CN111143513A - 一种敏感词识别方法、装置及电子设备 - Google Patents
一种敏感词识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111143513A CN111143513A CN201911363599.4A CN201911363599A CN111143513A CN 111143513 A CN111143513 A CN 111143513A CN 201911363599 A CN201911363599 A CN 201911363599A CN 111143513 A CN111143513 A CN 111143513A
- Authority
- CN
- China
- Prior art keywords
- sensitive
- sensitive word
- word data
- data
- incremental
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000003491 array Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 208000001613 Gambling Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002574 poison Substances 0.000 description 2
- 231100000614 poison Toxicity 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/322—Trees
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供一种敏感词识别方法、装置及电子设备。所述方法包括:获取预定的应用平台中产生的一个或多个待检测文本;根据所述待检测文本构造查询数据结构;利用所述查询数据结构与预设的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词,从而实现对敏感词的识别。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种敏感词识别方法、装置及电子设备。
背景技术
随着互联网技术的发展,各种互联网平台或互联网产品也如雨后春笋般涌现出来,例如各种社交平台、购物网站、直播平台等。由于这些互联网平台大多以文本内容为主,并且文本内容往往是由用户所产生的,例如用户上传的文章、发布的评论信息、发送的即时通信消息以及弹幕信息等;对于这些可以是由用户产生数据内容的平台来说,平台上用户所产生的内容必须满足法律的监管要求。为了对平台中所涉及的涉政、黄赌毒、辱骂、违禁、垃圾信息等违规内容进行识别,通过对平台上的文本内容进行检测,以识别其中的敏感词是常见的实现手段之一。
现有技术中,通过训练模型的方式来对敏感词进行识别,虽然利用训练得到的模型来识别敏感词具有一定的准确率,但是模型训练的实现过程复杂,成本较高,且随着模型的退化,需要不断地对模型进行训练及维护;另外,由于模型需要离线训练后重新部署,因此模型对敏感词变化的响应速度较慢。
基于现有技术,需要提供一种操作方便、简单快捷、降低识别成本、快速响应的敏感词识别方案。
发明内容
本说明书实施例提供一种敏感词识别方法、装置及电子设备,以解决现有技术存在的依靠训练模型识别敏感词的方式实现过程复杂,成本较高,模型需要不断进行训练、维护,以及响应速度较慢的问题。
为解决上述技术问题,本说明书实施例是这样实现的:
第一方面,本说明书实施例提供的一种敏感词识别方法,应用于应用服务器,所述方法包括:
获取预定的应用平台中产生的一个或多个待检测文本;
根据所述待检测文本构造查询数据结构;
利用所述查询数据结构与预设的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
第二方面,本说明书实施例提供的一种敏感词识别装置,应用于应用服务器,所述装置包括:
第一获取模块,用于获取预定的应用平台中产生的一个或多个待检测文本;
构造模块,用于根据所述待检测文本构造查询数据结构;
识别模块,用于利用所述查询数据结构与预设的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
第三方面,本说明书实施例提供的一种电子设备,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上述一种敏感词识别方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过获取预定的应用平台中产生的一个或多个待检测文本,并根据待检测文本构造查询数据结构;利用查询数据结构与预设的第一敏感词数据进行匹配,以便识别应用平台中产生的待检测文本中所包含的敏感词。基于本方案,在获取到由应用平台所产生的待检测文本后,可直接构造待检测文本的查询数据结构,利用查询数据结构并根据预设的第一敏感词数据进行敏感词的匹配,从而识别待检测文本中的敏感词,由于查询数据结构的构造过程简单快捷,也无需不断地进行训练及维护,并且对敏感词变化的响应速度较快,因此简化了敏感词识别的操作过程,提升了敏感词识别的速度,降低了敏感词识别的成本,并可快速响应敏感词的变化。
附图说明
为了更清楚地说明本说明书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,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例在一种实际应用场景下涉及的系统整体架构的示意图;
图2为本说明书实施例一提供的一种敏感词识别方法的流程示意图;
图3为本说明书实施例二提供的一种敏感词识别方法的流程示意图;
图4为本说明书实施例三提供的一种敏感词识别方法的流程示意图;
图5为本说明书实施例提供的一种敏感词识别装置的结构示意图;
图6为本说明书实施例提供的另一种敏感词识别装置的结构示意图;
图7为本说明书实施例提供的另一种敏感词识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
图1为本说明书的技术方案在一种实际应用场景下涉及的系统整体架构的示意图。系统整体架构可以包括客户端、系统数据库、分布式缓存和应用服务器,其中,客户端可以是指用户对系统数据库进行操作的终端(如PC、移动终端等),系统数据库可以认为是敏感词识别系统的数据库,分布式缓存可以采用Tair分布式缓存架构或者其他分布式缓存产品,应用服务器可以认为是应用平台所对应的服务器,应用服务器的数量可以为一个或多个。本说明书以下实施例中的应用平台包括任意的互联网平台,例如一些主要由用户产生数据的公开平台(如社交平台、直播平台等),用户可在公开平台上发布或上传言论、文章、即时通信消息等,应用平台包括但不限于网站、电脑客户端、手机应用、小程序等用于内容发布的平台,例如:社交平台、购物网站、公众号、直播平台等。
由于互联网平台上大多以文本内容为主,并且文本内容往往是由用户所产生的,例如用户上传的文章、发布的评论信息、发送的即时通信消息、弹幕等;对于这些可以是由用户产生数据内容的平台来说,平台上用户所产生的内容必须满足法律的监管要求。因此为了识别平台中所涉及的涉政、黄赌毒、辱骂、违禁、垃圾信息等违规内容,从而进一步防御内容风险,提升用户体验,需要对发布在平台上的文本内容进行检测,而敏感词识别又是文本检测中最常见的需求之一。
现有技术中,一般是通过训练模型的方式来对敏感词进行识别,虽然利用训练得到的模型来识别敏感词具有一定的准确率,但是模型训练的实现过程复杂,模型训练需要消耗大量的计算资源,且随着模型的退化,需要不断地对模型进行训练及维护,因此导致成本较高,提高了模型的使用门槛;其次,由于模型训练过程一般是离线的,需要先训练后部署,当敏感词数据发生更新后,需要根据相关的更新进行模型训练并重新更新部署,这需要花费较多时间,因此对于敏感词发生变化的情形,模型的更新响应速度较慢;另外,由于模型一般是从语义上识别敏感词,模型输出的结果往往是一个数值,因此还可能需要人工去二次确认。
因此,针对现有的敏感词识别方法,需要提供一种操作方便、简单快捷、降低识别成本、快速响应的敏感词识别方案。
需要说明的是,本说明书实施例中的敏感词还可以称为关键词,敏感词可以是指那些不满足法律监管要求,含有涉政、色情、辱骂、违禁、垃圾信息等文本内容的词语或短句等,例如:涉及政治事件、反动分裂、恐怖主义、污秽、诋毁、赌博、毒品、垃圾广告等的词汇或短句。敏感词不是一成不变的,随着新的事件或网络词汇等的诞生,敏感词本身也随之变化,并且在一段时间内某个词汇可能是敏感词,而在另一时间同样的词汇也可能不再认为是敏感词。
本说明书以下实施例是以在互联网的应用平台中识别用户所发布信息中包含的敏感词作为具体应用场景来描述的,下面基于该应用场景,对本说明书的方案进行详细说明。
实施例一
图2为本说明书实施例一提供的一种敏感词识别方法的流程示意图,该方法具体可以包括以下步骤:
在步骤S210中,获取预定的应用平台中产生的一个或多个待检测文本。
在本说明书一个或多个实施例中,由于敏感词识别的场景包括对应用平台中发布的文本内容进行敏感词识别,因此在正式检测之前需要从应用平台中提取出待检测文本;在现实应用中,当用户(这里指在应用平台上发布信息的用户)编辑好文本内容后,可以先将文本内容上传至应用平台的服务器,并由应用服务器将文本内容发布至应用平台的界面中进行展示,平台方在感知用户产生的文本(如弹幕、回帖等)后,可主动调用文本识别接口来提取待检测文本。
进一步地,在本说明书实施例中,可以对已经发布并呈现在应用平台中的文本进行提取,还可以对已上传至应用服务器但还未发布出去的文本进行提取;其中,对于已成功发布的文本来说,可先获取发布上述文本的应用平台对应的页面,再将页面所包含的内容转换成文本,即对平台内容进行爬取,将爬取到的文本内容作为待检测文本;对于还未发布出去的文本来说,可通过后台服务器(即应用服务器)直接获取该文本,并将其作为待检测的文本。
在步骤S220中,根据所述待检测文本构造查询数据结构。
在本说明书一个或多个实施例中,查询数据结构包括但不限于Trie树、双数组Trie树或者三数组Trie树等,本说明书实施例中采用的是双数组Trie树。
Trie树,又称前缀树或字典树,是一种有序树,用于保存关联数组,其中的键通常是字符串,与二叉查找树不同,键不是直接保存在节点中,而是由节点在树中的位置决定。它本质上是一种确定型有限自动机DFA(Determine Finite Automatic),Trie树中的每一个节点都对应DFA中的一个状态,在词典中这种状态包括“词前缀”、“已成词”等,且每一个标记的边都代表DFA中的一个状态转移关系。对Trie树的遍历从根节点开始,当给定一个查询关键词时,每次消耗查询词的一个字母,下一个节点为于当前字母相同的边所指向的节点,当关键词的所有字母消耗完或者走到了一个叶子节点,则整个检索过程结束。当走到一个节点之后,发现该节点不存在于当前字母标记的边,或者当前节点为叶子节点,而关键词的字母尚未消耗完,则说明当前关键词在Trie树中检索失败。
进一步地,由于Tire树结构存在较大的数据稀疏,造成了空间浪费,因此在Tire树结构的基础上经过升级提出了双数组Trie树(Double-Array Trie),双数组Trie树结合了array查询效率高、list节省空间的优点,可以有效降低空间浪费。双数组Trie树具体是使用两个一维数组base和check来表示整个树,数组中的Trie树节点是直接在base数组和check数组之间进行连接的,下面对双数组Trie树的原理进行说明,具体内容如下:
使用两个数组base和check来维护Trie树,其中,base数组负责记录状态,base数组中每个元素对应Trie树中的一个节点(即状态),check数组表示某个状态的前驱状态,用来检查各个字符串是否从同一个状态转移而来,当check[i]为负值时,表示此状态为字符串的结束;两个数组满足如下转移方程:
base[s]+c=t
check[t]=s
s表示当前状态下标;c表示输入字符的数值(或编码)。
下面结合一具体实施例对双数组Trie树的原理作进一步说明,假定两个单词ta和tb,base数组和check数组的值会满足下面的条件:
base[t]+a.code=base[ta]
base[t]+b.code=base[tb]
check[ta]=check[tb]
在每个节点插入的过程中会修改这两个数组,具体说来包括以下内容:
1)初始化root节点base[0]=1;check[0]=0;
2)对于每一群兄弟节点,寻找一个begin值使得check[begin+a1...an]=0,也就是找到了n个空闲空间,a1…an是siblings中的n个节点对应的code;
3)将这群兄弟节点的check设为check[begin+a1…an]=begin;
4)对于每个兄弟节点,如果它没有子节点,令其base为负值;否则为该节点的子节点插入位置(即begin值),同时插入子节点(迭代跳转到步骤2)。
基于上述的构建过程,在进行查询时只需依照如下查询算法执行即可:
base[s]+c=t
check[t]=s
当有base[s]=t时说明c=0,即遇到了叶子节点,此时记录下其位置index,然后输出Dic[index]即为匹配出来的dic中的词。
双数组Trie树是Trie树的一个简单而有效的实现,通过将原来需要多个数组才能表示的Trie树,使用两个数据即可存储下来,因此可以极大的降低空间复杂度,双数组Tire树拥有Tire树的所有优点,而且克服了Tire树浪费空间的不足,使其应用范围更加广泛。
在步骤S230中,利用所述查询数据结构与预设的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
在本说明书一个或多个实施例中,在前述根据待检测文本构造出的双数组Trie树的基础上,可以利用双数组Trie树中的基本数组(即base数组)和检查数组(即check数组)对第一敏感词数据中的敏感词进行查询,以便检测待检测文本中是否包含敏感词。
在一具体实施例中,第一敏感词数据可以是用户(这里指应用平台方的运营人员)预先设置在应用服务器内存中的敏感词数据,敏感词数据内包含至少一个敏感词。值得说明的是,实施例一所提供的敏感词识别方法可直接应用于应用服务器中,即应用于应用平台方的服务器中,进一步地可应用于应用服务器的内存中。
实施例二
图3为本说明书实施例二提供的一种敏感词识别方法的流程示意图,该方法具体可以包括以下步骤:
步骤S310,获取预定的应用平台中产生的一个或多个待检测文本。
步骤S320,根据所述待检测文本构造查询数据结构。
步骤S330,获取由系统数据库所加载的第二敏感词数据或增量数据,并根据所述第二敏感词数据或增量数据对第一敏感词数据进行更新,得到更新后的第一敏感词数据;
步骤S340,利用所述查询数据结构与更新后的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
与实施例一相比,实施例二在利用查询数据结构与应用服务器内存中的第一敏感词数据进行匹配之前,增加了对第一敏感词数据进行更新的操作,这样做的意义在于,对于用户(运营人员)通过敏感词识别系统的客户端管理敏感词的时候,比如新增、删除或修改敏感词,保存在应用服务器内存中的敏感词数据也应当做出相应的调整,以使得敏感词识别的执行主体应用服务器能够感知敏感词数据的变化,从而同步系统数据库和应用服务器中的敏感词数据,使保存在应用服务器内存中的敏感词数据为用户最新更新后的敏感词数据。
具体地,在步骤S330中,应用服务器所加载的第二敏感词数据或增量数据,可以通过以下方式产生,具体包括以下内容:
第二敏感词数据为系统数据库在接收用户发出的操作指令后,确定用户对系统数据库中的第三敏感词数据所要执行的操作,并根据对操作指令执行操作后的结果,确定对第三敏感词数据执行操作后得到的第二敏感词数据;增量数据为系统数据库将第二敏感词数据与第三敏感词数据进行比对所得到的增量数据。
下面以系统数据库作为第二敏感词数据和增量数据生成的执行主体,对第二敏感词数据以及增量数据的生成及加载过程进行说明,具体地:
接收用户发出的操作指令,以便确定用户对系统数据库中的第三敏感词数据所要执行的操作;
根据对操作指令执行操作后的结果,确定对第三敏感词数据执行操作后得到的第二敏感词数据,并将第二敏感词数据与第三敏感词数据进行比对,得到两者之间的增量数据;
将第二敏感词数据或增量数据加载至应用服务器。
进一步地,在本说明书实施例中,用户(运营人员)通过客户端向敏感词识别系统发出更新敏感词的操作指令,敏感词识别系统根据用户对系统数据库中存储的第三敏感词数据所要执行的操作,对第三敏感词数据进行更新;在现实应用中,用户对系统数据库中的第三敏感词数据所要执行的操作,包括但不限于用户对第三敏感词数据执行的新增、删除以及修改操作中的至少一种。
进一步地,在本说明书实施例中,在利用第二敏感词数据对第一敏感词数据进行更新时,可直接将得到的第二敏感词数据对第一敏感词数据进行全量数据的替换,如果得到的是增量数据,可根据增量数据对第一敏感词数据进行调整,以实现第一敏感词数据的更新。
需要说明的是,实施例二中步骤S310、步骤S320以及步骤S340与实施例一中的步骤执行过程相似或相同,在步骤S340中是将查询数据结构与更新后的第一敏感词数据进行匹配,而不是更新以前的第一敏感词数据,其余相似步骤的执行处理过程不再赘述。
在前述实施例二公开的内容基础上,为了保证应用服务器内存加载第二敏感词数据或增量数据的任务成功,可以增加以下步骤S350的操作,从而判断第二敏感词数据或增量数据是否从系统数据库全部加载至应用服务器内存,避免系统数据库异常导致的数据不一致,具体地,敏感词数据中包含词库以及词库所包含的一个或多个敏感词,在得到更新后的第一敏感词数据之后,还可以执行以下操作:
步骤S350,获取系统数据库中存储的对所述第三敏感词数据执行操作后得到的第二敏感词数据,并统计所述第二敏感词数据中的词库及词库所包含的敏感词的数量,将所述更新后的第一敏感词数据中各个词库包含的敏感词的数量与所述第二敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第二敏感词数据全部加载至应用服务器,否则,将所述第二敏感词数据重新加载至应用服务器。
在一具体实施例中,可以通过启动一个定时任务来校验敏感词数据加载至所有应用服务器的任务是否成功,例如可以采用scheduler平台来执行定时任务校验操作。在现实应用中,从系统数据库中获取的敏感词数据可以按照词库-敏感词的组合方式,因此在利用第二敏感词数据对第一敏感词数据进行更新后,通过记录系统数据库中存储的第二敏感词数据以及应用服务器内更新后的第一敏感词数据中的每个词库所对应的敏感词数量,对相同词库所对应的敏感词数量进行比较判断数量是否一致,如果数量一致,则证明加载成功,如果不一致,则证明加载不成功,不成功的话则触发全量加载。通过启动定时任务来校验数据加载的结果,可最大程度降低因数据加载失败导致的识别错误,保证敏感词识别的准确性,并且还可以避免系统运行过程中出现的内存问题。
在实际校验过程,每当有新的敏感词数据从系统数据库加载至应用服务器时可以启动定时任务校验,还可按照固定的时间间隔自动启动定时任务校验,用户可根据需求设定时任务校验的启动时间间隔,例如每隔10分钟校验一次。
实施例三
图4为本说明书实施例三提供的一种敏感词识别方法的流程示意图,该方法具体可以包括以下步骤:
步骤S410,获取预定的应用平台中产生的一个或多个待检测文本。
步骤S420,根据所述待检测文本构造查询数据结构。
步骤S430,通过系统数据库将第二敏感词数据或增量数据写入分布式缓存,以便所述分布式缓存根据所述第二敏感词数据或增量数据对自身存储的敏感词数据进行更新后所得到的第四敏感词数据。
步骤S440,获取由分布式缓存所加载的第四敏感词数据或增量数据,并根据所述第四敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据。
步骤S450,利用所述查询数据结构与更新后的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
与实施例二相比,在系统数据库与应用服务器之间增加分布式缓存,应用服务器直接从分布式缓存中加载更新后的敏感词数据或者增量数据,而系统数据库则将自身更新后所产生的敏感词数据或者增量数据写入分布式缓存,以便分布式缓存对自身存储的敏感词数据进行更新。对于应用服务器的数量较多时的场景,通过增加分布式缓存可有效避免系统数据库出现热点,且通过分布式缓存加载机制实现全量或增量加载可方便拓展。另外,系统数据库、分布式缓存以及应用服务器分别维护自身存储的敏感词数据,当接收到新的敏感词数据或者增量数据时,即时更新以保证来源于用户(运营人员)的敏感词更新操作,能够在系统数据库、分布式缓存及应用服务器之间实现同步,使保存在三方的敏感词数据始终为用户最新更新后的敏感词数据。
进一步地,在本说明书实施例中,分布式缓存可以采用Tair分布式缓存架构,Tair分布式缓存架构为淘宝开源的Key-Value结构的分布式缓存架构,分布式缓存根据第二敏感词数据或增量数据对自身存储的敏感词数据进行更新时,既可以是通过全量数据进行更新,也可以通过增量数据进行更新。
需要说明的是,实施例三中步骤S410、步骤S420以及步骤S450与实施例一中的步骤执行过程相似或相同,在步骤S450中是将查询数据结构与更新后的第一敏感词数据进行匹配,而不是更新以前的第一敏感词数据,其余相似步骤的执行处理过程不再赘述。
在前述实施例三公开的内容基础上,为了保证分布式缓存写入第二敏感词数据或增量数据的任务成功,可以增加以下步骤S460的操作,从而判断第二敏感词数据或增量数据是否从系统数据库全部写入分布式缓存,避免系统数据库异常导致的数据不一致,具体地,敏感词数据中包含词库以及词库所包含的一个或多个敏感词,在更新得到第四敏感词数据之后,还可以执行以下操作:
步骤S460,获取系统数据库中存储的对第三敏感词数据执行操作后得到的第二敏感词数据,并统计第二敏感词数据中的词库及词库所包含的敏感词的数量,将第四敏感词数据中各个词库包含的敏感词的数量与第二敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断第二敏感词数据全部写入分布式缓存,否则,将第二敏感词数据重新写入分布式缓存。
同样的为了保证应用服务器内存加载第四敏感词数据或增量数据的任务成功,可以增加以下步骤S470的操作,从而判断第四敏感词数据或增量数据是否从分布式缓存全部加载至应用服务器内存,避免分布式缓存异常导致的数据不一致,具体地,在得到更新后的第一敏感词数据之后,还可以执行以下操作:
步骤S470,获取分布式缓存中存储的根据第二敏感词数据或增量数据对自身存储的敏感词数据进行更新后所得到的第四敏感词数据,并统计第四敏感词数据中的词库及词库所包含的敏感词的数量,将更新后的第一敏感词数据中各个词库包含的敏感词的数量与第四敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断第四敏感词数据全部加载至应用服务器,否则,将第四敏感词数据重新加载至应用服务器。
需要说明的是,实施例三中也可通过启动一个定时任务来校验敏感词数据写入分布式缓存或加载至所有应用服务器的任务是否成功,具体实现过程与实施例二的过程相同,在此不再赘述。
在一具体应用场景中,以上实施例中在根据待检测文本构造双数组Trie树,以及利用双数组Trie树计算查询敏感词时,还可以增加以下操作的内容:
1.对于中英文混合的待检测文本,在通过编码构建双数组Trie树时,将中文和英文分别进行编码。
2.对待检测文本进行去标点识别,一种方式是在编码构建双数组Trie树前,将待检测文本中的标点去除,对去标点后的待检测文本(纯文本)进行识别;另一种方式是将待检测文本(包含标点及字符)整体进行编码构建,但可以在识别时设置跳过标点。
3.增加正则表达式识别敏感词,支持用户配置并使用java正则表达式识别文本。
4.对多个敏感词之间设置和或关系,例如设置成“和”的关系时,表示两个敏感词需同时出现,只命中其中一个敏感词时不满足条件,当设置成“或”的关系时,表示只需命中其中一个敏感词,而不是全部命中。
值得说明的是,本说明书以上实施例中的方法步骤不构成对实际操作时的步骤执行顺序的限定,例如实施例二中的步骤S330和步骤S340可在步骤310及步骤S320之前执行或者并列执行。
基于本说明书以上实施例内容,一种应用场景下,当用户独立进行线下的敏感词识别时,可在平台对应的应用服务器的内存中预先存储敏感词数据,并在应用服务器内存中直接修改敏感词,利用待检测文本构造查询数据结构计算待识别的关键词是否在其中,此时可以不加入系统数据库,也无需通过系统数据库对应用服务器内存中的敏感词数据进行更新。另一种应用场景下,用户可通过客户端对存储在系统数据库中的敏感词数据进行修改,系统数据库在对自身存储的敏感词数据进行更新后,将更新后的敏感词数据或增量数据加载至应用服务器内存,以便应用服务器内存对自身存储的敏感词数据进行更新,对于应用服务器数量较少的情形下,可直接采用上述方式对敏感词数据进行加载,能够简化操作流程。再一种应用场景下,系统数据库先将更新后的敏感词数据或增量数据写入分布式缓存,再由分布式缓存将自身更新后的敏感词数据加载至应用服务器内存,对于应用服务器数量较多的情形下,采用这种方式可避免数据库热点。本方案通过待检测文本构造出的查询数据结构对敏感词进行识别,无需进行模型训练及维护,并且当用户调整敏感词后可在秒级的时间范围内生效,因此对敏感词的变化响应速度快,查询数据结构的构造及查询过程简单快捷,可快速实现敏感词的识别,经测试证明短文本识别的耗时能控制在200ms以内,利用查询数据结构识别敏感词可直接输出包含哪些敏感词,而无需人工二次确认。
基于同样的思路,本说明书实施例还提供了一种敏感词识别装置,如图5为本说明书实施例提供的一种敏感词识别装置,应用于应用服务器,该装置500主要包括:
第一获取模块501,用于获取预定的应用平台中产生的一个或多个待检测文本;
构造模块502,用于根据所述待检测文本构造查询数据结构;
识别模块503,用于利用所述查询数据结构与预设的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
根据本申请的实施例,在所述装置中,所述识别模块503还用于:
利用双数组Trie树中的基本数组和检查数组对所述第一敏感词数据中的敏感词进行查询,以便检测所述待检测文本中是否包含所述敏感词。
参见图6,为本说明书实施例提供的另一种敏感词识别装置,该装置600主要包括:
第一获取模块601,用于获取预定的应用平台中产生的一个或多个待检测文本;
构造模块602,用于根据所述待检测文本构造查询数据结构;
更新模块603,用于获取由系统数据库所加载的第二敏感词数据或增量数据,并根据所述第二敏感词数据或增量数据对第一敏感词数据进行更新,得到更新后的第一敏感词数据;
识别模块604,用于利用所述查询数据结构与更新后的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
根据本申请的实施例,在所述装置中还包括:
第一校验模块605,用于在所述得到更新后的第一敏感词数据之后,获取系统数据库中存储的对所述第三敏感词数据执行操作后得到的第二敏感词数据,并统计所述第二敏感词数据中的词库及词库所包含的敏感词的数量,将所述更新后的第一敏感词数据中各个词库包含的敏感词的数量与所述第二敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第二敏感词数据全部加载至应用服务器,否则,将所述第二敏感词数据重新加载至应用服务器。
参见图7,为本说明书实施例提供的另一种敏感词识别装置,该装置700主要包括:
第一获取模块701,用于获取预定的应用平台中产生的一个或多个待检测文本;
构造模块702,用于根据所述待检测文本构造查询数据结构;
第二获取模块703,用于获取由分布式缓存所加载的第四敏感词数据或增量数据;
更新模块704,用于根据所述第四敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据;
识别模块705,用于利用所述查询数据结构与更新后的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
根据本申请的实施例,在所述装置中还包括:
第二校验模块706,用于在分布式缓存根据第二敏感词数据或增量数据对自身存储的敏感词数据进行更新得到第四敏感词数据之后,获取系统数据库中存储的对第三敏感词数据执行操作后得到的第二敏感词数据,并统计所述第二敏感词数据中的词库及词库所包含的敏感词的数量,将所述第四敏感词数据中各个词库包含的敏感词的数量与所述第二敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第二敏感词数据全部写入分布式缓存,否则,将所述第二敏感词数据重新写入分布式缓存。
根据本申请的实施例,在所述装置中还包括:
第三校验模块707,用于在根据所述第四敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据之后,获取分布式缓存中存储的根据第二敏感词数据或增量数据对自身存储的敏感词数据进行更新后所得到的第四敏感词数据,并统计所述第四敏感词数据中的词库及词库所包含的敏感词的数量,将所述更新后的第一敏感词数据中各个词库包含的敏感词的数量与所述第四敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第四敏感词数据全部加载至应用服务器,否则,将所述第四敏感词数据重新加载至应用服务器。
本说明书实施例还提供一种电子设备,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上述一种敏感词识别方法。
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。
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,对于装置、电子设备、非易失性计算机存储介质实施例而言,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。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、AtmelAT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、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、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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、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。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
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。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书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说明书,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,对于系统实施例而言,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。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种敏感词识别方法,应用于应用服务器,所述方法包括:
获取预定的应用平台中产生的一个或多个待检测文本;
根据所述待检测文本构造查询数据结构;
利用所述查询数据结构与预设的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
2.如权利要求1所述的方法,所述查询数据结构包括双数组Trie树,所述利用所述查询数据结构与预设的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词,包括:
利用所述双数组Trie树中的基本数组和检查数组对所述第一敏感词数据中的敏感词进行查询,以便检测所述待检测文本中是否包含所述敏感词。
3.如权利要求1所述的方法,所述利用所述查询数据结构与预设的第一敏感词数据进行匹配之前,还包括:
获取由系统数据库所加载的第二敏感词数据或增量数据,并根据所述第二敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据;
其中,所述第二敏感词数据为系统数据库在接收用户发出的操作指令后,确定用户对所述系统数据库中的第三敏感词数据所要执行的操作,并根据对所述操作指令执行操作后的结果,确定对所述第三敏感词数据执行操作后得到的第二敏感词数据;所述增量数据为系统数据库将所述第二敏感词数据与所述第三敏感词数据进行比对所得到的增量数据。
4.如权利要求3所述的方法,所述用户对所述系统数据库中的第三敏感词数据所要执行的操作,包括:
用户对所述系统数据库中的第三敏感词数据执行的新增、删除以及修改操作中的至少一种。
5.如权利要求3所述的方法,敏感词数据中包含词库以及所述词库所包含的一个或多个敏感词,所述得到更新后的第一敏感词数据之后,还包括:
获取系统数据库中存储的对所述第三敏感词数据执行操作后得到的第二敏感词数据,并统计所述第二敏感词数据中的词库及词库所包含的敏感词的数量,将所述更新后的第一敏感词数据中各个词库包含的敏感词的数量与所述第二敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第二敏感词数据全部加载至应用服务器,否则,将所述第二敏感词数据重新加载至应用服务器。
6.如权利要求3所述的方法,所述获取由系统数据库所加载的第二敏感词数据或增量数据之前,还包括:
获取由分布式缓存所加载的第四敏感词数据或增量数据;
其中,所述第四敏感词数据为系统数据库将所述第二敏感词数据或增量数据写入分布式缓存,以便所述分布式缓存根据所述第二敏感词数据或增量数据对自身存储的敏感词数据进行更新后所得到的第四敏感词数据。
7.如权利要求6所述的方法,所述分布式缓存根据所述第二敏感词数据或增量数据对自身存储的敏感词数据进行更新得到第四敏感词数据之后,还包括:
获取系统数据库中存储的对所述第三敏感词数据执行操作后得到的第二敏感词数据,并统计所述第二敏感词数据中的词库及词库所包含的敏感词的数量,将所述第四敏感词数据中各个词库包含的敏感词的数量与所述第二敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第二敏感词数据全部写入分布式缓存,否则,将所述第二敏感词数据重新写入分布式缓存。
8.如权利要求6所述的方法,所述获取由分布式缓存所加载的第四敏感词数据或增量数据之后,还包括:
根据所述第四敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据。
9.如权利要求8所述的方法,所述根据所述第四敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据之后,还包括:
获取分布式缓存中存储的根据第二敏感词数据或增量数据对自身存储的敏感词数据进行更新后所得到的第四敏感词数据,并统计所述第四敏感词数据中的词库及词库所包含的敏感词的数量,将所述更新后的第一敏感词数据中各个词库包含的敏感词的数量与所述第四敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第四敏感词数据全部加载至应用服务器,否则,将所述第四敏感词数据重新加载至应用服务器。
10.一种敏感词识别装置,应用于应用服务器,所述装置包括:
第一获取模块,用于获取预定的应用平台中产生的一个或多个待检测文本;
构造模块,用于根据所述待检测文本构造查询数据结构;
识别模块,用于利用所述查询数据结构与预设的第一敏感词数据进行匹配,以便识别所述应用平台中产生的待检测文本中所包含的敏感词。
11.如权利要求1O所述的装置,所述查询数据结构包括双数组Trie树,所述识别模块还用于:
利用所述双数组Trie树中的基本数组和检查数组对所述第一敏感词数据中的敏感词进行查询,以便检测所述待检测文本中是否包含所述敏感词。
12.如权利要求10所述的装置,所述装置还包括:
更新模块,用于在利用所述查询数据结构与预设的第一敏感词数据进行匹配之前,获取由系统数据库所加载的第二敏感词数据或增量数据,并根据所述第二敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据;
其中,所述第二敏感词数据为系统数据库在接收用户发出的操作指令后,确定用户对所述系统数据库中的第三敏感词数据所要执行的操作,并根据对所述操作指令执行操作后的结果,确定对所述第三敏感词数据执行操作后得到的第二敏感词数据;所述增量数据为系统数据库将所述第二敏感词数据与所述第三敏感词数据进行比对所得到的增量数据。
13.如权利要求12所述的装置,敏感词数据中包含词库以及所述词库所包含的一个或多个敏感词,所述装置还包括:
第一校验模块,用于在所述得到更新后的第一敏感词数据之后,获取系统数据库中存储的对所述第三敏感词数据执行操作后得到的第二敏感词数据,并统计所述第二敏感词数据中的词库及词库所包含的敏感词的数量,将所述更新后的第一敏感词数据中各个词库包含的敏感词的数量与所述第二敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第二敏感词数据全部加载至应用服务器,否则,将所述第二敏感词数据重新加载至应用服务器。
14.如权利要求12所述的装置,所述装置还包括:
第二获取模块,用于在所述获取由系统数据库所加载的第二敏感词数据或增量数据之前,获取由分布式缓存所加载的第四敏感词数据或增量数据;
其中,所述第四敏感词数据为系统数据库将所述第二敏感词数据或增量数据写入分布式缓存,以便所述分布式缓存根据所述第二敏感词数据或增量数据对自身存储的敏感词数据进行更新后所得到的第四敏感词数据。
15.如权利要求14所述的装置,所述装置还包括:
第二校验模块,用于在所述分布式缓存根据所述第二敏感词数据或增量数据对自身存储的敏感词数据进行更新得到第四敏感词数据之后,获取系统数据库中存储的对所述第三敏感词数据执行操作后得到的第二敏感词数据,并统计所述第二敏感词数据中的词库及词库所包含的敏感词的数量,将所述第四敏感词数据中各个词库包含的敏感词的数量与所述第二敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第二敏感词数据全部写入分布式缓存,否则,将所述第二敏感词数据重新写入分布式缓存。
16.如权利要求14所述的装置,所述更新模块还用于:
在所述获取由分布式缓存所加载的第四敏感词数据或增量数据之后,根据所述第四敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据。
17.如权利要求16所述的装置,所述装置还包括:
第三校验模块,用于在所述根据所述第四敏感词数据或增量数据对所述第一敏感词数据进行更新,得到更新后的第一敏感词数据之后,获取分布式缓存中存储的根据第二敏感词数据或增量数据对自身存储的敏感词数据进行更新后所得到的第四敏感词数据,并统计所述第四敏感词数据中的词库及词库所包含的敏感词的数量,将所述更新后的第一敏感词数据中各个词库包含的敏感词的数量与所述第四敏感词数据中相应词库包含的敏感词的数量进行比较,当敏感词数量一致时,则判断所述第四敏感词数据全部加载至应用服务器,否则,将所述第四敏感词数据重新加载至应用服务器。
18.一种电子设备,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权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911363599.4A CN111143513B (zh) | 2019-12-25 | 2019-12-25 | 一种敏感词识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911363599.4A CN111143513B (zh) | 2019-12-25 | 2019-12-25 | 一种敏感词识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111143513A true CN111143513A (zh) | 2020-05-12 |
CN111143513B CN111143513B (zh) | 2024-03-26 |
Family
ID=70520302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911363599.4A Active CN111143513B (zh) | 2019-12-25 | 2019-12-25 | 一种敏感词识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143513B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783126A (zh) * | 2020-07-21 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种隐私数据识别方法、装置、设备和可读介质 |
CN112328732A (zh) * | 2020-10-22 | 2021-02-05 | 上海艾融软件股份有限公司 | 敏感词检测、敏感词树构建方法及装置 |
CN113407662A (zh) * | 2021-08-19 | 2021-09-17 | 深圳市明源云客电子商务有限公司 | 敏感词识别方法、系统及计算机可读存储介质 |
CN114298039A (zh) * | 2021-11-19 | 2022-04-08 | 马上消费金融股份有限公司 | 敏感词识别方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090132651A1 (en) * | 2007-11-15 | 2009-05-21 | Target Brands, Inc. | Sensitive Information Handling On a Collaboration System |
CN106446232A (zh) * | 2016-10-08 | 2017-02-22 | 深圳市彬讯科技有限公司 | 一种基于规则的敏感文本过滤方法 |
CN108052529A (zh) * | 2017-11-09 | 2018-05-18 | 福建省天奕网络科技有限公司 | 一种敏感词过滤方法及终端 |
CN110209796A (zh) * | 2019-04-29 | 2019-09-06 | 北京印刷学院 | 一种敏感词检测过滤方法、装置与电子设备 |
WO2019237546A1 (zh) * | 2018-06-12 | 2019-12-19 | 平安科技(深圳)有限公司 | 敏感词验证方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-25 CN CN201911363599.4A patent/CN111143513B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090132651A1 (en) * | 2007-11-15 | 2009-05-21 | Target Brands, Inc. | Sensitive Information Handling On a Collaboration System |
CN106446232A (zh) * | 2016-10-08 | 2017-02-22 | 深圳市彬讯科技有限公司 | 一种基于规则的敏感文本过滤方法 |
CN108052529A (zh) * | 2017-11-09 | 2018-05-18 | 福建省天奕网络科技有限公司 | 一种敏感词过滤方法及终端 |
WO2019237546A1 (zh) * | 2018-06-12 | 2019-12-19 | 平安科技(深圳)有限公司 | 敏感词验证方法、装置、计算机设备及存储介质 |
CN110209796A (zh) * | 2019-04-29 | 2019-09-06 | 北京印刷学院 | 一种敏感词检测过滤方法、装置与电子设备 |
Non-Patent Citations (1)
Title |
---|
最古琴: "双数组Trie树Java实现", pages 1 - 6, Retrieved from the Internet <URL:《https://blog.csdn.net/gdzjsubaoya/article/details/99900186》> * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783126A (zh) * | 2020-07-21 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种隐私数据识别方法、装置、设备和可读介质 |
CN112328732A (zh) * | 2020-10-22 | 2021-02-05 | 上海艾融软件股份有限公司 | 敏感词检测、敏感词树构建方法及装置 |
CN113407662A (zh) * | 2021-08-19 | 2021-09-17 | 深圳市明源云客电子商务有限公司 | 敏感词识别方法、系统及计算机可读存储介质 |
CN113407662B (zh) * | 2021-08-19 | 2021-12-14 | 深圳市明源云客电子商务有限公司 | 敏感词识别方法、系统及计算机可读存储介质 |
CN114298039A (zh) * | 2021-11-19 | 2022-04-08 | 马上消费金融股份有限公司 | 敏感词识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111143513B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143513B (zh) | 一种敏感词识别方法、装置及电子设备 | |
US8380680B2 (en) | Piecemeal list prefetch | |
US9633002B1 (en) | Systems and methods for coreference resolution using selective feature activation | |
US20190129942A1 (en) | Methods and systems for automatically generating reports from search results | |
KR20210038467A (ko) | 이벤트 테마 생성 방법, 장치, 기기 및 저장 매체 | |
US10839308B2 (en) | Categorizing log records at run-time | |
CN108346107B (zh) | 一种社交内容风险识别方法、装置以及设备 | |
US9009029B1 (en) | Semantic hashing in entity resolution | |
CN103365992A (zh) | 一种基于一维线性空间实现Trie树的词典检索方法 | |
JP7052145B2 (ja) | 大量な文書コーパスにおけるトークン・マッチング | |
CN111708805A (zh) | 数据查询方法、装置、电子设备及存储介质 | |
JP2021034007A (ja) | ソフトウェアパッチの自動検索及び識別 | |
CN105447166A (zh) | 一种基于关键字查找信息的方法及系统 | |
CN112507697B (zh) | 事件名的生成方法、装置、设备及介质 | |
CN108763202A (zh) | 识别敏感文本的方法、装置、设备及可读存储介质 | |
WO2015084757A1 (en) | Systems and methods for processing data stored in a database | |
CN113626443B (zh) | 索引的数据处理方法、装置、计算机设备和存储介质 | |
US11972218B1 (en) | Specific target-oriented social media tweet sentiment analysis method | |
CN116756382A (zh) | 检测敏感字符串的方法、装置、设置及存储介质 | |
CN107451050B (zh) | 函数获取方法和装置、服务器 | |
CN107562533B (zh) | 一种数据加载处理方法及装置 | |
CN114676155A (zh) | 代码提示信息的确定方法、数据集的确定方法及电子设备 | |
CN111625579B (zh) | 一种信息处理方法、装置及系统 | |
CN115705297A (zh) | 代码调用检测方法、装置、计算机设备以及存储介质 | |
CN109492218B (zh) | 一种基于确定有穷状态机的同义词快速替换方法 |
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 |