。
在本实施例中,账号类型的识别方法的执行主体(例如图1所示的服务器)可以通过各种方式获取待识别文本。这里待识别文本可以为用户在各平台发布的日志、广告等文本。例如,上述执行主体可以通过有线连接方式或者无线连接方式与各平台进行交互,从而可以从各平台获取上述待识别文本。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式获取上述待识别文本:采用网络爬虫技术,从至少一个预设平台中爬取多个网页的网页内容;针对多个网页中的网页,对该网页的网页内容进行文本提取,得到待识别文本。网络爬虫可以根据网页的链接地址来寻找网页,通过特定的搜索算法来确定路线,通常从网站的某一个页面开始,读取网页的文本内容,找到在网页中的其它链接地址,然后通过这些链接地址寻找下一个网页,这样一直循环下去,直到把这个网站所有网页都抓取完为止。采用网络爬虫技术可以全方位的获取海量的待识别文本,从而可以利用大数据的优势提高文本识别的准确性。可以理解的是,对于网络爬虫爬取的网页,可以对该网页进行文本提取,去除网页中的图片、视频等无关数据,该方法可以提高文本识别的效率。当然,对于网络爬虫爬取的网页,还可以直接进行文本识别,这里没有具体地限定。
通常,营销广告经常会存在诈骗风险,并且平台网站中营销广告数量较多会影响用户体验。现有的营销广告中往往需要插入用于营销的营销账号,以便于查看该营销广告的用户可以通过其中的营销账号联系营销人员。这里,营销账号可以为各社交平台上注册生成的账号,并且账号可以是由字母、数字、下划线等中的一种或多种字符组成的连续字符串。若确定出文本中包含营销账号的字符串,则可以确定该文本为营销广告,由此可见,可以通过确定待识别文本中是否存在营销账号的方式判断该文本是否为营销广告。
步骤202,响应于确定出待识别文本中存在符合第一预设规则的原始子串,生成原始子串的图像。
在本实施例中,基于步骤201所获取的待识别为本,上述执行主体(例如图1所示的服务器)可以判断该待识别文本中是否存在符合第一预设规则的原始子串。其中,原始子串中可以至少一个表情符号。这里,第一预设规则可以根据账号的规则具体来设定,不同类型的社交软件的账号的规则往往会存在差异,因此上述第一预设规则可以包括一个或一个以上的规则,从而可以实现同时识别出多种社交软件类型的账号。需要说明的是,上述第一预设规则至少可以包括:原始子串为连续字符串。例如,第一预设规则可以为:包括预设数目的连续字符、且连续字符中可以包括至少一个预设类别字符(即连续字符由表情符号和预设类别字符组成)或者不包括预设类别字符(即连续字符中仅由表情符号组成),其中,预设类别字符可以为数字、字母、下划线、减号等各种字符,这里可以根据实际的需求设置预设类别字符。而后,若上述执行主体确定出待识别文本中存在符合第一预设规则的原始子串,可以将该原始子串转化为包含该原始子串的图像。
上述表情符号可以为由数字、字母、下划线等字符变形得到的符号,例如,“1”的表情符号可以为①。当然,上述表情符号可以包括其它类型的表情符号,例如“>_<”。
作为示例,若待识别的营销账号为由6-20个字母、数字和下划线组成的字符串,上述第一预设规则可以为:包括至少六个连续字符,且连续字符中还可以包括至少一个预设类别字符(即连续字符由表情符号和预设类别字符组成)或不包括预设类别字符(即连续字符中仅由表情符号组成),其中,预设类别字符包括数字、字母和下划线。
在本实施例的一些可选的实现方式中,上述执行主体在响应于确定出待识别文本中存在符合第一预设规则的原始子串,生成原始子串的图像之前,可以采用如下步骤在待识别为本中识别原始子串:在待识别文本中进行表情符号识别;从待识别文本中获取包含所识别出的表情符号的原始子串,判断该原始子串是否符合第一预设规则。若原始子串符合第一预设规则,则表明待识别文本中存在符合第一预设规则的原始子串,否则表明待识别文本中不存在符合第一预设规则的原始子串。需要说明的是,上述执行主体可以在待识别文本中识别所有的表情符号,而后对出现在表情符号之前和之后的字符进行预设类别字符(如字母、数字等字符)识别,从而可以得到包含至少一个表情符号的原始子串,最后判断所得到的原始子串是否满足第一预设规则。
在本实施例的一些可选实现方式中,上述执行主体在对待识别文本进行表情符号识别时,若确定待识别文本中不存在表情符号,则可以继续在待识别文本中识别是否包含不包括表情符号的账号。具体地,上述执行主体可以根据账号的第二预设规则确定用于在待识别文本正则匹配的正则表达式,而后利用该正则表达式对待识别文本进行文本匹配,所得到的匹配串即为符合第二预设规则的字符串。最后,上述执行主体可以在预设数据库中确定是否存在所匹配出的字符串,如果存在,则可以确定所匹配出的字符串为营销账号。如果不存在,可以在备选数据库中确定是否存在所匹配出的字符串。若备选数据库中存在所匹配出的字符串,可以累计备选数据库中所匹配出的字符串的出现次数。响应于确定出所匹配出的字符串在备选数据库中出现次数的累计结果大于预设阈值,确定上述识别字符串为营销账号,并将所匹配出的字符串添加到预设数据库中。响应于确定出备选数据库中不存在所匹配出的字符串,将所匹配出的字符串添加到备选数据库,并在备选数据库中标记所匹配出的字符串的出现次数为1。本实现方式提供了不存在表情符号的待识别文本的识别方法,从而避免出现因待识别文本中不存在表情符合导致营销账号识别失败的情况,进一步提高了识别字符串的账号类型的识别准确率。
在本实施例的一些可选的实现方式中,上述执行主体可以采用各种方式生成原始子串的图像。上述执行主体可以从待识别文本中获取原始子串,而后将所获取的原始子串转换成图像,从而可以得到原始子串的图像。本实现方式可以仅针对原始子串进行图像转换,可以实现图像的快速转换。
在本实施例的一些可选的实现方式中,上述执行主体可以对待识别文本进行图像转换,得到待识别文本的文本图像。而后,对所得到的文本图像进行图像分割处理,从文本图像中分割出仅包含原始子串的子图像区域。该子图像区域即为原始子串的图像。本实现方式可以对待识别文本进行图像转换,而后分割出原始子串的图像,避免出现原始子串图像转换失败的情况。
步骤203,对所生成的图像进行文字识别,得到原始子串的识别字符串。
在本实施例中,基于步骤202生成的原始子串的图像,上述执行主体可以采用各种方式对所生成的图像进行文字识别,从而可以得到原始子串的识别字符串。可以理解的是,对原始子串的图像进行文字识别可以识别出原始子串中的表情符号,并把原始子串中的表情符号转化为与之对应的普通字符。例如,文字识别可以把图像中的“①”识别为“1”。
作为示例,上述执行主体响应于确定出待识别文本中存在符合第一预设规则的原始子串c①12a1,生成原始子串c①12a1的图像;上述执行主体对图像进行文字识别,可以得到原始子串c①12a1的识别字符串原始子串c112a1。
在本实施例的一些可选的实现方式中,上述执行主体可以采用OCR(OpticalCharacter Recognition,光学字符识别)技术对原始子串的图像进行文字识别,从而可以得到原始子串的识别字符串。或者,上述上述执行主体还可以将原始子串的图像输入预先训练的文字识别模型,从而可以得到原始子串的识别字符串。该文字识别模型可以用于对图像中所指示的字符进行文字识别,文字识别模型可以表征图像中所指示的原始子串与识别字符串之间的对应关系。
在本实施例的一些可选的实现方式中,文本识别模型可以是图像到字符串的映射表,查找这个映射表可以得到与图像中的所指示的包含表情符号的原始子串对应的字符串。上述文本识别模型还可以为采用如下方式训练得到的:
第一,获取样本图像集合。其中,样本图像集合可以包含多个样本图像,且各样本图像显示有包含至少一个表情符号的子串。进一步地,各样本图像标注有其所显示的子串的对应的字符串。
第二,针对样本图像集合中的样本图像,利用机器学习方法,将该样本图像作为输入,将该样本图像的标注内容作为期望输出,训练预先建立的卷积神经网络和双向长短记忆神经网络得到文字识别模型。
针对任一样本图像,可以将该样本图像作为输入,将该样本图像的标注内容作为期望输出,从而可以训练预先建立的卷积神经网络(Convolutional Neural Networks,CNN)和双向长短记忆神经网络(Long Short Term Memory Network,LSTM),得到上述文字识别模型。具体地,文字识别模型在识别文字的过程中,首先经过一个滑动采样框对待识别图像中的子串进行滑动采样,并将采样获得的子图像输入到卷积神经网络中,卷积神经网络中的卷积层和最大池化层可以对所输入的子图像进行特征向量提取,从而可以得到特征向量序列;而后可以将所得到的特征向量序列输入双向长短记忆神经网络,从而可以得到图像的文字识别结果。基于样本图像的标注内容和得到的所输入样本图像的文字识别结果可以调整文字识别模型中的模型参数,直到利用调整后的文字识别模型识别样本图像得到的文字识别结果满足预设收敛条件,得到上述文字识别模型。
步骤204,响应于确定出预设数据库中存在识别字符串,确定识别字符串的账号类型。
在本实施例中,可以预先设置预设数据库,该预设数据库中可以包含多个由字符组成的账号,且各账号为用于营销的营销账号。基于步骤203得到的识别字符串,上述执行主体可以在预设数据库中匹配该识别字符串。在确定出预设数据库中存在该识别字符串的情况下,上述执行主体可以确定该识别字符串的账号类型为用于营销的营销账号。
在本实施例的一些可选的实现方式中,上述预设数据库中的营销账号可以为人工审核营销广告的过程中提取到的营销账号。对于在各平台文本中频繁出现的账号,可以认为是营销账号,因此上述预设数据库中的营销账号还可以为从文本识别出的、统计数目超过阈值的账号。
在本实施例的一些可选的实现方式中,上述执行主体还可以定期检测预设数据库中所包括的营销账号,删除预设数据库中长时间未被匹配到的账号。可以理解的是,若某一营销账号长时间未出现在各平台,可以认为该营销账号已经被弃用或失效,此时可以将该营销账号从预设数据库中删除,该方法可以降低预设数据库的内存占用量。
在本实施例的一些可选的实现方式中,在确定出识别字符串的账号类型之后,上述执行主体可以进一步确定上述待识别文本的文本类型。具体地,在确定出识别字符串的账号类型为营销账号,则上述执行主体可以进一步确定包含该营销账号的待识别文本为营销广告。无需人工审核即可识别出营销广告,从而提高了营销广告识别的效率。进一步地,对于识别出的营销广告可以对营销广告的发布者进行封号处理,从而可以避免发布者持续发布营销广告,提高了用户体验。
在本实施例的一些可选的实现方式中,如图3所示,其示出了根据本实施例的预设数据库中不存在的识别字符串的处理方法的流程图300。对于预设数据库中不存在的识别字符串,可以通过如下步骤处理:
步骤301,响应于确定出预设数据库中不存在识别字符串,确定备选数据库中是否存在识别字符串。
在本实现方式中,预设数据库通常并不会包含所有的营销账号,因此上述执行主体在确定出预设数据库中不存在识别字符串的情况下,也不能简单地确定该识别字符串并不是营销账号。上述执行主体可以继续判断备选数据库中是否存储上述识别字符串。这里,备选数据库可以包含多个可能用于营销的营销账号,上述执行主体在识别待识别文本中的识别字符串的过程中,可以把识别出的、且不在预设数据库中的账号存储到备选数据中。
步骤302,响应于确定出备选数据库中存在识别字符串,累计备选数据库中识别字符串的出现次数。
在本实现方式中,上述执行主体在确定出备选数据中的存在上述识别字符串的情况下,可以累计备选数据库中该识别字符串出现的次数。具体地,上述执行主体可以获取该识别字符串在备选数据库中的原始出现次数(本次识别之前出现的次数),并在原始出现次数的基础上加1,所得到的识别字符串的出现次数即为累计出现的次数。
可选地,若上述执行主体在确定出备选数据中的不存在上述识别字符串,可以将该识别字符串添加到备选数据库,而后在备选数据库中将该识别字符串的出现次数标记为1。该方法可以逐步增加备选数据库中账号的数量,从而可以进一步提高增加预设数据库中的营销账号的数量的可能性。
步骤303响应于确定出识别字符串在备选数据库中出现次数的累计结果大于预设阈值,将识别字符串添加到预设数据库中,并确定识别字符串的账号类型。在本实现方式中,基于步骤302得到的上述识别字符串在备选数据库中出现次数的累计结果,上述执行主体可以判断该累计结果是否大于预设阈值。若累计结果大于预设阈值,则可以确定该识别字符串为营销账号,并将该识别字符串添加到预设数据库中。
进一步地,在将该识别字符串添加到预设数据库中之后还可以在备选数据中删除该识别字符串。从而可以降低备选数据库占用的内存资源。
在一些可选的实现方式中,上述执行主体还可以每隔预定时间段(例如半年)检测备选数据库中各账号出现次数的增加情况。对于在预定时间段内出现次数没有增加或增加次数较少的账号,可以认为此账号不为营销账号。因此,可以在备选数据库中删除此账号,从而可以进一步降低备选数据库所占的内存。
本实现方式提供的方法可以通过设置备选数据库的方式将可能用于营销的账号添加到备选数据库,并在文本识别的过程中累计识别出的识别字符串的出现次数,在识别字符串累计出现次数大于预设阈值的情况下将识别字符串添加到预设数据库中,从而使得预设数据库中包含的营销账号数量在文本识别的过程中可以逐渐增加,降低了无法判断识别字符串的账号类型的概率,提高了识别字符串的账号类型的识别准确率。
本公开的上述实施例提供的方法通过获取待识别文本,之后响应于确定出待识别文本中存在符合第一预设规则的原始子串,可以生成该原始子串的图像,该原始子串包括至少一个表情符号,而后对所生成的图像进行文字识别,可以得到原始子串的识别字符串,最后响应于确定出预设数据库中存在识别字符串,可以确定上述识别字符串的账号类型。本公开所提供的方案可以准确定地判断出包含表情符号的原始子串所对应的识别字符串是否为预设数据库中所包含的营销账号,进而可以准确地确定待识别文本是否为营销广告。本公开所提供的方案可以通过营销账号的识别来识别营销广告,无需采用人工审核的方式识别营销广告,从而提高了营销广告识别的效率。
进一步参考图4,其示出了账号类型的识别方法的又一个实施例的流程400。该账号类型的识别方法的流程400,包括以下步骤:
步骤401,获取待识别文本。
在本实施例中,账号类型的识别方法的执行主体(例如图1所示的服务器)可以通过各种方式获取待识别文本。这里待识别文本可以为用户在各平台发布的日志、广告等文本。例如,上述执行主体可以通过有线连接方式或者无线连接方式与各平台进行交互,从而可以从各平台获取上述待识别文本。
步骤402,响应于确定出待识别文本中存在符合第一预设规则的原始子串,生成原始子串的图像。
在本实施例中,基于步骤401所获取的待识别为本,上述执行主体(例如图1所示的服务器)可以判断该待识别文本中是否存在符合第一预设规则的原始子串。其中,原始子串中可以至少一个表情符号。这里,第一预设规则可以根据账号的规则具体来设定,不同类型的社交软件的账号的规则往往会存在差异,因此上述第一预设规则可以包括一个或一个以上的规则,从而可以实现同时识别出多种社交软件类型的账号。需要说明的是,上述第一预设规则至少可以包括:原始子串为连续字符串。而后,若上述执行主体确定出待识别文本中存在符合第一预设规则的原始子串,可以将该原始子串转化为包含该原始子串的图像。
步骤403,对所生成的图像进行文字识别,得到原始子串的识别字符串。
在本实施例中,基于步骤402生成的原始子串的图像,上述执行主体可以采用各种方式对所生成的图像进行文字识别,从而可以得到原始子串的识别字符串。可以理解的是,对原始子串的图像进行文字识别可以识别出原始子串中的表情符号,并把原始子串中的表情符号转化为与之对应的普通字符。例如,文字识别可以把图像中的“①”识别为“1”。
步骤404,判断识别字符串是否符合第二预设规则。
在本实施例中,基于步骤403得到的原始子串的识别字符串,上述执行主体可以判断该识别字符串是否为账号。具体地,上述执行主体可以根据账号的规则设置第二预设规则,而后通过判断识别字符串是否满足第二预设规则来确定该识别字符串是否为账号。可以理解的是,对符合第一预设规则的原始子串文字的图像进行文字识别得到的识别字符串并不一定是账号,该识别字符串可能仅仅是普通的非账号字符串。作为示例,若账号的规则为:以字母开头、包括6-20个字母、数字和下划线组成的字符串,第二预设规则为:以字母开头、包括6-20个字母、数字和下划线组成的字符串,对于不满足该第二预设规则的识别字符串,可以确定该识别字符串并不是账号。
步骤405,响应于确定出识别字符串符合第二预设规则,在预设数据库确定是否存在识别字符串。
在本实施例中,若上述执行主体确定出上述识别字符串符合第二预设规则,则可以确定该识别字符串为账号。上述执行主体可以继续判断预设数据库中是否存在该识别字符串对应的账号。可选地,若上述执行主体确定出上述识别字符串不符合第二预设规则,则可以确定该识别字符串不是账号,上述执行主体无需在预设数据库中确定是否存在该识别字符串。
步骤406,响应于确定出预设数据库中存在识别字符串,确定识别字符串的账号类型。
在本实施例中,上述执行主体可以在确定出预设数据库中存在上述识别字符串的情况下,可以确定该识别字符串的账号类型为用于营销的营销账号。
从图4中可以看出,与图2对应的实施例相比,本实施例中的账号类型的识别方法的流程400体现了对原始子串的识别字符串是否为账号的判断步骤。由此,本实施例描述的方案可以仅在确定识别字符串为账号的情况下,才在预设数据库中匹配识别字符串,若确定识别字符串不为账号,则无需在预设数据库中匹配识别字符串,从而可以避免在预设数据库中匹配所有的识别字符串,进一步提高了识别字符串的账号类型的识别效率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种账号类型的识别装置的一个实施例,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,本实施例的账号类型的识别装置500包括:获取单元501、图像生成单元502、第一识别单元503和第一确定单元504。其中,该装置包括:获取单元501被配置成获取待识别文本;图像生成单元502被配置成响应于确定出待识别文本中存在符合第一预设规则的原始子串,生成原始子串的图像,其中,原始子串包括至少一个表情符号;第一识别单元503被配置成对所生成的图像进行文字识别,得到原始子串的识别字符串;第一确定单元504被配置成响应于确定出预设数据库中存在识别字符串,确定识别字符串的账号类型。
在本实施例的一些可选的实现方式中,装置500还包括:第一判断单元,被配置成判断识别字符串是否符合第二预设规则;第二确定单元,被配置成响应于确定出识别字符串符合第二预设规则,在预设数据库确定是否存在识别字符串。
在本实施例的一些可选的实现方式中,装置500还包括:第二识别单元,被配置成在待识别文本中进行表情符号识别;第二判断单元,被配置成从待识别文本中获取包含所识别出的表情符号的原始子串,判断原始子串是否符合第一预设规则。
在本实施例的一些可选的实现方式中,装置500还包括:匹配单元,被配置成响应于确定出待识别文本中不存在表情符号,使用预设的正则表达式在待识别文本中匹配符合第二预设规则的字符串;第三确定单元,被配置成响应于确定出预设数据库中存在所匹配出的字符串,确定识别字符串的账号类型。
在本实施例的一些可选的实现方式中,图像生成单元502进一步被配置成:从待识别文本中获取原始子串;将所获取的原始子串转换成图像。
在本实施例的一些可选的实现方式中,图像生成单元502进一步被配置成:将待识别文本转化成文本图像;对文本图像进行图像分割,得到包含原始子串的子图像区域,将子图像区域确定为原始子串的图像。
在本实施例的一些可选的实现方式中,第一识别单元503被配置成将所生成的图像输入预先训练的文字识别模型,得到原始子串的识别字符串,其中,文字识别模型用于对图像中所指示的字符进行文字识别。
在本实施例的一些可选的实现方式中,文字识别模型通过如下方式训练得到:获取样本图像集合,其中,样本图像标注有与该样本图像所指示的子串对应的字符串;针对样本图像集合中的样本图像,利用机器学习方法,将该样本图像作为输入,将该样本图像的标注内容作为期望输出,训练预先建立的卷积神经网络和双向长短记忆神经网络得到文字识别模型。
在本实施例的一些可选的实现方式中,装置500还包括:第四确定单元,被配置成响应于确定出预设数据库中不存在识别字符串,确定备选数据库中是否存在识别字符串;累计单元,被配置成响应于确定出备选数据库中存在识别字符串,累计备选数据库中识别字符串的出现次数;第五确定单元,被配置成响应于确定出识别字符串在备选数据库中出现次数的累计结果大于预设阈值,将识别字符串添加到预设数据库中,并确定识别字符串的账号类型。
在本实施例的一些可选的实现方式中,装置500还包括:标记单元,被配置成响应于确定出备选数据库中不存在识别字符串,将识别字符串添加到备选数据库,并在备选数据库中标记识别字符串的出现次数为1。
在本实施例的一些可选的实现方式中,获取单元501进一步被配置成:采用网络爬虫技术,从至少一个预设平台中爬取多个网页的网页内容;针对多个网页中的网页,对该网页的网页内容进行文本提取,得到待识别文本。
在本实施例的一些可选的实现方式中,装置500还包括:第六确定单元,被配置成基于所述识别字符串的账号类型,确定所述待识别文本的文本类型。
装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
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)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:获取待识别文本;响应于确定出待识别文本中存在符合第一预设规则的原始子串,生成原始子串的图像,其中,原始子串包括至少一个表情符号;对所生成的图像进行文字识别,得到原始子串的识别字符串;响应于确定出预设数据库中存在识别字符串,确定识别字符串的账号类型。
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,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:一种处理器包括获取单元、图像生成单元、;第一识别单元和第一确定单元。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,获取单元还可以被描述为“获取待识别文本的单元”。
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,本公开的实施例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的实施例中公开的(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)
1.一种账号类型的识别方法,包括:
获取待识别文本;
响应于确定出所述待识别文本中存在符合第一预设规则的原始子串,生成所述原始子串的图像,其中,所述第一预设规则包括连续字符串,所述连续字符串包括表情符号,所述原始子串包括至少一个表情符号;
对所生成的图像进行文字识别,得到所述原始子串的识别字符串;
响应于确定出预设数据库中存在所述识别字符串,确定所述识别字符串的账号类型。
2.根据权利要求1所述的方法,其中,在响应于确定出预设数据库中存在所述识别字符串,确定所述识别字符串的账号类型之前,所述方法还包括:
判断所述识别字符串是否符合第二预设规则;
响应于确定出所述识别字符串符合所述第二预设规则,在所述预设数据库确定是否存在所述识别字符串。
3.根据权利要求1所述的方法,其中,在响应于确定出所述待识别文本中存在符合第一预设规则的原始子串,生成所述原始子串的图像之前,所述方法还包括:
在所述待识别文本中进行表情符号识别;
从所述待识别文本中获取包含所识别出的表情符号的原始子串,判断所述原始子串是否符合所述第一预设规则。
4.根据权利要求3所述的方法,其中,所述方法还包括:
响应于确定出所述待识别文本中不存在表情符号,使用预设的正则表达式在所述待识别文本中匹配符合第二预设规则的字符串;
响应于确定出所述预设数据库中存在所匹配出的字符串,确定所述确定所述识别字符串的账号类型。
5.根据权利要求1所述的方法,其中,所述生成所述原始子串的图像,包括:
从所述待识别文本中获取所述原始子串;
将所获取的原始子串转换成图像。
6.根据权利要求1所述的方法,其中,所述生成所述原始子串的图像,包括:
将所述待识别文本转化成文本图像;
对所述文本图像进行图像分割,得到包含所述原始子串的子图像区域,将所述子图像区域确定为所述原始子串的图像。
7.根据权利要求1所述的方法,其中,所述对所生成的图像进行文字识别,得到所述原始子串的识别字符串,包括:
将所生成的图像输入预先训练的文字识别模型,得到所述原始子串的识别字符串,其中,所述文字识别模型用于对图像中所指示的字符进行文字识别。
8.根据权利要求7所述的方法,其中,所述文字识别模型通过如下方式训练得到:
获取样本图像集合,其中,样本图像标注有与该样本图像所指示的子串对应的字符串;
针对所述样本图像集合中的样本图像,利用机器学习方法,将该样本图像作为输入,将该样本图像的标注内容作为期望输出,训练预先建立的卷积神经网络和双向长短记忆神经网络得到所述文字识别模型。
9.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定出所述预设数据库中不存在所述识别字符串,确定备选数据库中是否存在所述识别字符串;
响应于确定出所述备选数据库中存在所述识别字符串,累计所述备选数据库中所述识别字符串的出现次数;
响应于确定出所述识别字符串在所述备选数据库中出现次数的累计结果大于预设阈值,将所述识别字符串添加到所述预设数据库中,并确定所述确定所述识别字符串的账号类型。
10.根据权利要求9所述的方法,其中,所述方法还包括:
响应于确定出所述备选数据库中不存在所述识别字符串,将所述识别字符串添加到所述备选数据库,并在所述备选数据库中标记所述识别字符串的出现次数为1。
11.根据权利要求1-10之一所述的方法,其中,所述获取待识别文本,包括方法:
采用网络爬虫技术,从至少一个预设平台中爬取多个网页的网页内容;
针对所述多个网页中的网页,对该网页的网页内容进行文本提取,得到所述待识别文本。
12.根据权利要求1所述的方法,其中,在确定所述识别字符串的账号类型之后,所述方法还包括:
基于所述识别字符串的账号类型,确定所述待识别文本的文本类型。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,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,使得所述一个或多个处理器实现如权利要求1-12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,其中,所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053641.2A CN110765973B (zh) | 2019-10-31 | 2019-10-31 | 账号类型的识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053641.2A CN110765973B (zh) | 2019-10-31 | 2019-10-31 | 账号类型的识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765973A CN110765973A (zh) | 2020-02-07 |
CN110765973B true CN110765973B (zh) | 2023-07-04 |
Family
ID=69335108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911053641.2A Active CN110765973B (zh) | 2019-10-31 | 2019-10-31 | 账号类型的识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765973B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417839A (zh) * | 2020-10-19 | 2021-02-26 | 上海臣星软件技术有限公司 | emoji和文字混排的方法、装置、电子设备及计算机存储介质 |
CN113158656B (zh) * | 2020-12-25 | 2024-05-14 | 北京中科闻歌科技股份有限公司 | 讽刺内容识别方法、装置、电子设备以及存储介质 |
CN113420549B (zh) * | 2021-07-02 | 2023-06-13 | 珠海金山数字网络科技有限公司 | 异常字符串识别方法及装置 |
CN115859988B (zh) * | 2023-02-08 | 2023-10-03 | 成都无糖信息技术有限公司 | 一种针对社交文本的实体账号抽取方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540431A (zh) * | 2017-03-03 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 账号类型的识别方法、装置和系统 |
CN109359274A (zh) * | 2018-09-14 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种对批量生成的字符串进行识别的方法、装置及设备 |
CN110020162A (zh) * | 2017-12-14 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 用户识别方法和装置 |
CN110210883A (zh) * | 2018-05-09 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 群控账号识别方法、装置、服务器及存储介质 |
CN110321546A (zh) * | 2018-03-30 | 2019-10-11 | 深圳市腾讯计算机系统有限公司 | 账号识别、显示方法、装置、服务器、终端及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6993594B2 (en) * | 2001-04-19 | 2006-01-31 | Steven Schneider | Method, product, and apparatus for requesting a resource from an identifier having a character image |
-
2019
- 2019-10-31 CN CN201911053641.2A patent/CN110765973B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540431A (zh) * | 2017-03-03 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 账号类型的识别方法、装置和系统 |
CN110020162A (zh) * | 2017-12-14 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 用户识别方法和装置 |
CN110321546A (zh) * | 2018-03-30 | 2019-10-11 | 深圳市腾讯计算机系统有限公司 | 账号识别、显示方法、装置、服务器、终端及存储介质 |
CN110210883A (zh) * | 2018-05-09 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 群控账号识别方法、装置、服务器及存储介质 |
CN109359274A (zh) * | 2018-09-14 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种对批量生成的字符串进行识别的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110765973A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765973B (zh) | 账号类型的识别方法和装置 | |
US11151177B2 (en) | Search method and apparatus based on artificial intelligence | |
US20190005126A1 (en) | Artificial intelligence based method and apparatus for processing information | |
US20190163742A1 (en) | Method and apparatus for generating information | |
US10489510B2 (en) | Sentiment analysis of product reviews from social media | |
CN107679217B (zh) | 基于数据挖掘的关联内容提取方法和装置 | |
CN108628830B (zh) | 一种语义识别的方法和装置 | |
CN111709240A (zh) | 实体关系抽取方法、装置、设备及其存储介质 | |
CN107153716B (zh) | 网页内容提取方法和装置 | |
US20210042470A1 (en) | Method and device for separating words | |
CN112559800A (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
CN112464927B (zh) | 一种信息提取方法、装置及系统 | |
CN113836925A (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN113408507B (zh) | 基于履历文件的命名实体识别方法、装置和电子设备 | |
CN107766498A (zh) | 用于生成信息的方法和装置 | |
CN112148958A (zh) | 用于信息推荐的方法、设备和计算机存储介质 | |
CN112905753A (zh) | 一种判别文本信息的方法和装置 | |
CN111368693A (zh) | 一种身份证信息的识别方法和装置 | |
US20130230248A1 (en) | Ensuring validity of the bookmark reference in a collaborative bookmarking system | |
CN108734498B (zh) | 一种广告推送方法和装置 | |
CN116383382A (zh) | 敏感信息的识别方法、装置、电子设备及存储介质 | |
CN111753836A (zh) | 文字识别方法、装置、计算机可读介质及电子设备 | |
CN111339776B (zh) | 简历解析方法、装置、电子设备和计算机可读存储介质 | |
CN114972910A (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
CN111310465B (zh) | 平行语料获取方法、装置、电子设备、及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |