CN112905743B - 文本对象检测的方法、装置、电子设备和存储介质 - Google Patents
文本对象检测的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112905743B CN112905743B CN202110194393.4A CN202110194393A CN112905743B CN 112905743 B CN112905743 B CN 112905743B CN 202110194393 A CN202110194393 A CN 202110194393A CN 112905743 B CN112905743 B CN 112905743B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- positive
- text object
- policy
- 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
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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种文本对象的检测方法,涉及人工智能技术领域,尤其涉及自然语言处理和智能搜索技术。实现方案为:获取数据库;利用数据筛选策略,从数据库中提取待检测数据;以及将待检测数据输入到文本对象检测模型,以获取文本对象检测模型输出的检测结果,检测结果能够表征待检测数据是否包括文本对象。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理和智能搜索技术,具体涉及一种用于文本对象的检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
文本对象的检测有助于实现各种应用,例如,在内容分发的场景下快速识别风险内容。在相关技术中,对文本对象检测的技术方案还有很大的提高空间。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种文本对象的检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一个方面,提供了一种文本对象检测方法,包括:获取数据库;利用数据筛选策略,从数据库中提取待检测数据;以及将待检测数据输入到文本对象检测模型,以获取文本对象检测模型输出的检测结果,检测结果能够表征待检测数据是否包括文本对象。
根据本公开的另一方面,提供了一种文本对象检测装置,包括:第一获取单元,被配置为获取数据库;提取单元,被配置为利用数据筛选策略,从数据库中提取待检测数据;以及第二获取单元,被配置为将待检测数据输入到文本对象检测模型,以获取文本对象检测模型输出的检测结果,检测结果能够表征待检测数据是否包括文本对象。
根据本公开的另一方面,提供了一种电子设备,包括:存储器、处理器以及存储在存储器上的计算机程序。处理器被配置为执行计算机程序以实现上述方法的步骤。
根据本公开的另一方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序。计算机程序被处理器执行时实现上述方法的步骤。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序。计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例提供的技术方案带来的有益技术效果至少包括:
根据本公开的一个或多个实施例,可以实现通过投入少量人力而快速获得风险控制模型,从而能够实现对高危风险内容的及时响应。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了相关技术中的文本对象检测方法的整体流程的示意图;
图3示出了根据本公开的实施例的文本对象检测方法的流程图;
图4示出了根据本公开的实施例的生成数据筛选策略方法的流程图;
图5示出了根据本公开的实施例的在图4的方法中提取高频词汇的示例操作的流程图;
图6示出了根据本公开的实施例的在图4的方法中生成筛选策略的示例操作的流程图;
图7示出了根据本公开的实施例的策略评估和调整方法的流程图;
图8示出了根据本公开的实施例的生成数据筛选策略方法的流程图;
图9示出了根据本公开的实施例的得到文本对象检测模型的方法的流程图;
图10示出了根据本公开的实施例的文本对象检测方法的流程的示意图;
图11示出了根据本公开实施例的文本对象检测装置的结构框图;
图12示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在相关技术中,对样本数据的提取是通过人工海量标注完成。由于人工标注效率低,产出的样本集比例不均衡,正样本过少,容易导致后续模型训练的欠拟合。另一方面,相关技术中根据所关注对象的文本内容特点,对正样本进行人工拼接,然而人工拼接样本方式极易导致后续模型训练的过拟合。此外,人工标注和拼接耗费人力资源较大,费时费力,并且全程手动操作,无法感知样本数据提取进度。
在相关技术中,对所关注文本对象(例如高危内容)的提取是使用传统的人工提取样本对模型进行训练并上线。由于高危内容具有量极小、影响大和需要快速处理的特性,通过人工海量标注得到样本训练模型的方式无法满足对高危内容及时响应的需求。
为解决上述相关技术中的问题,本公开的实施例通过引入数据筛选策略的思想,半自动提取符合模型训练要求的样本以快速生成文本对象检测模型,提供了以下对文本对象检测的技术方案。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行文本对象检测方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来提取数据和检测文本对象。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了相关技术中的文本对象检测方法的整体流程200的示意图。如图2所示,整体流程200包括所要关注的文本对象210、文本对象检测方法250和上线模型260。
所要关注的文本对象210可以包括高危内容、存在风险的内容、容易引发舆论的内容、需要进行快速处理的内容、广告等等。
文本对象检测方法250包括数据筛选策略220、模型获取240、离线评估230以及词典/正则270。
数据筛选策略220包括人工分析步骤222、手动提取关键字步骤224和手动调整策略步骤226。
文本对象检测方法250使用词典/正则270提取的样本数据来训练神经网络(NN)模型,即文本对象检测模型。然后配置训练好的文本检测模型上线得到上线模型260以处理或过滤掉文本对象210。
在相关技术中,文本对象检测方法250从样本数据库中提取出包含文本对象210的样本数据是通过海量人工操作完成,并且所提取的样本数据集比例不均衡,正样本过少,用于后续模型训练240时容易导致模型的欠拟合。此外,离线评估230也需要手动操作完成,而且全程无法感知流程进度,操作繁琐,人力损耗严重。
此外,文本对象检测方法250所提取的样本数据集比例不均衡,在模型训练240过程中,需要人为调整词典/正则270以产生样本训练集。由于直接对文本对象检测模型进行训练需要很高量级的正样本,从而产出样本242所花费的时间较长,导致生成上线模型260的整体时间较长,例如需要两天的时间才能够训练好文本对象检测模型并上线,无法满足对诸如高危内容等的文本对象的及时响应和处理。
图3示出了根据本公开的实施例的文本对象检测方法300的流程图。如图3所示,文本对象检测方法300可以包括步骤310至步骤330。
在步骤310,可以获取数据库。例如,可以访问数据库来获取数据库中的数据。
在步骤320,可以利用数据筛选策略,从数据库中提取待检测数据。示例性地,数据筛选策略可以包括表示文本对象特征的词汇、正则表达式、数据类型等。示例性地,可以通过数据筛选策略,对数据库中的数据进行筛选以得到能输入到后续文本对象检测模型的待检测数据。
在步骤330,可以将待检测数据输入到文本对象检测模型,以获取文本对象检测模型的检测结果,检测结果能够表征待检测数据是否包括文本对象。示例性地,可以基于数据筛选策略从样本数据库中提取出命中数据筛选策略的样本数据集,并进行标注得到正负样本集。而后基于该样本集对文本检测模型进行训练。
综上所述,本公开的实施例通过引入数据筛选策略的思想,快速有效地提取样本数据库中的样本集。而后获取基于该样本集训练得到的文本对象检测模型,从而实现检测文本对象。相比于相关技术中需要耗费大量人力筛选样本集来训练模型,本公开的实施例在数据筛选策略下仅需要人工标注少量的数据即可获得大量样本集合,减少了样本提取的时间消耗,从而实现模型快速上线以对高危内容做出及时响应和处理。
图4示出了根据本公开的实施例的生成数据筛选策略方法400的流程图。如图4所示,生成数据筛选策略方法400包括步骤410至430。
在步骤410,可以获取第一正负样本集。第一正负样本集包括至少一个正样本,至少一个正样本为从样本数据库中确定的表示文本对象的数据。
在一些示范性实施例中,在发现要关注的文本对象后(例如接到举报或人工检查),可以人工粗略地提取表示文本对象的特征的关键词。示例性地,当所要关注的文本对象为“广告”,可以人为提取表示广告特征的关键词,例如将“联系”、“电话”等作为关键词。在人工粗略的初步筛选策略中可以包括所提取出的关键词。
在一些示范性实施例中,可以将样本数据库中命中初级筛选策略的数据提取出来,作为第一数据集。示例性地,可以将包括“联系”、“电话”等关键词的诸如文章、博客、问答等的文本数据从样本数据库中提取出来。
在一些示范性实施例中,可以对第一数据集进行标注以得到第一正负样本集,其中第一正负样本集中包括文本对象的数据被标注为第一正负样本集中的至少一个正样本。示例性地,可以将提取出来的包括初级筛选策略中关键词的文本数据进行人工标注。可选地,可以人工检查每一条数据,将内容为文本对象的数据标注为正样本,例如标注为1,并且可以将内容不是文本对象的数据标注为负样本,例如标注为0,从而得到第一正负样本集。
在步骤420,可以从第一正负样本集中提取至少一个高频词汇。示例性地,高频词汇可以是出现在第一正负样本集中各个样本中的次数大于或等于第一阈值的词汇。也即,第一正负样本集中包括高频词汇的样本数目大于或等于第一阈值。可选地,高频词汇还可以是字长大于预设长度的词汇。
应当理解的是,在诸如高危内容等的文本数据中,表示高危内容的词汇具有重复、高频出现的特征。
在步骤430,可以基于至少一个高频词汇生成数据筛选策略,数据筛选策略包括至少一个高频词汇中的能够表示文本对象的特征的高频词汇。
综上所述,由于诸如高危内容等的文本对象具有量极小的特点,例如一万条数据中仅存在个位数的高危内容数据,因此通过人工粗略的初步筛选策略所提取出的数据具有较小比例的正样本,不能满足后续的模型训练的需求。本申请的实施例可以对初步筛选策略所获得第一正负样本集进行高频词汇的提取并生成精细化的数据筛选策略。通过数据筛选策略,再次从样本数据库中提取数据。因为高危内容数据具有其高危内容在多个样本高频出现的特征,所以基于数据筛选策略可以得到正样本比例更高的数据。此外,数据筛选策略仅需要在初期对数据进行人工粗略筛选,因此可以投入最小人力获得预期样本集合,从而实现快速模型上线检测高危内容的目的。
图5示出了根据本公开的实施例的在图4的方法400中提取高频词汇420的示例操作的流程图。如图5所示,从第一正负样本集中提取至少一个高频词汇(步骤420)可以进一步包括步骤510至550。
在步骤510,可以对第一正负样本集中的各个样本进行分词。示例性地,可以使用相关技术中的任意分词算法或模型对每个样本进行分词处理,例如基于词典的分词算法或基于隐形马尔科夫(HMM)、条件随机场(CRF)、支持向量机(SVM)等的机器学习算法。
在步骤520,可以从经分词后的各个样本中提取至少一个关键词。示例性地,可以采用相关技术中的任意高频词汇提取算法,例如基于统计特征的关键词抽取、基于词图模型的关键词抽取、基于主题模型的关键词抽取等。
在步骤530,可以确定至少一个关键词的子集。各个样本中包含子集中的关键词的样本数目大于或等于第一阈值。也即,确定出在各个样本中重复出现一定次数(频数),例如第一阈值,的关键词。
在步骤540,可以基于通用文本策略对至少一个关键词的子集进行过滤。示例性地,可以对样本中的干扰性词汇进行过滤,例如标点符号、类似“的”、“是”、“了”等无意义的停用词等。
在一些示范性实施例中,基于通用文本策略对至少一个关键词的子集进行过滤可以包括将至少一个关键词的子集的一个或多个关键词进行泛化。示例性地,可以根据已有的通用文本策略将“北京”、“上海”、“南京”等词汇泛化为统一的词汇“地域”。
在步骤550,可以将经过滤后的至少一个关键词的子集作为至少一个高频词汇。
综上所述,本公开的示例性实施例通过分词技术、关键词提取技术和根据已有通用文本策略技术进行过滤和泛化技术从第一正负样本集中提取出高频词汇。由于提取了数据集中的关键词,并且设定只有满足频数阈值的关键词为高频词汇,从而能够更准确地提取出代表文本对象特征的高频词汇,节省模型上线的花费时间。
图6示出了根据本公开的实施例的在图4的方法400中生成数据筛选策略430的示例操作的流程图。如图6所示,基于至少一个高频词汇生成数据筛选策略(步骤430)进一步包括步骤610至步骤630。
在步骤610,可以基于至少一个高频词汇,生成正则表达式。示例性地,当确定两个高频词汇例如“地域”和“医院”都出现在数据中时为正样本,可以根据正则表达式的逻辑规则,生成描述两个高频词同时出现这一逻辑的正则表达式,例如:地域.*医院。其表示了只要样本中出现“地域”和“医院”这两个高频词汇,则正则表达式可以匹配该样本。也即,地域.*医院可以匹配地域和医院之间存在零个或无限多个任意字符的样本。
在步骤620,可以基于N-gram语言模型,计算正则表达式中的至少一个高频词汇之间的N-gram距离。示例性地,可以计算正则表达式地域.*医院中的高频词汇“地域”和“医院”之间的N-gram距离。
在步骤630,可以基于N-gram距离,优化正则表达式,其中数据筛选策略还包括经优化后的正则表达式。示例性地,可以根据“地域”和“医院”之间的N-gram距离来优化地域.*医院这一正则表达式。例如优化后的正则表达式可以为地域.{0,10}医院。该正则表达式表示高频词汇“地域”和“医院”之间的字符匹配上限为10个。也即,当样本中存在高频词汇“地域”和“医院”之间的任意字符数量为10个以下的数据,则正则表达式匹配该样本。相反地,当样本中的高频词汇“地域”和“医院”之间的任意字符数量超过10个时,正则表达式不匹配该样本。
在一些示范性实施例中,所提取出的高频词汇可以包括例如电话或者网址。可选地,数据筛选策略还可以包括该电话或网址的正则表达式。可选地,数据筛选策略还可以包括一些已有的高频特征,例如地域特征、所面向的用户特征、文章分类的特征等。
综上所述,本公开的示例性实施例通过生成正样本中高频词汇的正则表达式,并基于N-gram语言模型对该表达式进行优化,从而得到表示文本对象的更精细的正则表达式。将更精细的正则表达式包括到数据筛选策略中以更加准确地从样本数据库中提取出命中文本对象的数据,从而加快模型上线时间以对高危内容做出及时响应。
在一些示范性实施例中,生成数据筛选策略的方法400可以进一步包括对策略的评估和调整方法700以对方法400生成的数据筛选策略进行评估和调整。图7示出了根据本公开的实施例的策略评估和调整方法700的流程图。如图7所示,策略评估和调整方法700可以包括步骤710至740。
在步骤710,可以将样本数据库中命中数据筛选策略的数据提取出来,以作为样本数据集;对样本数据集进行标注以得到第二正负样本集。第二正负样本集包括至少一个正样本。至少一个正样本为包括样本数据集中表示文本对象的数据。示例性地,样本数据集可以是根据由数据筛选策略方法400生成的数据筛选策略从样本数据库中提取出来的数据集。
在步骤720,可以确定第二正负样本集中的至少一个正样本在样本数据集中的比例是否小于第二阈值。第二阈值可以设置为后续进行模型训练所需的样本分布比例。
在一些示范性实施例中,响应于确定第二正负样本集中的至少一个正样本在样本数据集中的比例小于第二阈值,可以在步骤730调整数据筛选策略。示例性地,可以在当前样本数据集中进行精准化标注,或者人工增删数据筛选策略,例如可以删除不合理的高频词汇或正则表达式。
在步骤740,可以根据经调整后的数据筛选策略,从样本数据库750中提取数据并将提取的数据作为样本数据集。
在一些示范性实施例中,可以重复步骤710至步骤740直到比例大于或等于第二阈值,从而得到样本分布比例符合后续模型训练所需的样本分布比例的样本数据集760。
图8示出了根据本公开的实施例的生成数据筛选策略方法800的流程图。如图8所示,生成数据筛选策略方法800可以包括初级筛选策略810、第一数据集812、第一正负样本集814、高频词汇820、N-gram语言模型822、数据筛选策略830、样本数据集832、第二正负样本集834、样本数据库840、符合样本分布需求的样本数据集850、步骤860和步骤880。上述对象和步骤可以是图4至图7中所示的或本公开实施例所描述的对象和步骤。例如,步骤860可以对应图7中的步骤720,步骤880可以对应图7中的步骤730。
在一些示范性实施例中,生成数据筛选策略方法800可以通过初级筛选策略810从样本数据库840中提取第一数据集812。对第一数据集812进行标注以得到第一正负样本集814。
接下来,提取第一正负样本集814中的高频词汇820。然后基于N-gram语言模型得到精细化的正则表达式,从而生成数据筛选策略830。数据筛选策略830从样本数据库840中提取样本数据集832。
接下来,对样本数据集832进行标注得到第二正负样本集834。然后在步骤860判断第二正负样本集834中的样本比例是否小于后续模型训练的样本分布比例,即第二阈值。若样本分布比例小于第二阈值,则在步骤870判断目前重复调整数据筛选策略的次数是否大于第三阈值,若不大于第三阈值,则通过步骤880调整数据筛选策略。若重复次数大于第三阈值,则通过步骤890调整初级筛选策略。
示例性地,在步骤870,可以确定如图7中所示的步骤710-740的迭代次数是否大于第三阈值,即,所允许的重复调整数据筛选策略的最高次数。
示例性地,在步骤890,可以响应于重复的次数大于第三阈值,调整初级筛选策略。示例性地,当重复调整数据筛选策略多次后,所抽取的数据集中的样本分布比例仍然不满足后续模型训练所需的样本分布比例,则可以调整初级筛选策略。可选地,可以调整初级筛选策略中人工粗略确定出的关键词。再基于调整后的初级筛选策略,重复生成数据筛选策略方法800。
最后,通过重复迭代以得到符合后续模型训练所需的样本分布比例的样本数据集850。
综上所述,生成数据筛选策略的方法800通过生成精细化的数据筛选策略,更容易命中数据集中包括文本对象的数据。并且在多次调整数据筛选策略无效后,可以通过调整初级筛选策略来筛选数据。有效提升了数据筛选策略命中文本对象数据的精度,并实现半自动化迭代获取大量正样本集合,减少了人力成本。从而实现快速上线模型,对高危内容做出及时响应。
图9示出了根据本公开的实施例的得到文本对象检测模型的方法900的流程图。如图9所示,得到文本对象检测模型的方法900可以包括步骤910至980。
在步骤910,可以获取ERNIE(Enhanced Representation through KnowledgeIntegration)模型。
在步骤920,可以获取基础检测模型。
在步骤930,以基于样本数据集,对ERNIE模型进行训练激发。示例性地,样本数据集是通过数据筛选策略从样本数据库中提取出来的。
在步骤940,可以确定样本数据集的准确率是否小于第四阈值或样本数据集的召回率是否小于第五阈值。示例性地,样本数据集的准确率可以表示模型预测正确的样本数占总样本数的比例。样本数据集的召回率可以表示模型预测正确的样本数占实际正确的样本数的比例。
在步骤950,响应于确定样本数据集的准确率小于第四阈值或样本数据集的召回率小于第五阈值,可以调整样本数据集。示例性地,可以手动对样本数据集进行增删调整或对模型配置进行调整。
重复步骤930至步骤950,直到确定样本数据集的准确率大于或等于第四阈值并且召回率大于或等于第五阈值。
在步骤960,可以基于经调整后的样本数据集,训练ERNIE模型。
在步骤970,可以基于训练后的ERNIE模型,提取样本数据库中的数据。
在步骤980,可以使用所提取的数据训练基础检测模型以得到文本对象检测模型。
在一些示范性实施例中,可以基于经训练的文本对象检测模型,配置模型上线。示例性地,可以将训练好的文本对象检测模型配置上线,实时自动监控要关注的文本对象。可选地,可以将策略名称、经调整后的数据筛选策略、训练好的文本对象检测模型、数据类型等配置模型上线。进而,可以将待检测的数据输入到配置好的上线模型检测数据以检测文本对象。
综上所述,本公开的实施例通过引入ERNIE模型激发训练,通过少量训练样本即可生成对应的文本对象检测模型。相对于直接对文本对象检测模型进行训练时需要的高量级正样本,通过ERNIE激发训练可以减少正样本的需求量并且能够在训练文本对象检测模型之前调整样本数据集,从而可以更快地实现文本对象检测模型的上线。
图10示出了根据本公开的实施例的文本对象检测方法的流程1000的示意图。图10中与图2相似的附图标记表示相似的对象或步骤,在此不再赘述。如图10所示,整体流程1000包括所要关注的文本对象1010、文本对象检测方法1050和上线模型1060。所要关注的文本对象1010可以是如图2中所描述的文本对象210。
文本对象检测方法1050可以包括初级筛选策略1020、数据筛选策略1030和模型获取1040。
数据筛选策略1030可以包括挖掘高频特征步骤1032、提取样本数据集步骤1034和自动评估步骤1036。示例性地,数据筛选策略1030可以是由图4至图8所示或实施例中所描述的方法生成。
如图10所示,文本对象检测方法1050通过采用本公开的实施例,实现了半自动化的样本数据提取方法。仅需前期少量的人工粗略筛选,便可自动评估样本数据并迭代直至获得符合模型训练所需的样本集。
进一步地,模型获取1040可以先通过ERNIE激发训练1042并且评估根据数据筛选策略提取的样本数据集。然后利用调整后的样本数据集训练基础检测模型1044以获取文本对象检测模型。最后通过配置获取的文本对象检测模型上线以得到上线模型1060。
综上所述,流程1000采用本公开的文本对象检测方法1050的实施例。相对比于如图2所示的相关技术200,本公开的整体流程1000实现了半自动化流程,仅需少量人力成本即可提取大量样本数据,评估过程融入数据提取迭代中,将图2中的离线评估230步骤融入到数据筛选策略中,快速提取样本数据集,从而大大减少了模型上线的时间。而后采用ERNIE训练激发,通过少量训练样本即可完成文本对象检测模型的训练,进一步减少模型上线的时间。整体耗时少,仅需一天即可配置好上线模型1060,从而实现对诸如高危内容等的文本对象的快速响应和处理。
图11示出了根据本公开实施例的数据提取测量装置1100的结构框图。如图11所示,数据提取测量装置1100包括第一获取单元1110、提取单元1120和第二获取单元1130。
第一获取单元1110,被配置为被配置为获取数据库。例如,第一获取单元1110可以访问数据库来获取数据库中的数据。
提取单元1120,被配置为利用数据筛选策略,从数据库中提取待检测数据。
第二获取单元1130,被配置为将待检测数据输入到文本对象检测模型,以获取文本对象检测模型输出的检测结果,检测结果能够表征待检测数据是否包括文本对象。
在一些示范性实施例中,数据筛选策略通过执行包括以下各项的操作生成:获取第一正负样本集,其中,第一正负样本集包括至少一个正样本,至少一个正样本为从样本数据库中确定的表示文本对象的数据;从第一正负样本集中提取至少一个高频词汇;以及基于至少一个高频词汇生成数据筛选策略,数据筛选策略包括至少一个高频词汇中的能够表示文本对象的特征的高频词汇。
在一些示范性实施例中,对于每个高频词汇,第一正负样本集中包含该高频词汇的样本的数目大于或等于第一阈值。
在一些示范性实施例中,从第一正负样本集中提取至少一个高频词汇包括:对第一正负样本集中的各个样本进行分词;从经分词后的各个样本中提取至少一个关键词;确定至少一个关键词的子集,各个样本中包含所述子集中的关键词的样本的数目大于或等于第一阈值;基于通用文本策略对至少一个关键词的子集进行过滤;以及将经过滤后的至少一个关键词的所述子集作为至少一个高频词汇。
在一些示范性实施例中,基于所述至少一个高频词汇生成所述数据筛选策略包括:基于至少一个高频词汇,生成正则表达式;基于n-gram语言模型,计算正则表达式中的所述至少一个高频词汇之间的n-gram距离;以及基于n-gram距离,优化正则表达式,其中数据筛选策略还包括经优化后的正则表达式。
在一些示范性实施例中,获取第一正负样本集包括:将样本数据库中命中初级筛选策略的数据提取出来,作为第一数据集;以及对第一数据集进行标注以得到第一正负样本集,其中,第一数据集中包括文本对象的数据被标注为第一正负样本集中的至少一个正样本。
在一些示范性实施例中,生成数据筛选策略的操作进一步包括以下步骤:将样本数据库中命中所述数据筛选策略的数据提取出来,以作为样本数据集;对样本数据集进行标注以得到第二正负样本集,第二正负样本集包括至少一个正样本,至少一个正样本为样本数据集中表示文本对象的数据;响应于确定第二正负样本集中的至少一个正样本在样本数据集中的比例小于第二阈值,调整数据筛选策略;根据经调整后的数据筛选策略,从样本数据库中提取数据并将提取的数据作为样本数据集;以及重复所述步骤直到比例大于或等于第二阈值。
在一些示范性实施例中,生成数据筛选策略的操作进一步包括:响应于确定重复的次数大于第三阈值,调整初级筛选策略。
在一些示范性实施例中,基于通用文本策略对至少一个关键词的子集进行过滤包括:将至少一个关键词的子集中的一个或多个关键词进行泛化。
在一些示范性实施例中,文本对象检测模型通过执行包括以下各项的操作得到:获取ernie模型;获取基础检测模型;基于样本数据集,对ernie模型进行训练激发;响应于确定样本数据集的准确率小于第四阈值或样本数据集的召回率小于第五阈值,调整样本数据集;使用经调整后的样本数据集,训练ERNIE模型;基于训练后的ERNIE模型,提取样本数据库中的数据;以及使用所提取的数据训练基础检测模型以得到文本对象检测模型。
应当理解,图11中所示的装置1100的各个单元和子单元可以与参考图3至图10描述的方法300中的各个步骤相对应。由此,上面针对方法300描述的操作、特征和优点同样适用于装置1100及其包括的单元和子单元,并且为了简洁起见不再赘述。
虽然上面参考特定单元讨论了特定功能,但是应当注意,本文讨论的各个单元的功能可以分为多个单元,和/或多个单元的至少一些功能可以组合成单个单元。本文讨论的特定单元执行动作包括该特定单元本身执行该动作,或者替换地该特定单元调用或以其他方式访问执行该动作(或结合该特定单元一起执行该动作)的另一个组件或单元。因此,执行动作的特定单元可以包括执行动作的该特定单元本身和/或该特定单元调用或以其他方式访问的、执行动作的另一单元。
本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面描述的各个单元、子单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些单元、子单元可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。例如,单元、子单元中的一个或多个可以一起被实现在片上系统(SOC)中。SOC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(CPU)、微控制器、微处理器、数字信号处理器(DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的另一方面,提供了一种电子设备,包括:存储器、处理器以及存储在存储器上的计算机程序。其中,处理器被配置为执行计算机程序以实现本公开上述的方法的步骤。
根据本公开的另一方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序。其中,计算机程序被处理器执行时实现本公开上述的方法的步骤。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序。其中,计算机程序被处理器执行时实现本公开上述的方法的步骤。
在下文中,结合图12描述这样的电子设备、非暂态计算机可读存储介质和计算机程序产品的示例。图12示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
参考图12,现将描述可以作为本公开的服务器或客户端的电子设备1200的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向设备1200输入信息的任何类型的设备,输入单元1206可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如方法300或方法800。例如,在一些实施例中,方法300或方法800可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的方法300或方法800的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法300或方法800。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (18)
1.一种文本对象的检测方法,包括:
获取数据库;
利用数据筛选策略,从所述数据库中提取待检测数据,其中,所述数据筛选策略通过执行包括以下各项的操作生成:
获取第一正负样本集,其中,所述第一正负样本集包括至少一个正样本,所述至少一个正样本为从样本数据库中确定的表示所述文本对象的数据;
从所述第一正负样本集中提取至少一个高频词汇;以及
基于所述至少一个高频词汇生成所述数据筛选策略,所述数据筛选策略包括所述至少一个高频词汇中的能够表示所述文本对象的特征的高频词汇,所述基于所述至少一个高频词汇生成所述数据筛选策略包括:
基于所述至少一个高频词汇,生成正则表达式;
基于n-gram语言模型,计算所述正则表达式中的所述至少一个高频词汇之间的n-gram距离;以及
基于所述n-gram距离,优化所述正则表达式,其中所述数据筛选策略还包括经优化后的正则表达式;以及
将所述待检测数据输入到文本对象检测模型,以获取所述文本对象检测模型输出的检测结果,所述检测结果能够表征所述待检测数据是否包括所述文本对象。
2.如权利要求1所述的方法,其中,对于每个高频词汇,所述第一正负样本集中包含该高频词汇的样本的数目大于或等于第一阈值。
3.如权利要求1所述的方法,其中,所述从所述第一正负样本集中提取至少一个高频词汇包括:
对所述第一正负样本集中的各个样本进行分词;
从经分词后的所述各个样本中提取至少一个关键词;
确定所述至少一个关键词的子集,所述各个样本中包含所述子集中的关键词的样本的数目大于或等于第一阈值;
基于通用文本策略对所述至少一个关键词的所述子集进行过滤;以及
将经过滤后的所述至少一个关键词的所述子集作为所述至少一个高频词汇。
4.如权利要求1所述的方法,其中,所述获取第一正负样本集包括:
将所述样本数据库中命中初级筛选策略的数据提取出来,作为第一数据集;以及
对所述第一数据集进行标注以得到所述第一正负样本集,其中,所述第一数据集中包括所述文本对象的数据被标注为所述第一正负样本集中的所述至少一个正样本。
5.如权利要求4所述的方法,其中,所述操作进一步包括以下步骤:
将所述样本数据库中命中所述数据筛选策略的数据提取出来,以作为样本数据集;
对所述样本数据集进行标注以得到第二正负样本集,所述第二正负样本集包括至少一个正样本,所述至少一个正样本为所述样本数据集中表示所述文本对象的数据;
响应于确定所述第二正负样本集中的所述至少一个正样本在所述样本数据集中的比例小于第二阈值,调整所述数据筛选策略;
根据经调整后的数据筛选策略,从所述样本数据库中提取数据并将提取的数据作为所述样本数据集;以及
重复所述步骤直到所述比例大于或等于所述第二阈值。
6.如权利要求5所述的方法,其中,所述操作进一步包括:
响应于确定所述重复的次数大于第三阈值,调整所述初级筛选策略。
7.如权利要求3所述的方法,其中,所述基于通用文本策略对所述至少一个关键词的所述子集进行过滤包括:
将所述至少一个关键词的子集中的一个或多个关键词进行泛化。
8.如权利要求1至7中任一项所述的方法,其中,所述文本对象检测模型通过执行包括以下各项的操作得到:
获取ernie模型;
获取基础检测模型;
基于所述样本数据集,对ernie模型进行训练激发;
响应于确定所述样本数据集的准确率小于第四阈值或所述样本数据集的召回率小于第五阈值,调整所述样本数据集;
使用经调整后的所述样本数据集,训练所述ERNIE模型;
基于训练后的ERNIE模型,提取所述样本数据库中的数据;以及
使用所提取的数据训练所述基础检测模型以得到所述文本对象检测模型。
9.一种文本对象的检测装置,包括:
第一获取单元,被配置为获取数据库;
提取单元,被配置为利用数据筛选策略,从所述数据库中提取待检测数据,其中,所述数据筛选策略通过执行包括以下各项的操作生成:
获取第一正负样本集,其中,所述第一正负样本集包括至少一个正样本,所述至少一个正样本为从样本数据库中确定的表示所述文本对象的数据;
从所述第一正负样本集中提取至少一个高频词汇;以及
基于所述至少一个高频词汇生成所述数据筛选策略,所述数据筛选策略包括所述至少一个高频词汇中的能够表示所述文本对象的特征的高频词汇,所述基于所述至少一个高频词汇生成所述数据筛选策略包括:
基于所述至少一个高频词汇,生成正则表达式;
基于n-gram语言模型,计算所述正则表达式中的所述至少一个高频词汇之间的n-gram距离;以及
基于所述n-gram距离,优化所述正则表达式,其中所述数据筛选策略还包括经优化后的正则表达式;以及;
第二获取单元,被配置为将所述待检测数据输入到文本对象检测模型,以获取所述文本对象检测模型输出的检测结果,所述检测结果能够表征所述待检测数据是否包括所述文本对象。
10.如权利要求9所述的装置,其中,对于每个高频词汇,所述第一正负样本集中包含该高频词汇的样本的数目大于或等于第一阈值。
11.如权利要求9所述的装置,其中,所述从所述第一正负样本集中提取至少一个高频词汇包括:
对所述第一正负样本集中的各个样本进行分词;
从经分词后的所述各个样本中提取至少一个关键词;
确定所述至少一个关键词的子集,所述各个样本中包含所述子集中的关键词的样本的数目大于或等于第一阈值;
基于通用文本策略对所述至少一个关键词的所述子集进行过滤;以及
将经过滤后的所述至少一个关键词的所述子集作为所述至少一个高频词汇。
12.如权利要求9所述的装置,其中,所述获取第一正负样本集包括:
将所述样本数据库中命中初级筛选策略的数据提取出来,作为第一数据集;以及
对所述第一数据集进行标注以得到所述第一正负样本集,其中,所述第一数据集中包括所述文本对象的数据被标注为所述第一正负样本集中的所述至少一个正样本。
13.如权利要求12所述的装置,其中,所述操作进一步包括以下步骤:
将所述样本数据库中命中所述数据筛选策略的数据提取出来,以作为样本数据集;
对所述样本数据集进行标注以得到第二正负样本集,所述第二正负样本集包括至少一个正样本,所述至少一个正样本为所述样本数据集中表示所述文本对象的数据;
响应于确定所述第二正负样本集中的所述至少一个正样本在所述样本数据集中的比例小于第二阈值,调整所述数据筛选策略;
根据经调整后的数据筛选策略,从所述样本数据库中提取数据并将提取的数据作为所述样本数据集;以及
重复所述步骤直到所述比例大于或等于所述第二阈值。
14.如权利要求13所述的装置,其中,所述操作进一步包括:
响应于确定所述重复的次数大于第三阈值,调整所述初级筛选策略。
15.如权利要求11所述的装置,其中,所述基于通用文本策略对所述至少一个关键词的所述子集进行过滤包括:
将所述至少一个关键词的子集中的一个或多个关键词进行泛化。
16.如权利要求9至15中任一项所述的装置,其中,所述文本对象检测模型通过执行包括以下各项的操作得到:
获取ernie模型;
获取基础检测模型;
基于所述样本数据集,对ernie模型进行训练激发;
响应于确定所述样本数据集的准确率小于第四阈值或所述样本数据集的召回率小于第五阈值,调整所述样本数据集;
使用经调整后的所述样本数据集,训练所述ERNIE模型;
基于训练后的ERNIE模型,提取所述样本数据库中的数据;以及
使用所提取的数据训练所述基础检测模型以得到所述文本对象检测模型。
17.一种计算机设备,包括:
存储器、处理器以及存储在所述存储器上的计算机程序,
其中,所述处理器被配置为执行所述计算机程序以实现权利要求1-8中任一项所述的方法的步骤。
18.一种非暂态计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110194393.4A CN112905743B (zh) | 2021-02-20 | 2021-02-20 | 文本对象检测的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110194393.4A CN112905743B (zh) | 2021-02-20 | 2021-02-20 | 文本对象检测的方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905743A CN112905743A (zh) | 2021-06-04 |
CN112905743B true CN112905743B (zh) | 2023-08-01 |
Family
ID=76124167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110194393.4A Active CN112905743B (zh) | 2021-02-20 | 2021-02-20 | 文本对象检测的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905743B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591464B (zh) * | 2021-07-28 | 2022-06-10 | 百度在线网络技术(北京)有限公司 | 变体文本检测方法、模型训练方法、装置及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015062377A1 (zh) * | 2013-11-04 | 2015-05-07 | 北京奇虎科技有限公司 | 一种相似文本检测装置、方法以及应用 |
CN106909669A (zh) * | 2017-02-28 | 2017-06-30 | 北京时间股份有限公司 | 一种推广信息的检测方法及装置 |
CN108519970A (zh) * | 2018-02-06 | 2018-09-11 | 平安科技(深圳)有限公司 | 文本中敏感信息的鉴定方法、电子装置及可读存储介质 |
WO2018196561A1 (zh) * | 2017-04-25 | 2018-11-01 | 腾讯科技(深圳)有限公司 | 应用的标签信息生成方法、装置及存储介质 |
CN108763470A (zh) * | 2018-05-29 | 2018-11-06 | 北京白山耘科技有限公司 | 一种通过文本信息检测危险信息的方法及装置 |
CN110134952A (zh) * | 2019-04-29 | 2019-08-16 | 华南师范大学 | 一种错误文本拒识方法、装置及存储介质 |
EP3528144A1 (en) * | 2018-02-20 | 2019-08-21 | INESC TEC - Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência | Device and method for keyword extraction from a text stream |
CN110532393A (zh) * | 2019-09-03 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置及其智能电子设备 |
CN111783424A (zh) * | 2020-06-17 | 2020-10-16 | 泰康保险集团股份有限公司 | 一种文本分句方法和装置 |
CN112307770A (zh) * | 2020-10-13 | 2021-02-02 | 深圳前海微众银行股份有限公司 | 敏感信息的检测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180300315A1 (en) * | 2017-04-14 | 2018-10-18 | Novabase Business Solutions, S.A. | Systems and methods for document processing using machine learning |
-
2021
- 2021-02-20 CN CN202110194393.4A patent/CN112905743B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015062377A1 (zh) * | 2013-11-04 | 2015-05-07 | 北京奇虎科技有限公司 | 一种相似文本检测装置、方法以及应用 |
CN106909669A (zh) * | 2017-02-28 | 2017-06-30 | 北京时间股份有限公司 | 一种推广信息的检测方法及装置 |
WO2018196561A1 (zh) * | 2017-04-25 | 2018-11-01 | 腾讯科技(深圳)有限公司 | 应用的标签信息生成方法、装置及存储介质 |
CN108519970A (zh) * | 2018-02-06 | 2018-09-11 | 平安科技(深圳)有限公司 | 文本中敏感信息的鉴定方法、电子装置及可读存储介质 |
EP3528144A1 (en) * | 2018-02-20 | 2019-08-21 | INESC TEC - Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência | Device and method for keyword extraction from a text stream |
CN108763470A (zh) * | 2018-05-29 | 2018-11-06 | 北京白山耘科技有限公司 | 一种通过文本信息检测危险信息的方法及装置 |
CN110134952A (zh) * | 2019-04-29 | 2019-08-16 | 华南师范大学 | 一种错误文本拒识方法、装置及存储介质 |
CN110532393A (zh) * | 2019-09-03 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置及其智能电子设备 |
CN111783424A (zh) * | 2020-06-17 | 2020-10-16 | 泰康保险集团股份有限公司 | 一种文本分句方法和装置 |
CN112307770A (zh) * | 2020-10-13 | 2021-02-02 | 深圳前海微众银行股份有限公司 | 敏感信息的检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于微博的交通事件提取与文本分析系统;崔健;冯璇;张佐;;交通信息与安全(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112905743A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN113656587B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN116028605B (zh) | 逻辑表达式生成方法、模型训练方法、装置及介质 | |
CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN115248890B (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN112905743B (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN114490986B (zh) | 计算机实施的数据挖掘方法、装置、电子设备及存储介质 | |
CN114219046B (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN115759100A (zh) | 数据处理方法、装置、设备及介质 | |
CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN112954025B (zh) | 基于分层知识图谱推送信息方法、装置、设备、介质 | |
US20230044508A1 (en) | Data labeling processing | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
CN113656534A (zh) | 语料扩充方法、装置、设备和介质 | |
CN114201607B (zh) | 一种信息处理的方法和装置 | |
CN114186032A (zh) | 一种识别异常搜索语句的方法及装置、电子设备和介质 | |
CN117909235A (zh) | 代码风险检测方法、深度学习模型的训练方法和装置 | |
CN116662512A (zh) | 检索模型的训练方法、信息检索方法、装置、设备和介质 |
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 |