CN112784596A - 一种识别敏感词的方法和装置 - Google Patents
一种识别敏感词的方法和装置 Download PDFInfo
- Publication number
- CN112784596A CN112784596A CN201911067705.4A CN201911067705A CN112784596A CN 112784596 A CN112784596 A CN 112784596A CN 201911067705 A CN201911067705 A CN 201911067705A CN 112784596 A CN112784596 A CN 112784596A
- Authority
- CN
- China
- Prior art keywords
- word
- array
- hash
- bit array
- sensitive
- 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
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种识别敏感词的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:对敏感词进行哈希运算获取预设数量的参考散列值,根据参考散列值初始化位数组,其中,位数组中与参考散列值相对应的位置标记第一标识;对目标文本进行分词处理得到分词集合,对分词集合中的词语元素进行哈希运算获取预设数量的目标散列值;确定位数组中与目标散列值相对应位置的数组元素;根据数组元素是否存在第一标识,识别目标文本中的敏感词。该方法将敏感词转换到位数组中,根据位数组中与词语元素的目标散列值相对应位置的数组元素,来识别该词语元素是否为敏感词,无需进行字符串匹配,有效降低了资源消耗,而且实时性好。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种识别敏感词的方法和装置。
背景技术
敏感词一般是指带有敏感政治倾向、暴力倾向、不健康色彩的词或不文明语。大多数论坛、网站等为了方便管理,会对敏感词进行过滤。比如,当网站搜索到用户要发布的帖子内容中包括敏感词时,会对该帖子内容进行删除处理,或者将该帖子内容中的敏感词替换为非敏感词后再进行发布。
现有技术一般采用如下方式对敏感词进行识别:循环遍历敏感词库,查找目标文本中是否有匹配到的敏感词;利用分词算法对目标文本进行拆分,将拆分结果逐个与敏感词库中的敏感词进行对比;或者通过异步的方式进行语义相似度计算,实现敏感词的识别。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
(1)需耗费大量的资源进行字符串的匹配,当敏感词库的容量增大时,会增加资源消耗的数量级。
(2)当有大量并发请求时,异步处理能够一定程度的增加处理能力,但是数据的实时性会大打折扣,即用户发布的内容不能实时更新到网站中。
发明内容
有鉴于此,本发明实施例提供一种识别敏感词的方法和装置,将敏感词转换到位数组中,并把目标文本拆分为词语元素,之后根据位数组中与词语元素的目标散列值相对应位置的数组元素,来识别该词语元素是否为敏感词。该方法无需进行字符串匹配,有效降低了资源消耗,而且实时性好。
为实现上述目的,根据本发明实施例的一个方面,提供了一种识别敏感词的方法。
本发明实施例的一种识别敏感词的方法,包括:对所述敏感词进行哈希运算获取预设数量的参考散列值,根据所述参考散列值初始化位数组,其中,所述位数组中与所述参考散列值相对应的位置标记第一标识;对目标文本进行分词处理得到分词集合,对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值;确定所述位数组中与所述目标散列值相对应位置的数组元素;根据所述数组元素是否存在所述第一标识识别所述目标文本中的敏感词。
可选地,所述对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值,包括:用所述预设数量的哈希函数分别对所述分词集合中的词语元素进行哈希运算,获取所述预设数量的目标散列值。
可选地,所述对所述敏感词进行哈希运算获取预设数量的参考散列值,包括:用所述预设数量的所述哈希函数分别对所述敏感词进行哈希运算,获取所述预设数量的参考散列值。
可选地,所述根据所述参考散列值初始化位数组的步骤之前,还包括:构造预设长度的所述位数组,将所述位数组中的数组元素采用初始标识进行标记。
可选地,所述根据所述数组元素是否存在所述第一标识,识别所述目标文本中的敏感词,包括:判断所述位数组中与所述目标散列值相对应位置的数组元素是否为所述第一标识;当所述数组元素为所述第一标识时,将所述词语元素识别为敏感词。
为实现上述目的,根据本发明实施例的另一方面,提供了一种识别敏感词的装置。
本发明实施例的一种识别敏感词的装置,包括:初始化模块,用于对所述敏感词进行哈希运算获取预设数量的参考散列值,根据所述参考散列值初始化位数组,其中,所述位数组中与所述参考散列值相对应的位置标记第一标识;获取模块,用于对目标文本进行分词处理得到分词集合,对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值;确定模块,用于确定所述位数组中与所述目标散列值相对应位置的数组元素;识别模块,用于根据所述数组元素是否存在所述第一标识,识别所述目标文本中的敏感词。
可选地,所述获取模块,还用于:用所述预设数量的哈希函数分别对所述分词集合中的词语元素进行哈希运算,获取所述预设数量的目标散列值。
可选地,所述初始化模块,还用于:用所述预设数量的所述哈希函数分别对所述敏感词进行哈希运算,获取所述预设数量的参考散列值。
可选地,所述装置还包括:构造模块,用于构造预设长度的所述位数组,将所述位数组中的数组元素采用初始标识进行标记。
可选地,所述识别模块,还用于:判断所述位数组中与所述目标散列值相对应位置的数组元素是否为所述第一标识;以及当所述数组元素为所述第一标识时,将所述词语元素识别为敏感词。
为实现上述目的,根据本发明实施例的再一方面,提供了一种电子设备。
本发明实施例的一种电子设备,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本发明实施例的一种识别敏感词的方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种识别敏感词的方法。
上述发明中的一个实施例具有如下优点或有益效果:将敏感词转换到位数组中,并把目标文本拆分为词语元素,之后根据位数组中与词语元素的目标散列值相对应位置的数组元素,来识别该词语元素是否为敏感词,无需进行字符串匹配,有效降低了资源消耗,而且实时性好;通过将敏感词转化到位数组存储,方便后续获取位数组中与目标散列值相对应位置的数组元素,以进行敏感词的识别,无需进行字符串匹配;通过判断位数组中与目标散列值相对应位置的数组元素是否为第一标识,即可确定该词语元素是否为敏感词,实现快速简单,且降低了时间复杂度和空间复杂度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的识别敏感词的方法的主要步骤的示意图;
图2是根据本发明实施例的识别敏感词的方法的主要流程示意图;
图3是根据本发明实施例的识别敏感词的装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明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,而不会背离本发明的范围和精神。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。
下面对本发明实施例中涉及到的技术术语进行说明。
布隆过滤器:是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中,它的优点是空间效率和查询时间都远远超过一般的算法,缺点是有一定的误识别率和删除困难。
图1是根据本发明实施例的识别敏感词的方法的主要步骤的示意图。如图1所示,本发明实施例的识别敏感词的方法,主要包括如下步骤:
步骤S101:对所述敏感词进行哈希运算获取预设数量的参考散列值,根据所述参考散列值初始化位数组,其中,所述位数组中与所述参考散列值相对应的位置标记第一标识。其中,所述位数组是为了有效利用内存空间而设计的一种存储数据的方式,在位数组中一个整数用一位(1bit)来表示,位数组中的数组元素的取值有两种:0和1。
该步骤的实现过程为:构造预设长度的位数组,将所述位数组中的数组元素采用初始标识进行标记;用预设数量的哈希函数分别对敏感词库中存储的每个敏感词进行哈希运算,生成对应数量的参考散列值;将所述位数组中与所述参考散列值相对应位置的数组元素更新为所述第一标识。其中,初始标识可以为0或者1,若初始标识为0,则第一标识为1;若初始标识为1,则第一标识为0。
步骤S102:对目标文本进行分词处理得到分词集合,对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值。分词处理的实现过程为:当接收到目标文本后,利用分词器对所述目标文本进行分词处理,得到包括多个词语元素的分词集合。该步骤中进行哈希运算所使用的哈希函数与步骤S101中的哈希函数相同。对分词集合中的每个词语元素分别用预设数量的哈希函数进行哈希运算,以生成对应数量的目标散列值。
步骤S103:确定所述位数组中与所述目标散列值相对应位置的数组元素。确定位数组中与目标散列值相对应位置的数组元素,以确定该数组元素是初始标识还是第一标识。
步骤S104:根据所述数组元素是否存在所述第一标识,识别所述目标文本中的敏感词。判断所述位数组中与所述目标散列值相对应位置的数组元素的值是否为第一标识,如果是,则说明所述词语元素可能为敏感词;如果不是,则说明所述词语元素不是敏感词。由于上述识别过程可能会存在误识别率,因此可以对识别为敏感词的词语元素再次进行识别,以降低误识别率。
图2是根据本发明实施例的识别敏感词的方法的主要流程示意图。如图2所示,本发明实施例的识别敏感词的方法,主要包括如下步骤:
步骤S201:将敏感词库中的敏感词写入布隆过滤器。其中,所述敏感词库中包含了需要过滤的敏感词。将敏感词库中的当前敏感词写入布隆过滤器的具体实现过程为:构造一个预设长度的位数组,将所述位数组中的数组元素均初始化为0(即初始标识为0);用K个独立的哈希函数分别对当前敏感词进行哈希运算,生成K个参考散列值;将所述位数组的对应所述K个参考散列值的位置设置为1(即第一标识为1)。按照上述实现过程把敏感词库中的所有敏感词写入到布隆过滤器,至此完成了对布隆过滤器的初始化。所述哈希函数,比如为消息摘要算法第四版(Message-Digest Algorithm 4,MD4)、消息摘要算法第五版(Message-Digest Algorithm 5,MD5)、安全哈希算法(Secure Hash Algorithm,SHA1)等。
实施例中,新建一个长度为100000的位数组Arr,位数组Arr中的每个数组元素的值均为0;对敏感词库中的当前敏感词,比如“开发”进行7次哈希运算,得到7个参考散列值:1021、5、8973、532、722、5832和841;将位数组Arr的第1021位、第5位、第8973位、第532位、第722位、第5832位和第841位均设置为1;依次类推,把敏感词库中的所有敏感词写入到布隆过滤器。另外,位数组的长度是基于哈希算法的运算结果设定的,该长度要大于等于参考散列值的最大值。
现有技术中,利用字符串匹配的方式查找敏感词时,在对敏感词库扩充时,会增加与新敏感词数量相同的字符串对比次数。实施例中,当对敏感词库扩充时,将扩充后的新敏感词动态写入布隆过滤器中,后续进行敏感词识别时,计算次数保持不变,流量处理能力不受影响。
步骤S202:接收目标文本,对所述目标文本进行分词处理,得到分词集合。实施例中,可以使用分词器进行分词处理,常用的分词器有IKAnalyzer分词器、word分词器、Ansj分词器、FudanNLP分词器、Jieba分词器等。IKAnalyzer分词器是一个开源的,基于java语言开发的轻量级的中文分词工具包,可以实现把中文语句拆分成语义上的词语。假设目标文本为“周末有欧冠决赛”,经IKAnalyzer分词器进行分词处理后得到的分词集合为:“周末”、“有”、“欧冠”、和“决赛”。
步骤S203:判断所述分词集合中的当前词语元素是否归属于所述布隆过滤器,如果是,则执行步骤S204;否则,执行步骤S206。该步骤通过哈希函数将目标文本的词语元素转化成整型数据,进而判断该词语元素是否归属于所述布隆过滤器。具体实现为:对所述当前词语元素分别用上述相同的K个独立的哈希函数进行哈希运算,生成K个目标散列值;判断所述位数组的对应所述K个目标散列值的位置是否全部为1,如果是,则说明所述当前词语元素可能是敏感词;否则,说明所述当前词语元素不是敏感词。
实施例中,假设当前词语元素为“周末”,则对该词语元素进行7次哈希运算,得到7个目标散列值:5、80、999、634、782和15638;如果位数组Arr中的第5位、第80位、第999位、第634位、第782位和第15638位的值均为1,则说明“周末”这个词很有可能是敏感词;如果有任意一个位置的值不为1,则说明“周末”这个词不存在于敏感词库中。
步骤S204:判断所述当前词语元素是否为敏感词,如果是,则执行步骤S205;如果不是,则执行步骤S206。布隆过滤器有一定的误识别率,即把非敏感词识别为敏感词。为解决上述问题,实施例中,记录被布隆过滤器识别为敏感词的当前词语元素,把当前词语元素上报进行人工识别或者用其他更加精确的敏感词识别系统进行进一步识别。
步骤S205:按照预设第一业务处理规则,对所述目标文本进行业务处理,执行步骤S207。如果二次识别后,所述当前词语元素确实为敏感词,则按照不同的业务场景所对应的业务处理规则,进行不同的业务处理。比如,视频弹幕场景,在识别出用户待发送的弹幕信息中包含敏感词时,将该弹幕信息丢弃,并对该用户进行禁言或屏蔽处理,以使其不可发送弹幕信息。再比如,商品评论场景,在识别出用户待发布的评论信息中包含敏感词时,将该评论信息进行脱敏处理后再进行发布,或者直接丢弃该评论信息。所述脱敏处理,比如将敏感词用“*”号代替。
步骤S206:按照预设第二业务处理规则,对所述目标文本进行业务处理,执行步骤S207。如果当前词语元素不是敏感词,则按照不同的业务场景所对应的业务处理规则,进行不同的业务处理。比如,视频弹幕场景,在识别出用户待发送的弹幕信息中不包含敏感词时,可将该弹幕信息推行到视频上进行展示。再比如,商品评论场景,在识别出用户待发布的评论信息中不包含敏感词时,可将评论信息展示在前台页面上。
步骤S207:判断所述分词集合中的词语元素是否遍历完毕,如果是,则结束本流程;如果不是,则执行步骤S208。判断分词集合中的所有词语元素是否识别处理结束,如果是,则结束;否则将下一词语元素作为当前词语元素,以重复上述识别处理过程。
步骤S208:将所述分词集合的下一词语元素作为所述当前词语元素,执行步骤S203。当分词集合中的词语元素未遍历完毕时,则对下一词语元素进行步骤S203至步骤S07的识别处理。本发明实施例的识别过程是在内存中进行的,不需要调用远程应用程序接口,实时性好。在用户发表评论信息后能够低延迟的发布到网站中,有效提升用户体验。
通过本发明实施例的识别敏感词的方法可以看出,将敏感词转换到位数组中,并把目标文本拆分为词语元素,之后根据位数组中与词语元素的目标散列值相对应位置的数组元素,来识别该词语元素是否为敏感词,无需进行字符串匹配,有效降低了资源消耗,而且实时性好;通过将敏感词转化到位数组存储,方便后续获取位数组中与目标散列值相对应位置的数组元素,以进行敏感词的识别,无需进行字符串匹配;通过判断位数组中与目标散列值相对应位置的数组元素是否为第一标识,即可确定该词语元素是否为敏感词,实现快速简单,且降低了时间复杂度和空间复杂度。
图3是根据本发明实施例的识别敏感词的装置的主要模块的示意图。如图3所示,本发明实施例的识别敏感词的装置300,主要包括:
初始化模块301,用于对所述敏感词进行哈希运算获取预设数量的参考散列值,根据所述参考散列值初始化位数组,其中,所述位数组中与所述参考散列值相对应的位置标记第一标识。其中,所述位数组是为了有效利用内存空间而设计的一种存储数据的方式,在位数组中一个整数用一位(1bit)来表示,位数组中的数组元素的取值有两种:0和1。
该模块的实现过程为:构造预设长度的位数组,将所述位数组中的数组元素采用初始标识进行标记;用预设数量的哈希函数分别对敏感词库中存储的每个敏感词进行哈希运算,生成对应数量的参考散列值;将所述位数组中与所述参考散列值相对应位置的数组元素更新为所述第一标识。其中,初始标识可以为0或者1,若初始标识为0,则第一标识为1;若初始标识为1,则第一标识为0。
获取模块302,用于对目标文本进行分词处理得到分词集合,对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值。分词处理的实现过程为:当接收到目标文本后,利用分词器对所述目标文本进行分词处理,得到包括多个词语元素的分词集合。该步骤中进行哈希运算所使用的哈希函数与步骤S101中的哈希函数相同。对分词集合中的每个词语元素分别用预设数量的哈希函数进行哈希运算,以生成对应数量的目标散列值。
确定模块303,用于确定所述位数组中与所述目标散列值相对应位置的数组元素。确定位数组中与目标散列值相对应位置的数组元素,以确定该数组元素是初始标识还是第一标识。
识别模块304,用于根据所述数组元素是否存在所述第一标识,识别所述目标文本中的敏感词。判断所述位数组中与所述目标散列值相对应位置的数组元素的值是否为第一标识,如果是,则说明所述词语元素可能为敏感词;如果不是,则说明所述词语元素不是敏感词。由于本发明实施例的装置可能会存在的误识别率,因此可以对识别为敏感词的词语元素再次进行识别,以降低误识别率。
另外,本发明实施例的识别敏感词的装置300还可以包括:构造模块和再次识别模块(图3中未示出)。其中,所述构造模块,用于构造预设长度的所述位数组,将所述位数组中的数组元素采用初始标识进行标记。所述再次识别模块用于对识别为敏感词的所述词语元素再次进行识别,如果识别结果仍旧为敏感词,则按照预设第一业务处理规则,对所述目标文本进行业务处理。
从以上描述可以看出,将敏感词转换到位数组中,并把目标文本拆分为词语元素,之后根据位数组中与词语元素的目标散列值相对应位置的数组元素,来识别该词语元素是否为敏感词,无需进行字符串匹配,有效降低了资源消耗,而且实时性好;通过将敏感词转化到位数组存储,方便后续获取位数组中与目标散列值相对应位置的数组元素,以进行敏感词的识别,无需进行字符串匹配;通过判断位数组中与目标散列值相对应位置的数组元素是否为第一标识,即可确定该词语元素是否为敏感词,实现快速简单,且降低了时间复杂度和空间复杂度。
图4示出了可以应用本发明实施例的识别敏感词的方法或识别敏感词的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403发送来的敏感词库提供支持的后台管理服务器。后台管理服务器可以对接收到的敏感词进行哈希运算等处理,并将处理结果(例如识别敏感词的结果)反馈给终端设备。
需要说明的是,本申请实施例所提供的识别敏感词的方法一般由服务器405执行,相应地,识别敏感词的装置一般设置于服务器405中。
应该理解,图4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。
根据本发明的实施例,本发明还提供了一种电子设备和一种计算机可读介质。
本发明的电子设备包括: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本发明实施例的一种识别敏感词的方法。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种识别敏感词的方法。
下面参考图5,其示出了适用于来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有计算机系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510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508。
特别地,根据本发明公开的实施例,上文主要步骤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主要步骤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509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,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,上述模块、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,框图或流程图中的每个方框、以及框图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模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括初始化模块、获取模块、确定模块和识别模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,初始化模块还可以被描述为“对所述敏感词进行哈希运算获取预设数量的参考散列值,根据所述参考散列值初始化位数组的模块”。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:对所述敏感词进行哈希运算获取预设数量的参考散列值,根据所述参考散列值初始化位数组,其中,所述位数组中与所述参考散列值相对应的位置标记第一标识;对目标文本进行分词处理得到分词集合,对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值;确定所述位数组中与所述目标散列值相对应位置的数组元素;根据所述数组元素是否存在所述第一标识,识别所述目标文本中的敏感词。
从以上描述可以看出,将敏感词转换到位数组中,并把目标文本拆分为词语元素,之后根据位数组中与词语元素的目标散列值相对应位置的数组元素,来识别该词语元素是否为敏感词,无需进行字符串匹配,有效降低了资源消耗,而且实时性好;通过将敏感词转化到位数组存储,方便后续获取位数组中与目标散列值相对应位置的数组元素,以进行敏感词的识别,无需进行字符串匹配;通过判断位数组中与目标散列值相对应位置的数组元素是否为第一标识,即可确定该词语元素是否为敏感词,实现快速简单,且降低了时间复杂度和空间复杂度。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种识别敏感词的方法,其特征在于,包括:
对所述敏感词进行哈希运算获取预设数量的参考散列值,根据所述参考散列值初始化位数组,其中,所述位数组中与所述参考散列值相对应的位置标记第一标识;
对目标文本进行分词处理得到分词集合,对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值;
确定所述位数组中与所述目标散列值相对应位置的数组元素;
根据所述数组元素是否存在所述第一标识,识别所述目标文本中的敏感词。
2.根据权利要求1所述的方法,其特征在于,所述对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值,包括:
用所述预设数量的哈希函数分别对所述分词集合中的词语元素进行哈希运算,获取所述预设数量的目标散列值。
3.根据权利要求2所述的方法,其特征在于,所述对所述敏感词进行哈希运算获取预设数量的参考散列值,包括:
用所述预设数量的所述哈希函数分别对所述敏感词进行哈希运算,获取所述预设数量的参考散列值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述参考散列值初始化位数组的步骤之前,还包括:
构造预设长度的所述位数组,将所述位数组中的数组元素采用初始标识进行标记。
5.根据权利要求1至4的任一项所述的方法,其特征在于,所述根据所述数组元素是否存在所述第一标识,识别所述目标文本中的敏感词,包括:
判断所述位数组中与所述目标散列值相对应位置的数组元素是否为所述第一标识;
当所述数组元素为所述第一标识时,将所述词语元素识别为敏感词。
6.一种识别敏感词的装置,其特征在于,包括:
初始化模块,用于对所述敏感词进行哈希运算获取预设数量的参考散列值,根据所述参考散列值初始化位数组,其中,所述位数组中与所述参考散列值相对应的位置标记第一标识;
获取模块,用于对目标文本进行分词处理得到分词集合,对所述分词集合中的词语元素进行所述哈希运算获取所述预设数量的目标散列值;
确定模块,用于确定所述位数组中与所述目标散列值相对应位置的数组元素;
识别模块,用于根据所述数组元素是否存在所述第一标识,识别所述目标文本中的敏感词。
7.根据权利要求6所述的装置,其特征在于,所述获取模块,还用于:
用所述预设数量的哈希函数分别对所述分词集合中的词语元素进行哈希运算,获取所述预设数量的目标散列值。
8.根据权利要求7所述的装置,其特征在于,所述初始化模块,还用于:
用所述预设数量的所述哈希函数分别对所述敏感词进行哈希运算,获取所述预设数量的参考散列值。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:构造模块,用于
构造预设长度的所述位数组,将所述位数组中的数组元素采用初始标识进行标记。
10.根据权利要求6至9的任一项所述的装置,其特征在于,所述识别模块,还用于:
判断所述位数组中与所述目标散列值相对应位置的数组元素是否为所述第一标识;以及
当所述数组元素为所述第一标识时,将所述词语元素识别为敏感词。
11.一种电子设备,其特征在于,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1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911067705.4A CN112784596A (zh) | 2019-11-04 | 2019-11-04 | 一种识别敏感词的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911067705.4A CN112784596A (zh) | 2019-11-04 | 2019-11-04 | 一种识别敏感词的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784596A true CN112784596A (zh) | 2021-05-11 |
Family
ID=75747359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911067705.4A Pending CN112784596A (zh) | 2019-11-04 | 2019-11-04 | 一种识别敏感词的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784596A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113285945A (zh) * | 2021-05-19 | 2021-08-20 | 恒安嘉新(北京)科技股份公司 | 通信安全监控方法、装置、设备及存储介质 |
-
2019
- 2019-11-04 CN CN201911067705.4A patent/CN112784596A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113285945A (zh) * | 2021-05-19 | 2021-08-20 | 恒安嘉新(北京)科技股份公司 | 通信安全监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679119B (zh) | 生成品牌衍生词的方法和装置 | |
CN107506256B (zh) | 一种崩溃数据监控的方法和装置 | |
CN112988753B (zh) | 一种数据搜索方法和装置 | |
WO2023024975A1 (zh) | 文本处理方法、装置和电子设备 | |
CN110874532A (zh) | 提取反馈信息的关键词的方法和装置 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN107526742B (zh) | 用于处理多语言文本的方法和设备 | |
CN110019948B (zh) | 用于输出信息的方法和装置 | |
CN111241496B (zh) | 确定小程序特征向量的方法、装置和电子设备 | |
CN111368697A (zh) | 一种信息识别方法和装置 | |
CN114244795A (zh) | 一种信息的推送方法、装置、设备及介质 | |
CN113961768A (zh) | 敏感词检测方法、装置、计算机设备和存储介质 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN113590756A (zh) | 信息序列生成方法、装置、终端设备和计算机可读介质 | |
CN113407610A (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN111368693A (zh) | 一种身份证信息的识别方法和装置 | |
CN112784596A (zh) | 一种识别敏感词的方法和装置 | |
CN111783433A (zh) | 一种文本检索纠错方法和装置 | |
CN111090992A (zh) | 一种文本预处理方法、装置及存储介质 | |
US10572586B2 (en) | Technique for automatically splitting words | |
KR102308521B1 (ko) | 정보 업데이트 방법 및 장치 | |
CN109308299B (zh) | 用于搜索信息的方法和装置 | |
CN113221035A (zh) | 用于确定异常网页的方法、装置、设备、介质和程序产品 | |
CN108664535B (zh) | 信息输出方法和装置 | |
CN111339776A (zh) | 简历解析方法、装置、电子设备和计算机可读存储介质 |
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 |