CN113221554A - 文本处理方法、装置、电子设备和存储介质 - Google Patents
文本处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113221554A CN113221554A CN202110466698.6A CN202110466698A CN113221554A CN 113221554 A CN113221554 A CN 113221554A CN 202110466698 A CN202110466698 A CN 202110466698A CN 113221554 A CN113221554 A CN 113221554A
- Authority
- CN
- China
- Prior art keywords
- text
- processed
- shielding
- sensitive word
- processing
- 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
- 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
- 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
Abstract
本公开提供一种文本处理方法、装置、电子设备和存储介质,通过获取待处理文本;然后,对于第一预设敏感词集合中每个敏感词,响应于确定待处理文本中包括该敏感词,对待处理文本中该敏感词所在位置进行第一屏蔽处理;再对第一屏蔽处理后的所待处理文本进行分词处理,得到待处理分词序列;最后,对于待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,将第一屏蔽处理后的待处理文本中该分词相应位置进行第二屏蔽处理。从而,实现对敏感词分级处理,相对于现行的敏感词屏蔽方法,可以减少将第二敏感词集合中敏感词误屏蔽的情况,进而提高敏感词屏蔽准确度。
Description
技术领域
本公开的实施例涉及信息处理技术领域,具体涉及文本处理方法、装置、电子设备和存储介质。
背景技术
随着互联网的快速发展,每天网络上都会产生大量的UGC(User GeneratedContent,用户生成内容)数据,其中就包含大量的文本数据。而这些文本数据中,可能会存在一些敏感词(例如,不雅文字等)。为了对这些敏感词进行屏蔽,大多采用建立敏感词词典,对于给定文本,判断其中是否存在敏感词典中的敏感词,若存在即进行屏蔽。
发明内容
本公开的实施例提出了文本处理方法、装置、电子设备和存储介质。
第一方面,本公开的实施例提供了一种文本处理方法,该方法包括:
获取待处理文本;
对于第一预设敏感词集合中每个敏感词,响应于确定所述待处理文本中包括该敏感词,对所述待处理文本中该敏感词所在位置进行第一屏蔽处理;
对所述第一屏蔽处理后的所述待处理文本进行分词处理,得到待处理分词序列;
对于所述待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,对所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理。
在一些可选的实施方式中,所述第一屏蔽处理和第二屏蔽处理包括以下至少一项:删除、混淆、替换、加密。
在一些可选的实施方式中,所述对所述待处理文本中该敏感词所在位置进行第一屏蔽处理,包括:
将所述待处理文本中该敏感词替换为预设替换字符串。
在一些可选的实施方式中,所述将所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理,包括:
将所述第一屏蔽处理后的所述待处理文本中该分词替换为预设替换字符串。
在一些可选的实施方式中,所述方法还包括:
发布所述待处理文本。
在一些可选的实施方式中,所述待处理文本为以下任一项:待发布网页中的文本、待发布视频对应的字幕文本、待发布音频对应的字幕文本、视频直播期间的语音识别文本、待发布图像中对应的光学字符识别文本、在文本编辑应用中输入的文本、输入法应用呈现的候选文本。
在一些可选的实施方式中,所述第一预设敏感词集合包括敏感类人名、敏感类地名和敏感类名词。
第二方面,本公开的实施例提供了一种文本处理装置,该装置包括:
获取单元,被配置成获取待处理文本;
第一屏蔽单元,被配置成对于第一预设敏感词集合中每个敏感词,响应于确定所述待处理文本中包括该敏感词,对所述待处理文本中该敏感词所在位置进行第一屏蔽处理;
分词单元,被配置成对所述第一屏蔽处理后的所述待处理文本进行分词处理,得到待处理分词序列;
第二屏蔽单元,被配置成对于所述待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,对所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理。
在一些可选的实施方式中,所述第一屏蔽处理和第二屏蔽处理包括以下至少一项:删除、混淆、替换、加密。
在一些可选的实施方式中,所述对所述待处理文本中该敏感词所在位置进行第一屏蔽处理,包括:
将所述待处理文本中该敏感词替换为预设替换字符串。
在一些可选的实施方式中,所述将所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理,包括:
将所述第一屏蔽处理后的所述待处理文本中该分词替换为预设替换字符串。
在一些可选的实施方式中,所述装置还包括:
发布单元,被配置成发布所述待处理文本。
在一些可选的实施方式中,所述待处理文本为以下任一项:待发布网页中的文本、待发布视频对应的字幕文本、待发布音频对应的字幕文本、视频直播期间的语音识别文本、待发布图像中对应的光学字符识别文本、在文本编辑应用中输入的文本、输入法应用呈现的候选文本。
在一些可选的实施方式中,所述第一预设敏感词集合包括敏感类人名、敏感类地名和敏感类名词。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。
现行的对于给定文本判断其中是否存在敏感词典中的敏感词,若存在即进行屏蔽的方法,可能存在误屏蔽的情况。例如:“山寨”、“水货”、“盗版”这些词对于电子商务网站属于涉及可能侵犯知识产权、不宜销售的产品介绍中的敏感词,需要进行屏蔽。但是在产品介绍中涉及一本长篇小说的内容简介中包括如下这句话“羊角山寨门大开”,这句话中虽然包含了“山寨”这个字符串,但其实“山”这个字并不是和“寨”形成组合,而是和前面的“羊角”组合成了“羊角山”一词。这时就不应该被屏蔽。
为了提高敏感词屏蔽的准确性,减少误屏蔽,本公开的实施例提供的文本处理方法、装置、电子设备和存储介质,通过获取待处理文本;然后,对于第一预设敏感词集合中每个敏感词,响应于确定待处理文本中包括该敏感词,对待处理文本中该敏感词所在位置进行第一屏蔽处理;再对第一屏蔽处理后的所待处理文本进行分词处理,得到待处理分词序列;最后,对于待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,将第一屏蔽处理后的待处理文本中该分词相应位置进行第二屏蔽处理。即,通过将敏感词分类成第一敏感词集合和第二敏感词集合,其中,第一敏感词集合中的敏感词只要出现在文本中就进行第一屏蔽处理,即无条件屏蔽。而第二敏感词集合中的敏感词,则先对文本进行分词处理,然后判断每个分词是否在第二敏感词集合中,在第二敏感词集合中进行第二屏蔽处理。从而,相对于现行的敏感词屏蔽方法,可以实现对敏感词分级处理,减少误屏蔽的情况,进而提高敏感词屏蔽准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的文本处理方法的一个实施例的流程图;
图3是根据本公开的文本处理方法的一个应用场景的示意图;
图4是根据本公开的文本处理方法的又一个实施例的流程图;
图5是根据本公开的文本处理装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的文本处理方法、装置、电子设备和存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如文本处理类应用、语音识别类应用、短视频社交类应用、音视频会议类应用、视频直播类应用、文档编辑类应用、输入法类应用、网页浏览器应用、购物类应用、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101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有视频显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供文本处理服务),也可以实现成单个软件或软件模块。在此不做具体限定。
在一些情况下,本公开所提供的文本处理方法可以由终端设备101、102、103执行,相应地,文本处理装置可以设置于终端设备101、102、103中。这时,系统架构100也可以不包括服务器105。
在一些情况下,本公开所提供的文本处理方法可以由终端设备101、102、103和服务器105共同执行,例如,“获取待处理文本”的步骤可以由终端设备101、102、103执行,“对第一屏蔽处理后的待处理文本进行分词处理,得到待处理分词序列”等步骤可以由服务器105执行。本公开对此不做限定。相应地,文本处理装置也可以分别设置于终端设备101、102、103和服务器105中。
在一些情况下,本公开所提供的文本处理方法可以由服务器105执行,相应地,文本处理装置也可以设置于服务器105中,这时,系统架构100也可以不包括终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、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。
继续参考图2,其示出了根据本公开的文本处理方法的一个实施例的流程200,该文本处理方法包括以下步骤:
步骤201,获取待处理文本。
在本实施例中,文本处理方法的执行主体(例如图1所示的服务器105)可以本地或者远程地从与上述执行主体网络连接的其他电子设备(例如,图1所示的终端设备101、102、103)获取待处理文本。
这里,待处理文本可以由同一种语言的字符组成的,也可以由多于一种语言的字符所组成的,本公开对此不做具体限定。
待处理文本可以是各种情况下的文本,本公开对此不做具体限定。
在一些可选的实施方式中,待处理文本可以是以下任一项:待发布网页中的文本、待发布视频对应的字幕文本、待发布音频对应的字幕文本、视频直播期间的语音识别文本、待发布图像中对应的光学字符识别文本、在文本编辑应用中输入的文本、输入法应用呈现的候选文本。
步骤202,对于第一预设敏感词集合中每个敏感词,响应于确定待处理文本中包括该敏感词,对待处理文本中该敏感词所在位置进行第一屏蔽处理。
在本实施例中,上述执行主体可以本地或者远程地从与上述执行主体网络连接的其他电子设备获取第一预设敏感词集合。然后,可以对所获取的第一预设敏感词集合中每个敏感词,确定待处理文本中是否包括该敏感词,即可以通过字符串匹配的方法确定该敏感词是否与待处理文本中的部分字符串相同。如果确定包括,则可以对待处理文本中该敏感词所在位置进行第一屏蔽处理。
这里,第一敏感词集合可以是采用机器学习或数据挖掘算法从大量语料中动态学习的,也可以是由技术人员根据相关法规及经验人工制定的,第一敏感词集合也可以同时包括动态学习得到的敏感词和人工指定的敏感词。
在一些可选的实施方式中,第一预设敏感词集合中可以包括敏感类人名、敏感类地名和敏感类名词。
实践中,可以采用各种实现方式对待处理文本中该敏感词所在位置进行第一屏蔽处理,以将待处理文本中该敏感词所在位置的字符串删除或者替换成其他字符串,可以理解的是,这里的其他字符串应不属于第一敏感词集合和第二敏感词集合。
在一些可选的实施方式中,第一屏蔽处理可以包括以下至少一项:删除、混淆、替换、加密。
这里,删除即将待处理文本中该敏感词所在位置的字符串删除。
而混淆可以是将待处理文本中该敏感词所在位置的字符串按照预设规则进行处理,并得到混淆后的字符串,在确定混淆后的字符串不属于第一敏感词集合和第二敏感词集合后,再将待处理文本中该敏感词所在位置的字符串用所得到的混淆后的字符串进行替换,以完成屏蔽处理。例如,预设规则可以是打乱该敏感词中各字符的顺序。又例如,预设规则也可以是获取该敏感词的词性分类对应的字符串。
替换,可以是将待处理文本中该敏感词所在位置的字符串替换为预设替换字符串。预设替换字符串可以是一个也可以是多个。例如可以是“*”、“123”、“甲乙丙丁”等。而替换时可以按照固定规则进行替换。例如,不论该敏感词的字符长度为多长,都替换成“*”。也可以根据该敏感词的字符长度进行替换,例如,该敏感词的长度为n,则替换成n个“*”。还可以,随机在预设替换字符串中选择一个替换该敏感词。本公开对此不做具体限定。可以理解的是,预设替换字符串应不属于第一敏感词集合和第二敏感词集合。
这里,加密可以是对该敏感词进行加密后得到加密字符串,并用加密字符串替换待处理文本中该敏感词所在位置处的字符串。本公开对加密算法不做具体限定。例如,可以是RSA、DES、3DES等加密算法。
经过步骤202,已经将待处理字符串中所包括的各第一敏感词集合中的敏感词进行了屏蔽处理。
步骤203,对第一屏蔽处理后的待处理文本进行分词处理,得到待处理分词序列。
在本实施例中,上述执行主体可以采用各种现在已知或未来开发的分词方法对经步骤202第一屏蔽处理后的待处理文本进行分词处理,得到待处理分词序列,本公开对此不做具体限定。例如,可以采用基于字符串匹配的分词方法、基于理解的分词方法或者基于统计的分词方法等等。例如,对第一屏蔽处理后的待处理文本“今天天气很好。”进行分词处理可以得到待处理分词序列“今天/天气/很/好”。
步骤204,对于待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,对第一屏蔽处理后的待处理文本中该分词相应位置进行第二屏蔽处理。
在本实施例中,上述执行主体可以本地或者远程地从与上述执行主体网络连接的其他电子设备获取第二预设敏感词集合。然后,可以对于步骤203得到的待处理分词序列中的每个分词,确定该分词是否属于第二预设敏感词集合;如果确定属于,则对经步骤202第一屏蔽处理后的待处理文本中该分词相应位置进行第二屏蔽处理。
这里,第二敏感词集合可以是采用机器学习或数据挖掘算法从大量语料中动态学习的,也可以是由技术人员根据风土人情、风俗习惯人文素养及经验人工制定的,第二敏感词集合也可以同时包括动态学习得到的敏感词和人工指定的敏感词。
实践中,可以采用各种实现方式对经步骤202第一屏蔽处理后的待处理文本中该分词相应位置进行第二屏蔽处理,以将经步骤202第一屏蔽处理后的待处理文本中该分词所在位置的字符串删除或者替换成其他字符串,可以理解的是,这里的其他字符串应不属于第一敏感词集合和第二敏感词集合。
需要说明的是,第二屏蔽处理可以第一屏蔽处理方法相同或不同。相应地,这里第二屏蔽处理也可以包括以下至少一项:删除、混淆、替换、加密。关于删除、混淆、替换、加密的具体解释可以参考步骤202中的相关描述在此不再赘述。
例如,步骤204中所采用的具体屏蔽处理方法和步骤202中所采用的具体屏蔽处理均可以为删除或替换成预设替换字符串。这里关于替换成预设替换字符串的具体解释可以参考步骤202中的相关描述,在此不再赘述。
当第一屏蔽处理与第二屏蔽处理不同时,可以实现对敏感词分级屏蔽处理,以在经两次屏蔽处理后的待处理文本中采用不同的方式呈现待处理文本中曾经存在第一预设敏感词集合中的敏感词和第二预设敏感词集合中的敏感词。
继续参见图3,图3是根据本实施例的文本处理方法的应用场景的一个示意图。在图3的应用场景中,首先服务器301从终端设备302获取待处理文本303。然后服务器301,对于第一预设敏感词集合304中每个敏感词,如果确定待处理文本中包括该敏感词,则对待处理文本303中该敏感词所在位置进行第一屏蔽处理,并得到第一屏蔽处理后的待处理文本303。接着,服务器301对第一屏蔽处理后的待处理文本303进行分词处理,得到待处理分词序列305。最后,服务器301对于待处理分词序列305中的每个分词,如果确定该分词属于第二预设敏感词集合306,则对第一屏蔽处理后的待处理文本303中该分词相应位置进行第二屏蔽处理,并最终得到经两次屏蔽处理后的待处理文本303。
本公开的上述实施例提供的文本处理方法,通过将敏感词分类成第一敏感词集合和第二敏感词集合,其中,第一敏感词集合中的敏感词只要出现在待处理文本中进行第一屏蔽处理,即无条件屏蔽。而第二敏感词集合中的敏感词,则先对待处理文本进行分词处理,然后判断每个分词是否在第二敏感词集合中,在第二敏感词集合中进行第二屏蔽处理。从而,实现对敏感词分级处理,相对于现行的敏感词屏蔽方法,可以减少敏感词误屏蔽的情况,进而提高敏感词屏蔽准确度。
继续参考图4,其示出了根据本公开的文本处理方法的又一个实施例的流程400。该文本处理方法,包括以下步骤:
步骤401,获取待处理文本。
在本实施例中,待处理文本可以是各种形式的待发布文本。
文本处理方法的执行主体例如可以是图1所示的终端设备,这样上述执行主体可以本地获取待处理文本。例如,待处理文本可以是用户通过终端设备编辑的网页中的文本。
文本处理方法的执行主体例如也可以是图1所示的服务器,这样上述执行主体可以从终端设备获取待发布音视频,并对待发布音视频进行自动语音识别得到识别文本,而所得到的识别文本即为待处理文本。
步骤402,对于第一预设敏感词集合中每个敏感词,响应于确定待处理文本中包括该敏感词,对待处理文本中该敏感词所在位置进行第一屏蔽处理。
步骤403,对第一屏蔽处理后的待处理文本进行分词处理,得到待处理分词序列。
步骤404,对于待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,对第一屏蔽处理后的待处理文本中该分词相应位置进行第二屏蔽处理。
在本实施例中,步骤401、步骤402、步骤403和步骤404的具体操作及其所产生的技术效果与图2所示的实施例中步骤201、步骤202、步骤203和步骤204的操作及效果基本相同,在此不再赘述。
步骤405,发布待处理文本。
在本实施例中,上述执行主体可以根据待处理文本的具体应用场景而相应发布待处理文本。这里的待处理文本已经经过步骤402和步骤402的两次敏感词屏蔽,因此所发布的待处理文本将更加符合发布要求。
例如,当上述步骤401到步骤403的执行主体为终端设备时,则步骤405可以是终端设备基于待处理文本生成发布请求,并将所生成的发布请求发送给对待处理文本所发布至的应用提供支持的服务器,进而服务器可以对上述发布请求进行处理,并相应发布待处理文本。
例如,当上述步骤401到步骤403的执行主体为服务器时,则步骤405可以是服务器根据其所提供的服务发布待处理文本。例如,当待处理文本为对待发布音视频进行自动语音识别得到的识别文本时,可以根据待处理文本生成待发布音视频对应的字幕文本,并将待发布音视频和相应的字幕文本一起发布。
从图4中可以看出,与图2对应的实施例相比,本实施例中的文本处理方法的流程400多出了发布待处理文本的步骤。由此,本实施例描述的方案可以实现将待处理文本经过两次敏感词屏蔽后进行发布,进而所发布的文本更加符合发布要求。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种文本处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的文本处理装置500包括:获取单元501、第一屏蔽单元502、分词单元503和第二屏蔽单元504。其中,获取单元501,被配置成获取待处理文本;第一屏蔽单元502,被配置成对于第一预设敏感词集合中每个敏感词,响应于确定所述待处理文本中包括该敏感词,对所述待处理文本中该敏感词所在位置进行第一屏蔽处理;分词单元503,被配置成对所述第一屏蔽处理后的所述待处理文本进行分词处理,得到待处理分词序列;第二屏蔽单元504,被配置成对于所述待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,对所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理。
在本实施例中,文本处理装置500的获取单元501、第一屏蔽单元502、分词单元503和第二屏蔽单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在一些可选的实施方式中,所述屏蔽处理可以包括以下至少一项:删除、混淆、替换、加密。
在一些可选的实施方式中,所述对所述待处理文本中该敏感词所在位置进行第一屏蔽处理,可以包括:
将所述待处理文本中该敏感词替换为预设替换字符串。
在一些可选的实施方式中,所述将所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理,可以包括:
将所述第一屏蔽处理后的所述待处理文本中该分词替换为预设替换字符串。
在一些可选的实施方式中,所述装置500还可以包括:
发布单元505,被配置成发布所述待处理文本。
在一些可选的实施方式中,所述待处理文本可以为以下任一项:待发布网页中的文本、待发布视频对应的字幕文本、待发布音频对应的字幕文本、视频直播期间的语音识别文本、待发布图像中对应的光学字符识别文本、在文本编辑应用中输入的文本、输入法应用呈现的候选文本。
在一些可选的实施方式中,所述第一预设敏感词集合可以包括敏感类人名、敏感类地名和敏感类名词。
需要说明的是,本公开的实施例提供的文本处理装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的电子设备的计算机系统600的结构示意图。图6示出的计算机系统600仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有计算机系统600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许计算机系统600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备的计算机系统600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备实现如图2所示的实施例及其可选实施方式示出的文本处理方法,和/或,如图4所示的实施例及其可选实施方式示出的文本处理方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待处理文本的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种文本处理方法,包括:
获取待处理文本;
对于第一预设敏感词集合中每个敏感词,响应于确定所述待处理文本中包括该敏感词,对所述待处理文本中该敏感词所在位置进行第一屏蔽处理;
对所述第一屏蔽处理后的所述待处理文本进行分词处理,得到待处理分词序列;
对于所述待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,对所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理。
2.根据权利要求1所述的方法,其中,所述第一屏蔽处理和第二屏蔽处理包括以下至少一项:删除、混淆、替换、加密。
3.根据权利要求2所述的方法,其中,所述对所述待处理文本中该敏感词所在位置进行第一屏蔽处理,包括:
将所述待处理文本中该敏感词替换为预设替换字符串。
4.根据权利要求2所述的方法,其中,所述将所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理,包括:
将所述第一屏蔽处理后的所述待处理文本中该分词替换为预设替换字符串。
5.根据权利要求1所述的方法,其中,所述方法还包括:
发布所述待处理文本。
6.根据权利要求5所述的方法,其中,所述待处理文本为以下任一项:待发布网页中的文本、待发布视频对应的字幕文本、待发布音频对应的字幕文本、视频直播期间的语音识别文本、待发布图像中对应的光学字符识别文本、在文本编辑应用中输入的文本、输入法应用呈现的候选文本。
7.一种文本处理装置,包括:
获取单元,被配置成获取待处理文本;
第一屏蔽单元,被配置成对于第一预设敏感词集合中每个敏感词,响应于确定所述待处理文本中包括该敏感词,对所述待处理文本中该敏感词所在位置进行第一屏蔽处理;
分词单元,被配置成对所述第一屏蔽处理后的所述待处理文本进行分词处理,得到待处理分词序列;
第二屏蔽单元,被配置成对于所述待处理分词序列中的每个分词,响应于确定该分词属于第二预设敏感词集合,对所述第一屏蔽处理后的所述待处理文本中该分词相应位置进行第二屏蔽处理。
8.根据权利要求7所述的装置,其中,所述第一屏蔽处理和第二屏蔽处理包括以下至少一项:删除、混淆、替换、加密。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110466698.6A CN113221554A (zh) | 2021-04-27 | 2021-04-27 | 文本处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110466698.6A CN113221554A (zh) | 2021-04-27 | 2021-04-27 | 文本处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221554A true CN113221554A (zh) | 2021-08-06 |
Family
ID=77089622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110466698.6A Pending CN113221554A (zh) | 2021-04-27 | 2021-04-27 | 文本处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221554A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969349A (zh) * | 2022-07-29 | 2022-08-30 | 北京达佳互联信息技术有限公司 | 文本处理方法、装置、电子设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025239A (zh) * | 2016-02-01 | 2017-08-08 | 博雅网络游戏开发(深圳)有限公司 | 敏感词过滤的方法和装置 |
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 |
CN108536693A (zh) * | 2017-03-02 | 2018-09-14 | 北京京东尚科信息技术有限公司 | 一种敏感词过滤方法、装置、电子设备、存储介质 |
CN109284438A (zh) * | 2018-08-15 | 2019-01-29 | 深圳点猫科技有限公司 | 一种利用前端编程语言过滤敏感词的方法以及电子设备 |
CN110347934A (zh) * | 2019-07-18 | 2019-10-18 | 腾讯科技(成都)有限公司 | 一种文本数据过滤方法、装置及介质 |
CN112631436A (zh) * | 2020-12-22 | 2021-04-09 | 科大讯飞股份有限公司 | 输入法敏感词的过滤方法及装置 |
-
2021
- 2021-04-27 CN CN202110466698.6A patent/CN113221554A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025239A (zh) * | 2016-02-01 | 2017-08-08 | 博雅网络游戏开发(深圳)有限公司 | 敏感词过滤的方法和装置 |
CN108536693A (zh) * | 2017-03-02 | 2018-09-14 | 北京京东尚科信息技术有限公司 | 一种敏感词过滤方法、装置、电子设备、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 |
CN109284438A (zh) * | 2018-08-15 | 2019-01-29 | 深圳点猫科技有限公司 | 一种利用前端编程语言过滤敏感词的方法以及电子设备 |
CN110347934A (zh) * | 2019-07-18 | 2019-10-18 | 腾讯科技(成都)有限公司 | 一种文本数据过滤方法、装置及介质 |
CN112631436A (zh) * | 2020-12-22 | 2021-04-09 | 科大讯飞股份有限公司 | 输入法敏感词的过滤方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969349A (zh) * | 2022-07-29 | 2022-08-30 | 北京达佳互联信息技术有限公司 | 文本处理方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11758088B2 (en) | Method and apparatus for aligning paragraph and video | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
WO2022037419A1 (zh) | 音频内容识别方法、装置、设备和计算机可读介质 | |
US20160315835A1 (en) | Tracking content sharing across a variety of communications channels | |
US11800201B2 (en) | Method and apparatus for outputting information | |
CN112287206A (zh) | 信息处理方法、装置和电子设备 | |
CN113157153A (zh) | 内容分享方法、装置、电子设备及计算机可读存储介质 | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN113395538B (zh) | 音效渲染方法、装置、计算机可读介质和电子设备 | |
CN112214653A (zh) | 字符串识别方法、装置、存储介质及电子设备 | |
JP2021096814A (ja) | 要約生成方法及び装置 | |
CN109902726B (zh) | 简历信息处理方法及装置 | |
CN110765490A (zh) | 用于处理信息的方法和装置 | |
CN112954453B (zh) | 视频配音方法和装置、存储介质和电子设备 | |
CN111381819A (zh) | 列表的创建方法、装置、电子设备及计算机可读存储介质 | |
CN113221554A (zh) | 文本处理方法、装置、电子设备和存储介质 | |
CN111400581B (zh) | 用于标注样本的系统、方法和装置 | |
CN110414625B (zh) | 确定相似数据的方法、装置、电子设备及存储介质 | |
CN111756953A (zh) | 视频处理方法、装置、设备和计算机可读介质 | |
CN108664610B (zh) | 用于处理数据的方法和装置 | |
CN110708238A (zh) | 用于处理信息的方法和装置 | |
CN112307393A (zh) | 信息发布方法、装置和电子设备 | |
CN115801980A (zh) | 视频生成方法和装置 | |
CN113378025B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN112652329B (zh) | 文本重对齐方法、装置、电子设备和存储介质 |
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 |