CN113032524A - 商标侵权识别方法、终端设备及存储介质 - Google Patents
商标侵权识别方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113032524A CN113032524A CN202110310495.8A CN202110310495A CN113032524A CN 113032524 A CN113032524 A CN 113032524A CN 202110310495 A CN202110310495 A CN 202110310495A CN 113032524 A CN113032524 A CN 113032524A
- Authority
- CN
- China
- Prior art keywords
- sequence
- trademark
- target
- similarity
- candidate
- 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
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
-
- 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
- G06F16/332—Query formulation
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q30/018—Certifying business or products
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于人工智能技术领域,提供了一种商标侵权识别方法、终端设备及存储介质,该方法包括:获取目标商标和用于描述目标商标的目标描述信息,其中,目标描述信息包括目标商标所包括的字符序列;从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标;将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入预先构建的侵权识别模型组中的侵权识别模型,得到识别结果信息,其中,识别结果信息用于指示目标候选商标是否侵权;响应于识别结果信息指示目标候选商标侵权,将目标候选商标确定为侵权商标。此外,本申请还涉及区块链技术。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种商标侵权识别方法、终端设备及存储介质。
背景技术
商标是用来区别一个经营者的品牌或服务和其他经营者的商品或服务的标记。商标通常可以包括文字、图形、字母、数字、声音、三维标志和颜色组合,以及上述要素的组合。
相关技术中,通常是通过人工检索的方式,从海量的商标中检索出针对某个商标的侵权商标,需要消耗较多人力成本,且效率较低。
发明内容
有鉴于此,本申请实施例提供了一种商标侵权识别方法、终端设备及存储介质,以解决现有技术中通过人工检索的方式,从海量的商标中检索出针对某个商标的侵权商标,需要消耗较多人力成本,且效率较低的问题。
本申请实施例的第一方面提供了一种商标侵权识别方法,包括:
获取目标商标和用于描述目标商标的目标描述信息,其中,目标描述信息包括目标商标所包括的字符序列;
从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标;
将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入预先构建的侵权识别模型组中的至少一个侵权识别模型,得到识别结果信息,其中,识别结果信息用于指示目标候选商标是否侵权;
响应于识别结果信息指示目标候选商标侵权,将目标候选商标确定为侵权商标。
进一步地,目标描述信息还包括:目标商标的商标注册时间、目标商标的商标分类号和目标商标的商标所有权人名称;预设筛选条件用于筛选出与目标描述信息匹配的候选商标;以及
预设筛选条件包括以下任意一项或多项:
候选商标的商标注册时间晚于目标商标的商标注册时间;
候选商标的商标分类号与目标商标的商标分类号相匹配;
候选商标所包括的字符序列中的首字符与目标商标所包括的字符序列中的首字符相同;
候选商标所包括的字符序列的长度与目标商标所包括的字符序列的长度之间的差距小于预设差距阈值;
候选商标的商标所有权人名称不属于预设名称集合。
进一步地,将目标候选商标所包括的字符序列记作第一序列,将目标商标所包括的字符序列记作第二序列;以及侵权识别模型组中的侵权识别模型包括:第一模型,第二模型,第三模型,第四模型和第五模型;其中,
第一模型用于确定第一序列与第二序列之间的顺序相似度;
第二模型用于确定第一序列与第二序列之间的乱序相似度;
第三模型用于确定第一序列与第二序列之间的音形相似度;
第四模型用于确定第一序列与第二序列之间的语义相似度;
第五模型用于滤除第一序列和第二序列中的通用词。
进一步地,第一模型通过如下步骤确定第一序列与第二序列之间的顺序相似度:根据第一序列与第二序列间的最长公共子序列的长度、第一序列的长度、第二序列的长度和预先设定的顺序相似度计算公式,计算得到第一序列与第二序列之间的顺序相似度;以及
第二模型通过如下步骤确定第一序列与第二序列之间的乱序相似度:提取第一序列所包括的汉字,以及提取第二序列所包括的汉字,根据第一序列与第二序列中的相同汉字的数目确定第一序列与第二序列之间的乱序相似度;以及
第三模型通过如下步骤确定第一序列与第二序列之间的音形相似度:确定第一序列中汉字的拼音与第二序列中汉字的拼音之间的拼音相似度,以及确定第一序列中汉字的字形编码与第二序列中汉字的字形编码之间的字形相似度;根据拼音相似度和字形相似度确定音形相似度。
进一步地,顺序相似度计算公式包括:
sim1=2L÷(a+b)×|F(a-b)|
其中,sim1为顺序相似度,L为第一序列与第二序列间的最长公共子序列的长度,a为第一序列的长度,b为第二序列的长度,||为绝对值,F(a-b)为与(a-b)成反比的函数。
进一步地,将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入预先构建的侵权识别模型组中的至少一个侵权识别模型,得到识别结果信息,包括:
将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入第五模型,得到滤除通用词后的两个字符序列;
将所得到的两个字符序列分别输入第一模型、第二模型、第三模型和第四模型,得到对应的顺序相似度、乱序相似度、音形相似度和语义相似度;
将所得到的顺序相似度、乱序相似度、音形相似度和语义相似度的加权求和值,确定为识别结果信息。
进一步地,从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标,包括:响应于满足预设触发条件,从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标,其中,预设触发条件,包括到达预设时间点。
进一步地,方法还包括:将侵权商标和侵权商标的商标描述信息发送至目标服务器。
本申请实施例的第二方面提供了一种商标侵权识别装置,包括:
信息获取单元,用于获取目标商标和用于描述目标商标的目标描述信息,其中,目标描述信息包括目标商标所包括的字符序列;
商标选取单元,用于从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标;
信息识别单元,用于将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入预先构建的侵权识别模型组中的至少一个侵权识别模型,得到识别结果信息,其中,识别结果信息用于指示目标候选商标是否侵权;
侵权确定单元,用于响应于识别结果信息指示目标候选商标侵权,将目标候选商标确定为侵权商标。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在终端设备上运行的计算机程序,处理器执行计算机程序时实现第一方案提供的商标侵权识别方法的各步骤。
本申请实施例的第四方面提供了一种存储介质,存储介质存储有计算机程序,计算机程序被处理器执行时实现第一方案提供的商标侵权识别方法的各步骤。
实施本申请实施例提供的一种商标侵权识别方法、终端设备及存储介质具有以下有益效果:由于商标中所呈现的字符序列通常蕴含较为丰富的信息量,不同的商标所包括的字符序列通常具有较大差异。自动采用目标商标所包括的字符序列与候选商标所包括的字符序列进行分析,从而确定候选商标是否侵权,可以实现在对侵权商标进行有效识别的同时,提高对侵权商标进行识别的识别效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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是本申请实施例提供的一种商标侵权识别方法的实现流程图;
图2是本申请实施例提供的一种最长公共子序列的示意图;
图3是本申请实施例提供的一种用于确定与目标商标乱序相似的商标的实现程序;
图4是本申请另一实施例提供的一种商标侵权识别方法的实现流程图;
图5是本申请再一实施例提供的一种商标侵权识别方法的实现流程图;
图6是本申请实施例提供的一种商标侵权识别装置的结构框图;
图7是本申请实施例提供的一种终端设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例所涉及的商标侵权识别方法,可以由控制设备或终端(以下称“终端设备”)执行。商标侵权识别方法由终端设备执行时,执行主体为终端设备。
请参阅图1,图1示出了本申请实施例提供的一种商标侵权识别方法的实现流程图,包括:
步骤101,获取目标商标和用于描述目标商标的目标描述信息。
其中,目标描述信息包括目标商标所包括的字符序列。其中,字符序列中可以包括汉字、数字、字母等。这里,目标描述信息通常是用于描述目标商标的信息。实践中,上述目标描述信息还可以包括目标商标的商标注册时间、目标商标的商标分类号和目标商标的商标所有权人名称等。
其中,目标商标通常是预先设定的商标。实践中,目标商标通常是维权请求方的商标。
在本实施例中,上述执行主体可以通过多种方式获取到目标商标及目标描述信息。作为示例,上述执行主体可以直接获取用户输入的目标商标及目标描述信息。需要指出的是,目标商标及目标描述信息也可以直接存储于本地,还可以存储于与执行主体通信连接的其他电子设备。在目标商标及目标描述信息存储在本地时,执行主体可以直接提取本地所存储的目标商标及目标描述信息以进行处理。在目标商标及目标描述信息存储在与执行主体通信连接的其他电子设备时,执行主体可以通过有线连接方式或者无线连接方式获取目标商标及目标描述信息以进行处理。
步骤102,从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标。
其中,上述预设筛选条件通常是预先设定的筛选条件。
在本实施例中,上述执行主体可以从候选商标集中选取出与预设筛选条件相符的候选商标。实践中,通常可以筛选出多个候选商标。此时,目标候选商标有多个。存在多个目标候选商标时,可以针对每个目标候选商标执行步骤103-104以实现分别确定各目标候选商标是否为侵权商标。
需要指出的是,候选商标集中的候选商标通常包括商标本身和用于描述该商标的信息。为了便于描述,通常称用于描述候选商标的信息为候选描述信息。实践中,候选描述信息通常包括候选商标所包括的字符序列、候选商标的商标注册时间、候选商标的商标分类号和候选商标的商标所有权人名称等。
实践中,预设筛选条件通常用于筛选出与目标描述信息匹配的候选商标。
可选地,在目标描述信息还包括:目标商标的商标注册时间、目标商标的商标分类号和目标商标的商标所有权人名称时。预设筛选条件可以包括但不限于以下任意一项或多项:
第一项,候选商标的商标注册时间晚于目标商标的商标注册时间。
第二项,候选商标的商标分类号与目标商标的商标分类号相匹配。
这里,上述相匹配通常是指相同或相似。实践中,商标分类号通常基于商标尼斯分类标准进行分类。作为示例,商标分类号0502所指示的类为婴儿食品,商标分类号2907所指示的类为奶粉、牛奶制品。这两个商标分类号所指示的类相似。
第三项,候选商标所包括的字符序列中的首字符与目标商标所包括的字符序列中的首字符相同。
第四项,候选商标所包括的字符序列的长度与目标商标所包括的字符序列的长度之间的差距小于预设差距阈值。
这里,预设差距阈值可以是预先设定的用于表征差距的数值。举例来说,若候选商标所包括的字符序列为:cnblogs,目标商标所包括的字符序列为:belong,且预设差距阈值为5。此时,候选商标所包括的字符序列的长度为7,以及目标商标所包括的字符序列的长度为6。7与6之间的差距为1,小于5,满足筛选条件。
第五项,候选商标的商标所有权人名称不属于预设名称集合。
其中,预设名称集合中的名称可以是预先设定的名称。作为示例,若目标商标的所有权人为甲公司,甲公司的子公司为乙公司。此时,预设名称集中的名称中可以包括甲和乙。这样,可以避免将自己的商标误判为侵权商标。有助于提高对侵权商标的识别准确率。可以减少因为误判所带来的用于纠错的时间损耗,有助于进一步提高对侵权商标进行识别的识别效率。
步骤103,将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入预先构建的侵权识别模型组中的至少一个侵权识别模型,得到识别结果信息。
其中,识别结果信息用于指示目标候选商标是否侵权。
其中,侵权识别模型组中的侵权识别模型,通常是用于确定目标候选商标是否侵权的模型。
本申请的各个实施例中,为了便于描述,可以将目标候选商标所包括的字符序列记作第一序列,以及将目标商标所包括的字符序列记作第二序列。
在本申请的各个实施例的可选的实现方式中,侵权识别模型组中的侵权识别模型可以包括:第一模型,第二模型,第三模型,第四模型和第五模型。其中,第一模型用于确定第一序列与第二序列之间的顺序相似度。第二模型用于确定第一序列与第二序列之间的乱序相似度。第三模型用于确定第一序列与第二序列之间的音形相似度。第四模型用于确定第一序列与第二序列之间的语义相似度;第五模型用于滤除第一序列和第二序列中的通用词。
其中,顺序相似度,通常是用于度量两个字符序列在相同顺序上的相似程度的值。上述相同顺序可以是从左往右,也可以是从右往左。顺序相似度的取值通常大于0且小于或等于1。乱序相似度,通常是用于度量两个字符序列在字符层面的相似程度的值。乱序相似度的取值通常大于0且小于或等于1。音形相似度,通常是用于度量两个字符序列在音形层面的相似程度的值。音形相似度的取值通常大于0且小于或等于1。语义相似度,通常是用于度量两个字符序列在语义层面的相似程度的值。语义相似度的取值通常大于0且小于或等于1。
上述通用词通常是可以用于指代某一类别的词。如,保险一词可以指代保险行业类别。实践中,通常预先构建有一个通用词集合。
实际应用中,第五模型可以通过如下方式滤除第一序列中的通用词:采用分词法对第一序列进行分词处理,得到至少一个切分词。然后,针对每一个切分词,若通用词集合中存在该切分词,则将该切分词确定为通用词,且将该切分词从第一序列中滤除。作为示例,分词法可以是最短路径分词法(N-Short Path)、最大概率分词法(MaximumProbability)、最大匹配法(Maximum Matching)等。
需要指出的是,第一模型、第二模型、第三模型和第四模型均可以单独对第一序列和第二序列进行处理以得到识别结果信息。作为示例,若上述执行主体将第一序列和第二序列输入第一模型。则第一模型可以计算得到第一序列与第二序列间的顺序相似度,以及将所得到的顺序相似度作为识别结果信息输出。
另外,第五模型通常需要配合其他侵权识别模型使用,以得到识别结果信息。作为示例,若上述执行主体选择将第一序列和第二序列输入第五模型和第一模型。此时,第五模型可以先滤除第一序列中的通用词,再滤除第二序列中的通用词,以及将滤除通用词后的第一序列和滤除通用词后的第二序列输入第一模型。这样,第一模型可以计算得到滤除通用词后的第一序列和滤除通用词后的第二序列间的顺序相似度,以及将所得到的顺序相似度作为识别结果信息输出。
在本实施例中,可以实现从不同的角度对第一序列和第二序列进行处理,以得到识别结果信息。
步骤104,响应于识别结果信息指示目标候选商标侵权,将目标候选商标确定为侵权商标。
在本实施例中,若识别结果信息指示目标候选商标侵权,则上述执行主体可以将该目标候选商标确定为侵权商标。
本实施例提供的方法,由于商标中所呈现的字符序列通常蕴含较为丰富的信息量,不同的商标所包括的字符序列通常具有较大差异。自动采用目标商标所包括的字符序列与候选商标所包括的字符序列进行分析,从而确定候选商标是否侵权,可以实现在对侵权商标进行有效识别的同时,提高对侵权商标进行识别的识别效率。
在本实施例的一些可选的实现方式中,第一模型可以通过如下步骤确定第一序列与第二序列之间的顺序相似度:根据第一序列与第二序列间的最长公共子序列的长度、第一序列的长度、第二序列的长度和预先设定的顺序相似度计算公式,计算得到第一序列与第二序列之间的顺序相似度。
其中,最长公共子序列(Longest Common Subsequence,LCS)通常是指多个序列中同时具有的最长的子序列。这里,子序列与连续子序列的概念有所不同。具体地,子序列通常是从序列中抽取出的字符组成的序列,不要求连续抽取。而连续子序列通常是从序列中连续抽取出的字符组成的序列。需要指出的是,最长公共子序列通常可以衡量两个序列之间的雷同程度。
图2为本申请实施例提供的最长公共子序列的示意图。
如图2所示地,上面一行所示的字符序列为:belong,下面一行所示的字符序列为:cnblogs。两个字符序列间的最长公共子序列为blog。
其中,预先设定的顺序相似度计算公式,可以是预先设定的用于计算顺序相似度的公式。
可选地,上述顺序相似度计算公式可以为:sim1=2L÷(a+b)。其中,sim1为顺序相似度,L为第一序列与第二序列间的最长公共子序列的长度,a为第一序列的长度,b为第二序列的长度。
本实现方式中,第一模型可以采用现有技术或者采用未来发展中技术确定出第一序列与第二序列间的最长公共子序列。然后,可以得到最长公共子序列的长度。之后,可以采用最长公共子序列的长度、第一序列的长度、第二序列的长度和预先设定的顺序相似度计算公式,计算得到第一序列与第二序列之间的顺序相似度。可以实现从顺序相似度角度对第一序列和第二序列进行处理,以得到识别结果信息。
在本实施例的一些可选的实现方式中,顺序相似度计算公式可以包括:
sim1=2L÷(a+b)×|F(a-b)|
其中,sim1为顺序相似度,L为第一序列与第二序列间的最长公共子序列的长度,a为第一序列的长度,b为第二序列的长度,||为绝对值,F(a-b)为与(a-b)成反比的函数。
这里,由于有些商标中的字符较长,有些商标中的字符又较短,为了减小由于不同商标所具有的字符序列的长度差异对侵权识别结果的影响,对第一序列与第二序列间的顺序相似度进行计算时,将最长公共子序列的长度、第一序列的长度和第二序列的长度进行综合考虑,可以计算得到更加准确的顺序相似度。从而有助于进一步提高对侵权商标进行识别的准确率。
在本实施例的一些可选的实现方式中,第二模型通过如下步骤确定第一序列与第二序列之间的乱序相似度:提取第一序列所包括的汉字,以及提取第二序列所包括的汉字,根据第一序列与第二序列中的相同汉字的数目确定第一序列与第二序列之间的乱序相似度。
举例来说,若第一序列包括四个汉字,分别为:甲乙丙丁,第二序列包括三个汉字,分别为:甲乙丙。此时,第二序列中包括有第一序列所包括的所有汉字,可以认为乱序相似度为1。实践中,可以采用如下计算公式计算乱序相似度sim2=h1÷h2,其中,sim2为乱序相似度,h1为相同汉字的数目,h2为第二序列的长度。
实际应用中,使用第二模型的前提条件为:第一序列所包括的汉字数目大于或等于3,且第二序列所包括的汉字数目大于或等于3。这里,乱序相似,通常指的是字符相同且不管字符在序列中的出现顺序。
图3为本申请实施例提供的用于确定与目标商标乱序相似的商标的实现程序。图3中,语句"minimum_should_match":4,用于限定第一序列中必须有4个汉字与第二序列中的四个汉字分别相同。即,第一序列中需要同时存在平、安、科、技四个汉字。若目标候选商标中包括有目标商标中的所有汉字,第一序列与第二序列间的乱序相似度为1,此时,可以认为目标候选商标与目标商标乱序相似。
本实现方式可以实现从乱序相似度角度对第一序列和第二序列进行处理,以得到识别结果信息。
在本实施例的一些可选的实现方式中,第三模型通过如下步骤确定第一序列与第二序列之间的音形相似度:首先,确定第一序列中汉字的拼音与第二序列中汉字的拼音之间的拼音相似度,以及确定第一序列中汉字的字形编码与第二序列中汉字的字形编码之间的字形相似度。然后,根据拼音相似度和字形相似度确定音形相似度。
这里,第三模型可以计算第一序列所包括的汉字的拼音与第二序列所包括的汉字的拼音的相似度,如,余弦相似度,将计算得到的相似度作为拼音相似度。然后,计算第一序列所包括的汉字的字形编码与第二序列所包括的汉字的字形编码的相似度,如,余弦相似度,将计算得到的相似度作为字形相似度。最后,将拼音相似度和字形相似度的加权求和值确定为音形相似度。作为另一个示例,第三模型也可以将拼音相似度和字形相似度的均值确定为音形相似度。
本实现方式可以是实现从音形相似度角度对第一序列和第二序列进行处理,以得到识别结果信息。
请参阅图4,图4是本申请实施例提供的商标侵权识别方法的实现流程图。本实施例提供的商标侵权识别方法,可以包括步骤401-406。其中,步骤403-405是对图1所示的实施例中的步骤103进行细化,以细化描述如何得到识别结果信息。本实施例提供的商标侵权识别方法,可以包括:
步骤401,获取目标商标和用于描述目标商标的目标描述信息。
其中,目标描述信息包括目标商标所包括的字符序列。
步骤402,从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标。
在本实施例中,步骤401-402的具体操作与图1所示的实施例中步骤101-102的操作基本相同,在此不再赘述。
步骤403,将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入第五模型,得到滤除通用词后的两个字符序列。
本申请的各个实施例中,为了便于描述,可以将目标候选商标所包括的字符序列记作第一序列,以及将目标商标所包括的字符序列记作第二序列。
在本实施例中,上述执行主体可以将第一序列和第二序列输入第五模型。这样,第五模型可以滤除第一序列中的通用词,以及滤除第二序列中的通用词。上述执行主体可以得到滤除通用词后的第一序列,这里,可以记作第三序列。以及,上述执行主体可以得到滤除通用词后的第二序列,这里,可以记作第四序列。
步骤404,将所得到的两个字符序列分别输入第一模型、第二模型、第三模型和第四模型,得到对应的顺序相似度、乱序相似度、音形相似度和语义相似度。
在本实施例中,上述执行主体可以将第三序列和第四序列输入第一模型,得到顺序相似度。将第三序列和第四序列输入第二模型,得到乱序相似度。将第三序列和第四序列输入第三模型,得到音形相似度。将第三序列和第四序列输入第四模型,得到语义相似度。
步骤405,将所得到的顺序相似度、乱序相似度、音形相似度和语义相似度的加权求和值,确定为识别结果信息。
其中,识别结果信息用于指示目标候选商标是否侵权。
在本实施例中,上述执行主体可以将所得到的顺序相似度、乱序相似度、音形相似度和语义相似度进行加权求和,以得到识别结果信息。实践中,各相似度的权重系数可以是预先设定的。如,可以设定顺序相似度的权重系数为0.1,乱序相似度的权重系数为0.3,音形相似度的权重系数为0.2,语义相似度的权重系数为0.4。
步骤406,响应于识别结果信息指示目标候选商标侵权,将目标候选商标确定为侵权商标。
在本实施例中,步骤406的具体操作与图1所示的实施例中步骤104的操作基本相同,在此不再赘述。
在本实施例中,同时采用多个模型对第一序列和第二序列进行处理,可以实现从不同的角度对第一序列和第二序列进行综合处理。有助于得到更加准确的识别结果信息。从而进一步提高对侵权商标进行识别的准确率。
在本申请的各个实施例的可选的实现方式中,从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标,包括:响应于满足预设触发条件,从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标。
其中,预设触发条件可以是预先设定的各种条件。作为示例,预设触发条件可以是到达预设时间点。
本实现方式中,只有在当前情形满足预设触发条件的情况下,才执行从预先存储的候选商标集中选取满足预设筛选条件的候选商标。可以减少不必要的计算资源的损耗,有助于节约计算资源。
在本申请的各个实施例的可选的实现方式中,上述商标侵权识别方法还可以包括:将侵权商标和侵权商标的商标描述信息发送至目标服务器。
其中,目标服务器可以是预先设定的服务器。作为示例,目标服务器可以是管理员可以访问的服务器。侵权商标的商标描述信息通常是用于描述侵权商标的信息。
本实现方式中,将侵权商标和侵权商标的商标描述信息发送至目标服务器,可以实现用户及时获取到与目标商标相关的侵权信息。
请参阅图5,图5是本申请实施例提供的商标侵权识别方法的实现流程图。本实施例提供的商标侵权识别方法,包括步骤501-506。其中,
步骤501,用户在页面录入维权保护对象的商标以及相关信息。
这里,维权保护对象的商标为目标商标,相关信息为用于描述所述目标商标的目标描述信息。
步骤502,系统每天定时触发执行商标侵权监测。
这里,终端设备通常可以在预设时间点,如每天的晚上11点执行本申请各实施例提供的商标侵权识别方法。
步骤503,终端设备读取数据库中的维权主体商标以及相关信息。
步骤504,终端设备采用筛选条件去搜索引擎中快速查找有可能近似的商标。
这里,筛选条件可以包括但不限于以下任意一项或多项:候选商标的商标注册时间晚于所述目标商标的商标注册时间。候选商标的商标分类号与所述目标商标的商标分类号相匹配。候选商标所包括的字符序列中的首字符与所述目标商标所包括的字符序列中的首字符相同。候选商标所包括的字符序列的长度与目标商标所包括的字符序列的长度之间的差距小于预设差距阈值。候选商标的商标所有权人名称不属于预设名称集合。
这里,终端设备可以筛选得到多个候选商标。
步骤505,终端设备将筛选出的近似商标输入精准比对的侵权识别模型组,根据侵权识别模型组中各侵权识别模型的得分,综合计算得到近似商标的总体得分,用以判断相似商标是否为侵权商标。
这里,将所述目标候选商标所包括的字符序列记作第一序列,将所述目标商标所包括的字符序列记作第二序列。侵权识别模型组中的侵权识别模型包括:第一模型,第二模型,第三模型,第四模型和第五模型;其中,所述第一模型用于确定所述第一序列与所述第二序列之间的顺序相似度。所述第二模型用于确定所述第一序列与所述第二序列之间的乱序相似度。所述第三模型用于确定所述第一序列与所述第二序列之间的音形相似度。所述第四模型用于确定所述第一序列与所述第二序列之间的语义相似度。所述第五模型用于滤除所述第一序列和所述第二序列中的通用词。
步骤506,终端设备将确定为侵权商标的商标推送至数据库。
在本申请的所有实施例中,终端设备采用目标商标所包括的字符序列与候选商标所包括的字符序列进行分析,从而确定候选商标是否侵权,以及在确定候选商标侵权时,可以将候选商标确定为侵权商标。终端设备可以将目标商标、侵权商标和识别结果信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得到该数据信息,以便查证数据信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的存储服务器,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
请参阅图6,图6是本申请实施例提供的一种商标侵权识别装置600的结构框图。本实施例中该终端设备包括的各单元用于执行图1至图5对应的实施例中的各步骤。具体请参阅图1至图5以及图1至图5所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图6,商标侵权识别装置600包括:
信息获取单元601,用于获取目标商标和用于描述目标商标的目标描述信息,其中,目标描述信息包括目标商标所包括的字符序列;
商标选取单元602,用于从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标;
信息识别单元603,用于将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入预先构建的侵权识别模型组中的至少一个侵权识别模型,得到识别结果信息,其中,识别结果信息用于指示目标候选商标是否侵权;
侵权确定单元604,用于响应于识别结果信息指示目标候选商标侵权,将目标候选商标确定为侵权商标。
作为本申请一实施例,目标描述信息还包括:目标商标的商标注册时间、目标商标的商标分类号和目标商标的商标所有权人名称;预设筛选条件用于筛选出与目标描述信息匹配的候选商标;以及
预设筛选条件包括以下任意一项或多项:
候选商标的商标注册时间晚于目标商标的商标注册时间;
候选商标的商标分类号与目标商标的商标分类号相匹配;
候选商标所包括的字符序列中的首字符与目标商标所包括的字符序列中的首字符相同;
候选商标所包括的字符序列的长度与目标商标所包括的字符序列的长度之间的差距小于预设差距阈值;
候选商标的商标所有权人名称不属于预设名称集合。
作为本申请一实施例,将目标候选商标所包括的字符序列记作第一序列,将目标商标所包括的字符序列记作第二序列;以及侵权识别模型组中的侵权识别模型包括:第一模型,第二模型,第三模型,第四模型和第五模型;其中,
第一模型用于确定第一序列与第二序列之间的顺序相似度;
第二模型用于确定第一序列与第二序列之间的乱序相似度;
第三模型用于确定第一序列与第二序列之间的音形相似度;
第四模型用于确定第一序列与第二序列之间的语义相似度;
第五模型用于滤除第一序列和第二序列中的通用词。
作为本申请一实施例,第一模型通过如下步骤确定第一序列与第二序列之间的顺序相似度:根据第一序列与第二序列间的最长公共子序列的长度、第一序列的长度、第二序列的长度和预先设定的顺序相似度计算公式,计算得到第一序列与第二序列之间的顺序相似度;以及
第二模型通过如下步骤确定第一序列与第二序列之间的乱序相似度:提取第一序列所包括的汉字,以及提取第二序列所包括的汉字,根据第一序列与第二序列中的相同汉字的数目确定第一序列与第二序列之间的乱序相似度;以及
第三模型通过如下步骤确定第一序列与第二序列之间的音形相似度:确定第一序列中汉字的拼音与第二序列中汉字的拼音之间的拼音相似度,以及确定第一序列中汉字的字形编码与第二序列中汉字的字形编码之间的字形相似度;根据拼音相似度和字形相似度确定音形相似度。
作为本申请一实施例,顺序相似度计算公式包括:
sim1=2L÷(a+b)×|F(a-b)|
其中,sim1为顺序相似度,L为第一序列与第二序列间的最长公共子序列的长度,a为第一序列的长度,b为第二序列的长度,||为绝对值,F(a-b)为与(a-b)成反比的函数。
作为本申请一实施例,信息识别单元603,具体用于:
将目标候选商标所包括的字符序列和目标商标所包括的字符序列,输入第五模型,得到滤除通用词后的两个字符序列;
将所得到的两个字符序列分别输入第一模型、第二模型、第三模型和第四模型,得到对应的顺序相似度、乱序相似度、音形相似度和语义相似度;
将所得到的顺序相似度、乱序相似度、音形相似度和语义相似度的加权求和值,确定为识别结果信息。
作为本申请一实施例,商标选取单元602,具体用于:响应于满足预设触发条件,从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标,其中,预设触发条件,包括到达预设时间点。
作为本申请一实施例,装置还可以包括信息发送单元(图中未示出)。其中,信息发送单元,用于将侵权商标和侵权商标的商标描述信息发送至目标服务器。
本实施例提供的装置,由于商标中所呈现的字符序列通常蕴含较为丰富的信息量,不同的商标所包括的字符序列通常具有较大差异。自动采用目标商标所包括的字符序列与候选商标所包括的字符序列进行分析,从而确定候选商标是否侵权,可以实现在对侵权商标进行有效识别的同时,提高对侵权商标进行识别的识别效率。
应当理解的是,图6示出的商标侵权识别装置的结构框图中,各单元用于执行图1至图5对应的实施例中的各步骤,而对于图1至图6对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图1至图6以及图1至图6所对应的实施例中的相关描述,此处不再赘述。
图7是本申请另一实施例提供的一种终端设备的结构框图。如图7所示,该实施例的终端设备700包括:处理器701、存储器702以及存储在存储器702中并可在处理器701上运行的计算机程序703,例如商标侵权识别方法的程序。处理器701执行计算机程序703时实现上述各个商标侵权识别方法各实施例中的步骤,例如图1所示的步骤101至步骤104,或者图4所示的401至406。或者,处理器701执行计算机程序703时实现上述图6对应的实施例中各单元的功能,例如,图6所示的单元601至604的功能,具体请参阅图6对应的实施例中的相关描述,此处不赘述。
示例性的,计算机程序703可以被分割成一个或多个单元,一个或者多个单元被存储在存储器702中,并由处理器701执行,以完成本申请。一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序703在终端设备700中的执行过程。例如,计算机程序703可以被分割成信息获取单元、商标选取单元,信息识别单元,侵权确定单元,各单元具体功能如上。
终端设备可包括,但不仅限于,处理器701、存储器702。本领域技术人员可以理解,图7仅仅是终端设备700的示例,并不构成对终端设备700的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如转台设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器702可以是终端设备700的内部存储单元,例如终端设备700的硬盘或内存。存储器702也可以是终端设备700的外部存储设备,例如终端设备700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器702还可以既包括终端设备700的内部存储单元也包括外部存储设备。存储器702用于存储计算机程序以及转台设备所需的其他程序和数据。存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种商标侵权识别方法,其特征在于,所述方法包括:
获取目标商标和用于描述所述目标商标的目标描述信息,其中,所述目标描述信息包括目标商标所包括的字符序列;
从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标;
将所述目标候选商标所包括的字符序列和所述目标商标所包括的字符序列,输入预先构建的侵权识别模型组中的至少一个侵权识别模型,得到识别结果信息,其中,所述识别结果信息用于指示所述目标候选商标是否侵权;
响应于所述识别结果信息指示所述目标候选商标侵权,将所述目标候选商标确定为侵权商标。
2.根据权利要求1所述的商标侵权识别方法,其特征在于,所述目标描述信息还包括:所述目标商标的商标注册时间、所述目标商标的商标分类号和所述目标商标的商标所有权人名称;所述预设筛选条件用于筛选出与所述目标描述信息匹配的候选商标;以及
所述预设筛选条件包括以下任意一项或多项:
候选商标的商标注册时间晚于所述目标商标的商标注册时间;
候选商标的商标分类号与所述目标商标的商标分类号相匹配;
候选商标所包括的字符序列中的首字符与所述目标商标所包括的字符序列中的首字符相同;
候选商标所包括的字符序列的长度与目标商标所包括的字符序列的长度之间的差距小于预设差距阈值;
候选商标的商标所有权人名称不属于预设名称集合。
3.根据权利要求1所述的商标侵权识别方法,其特征在于,将所述目标候选商标所包括的字符序列记作第一序列,将所述目标商标所包括的字符序列记作第二序列;以及所述侵权识别模型组中的侵权识别模型包括:第一模型,第二模型,第三模型,第四模型和第五模型;其中,
所述第一模型用于确定所述第一序列与所述第二序列之间的顺序相似度;
所述第二模型用于确定所述第一序列与所述第二序列之间的乱序相似度;
所述第三模型用于确定所述第一序列与所述第二序列之间的音形相似度;
所述第四模型用于确定所述第一序列与所述第二序列之间的语义相似度;
所述第五模型用于滤除所述第一序列和所述第二序列中的通用词。
4.根据权利要求3所述的商标侵权识别方法,其特征在于,
所述第一模型通过如下步骤确定所述第一序列与所述第二序列之间的顺序相似度:根据所述第一序列与所述第二序列间的最长公共子序列的长度、所述第一序列的长度、所述第二序列的长度和预先设定的顺序相似度计算公式,计算得到所述第一序列与所述第二序列之间的顺序相似度;以及
所述第二模型通过如下步骤确定所述第一序列与所述第二序列之间的乱序相似度:提取所述第一序列所包括的汉字,以及提取所述第二序列所包括的汉字;根据所述第一序列与所述第二序列中的相同汉字的数目确定所述第一序列与所述第二序列之间的乱序相似度;以及
所述第三模型通过如下步骤确定所述第一序列与所述第二序列之间的音形相似度:确定所述第一序列中汉字的拼音与所述第二序列中汉字的拼音之间的拼音相似度,以及确定所述第一序列中汉字的字形编码与所述第二序列中汉字的字形编码之间的字形相似度;根据所述拼音相似度和所述字形相似度确定所述音形相似度。
5.根据权利要求4所述的商标侵权识别方法,其特征在于,所述顺序相似度计算公式包括:
sim1=2L÷(a+b)×|F(a-b)|
其中,sim1为顺序相似度,L为第一序列与第二序列间的最长公共子序列的长度,a为第一序列的长度,b为第二序列的长度,||为绝对值,F(a-b)为与(a-b)成反比的函数。
6.根据权利要求3-5中任一项所述的商标侵权识别方法,其特征在于,所述将所述目标候选商标所包括的字符序列和所述目标商标所包括的字符序列,输入预先构建的侵权识别模型组中的至少一个侵权识别模型,得到识别结果信息,包括:
将所述目标候选商标所包括的字符序列和所述目标商标所包括的字符序列,输入所述第五模型,得到滤除通用词后的两个字符序列;
将所得到的两个字符序列分别输入所述第一模型、所述第二模型、所述第三模型和所述第四模型,得到对应的顺序相似度、乱序相似度、音形相似度和语义相似度;
将所得到的顺序相似度、乱序相似度、音形相似度和语义相似度的加权求和值,确定为所述识别结果信息。
7.根据权利要求1所述的商标侵权识别方法,其特征在于,所述从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标,包括:响应于满足预设触发条件,从预先存储的候选商标集中选取满足预设筛选条件的候选商标,作为目标候选商标,其中,所述预设触发条件,包括到达预设时间点。
8.根据权利要求1所述的商标侵权识别方法,其特征在于,所述方法还包括:将所述侵权商标和所述侵权商标的商标描述信息发送至目标服务器。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110310495.8A CN113032524A (zh) | 2021-03-23 | 2021-03-23 | 商标侵权识别方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110310495.8A CN113032524A (zh) | 2021-03-23 | 2021-03-23 | 商标侵权识别方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113032524A true CN113032524A (zh) | 2021-06-25 |
Family
ID=76473070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110310495.8A Pending CN113032524A (zh) | 2021-03-23 | 2021-03-23 | 商标侵权识别方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113032524A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493532A (zh) * | 2023-12-29 | 2024-02-02 | 深圳智汇创想科技有限责任公司 | 文本处理方法、装置、设备以及存储介质 |
CN117609771A (zh) * | 2024-01-24 | 2024-02-27 | 中国标准化研究院 | 疑似侵权商标的检索方法、检索装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050103836A (ko) * | 2004-04-27 | 2005-11-01 | (주)광개토연구소 | 유사성 판단을 포함하는 상표 검색 방법 및 이를 이용한상표 정보 시스템 |
US20150324469A1 (en) * | 2014-05-09 | 2015-11-12 | Thomson Reuters Global Resources | System and Methods for Automating Trademark and Service Mark Searches |
CN106095865A (zh) * | 2016-06-03 | 2016-11-09 | 中细软移动互联科技有限公司 | 一种商标文本相似性评审方法 |
CN112507160A (zh) * | 2020-12-03 | 2021-03-16 | 平安科技(深圳)有限公司 | 商标侵权的自动化判定方法、装置、电子设备和存储介质 |
-
2021
- 2021-03-23 CN CN202110310495.8A patent/CN113032524A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050103836A (ko) * | 2004-04-27 | 2005-11-01 | (주)광개토연구소 | 유사성 판단을 포함하는 상표 검색 방법 및 이를 이용한상표 정보 시스템 |
US20150324469A1 (en) * | 2014-05-09 | 2015-11-12 | Thomson Reuters Global Resources | System and Methods for Automating Trademark and Service Mark Searches |
CN106095865A (zh) * | 2016-06-03 | 2016-11-09 | 中细软移动互联科技有限公司 | 一种商标文本相似性评审方法 |
CN112507160A (zh) * | 2020-12-03 | 2021-03-16 | 平安科技(深圳)有限公司 | 商标侵权的自动化判定方法、装置、电子设备和存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493532A (zh) * | 2023-12-29 | 2024-02-02 | 深圳智汇创想科技有限责任公司 | 文本处理方法、装置、设备以及存储介质 |
CN117493532B (zh) * | 2023-12-29 | 2024-03-29 | 深圳智汇创想科技有限责任公司 | 文本处理方法、装置、设备以及存储介质 |
CN117609771A (zh) * | 2024-01-24 | 2024-02-27 | 中国标准化研究院 | 疑似侵权商标的检索方法、检索装置及电子设备 |
CN117609771B (zh) * | 2024-01-24 | 2024-03-29 | 中国标准化研究院 | 疑似侵权商标的检索方法、检索装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944020B (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
CN108428132B (zh) | 欺诈交易识别方法、装置、服务器及存储介质 | |
CN109033105B (zh) | 获取裁判文书焦点的方法和装置 | |
CN109815487B (zh) | 文本质检方法、电子装置、计算机设备及存储介质 | |
CN109189991A (zh) | 重复视频识别方法、装置、终端及计算机可读存储介质 | |
CN111737499B (zh) | 基于自然语言处理的数据搜索方法及相关设备 | |
CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
CN110263326B (zh) | 一种用户行为预测方法、预测装置、存储介质及终端设备 | |
CN110765760B (zh) | 一种法律案件分配方法、装置、存储介质和服务器 | |
CN113032524A (zh) | 商标侵权识别方法、终端设备及存储介质 | |
US20230410222A1 (en) | Information processing apparatus, control method, and program | |
CN111260220A (zh) | 群控设备识别方法、装置、电子设备和存储介质 | |
CN106910135A (zh) | 用户推荐方法及装置 | |
CN113127864B (zh) | 特征码提取方法、装置、计算机设备和可读存储介质 | |
CN110968664A (zh) | 一种文书检索方法、装置、设备及介质 | |
CN111783871A (zh) | 基于有监督学习模型的异常数据识别方法及相关设备 | |
CN114996360B (zh) | 数据分析方法、系统、可读存储介质及计算机设备 | |
CN111507850A (zh) | 核保方法及相关装置、设备 | |
CN116467446A (zh) | 医疗实体关系识别模型训练方法、装置、设备及存储介质 | |
CN113448876B (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
CN113282837B (zh) | 事件分析方法、装置、计算机设备及存储介质 | |
CN111597453B (zh) | 用户画像方法、装置、计算机设备及计算机可读存储介质 | |
CN116563898A (zh) | 基于GhostNet网络的掌静脉图像识别方法、装置、设备及介质 | |
CN116503918A (zh) | 基于ViT网络的掌静脉图像分类方法、装置、设备及介质 | |
CN113269179A (zh) | 数据处理方法、装置、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 |