CN113434895B - 文本解密方法、装置、设备及存储介质 - Google Patents
文本解密方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113434895B CN113434895B CN202110992543.6A CN202110992543A CN113434895B CN 113434895 B CN113434895 B CN 113434895B CN 202110992543 A CN202110992543 A CN 202110992543A CN 113434895 B CN113434895 B CN 113434895B
- Authority
- CN
- China
- Prior art keywords
- vector
- character
- information
- text
- ciphertext
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Document Processing Apparatus (AREA)
- Storage Device Security (AREA)
Abstract
本发明涉及人工智能,提供一种文本解密方法、装置、设备及存储介质。该方法能够获取密文信息,对密文信息进行词嵌入分析,得到密文信息的表征向量,从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵,基于权值三角矩阵遮挡所述表征向量,得到密文信息中每个信息字符所对应的字符向量,根据线性转换矩阵处理表征向量,得到特征向量,特征向量包括第一向量及第二向量,根据字符向量及第一向量分析每个信息字符在密文信息的字符分数,根据字符分数及第二向量生成字符表征,根据字符表征所对应的目标词汇生成文本信息。本发明能够提高密文信息的解密安全性。此外,本发明还涉及区块链技术,所述文本信息可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种文本解密方法、装置、设备及存储介质。
背景技术
在医疗平台中,为了提高传输过程中的数据安全性,通常会对需要进行传输的文本数据进行加密处理。目前,在接收密文信息的数据方,有对密文信息的解密需求时,通常直接利用密钥对密文信息进行解密,然而,在密钥的获取过程中,存在密钥被截取的可能性,从而造成数据的泄露。
因此,如何提高解密过程中的安全性,成了亟需解决的问题。
发明内容
鉴于以上内容,有必要提供一种文本解密方法、装置、设备及存储介质,能够提高密文信息的解密安全性。
一方面,本发明提出一种文本解密方法,所述文本解密方法包括:
当接收到文本解密请求时,根据所述文本解密请求获取密文信息;
对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量;
从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵;
基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量;
根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量,所述特征向量包括第一向量及第二向量;
根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数;
根据所述字符分数及所述第二向量生成每个信息字符的字符表征;
根据所述字符表征所对应的目标词汇生成文本信息。
根据本发明优选实施例,所述对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量包括:
从预设向量表中获取与所述密文信息中每个信息字符对应的向量值;
根据所述信息字符在所述密文信息中的合并顺序拼接所述向量值,得到映射向量;
基于预设矩阵对所述映射向量进行线性变换,得到转换向量;
计算所述转换向量中所有元素向量的元素均值,并计算所述所有元素向量的元素方差;
计算每个元素向量与所述元素均值的差值在所述元素方差中的比值,得到每个元素向量对应的标准元素,并根据所述标准元素生成标准向量;
根据所述合并顺序生成所述信息字符在所述密文信息的位置向量;
计算所述标准向量与所述位置向量的平均值,得到所述表征向量。
根据本发明优选实施例,在从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵之前,所述方法还包括:
获取加密文本及所述加密文本的源文本;
将所述加密文本输入至预先构建好的学习器中,得到初始文本;
统计所述初始文本的预测字符数量,并统计所述源文本的源字符数量;
若所述预测字符数量小于所述源字符数量,对所述初始文本进行填充处理,直至所述预测字符数量等于所述源字符数量,得到预测文本;
计算所述预测文本中每个预测字符与所述源文本中相对应的源字符的相似距离;
计算所述相似距离的平均值,得到所述学习器的损失值;
根据所述损失值调整所述学习器中的网络参数,直至所述损失值不再降低,得到所述解密模型。
根据本发明优选实施例,所述基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量包括:
计算所述权值三角矩阵与所述表征向量的乘积,得到遮挡向量;
基于softmax()函数处理所述遮挡向量,得到权值向量;
对于每个信息字符,确定该信息字符在所述密文信息中的字符位置;
从所述权值向量中提取与所述字符位置对应的信息权值,并从所述表征向量中提取与该信息字符对应的子向量;
根据所述信息权值对所述子向量进行加权和运算,得到所述字符向量。
根据本发明优选实施例,所述根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数包括:
统计所述字符向量的向量长度;
计算所述第一向量的转置值,得到第三向量;
计算所述字符向量与所述第三向量的乘积在所述向量长度中的比值,得到所述字符分数。
根据本发明优选实施例,所述根据所述字符分数及所述第二向量生成每个信息字符的字符表征包括:
基于所述字符分数,根据下列公式计算字符概率包括:
从所述第二向量中依次提取每个信息字符所对应的特征信息;
计算每个所述字符概率与每个特征信息的乘积,得到所述字符表征。
根据本发明优选实施例,所述根据所述字符表征所对应的目标词汇生成文本信息包括:
从每个字符表征中提取最大向量值;
确定所述最大向量值在所述字符表征中的维度作为目标维度;
从预设词表中提取与所述目标维度对应的词汇作为所述目标词汇;
拼接所述目标词汇,得到所述文本信息。
另一方面,本发明还提出一种文本解密装置,所述文本解密装置包括:
获取单元,用于当接收到文本解密请求时,根据所述文本解密请求获取密文信息;
分析单元,用于对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量;
提取单元,用于从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵;
遮挡单元,用于基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量;
处理单元,用于根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量,所述特征向量包括第一向量及第二向量;
所述分析单元,还用于根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数;
生成单元,用于根据所述字符分数及所述第二向量生成每个信息字符的字符表征;
所述生成单元,还用于根据所述字符表征所对应的目标词汇生成文本信息。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述文本解密方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述文本解密方法。
由以上技术方案可以看出,本发明通过对所述密文信息进行词嵌入分析,能够生成兼具有信息字符中的词汇信息及位置信息的表征向量,进而根据所述权值三角矩阵能够隐藏未来时刻的信息字符,避免解密得到的文本信息依赖未来时刻的信息字符生成,从而提高所述文本信息的解密准确性,通过所述字符向量及所述第一向量生成的字符分数能够提高信息字符的表征准确性,从而提高所述文本信息的准确性。此外,本发明能够在无需获取密钥的前提下,实现对所述密文信息的解密处理,从而提高解密的安全性。
附图说明
图1是本发明文本解密方法的较佳实施例的流程图。
图2是本发明文本解密装置的较佳实施例的功能模块图。
图3是本发明实现文本解密方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明文本解密方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述文本解密方法可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述文本解密方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到文本解密请求时,根据所述文本解密请求获取密文信息。
在本发明的至少一个实施例中,所述文本解密请求可以由有解密需求的需求用户触发生成。
所述文本解密请求中携带的信息包括,但不限于:指示所述密文信息的存储路径的标识。
所述密文信息是指需要进行解密处理的数据信息。
所述密文信息可以是指医疗数据,例如,所述密文信息可以包括,但不限于:个人健康档案、处方、检查报告等医疗数据。
在本发明的至少一个实施例中,所述电子设备根据所述文本解密请求获取密文信息包括:
解析所述文本解密请求的报文,得到所述报文携带的报文信息;
获取预设标签,所述预设标签指示路径;
从所述报文信息中提取与所述预设标签对应的信息作为存储路径;
从所述存储路径获取所述密文信息。
通过解析所述报文,能够提高所述报文信息的获取效率,从而提高所述密文信息的获取效率。
S11,对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量。
在本发明的至少一个实施例中,所述表征向量是指能够指示所述密文信息中每个信息字符及相关位置的向量。
在本发明的至少一个实施例中,所述电子设备对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量包括:
从预设向量表中获取与所述密文信息中每个信息字符对应的向量值;
根据所述信息字符在所述密文信息中的合并顺序拼接所述向量值,得到映射向量;
基于预设矩阵对所述映射向量进行线性变换,得到转换向量;
计算所述转换向量中所有元素向量的元素均值,并计算所述所有元素向量的元素方差;
计算每个元素向量与所述元素均值的差值在所述元素方差中的比值,得到每个元素向量对应的标准元素,并根据所述标准元素生成标准向量;
根据所述合并顺序生成所述信息字符在所述密文信息的位置向量;
计算所述标准向量与所述位置向量的平均值,得到所述表征向量。
其中,所述预设向量表中存储有加密字符与向量值的映射关系。
所述合并顺序是指所述信息字符在所述密文信息中的排列顺序。
所述预设矩阵用于调整所述映射向量的线性关系。
所述所有元素向量是指所述转换向量中的所有元素值,例如:所述转换向量为(0,1,0,1),则所述所有元素向量包括:0,1,0,1。所述元素均值是指所述所有元素值的平均值,所述元素方差是指所述所有元素值的方差值。
所述位置向量用于指示所述信息字符在所述密文信息中的位置信息。
通过所述预设向量表及所述合并顺序能够准确的生成所述映射向量,进而通过所述预设矩阵能够提高所述转换向量的线性,从而有利于对所述转换向量的标准化,进一步通过所述标准向量及所述位置向量能够生成兼有信息字符中的词汇信息及位置信息的表征向量。
S12,从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵。
在本发明的至少一个实施例中,所述解密模型可以用于对已加密过的密文进行解密。
所述权值三角矩阵用于对所述表征向量进行遮挡,避免所述密文信息中未来时刻的信息字符影响对所述密文信息的解密。其中,所述密文信息中未来时刻的信息字符是指信息位置处于当前字符后面的信息。例如,所述密文信息为absdgfjy,所述解密模型分析的当前字符为:s,则未来时刻的信息字符包括dgfjy。
所述多个线性转换矩阵通常设置为2个。
在本发明的至少一个实施例中,在从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵之前,所述方法还包括:
获取加密文本及所述加密文本的源文本;
将所述加密文本输入至预先构建好的学习器中,得到初始文本;
统计所述初始文本的预测字符数量,并统计所述源文本的源字符数量;
若所述预测字符数量小于所述源字符数量,对所述初始文本进行填充处理,直至所述预测字符数量等于所述源字符数量,得到预测文本;
计算所述预测文本中每个预测字符与所述源文本中相对应的源字符的相似距离;
计算所述相似距离的平均值,得到所述学习器的损失值;
根据所述损失值调整所述学习器中的网络参数,直至所述损失值不再降低,得到所述解密模型。
其中,所述加密文本是指加密所述源文本后所生成的信息。
所述学习器的网络格式不作限制,例如,所述学习器可以是transform,所述学习器也可以是其他神经网络结构。
所述预测字符数量是指所述初始文本中所有字符的总数量,所述源字符数量是指所述源文本中所有字符的总数量。
所述相似距离是指所述预测字符与其在所述预测文本中的文本位置相同的源字符的向量余弦值,例如,所述预测文本为:assfg,所述源文本为:今天天气不错,则所述相似距离可以包括:“a”与“今”的向量余弦值,“s”与“天”的向量余弦值,“g”与“错”的向量余弦值等。
所述网络参数包括,但不限于:所述权值三角矩阵所对应的超参数,所述多个线性转换矩阵所对应的超参数。
通过所述预测字符数量及所述源字符数量能够确保生成的所述预测文本的长度与所述源文本的长度相等,从而能够提高所述损失值的确定,通过将所述相似距离的平均值确定为所述损失值,有利于提高所述学习器对所述加密文本中每个加密字符的预测准确性,从而提高所述解密模型的解密准确性。
S13,基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量。
在本发明的至少一个实施例中,所述字符向量是指所述解密模型对所述密文信息中每个信息字符的初步预测表征。
在本发明的至少一个实施例中,所述电子设备基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量包括:
计算所述权值三角矩阵与所述表征向量的乘积,得到遮挡向量;
基于softmax()函数处理所述遮挡向量,得到权值向量;
对于每个信息字符,确定该信息字符在所述密文信息中的字符位置;
从所述权值向量中提取与所述字符位置对应的信息权值,并从所述表征向量中提取与该信息字符对应的子向量;
根据所述信息权值对所述子向量进行加权和运算,得到所述字符向量。
其中,所述遮挡向量是指对所述表征向量的上三角矩阵进行置0后所生成的向量。
所述权值向量中所有元素的总和为1。
所述字符位置是指每个信息字符在所述密文信息中的具体位置。
所述信息权值是指在该信息字符当前时刻及过去时刻的权值信息。
通过所述权值三角矩阵能够隐藏未来时刻的信息字符,避免解密得到的文本信息依赖未来时刻的信息字符生成,从而提高所述文本信息的解密准确性。
S14,根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量,所述特征向量包括第一向量及第二向量。
在本发明的至少一个实施例中,所述特征向量是指经所述线性转换矩阵处理后生成的向量。可以理解的是,不同的线性转换矩阵所生成的特征向量不同。例如,所述线性转换矩阵包括第一矩阵及第二矩阵,所述第一矩阵处理所述表征向量,得到所述第一向量,所述第二矩阵处理所述表征向量,得到所述第二向量。
所述第一向量及所述第二向量均能用于对所述密文信息的表征。不同的线性转换矩阵所生成的第一向量及第二向量对所述密文信息的表征能力不同。
在本发明的至少一个实施例中,所述电子设备根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量包括:
计算所述线性转换矩阵与所述表征向量的乘积,得到所述特征向量。
S15,根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数。
在本发明的至少一个实施例中,所述字符分数是指所述信息字符所对应的表征分数值。
在本发明的至少一个实施例中,所述电子设备根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数包括:
统计所述字符向量的向量长度;
计算所述第一向量的转置值,得到第三向量;
计算所述字符向量与所述第三向量的乘积在所述向量长度中的比值,得到所述字符分数。
其中,所述向量长度是指所述字符向量的总长度。
通过上述实施方式,能够快速生成所述字符分数,有利于所述字符表征的快速生成。
S16,根据所述字符分数及所述第二向量生成每个信息字符的字符表征。
在本发明的至少一个实施例中,所述字符表征是指所述解密模型对所述密文信息中每个信息字符的预测表征。
在本发明的至少一个实施例中,所述电子设备根据所述字符分数及所述第二向量生成每个信息字符的字符表征包括:
基于所述字符分数,根据下列公式计算字符概率包括:
从所述第二向量中依次提取每个信息字符所对应的特征信息;
计算每个所述字符概率与每个特征信息的乘积,得到所述字符表征。
其中,所述字符概率是指所述信息字符在预设词汇中的预测概率。
通过所述字符分数能够准确的确定出所述信息字符在预设词汇中的预测概率,从而提高所述字符表征的表征准确性。
S17,根据所述字符表征所对应的目标词汇生成文本信息。
在本发明的至少一个实施例中,所述目标词汇是指所述解密模型对所述密文信息中每个信息字符的预测结果。
所述文本信息是指对所述密文信息解密处理后所得到的文本。
需要强调的是,为进一步保证上述文本信息的私密和安全性,上述文本信息还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述电子设备根据所述字符表征所对应的目标词汇生成文本信息包括:
从每个字符表征中提取最大向量值;
确定所述最大向量值在所述字符表征中的维度作为目标维度;
从预设词表中提取与所述目标维度对应的词汇作为所述目标词汇;
拼接所述目标词汇,得到所述文本信息。
其中,所述预设词表中存储有多个维度与词汇的映射关系。
通过上述实施方式,能够准确的确定出所述目标维度,进而基于所述预设词表及所述目标维度能够准确的确定出所述目标词汇,从而提高所述文本信息的解密准确性。
由以上技术方案可以看出,本发明通过对所述密文信息进行词嵌入分析,能够生成兼具有信息字符中的词汇信息及位置信息的表征向量,进而根据所述权值三角矩阵能够隐藏未来时刻的信息字符,避免解密得到的文本信息依赖未来时刻的信息字符生成,从而提高所述文本信息的解密准确性,通过所述字符向量及所述第一向量生成的字符分数能够提高信息字符的表征准确性,从而提高所述文本信息的准确性。此外,本发明能够在无需获取密钥的前提下,实现对所述密文信息的解密处理,从而提高解密的安全性。
如图2所示,是本发明文本解密装置的较佳实施例的功能模块图。所述文本解密装置11包括获取单元110、分析单元111、提取单元112、遮挡单元113、处理单元114、生成单元115、输入单元116、计算单元117、填充单元118及调整单元119。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到文本解密请求时,获取单元110根据所述文本解密请求获取密文信息。
在本发明的至少一个实施例中,所述文本解密请求可以由有解密需求的需求用户触发生成。
所述文本解密请求中携带的信息包括,但不限于:指示所述密文信息的存储路径的标识。
所述密文信息是指需要进行解密处理的数据信息。
所述密文信息可以是指医疗数据,例如,所述密文信息可以包括,但不限于:个人健康档案、处方、检查报告等医疗数据。
在本发明的至少一个实施例中,所述获取单元110根据所述文本解密请求获取密文信息包括:
解析所述文本解密请求的报文,得到所述报文携带的报文信息;
获取预设标签,所述预设标签指示路径;
从所述报文信息中提取与所述预设标签对应的信息作为存储路径;
从所述存储路径获取所述密文信息。
通过解析所述报文,能够提高所述报文信息的获取效率,从而提高所述密文信息的获取效率。
分析单元111对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量。
在本发明的至少一个实施例中,所述表征向量是指能够指示所述密文信息中每个信息字符及相关位置的向量。
在本发明的至少一个实施例中,所述分析单元111对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量包括:
从预设向量表中获取与所述密文信息中每个信息字符对应的向量值;
根据所述信息字符在所述密文信息中的合并顺序拼接所述向量值,得到映射向量;
基于预设矩阵对所述映射向量进行线性变换,得到转换向量;
计算所述转换向量中所有元素向量的元素均值,并计算所述所有元素向量的元素方差;
计算每个元素向量与所述元素均值的差值在所述元素方差中的比值,得到每个元素向量对应的标准元素,并根据所述标准元素生成标准向量;
根据所述合并顺序生成所述信息字符在所述密文信息的位置向量;
计算所述标准向量与所述位置向量的平均值,得到所述表征向量。
其中,所述预设向量表中存储有加密字符与向量值的映射关系。
所述合并顺序是指所述信息字符在所述密文信息中的排列顺序。
所述预设矩阵用于调整所述映射向量的线性关系。
所述所有元素向量是指所述转换向量中的所有元素值,例如:所述转换向量为(0,1,0,1),则所述所有元素向量包括:0,1,0,1。所述元素均值是指所述所有元素值的平均值,所述元素方差是指所述所有元素值的方差值。
所述位置向量用于指示所述信息字符在所述密文信息中的位置信息。
通过所述预设向量表及所述合并顺序能够准确的生成所述映射向量,进而通过所述预设矩阵能够提高所述转换向量的线性,从而有利于对所述转换向量的标准化,进一步通过所述标准向量及所述位置向量能够生成兼有信息字符中的词汇信息及位置信息的表征向量。
提取单元112从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵。
在本发明的至少一个实施例中,所述解密模型可以用于对已加密过的密文进行解密。
所述权值三角矩阵用于对所述表征向量进行遮挡,避免所述密文信息中未来时刻的信息字符影响对所述密文信息的解密。其中,所述密文信息中未来时刻的信息字符是指信息位置处于当前字符后面的信息。例如,所述密文信息为absdgfjy,所述解密模型分析的当前字符为:s,则未来时刻的信息字符包括dgfjy。
所述多个线性转换矩阵通常设置为2个。
在本发明的至少一个实施例中,在从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵之前,所述获取单元110获取加密文本及所述加密文本的源文本;
输入单元116将所述加密文本输入至预先构建好的学习器中,得到初始文本;
计算单元117统计所述初始文本的预测字符数量,并统计所述源文本的源字符数量;
若所述预测字符数量小于所述源字符数量,填充单元118对所述初始文本进行填充处理,直至所述预测字符数量等于所述源字符数量,得到预测文本;
所述计算单元117计算所述预测文本中每个预测字符与所述源文本中相对应的源字符的相似距离;
所述计算单元117计算所述相似距离的平均值,得到所述学习器的损失值;
调整单元119根据所述损失值调整所述学习器中的网络参数,直至所述损失值不再降低,得到所述解密模型。
其中,所述加密文本是指加密所述源文本后所生成的信息。
所述学习器的网络格式不作限制,例如,所述学习器可以是transform,所述学习器也可以是其他神经网络结构。
所述预测字符数量是指所述初始文本中所有字符的总数量,所述源字符数量是指所述源文本中所有字符的总数量。
所述相似距离是指所述预测字符与其在所述预测文本中的文本位置相同的源字符的向量余弦值,例如,所述预测文本为:assfg,所述源文本为:今天天气不错,则所述相似距离可以包括:“a”与“今”的向量余弦值,“s”与“天”的向量余弦值,“g”与“错”的向量余弦值等。
所述网络参数包括,但不限于:所述权值三角矩阵所对应的超参数,所述多个线性转换矩阵所对应的超参数。
通过所述预测字符数量及所述源字符数量能够确保生成的所述预测文本的长度与所述源文本的长度相等,从而能够提高所述损失值的确定,通过将所述相似距离的平均值确定为所述损失值,有利于提高所述学习器对所述加密文本中每个加密字符的预测准确性,从而提高所述解密模型的解密准确性。
遮挡单元113基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量。
在本发明的至少一个实施例中,所述字符向量是指所述解密模型对所述密文信息中每个信息字符的初步预测表征。
在本发明的至少一个实施例中,所述遮挡单元113基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量包括:
计算所述权值三角矩阵与所述表征向量的乘积,得到遮挡向量;
基于softmax()函数处理所述遮挡向量,得到权值向量;
对于每个信息字符,确定该信息字符在所述密文信息中的字符位置;
从所述权值向量中提取与所述字符位置对应的信息权值,并从所述表征向量中提取与该信息字符对应的子向量;
根据所述信息权值对所述子向量进行加权和运算,得到所述字符向量。
其中,所述遮挡向量是指对所述表征向量的上三角矩阵进行置0后所生成的向量。
所述权值向量中所有元素的总和为1。
所述字符位置是指每个信息字符在所述密文信息中的具体位置。
所述信息权值是指在该信息字符当前时刻及过去时刻的权值信息。
通过所述权值三角矩阵能够隐藏未来时刻的信息字符,避免解密得到的文本信息依赖未来时刻的信息字符生成,从而提高所述文本信息的解密准确性。
处理单元114根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量,所述特征向量包括第一向量及第二向量。
在本发明的至少一个实施例中,所述特征向量是指经所述线性转换矩阵处理后生成的向量。可以理解的是,不同的线性转换矩阵所生成的特征向量不同。例如,所述线性转换矩阵包括第一矩阵及第二矩阵,所述第一矩阵处理所述表征向量,得到所述第一向量,所述第二矩阵处理所述表征向量,得到所述第二向量。
所述第一向量及所述第二向量均能用于对所述密文信息的表征。不同的线性转换矩阵所生成的第一向量及第二向量对所述密文信息的表征能力不同。
在本发明的至少一个实施例中,所述处理单元114根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量包括:
计算所述线性转换矩阵与所述表征向量的乘积,得到所述特征向量。
所述分析单元111根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数。
在本发明的至少一个实施例中,所述字符分数是指所述信息字符所对应的表征分数值。
在本发明的至少一个实施例中,所述分析单元111根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数包括:
统计所述字符向量的向量长度;
计算所述第一向量的转置值,得到第三向量;
计算所述字符向量与所述第三向量的乘积在所述向量长度中的比值,得到所述字符分数。
其中,所述向量长度是指所述字符向量的总长度。
通过上述实施方式,能够快速生成所述字符分数,有利于所述字符表征的快速生成。
生成单元115根据所述字符分数及所述第二向量生成每个信息字符的字符表征。
在本发明的至少一个实施例中,所述字符表征是指所述解密模型对所述密文信息中每个信息字符的预测表征。
在本发明的至少一个实施例中,所述生成单元115根据所述字符分数及所述第二向量生成每个信息字符的字符表征包括:
基于所述字符分数,根据下列公式计算字符概率包括:
从所述第二向量中依次提取每个信息字符所对应的特征信息;
计算每个所述字符概率与每个特征信息的乘积,得到所述字符表征。
其中,所述字符概率是指所述信息字符在预设词汇中的预测概率。
通过所述字符分数能够准确的确定出所述信息字符在预设词汇中的预测概率,从而提高所述字符表征的表征准确性。
所述生成单元115根据所述字符表征所对应的目标词汇生成文本信息。
在本发明的至少一个实施例中,所述目标词汇是指所述解密模型对所述密文信息中每个信息字符的预测结果。
所述文本信息是指对所述密文信息解密处理后所得到的文本。
需要强调的是,为进一步保证上述文本信息的私密和安全性,上述文本信息还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述生成单元115根据所述字符表征所对应的目标词汇生成文本信息包括:
从每个字符表征中提取最大向量值;
确定所述最大向量值在所述字符表征中的维度作为目标维度;
从预设词表中提取与所述目标维度对应的词汇作为所述目标词汇;
拼接所述目标词汇,得到所述文本信息。
其中,所述预设词表中存储有多个维度与词汇的映射关系。
通过上述实施方式,能够准确的确定出所述目标维度,进而基于所述预设词表及所述目标维度能够准确的确定出所述目标词汇,从而提高所述文本信息的解密准确性。
由以上技术方案可以看出,本发明通过对所述密文信息进行词嵌入分析,能够生成兼具有信息字符中的词汇信息及位置信息的表征向量,进而根据所述权值三角矩阵能够隐藏未来时刻的信息字符,避免解密得到的文本信息依赖未来时刻的信息字符生成,从而提高所述文本信息的解密准确性,通过所述字符向量及所述第一向量生成的字符分数能够提高信息字符的表征准确性,从而提高所述文本信息的准确性。此外,本发明能够在无需获取密钥的前提下,实现对所述密文信息的解密处理,从而提高解密的安全性。
如图3所示,是本发明实现文本解密方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如文本解密程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1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,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13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)、现场可编程门阵列(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,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、分析单元111、提取单元112、遮挡单元113、处理单元114、生成单元115、输入单元116、计算单元117、填充单元118及调整单元119。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令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。所述计算机可读介质可以包括:能够携带所述计算机可读指令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)。
本发明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数据库,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。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种文本解密方法,所述处理器13可执行所述计算机可读指令从而实现:
当接收到文本解密请求时,根据所述文本解密请求获取密文信息;
对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量;
从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵;
基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量;
根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量,所述特征向量包括第一向量及第二向量;
根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数;
根据所述字符分数及所述第二向量生成每个信息字符的字符表征;
根据所述字符表征所对应的目标词汇生成文本信息。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
当接收到文本解密请求时,根据所述文本解密请求获取密文信息;
对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量;
从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵;
基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量;
根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量,所述特征向量包括第一向量及第二向量;
根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数;
根据所述字符分数及所述第二向量生成每个信息字符的字符表征;
根据所述字符表征所对应的目标词汇生成文本信息。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种文本解密方法,其特征在于,所述文本解密方法包括:
当接收到文本解密请求时,根据所述文本解密请求获取密文信息;
对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量,所述表征向量是指能够指示所述密文信息中每个信息字符及相关位置的向量;
从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵;
基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量;
根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量,所述特征向量包括第一向量及第二向量;
根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数;
根据所述字符分数及所述第二向量生成每个信息字符的字符表征;
根据所述字符表征所对应的目标词汇生成文本信息,所述文本信息是指对所述密文信息解密处理后所得到的文本。
2.如权利要求1所述的文本解密方法,其特征在于,所述对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量包括:
从预设向量表中获取与所述密文信息中每个信息字符对应的向量值;
根据所述信息字符在所述密文信息中的合并顺序拼接所述向量值,得到映射向量;
基于预设矩阵对所述映射向量进行线性变换,得到转换向量;
计算所述转换向量中所有元素向量的元素均值,并计算所述所有元素向量的元素方差;
计算每个元素向量与所述元素均值的差值在所述元素方差中的比值,得到每个元素向量对应的标准元素,并根据所述标准元素生成标准向量;
根据所述合并顺序生成所述信息字符在所述密文信息的位置向量;
计算所述标准向量与所述位置向量的平均值,得到所述表征向量。
3.如权利要求1所述的文本解密方法,其特征在于,在从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵之前,所述方法还包括:
获取加密文本及所述加密文本的源文本;
将所述加密文本输入至预先构建好的学习器中,得到初始文本;
统计所述初始文本的预测字符数量,并统计所述源文本的源字符数量;
若所述预测字符数量小于所述源字符数量,对所述初始文本进行填充处理,直至所述预测字符数量等于所述源字符数量,得到预测文本;
计算所述预测文本中每个预测字符与所述源文本中相对应的源字符的相似距离;
计算所述相似距离的平均值,得到所述学习器的损失值;
根据所述损失值调整所述学习器中的网络参数,直至所述损失值不再降低,得到所述解密模型。
4.如权利要求1所述的文本解密方法,其特征在于,所述基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量包括:
计算所述权值三角矩阵与所述表征向量的乘积,得到遮挡向量;
基于softmax函数处理所述遮挡向量,得到权值向量;
对于每个信息字符,确定该信息字符在所述密文信息中的字符位置;
从所述权值向量中提取与所述字符位置对应的信息权值,并从所述表征向量中提取与该信息字符对应的子向量;
根据所述信息权值对所述子向量进行加权和运算,得到所述字符向量。
5.如权利要求1所述的文本解密方法,其特征在于,所述根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数包括:
统计所述字符向量的向量长度;
计算所述第一向量的转置值,得到第三向量;
计算所述字符向量与所述第三向量的乘积在所述向量长度中的比值,得到所述字符分数。
7.如权利要求1所述的文本解密方法,其特征在于,所述根据所述字符表征所对应的目标词汇生成文本信息包括:
从每个字符表征中提取最大向量值;
确定所述最大向量值在所述字符表征中的维度作为目标维度;
从预设词表中提取与所述目标维度对应的词汇作为所述目标词汇;
拼接所述目标词汇,得到所述文本信息。
8.一种文本解密装置,其特征在于,所述文本解密装置包括:
获取单元,用于当接收到文本解密请求时,根据所述文本解密请求获取密文信息;
分析单元,用于对所述密文信息进行词嵌入分析,得到所述密文信息的表征向量,所述表征向量是指能够指示所述密文信息中每个信息字符及相关位置的向量;
提取单元,用于从预先训练好的解密模型中提取权值三角矩阵及线性转换矩阵;
遮挡单元,用于基于所述权值三角矩阵遮挡所述表征向量,得到所述密文信息中每个信息字符所对应的字符向量;
处理单元,用于根据所述线性转换矩阵处理所述表征向量,得到所述密文信息的特征向量,所述特征向量包括第一向量及第二向量;
所述分析单元,还用于根据所述字符向量及所述第一向量分析每个信息字符在所述密文信息的字符分数;
生成单元,用于根据所述字符分数及所述第二向量生成每个信息字符的字符表征;
所述生成单元,还用于根据所述字符表征所对应的目标词汇生成文本信息,所述文本信息是指对所述密文信息解密处理后所得到的文本。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的文本解密方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的文本解密方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992543.6A CN113434895B (zh) | 2021-08-27 | 2021-08-27 | 文本解密方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992543.6A CN113434895B (zh) | 2021-08-27 | 2021-08-27 | 文本解密方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434895A CN113434895A (zh) | 2021-09-24 |
CN113434895B true CN113434895B (zh) | 2021-11-23 |
Family
ID=77798204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110992543.6A Active CN113434895B (zh) | 2021-08-27 | 2021-08-27 | 文本解密方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434895B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815478A (zh) * | 2018-12-11 | 2019-05-28 | 北京大学 | 基于卷积神经网络的药化实体识别方法及系统 |
CN110008723A (zh) * | 2019-03-27 | 2019-07-12 | 东南大学 | 一种基于词嵌入技术的加密算法 |
CN111709241A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种面向网络安全领域的命名实体识别方法 |
CN112257455A (zh) * | 2020-10-21 | 2021-01-22 | 西安电子科技大学 | 一种语义理解的密文空间关键字检索方法及系统 |
CN112910624A (zh) * | 2021-01-14 | 2021-06-04 | 东北大学 | 一种基于同态加密的密文预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322295A1 (en) * | 2017-05-04 | 2018-11-08 | International Business Machines Corporation | Encoding information using word embedding |
-
2021
- 2021-08-27 CN CN202110992543.6A patent/CN113434895B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815478A (zh) * | 2018-12-11 | 2019-05-28 | 北京大学 | 基于卷积神经网络的药化实体识别方法及系统 |
CN110008723A (zh) * | 2019-03-27 | 2019-07-12 | 东南大学 | 一种基于词嵌入技术的加密算法 |
CN111709241A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种面向网络安全领域的命名实体识别方法 |
CN112257455A (zh) * | 2020-10-21 | 2021-01-22 | 西安电子科技大学 | 一种语义理解的密文空间关键字检索方法及系统 |
CN112910624A (zh) * | 2021-01-14 | 2021-06-04 | 东北大学 | 一种基于同态加密的密文预测方法 |
Non-Patent Citations (3)
Title |
---|
Aspect Level Sentiment Classification with Deep Memory Network;Duyu Tang etal;《arXiv:1605.08900v2》;20160924;第1-11页 * |
Unifying Bayesian Inference and Vector Space Models for Improved Decipherment;Qing Dou etal;《Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics》;20150731;第836-845页 * |
基于深度学习的 AES 密码算法破译方法研究;胡文斌;《西安理工大学硕士学位论文》;20210615;第1-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113434895A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694826B (zh) | 基于人工智能的数据增强方法、装置、电子设备及介质 | |
CN113435522A (zh) | 图像分类方法、装置、设备及存储介质 | |
CN113032528B (zh) | 案件分析方法、装置、设备及存储介质 | |
CN113656547B (zh) | 文本匹配方法、装置、设备及存储介质 | |
CN113408278B (zh) | 意图识别方法、装置、设备及存储介质 | |
CN111639487A (zh) | 基于分类模型的字段抽取方法、装置、电子设备及介质 | |
CN113408268A (zh) | 槽位填充方法、装置、设备及存储介质 | |
CN111986763A (zh) | 疾病数据分析方法、装置、电子设备及存储介质 | |
CN113064973A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN113435196A (zh) | 意图识别方法、装置、设备及存储介质 | |
CN113268597B (zh) | 文本分类方法、装置、设备及存储介质 | |
CN113064972A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN113724830A (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN113434895B (zh) | 文本解密方法、装置、设备及存储介质 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN113486680B (zh) | 文本翻译方法、装置、设备及存储介质 | |
CN113408265B (zh) | 基于人机交互的语义解析方法、装置、设备及存储介质 | |
CN113420143B (zh) | 文书摘要生成方法、装置、设备及存储介质 | |
CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
CN113283677B (zh) | 指标数据处理方法、装置、设备及存储介质 | |
CN113420545A (zh) | 摘要生成方法、装置、设备及存储介质 | |
CN113269179A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112989820A (zh) | 法律文书定位方法、装置、设备及存储介质 | |
CN113468334B (zh) | 密文情感分类方法、装置、设备及存储介质 | |
CN113516205A (zh) | 基于人工智能的数据分类方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |