CN113536770A - 基于人工智能的文本解析方法、装置、设备及存储介质 - Google Patents

基于人工智能的文本解析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113536770A
CN113536770A CN202111053179.3A CN202111053179A CN113536770A CN 113536770 A CN113536770 A CN 113536770A CN 202111053179 A CN202111053179 A CN 202111053179A CN 113536770 A CN113536770 A CN 113536770A
Authority
CN
China
Prior art keywords
text
request
ciphertext
information
sample
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.)
Granted
Application number
CN202111053179.3A
Other languages
English (en)
Other versions
CN113536770B (zh
Inventor
张泽鲲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111053179.3A priority Critical patent/CN113536770B/zh
Publication of CN113536770A publication Critical patent/CN113536770A/zh
Application granted granted Critical
Publication of CN113536770B publication Critical patent/CN113536770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F40/205—Parsing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能，提供一种基于人工智能的文本解析方法、装置、设备及存储介质。该方法能够识别文本解析请求的请求发起方，若请求发起方不在预设列表中，获取预先训练好的初始解析模型，获取第一密文样本，根据第一密文样本的样本数量处理初始解析模型的训练数据，得到第二密文样本，将第一密文样本及第二密文样本确定为调参样本，根据调参样本调整初始解析模型的模型参数，直至初始解析模型对训练数据及调参样本的损失值不再降低，得到目标解析模型，根据文本解析请求获取目标信息，基于目标解析模型处理所述目标信息，得到解析结果，能够提高目标信息的解析准确性及解析效率。此外，本发明还涉及区块链技术，所述解析结果可存储于区块链中。

Description

基于人工智能的文本解析方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的文本解析方法、装置、设备及存储介质。
背景技术
在目前的文本解析方式中，主要基于明文数据训练自然语言模型，然而这种方式受限于数据安全保护原则，导致训练得到的自然语言模型无法解析密文数据。另外，如果基于密文数据单独训练模型，由于需要重新构建并不断调整参数，大大降低了文本解析效率。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的文本解析方法、装置、设备及存储介质，能够提高目标信息的解析准确性及解析效率。
一方面，本发明提出一种基于人工智能的文本解析方法，所述基于人工智能的文本解析方法包括：
当接收到文本解析请求时，识别所述文本解析请求的请求发起方；
检测所述请求发起方是否存在预设列表中；
若所述请求发起方不在所述预设列表中，获取预先训练好的初始解析模型，并获取第一密文样本；
根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本；
将所述第一密文样本及所述第二密文样本确定为调参样本；
根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型；
根据所述文本解析请求获取目标信息；
基于所述目标解析模型处理所述目标信息，得到所述目标信息的解析结果。
根据本发明优选实施例，所述识别所述文本解析请求的请求发起方包括：
解析所述文本解析请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中提取发起地址，并获取所述发起地址的日志数据；
获取所述文本解析请求的接收时间，并根据所述接收时间及预设时间生成时间区间；
获取所述文本解析请求的请求标识；
根据所述时间区间及所述请求标识从所述日志数据中筛选目标日志；
检测所述目标日志中是否存在预设事件；
若所述目标日志中存在所述预设事件，将所述发起地址所对应的设备确定为所述请求发起方。
根据本发明优选实施例，所述根据所述文本解析请求获取目标信息包括：
解析所述文本解析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取路径信息；
将所述路径信息写入预设模板中，得到查询语句；
基于所述请求标识封装所述查询语句，得到数据采集请求；
在预设间隔后，当接收到基于所述数据采集请求的数据授权结果时，运行所述查询语句，得到所述目标信息。
根据本发明优选实施例，所述检测所述请求发起方是否存在预设列表中包括：
检测所述预设列表中数据的存储类型；
根据所述存储类型获取所述请求发起方的多个识别码；
基于所述多个识别码遍历所述预设列表；
若任一识别码与所述预设列表中的任一数据匹配，确定所述请求发起方存在于所述预设列表中；或者
若所述多个识别码与所述预设列表中所有数据均不匹配，确定所述请求发起方不在所述预设列表中。
根据本发明优选实施例，在获取预先训练好的初始解析模型之前，所述基于人工智能的文本解析方法还包括：
获取所述训练数据的标注结果；
将所述训练数据输入至预先构建好的初级学习器中，得到第一预测结果；
计算所述第一预测结果与所述标注结果的第一文本相似度；
基于所述第一文本相似度调整所述初级学习器中的网络参数，得到次级学习器，并将所述训练数据输入至所述次级学习器中，得到第二预测结果；
计算所述第二预测结果与所述标注结果的第二文本相似度；
计算预设需求与所述第一文本相似度的差值，得到第一数值，并计算所述预设需求与所述第二文本相似度的差值，得到第二数值；
若所述第一数值与所述第二数值的比值小于或者等于预设学习率，将所述次级学习器确定为所述初始解析模型。
根据本发明优选实施例，所述根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本包括：
统计所述训练数据的数量，得到训练数量，并根据所述训练数量及预设比例生成所述调参样本的最低限度值；
若所述样本数量小于所述最低限度值，计算所述最低限度值与所述样本数量的差值，得到需求量；
基于所述需求量从所述训练数据中随机提取目标数据；
检测所述第一密文样本的加密版本；
基于所述加密版本对所述目标数据进行加密处理，得到所述第二密文样本。
根据本发明优选实施例，所述调参样本包括文本密文及所述文本密文的解析信息，所述根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型包括：
从所述文本密文中提取字符信息及词汇信息；
基于第一预设规则对所述字符信息进行编码，得到第一编码，并基于第二预设规则对所述词汇信息进行编码，得到第二编码；
根据所述字符信息及所述词汇信息在所述文本密文中的信息位置拼接所述第一编码及所述第二编码，得到所述文本密文的编码序列；
对所述编码序列进行遮挡处理，得到所述文本密文的密文向量；
将所述密文向量输入至所述初始解析模型中，得到密文预测信息；
基于所述密文预测信息与所述解析信息的相似度调整所述模型参数，直至所述损失值不再降低，得到所述目标解析模型。
另一方面，本发明还提出一种基于人工智能的文本解析装置，所述基于人工智能的文本解析装置包括：
识别单元，用于当接收到文本解析请求时，识别所述文本解析请求的请求发起方；
检测单元，用于检测所述请求发起方是否存在预设列表中；
获取单元，用于若所述请求发起方不在所述预设列表中，获取预先训练好的初始解析模型，并获取第一密文样本；
处理单元，用于根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本；
确定单元，用于将所述第一密文样本及所述第二密文样本确定为调参样本；
调整单元，用于根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型；
所述获取单元，还用于根据所述文本解析请求获取目标信息；
所述处理单元，还用于基于所述目标解析模型处理所述目标信息，得到所述目标信息的解析结果。
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基于人工智能的文本解析方法。
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基于人工智能的文本解析方法。
由以上技术方案可以看出，本发明基于所述第一密文样本的样本数量处理所述训练数据，能够确保所述调参样本的数量，进而能够确保所述目标解析模型对加密数据的文本解析能力，从而提高所述解析结果的准确性，进而基于所述调参样本对所述模型参数进行调整，生成了具备解析密文能力的目标解析模型，解决了所述目标解析模型无法解析加密数据的问题。另外，本发明无需重构所述初始解析模型，因此，能够提高文本解析效率。
附图说明
图1是本发明基于人工智能的文本解析方法的较佳实施例的流程图。
图2是本发明基于人工智能的文本解析装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的文本解析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，是本发明基于人工智能的文本解析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。
所述基于人工智能的文本解析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。
所述基于人工智能的文本解析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 SpecificIntegrated 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，当接收到文本解析请求时，识别所述文本解析请求的请求发起方。
在本发明的至少一个实施例中，所述文本解析请求包括，但不限于：地址信息、请求标识等。
所述请求发起方是指生成所述文本解析请求的设备。
在本发明的至少一个实施例中，所述电子设备识别所述文本解析请求的请求发起方包括：
解析所述文本解析请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中提取发起地址，并获取所述发起地址的日志数据；
获取所述文本解析请求的接收时间，并根据所述接收时间及预设时间生成时间区间；
获取所述文本解析请求的请求标识；
根据所述时间区间及所述请求标识从所述日志数据中筛选目标日志；
检测所述目标日志中是否存在预设事件；
若所述目标日志中存在所述预设事件，将所述发起地址所对应的设备确定为所述请求发起方。
其中，所述地址信息包括所述发起地址及所述文本解析请求的接收地址。
所述日志数据是指所述发起地址所对应的设备的过程性事件记录数据。
所述接收时间是指所述电子设备接收所述文本解析请求的时间。
所述预设时间区间可以根据网络延迟时间确定。
所述请求标识用于唯一指示所述文本解析请求。
所述目标日志是指日志时间处于所述时间区间，且，包含有所述请求标识的日志数据。
所述预设事件用于指示请求生成事件。
通过所述发起地址，能够快速确定出所述日志数据，进而根据所述时间区间及所述请求标识筛选出所述目标日志，由于所述时间区间是根据所述接收时间及所述预设时间生成的，因此能够避免由于系统延迟而造成无法准确的筛选出所述目标日志，进一步能够直接分析目标日志，由于无需对所述日志数据进行逐条分析，因此能够提高所述请求发起方的识别效率。
S11，检测所述请求发起方是否存在预设列表中。
在本发明的至少一个实施例中，所述预设列表中存储的数据是根据需求添加的，本发明对所述预设列表中的数据的格式不作限定，例如，所述预设列表可以同时存储有地址信息，设备标识等。
在本发明的至少一个实施例中，所述电子设备检测所述请求发起方是否存在预设列表中包括：
检测所述预设列表中数据的存储类型；
根据所述存储类型获取所述请求发起方的多个识别码；
基于所述多个识别码遍历所述预设列表；
若任一识别码与所述预设列表中的任一数据匹配，确定所述请求发起方存在于所述预设列表中；或者
若所述多个识别码与所述预设列表中所有数据均不匹配，确定所述请求发起方不在所述预设列表中。
其中，所述存储类型是指数据在所述预设列表中的展示形式，例如，所述存储类型可以包括：IP地址类型、设备名称等。
每个识别码都用于唯一指示所述请求发起方。
通过上述实施方式，能够获取到与所述存储类型相对应的多个识别码，从而能够避免所述预设列表中存在所述请求发起方的其他标识而造成检测结果不准确的问题，提高了检测结果的准确性，同时，还能够避免获取到所述请求发起方的其余识别码，从而避免了对其余识别码的遍历，提高了检测效率。
S12，若所述请求发起方不在所述预设列表中，获取预先训练好的初始解析模型，并获取第一密文样本。
在本发明的至少一个实施例中，所述初始解析模型是根据训练数据生成的，所述训练数据通常是明文数据。
所述第一密文样本包括文本信息及加密后的文本信息。所述第一密文样本可以从样本库中获取到，所述第一密文样本的数量与所述样本库中存储的样本数量相等。例如，所述样本库中存储有800个样本，则所述第一密文样本的数量为800。
在本发明的至少一个实施例中，在获取预先训练好的初始解析模型之前，所述方法还包括：
获取所述训练数据的标注结果；
将所述训练数据输入至预先构建好的初级学习器中，得到第一预测结果；
计算所述第一预测结果与所述标注结果的第一文本相似度；
基于所述第一文本相似度调整所述初级学习器中的网络参数，得到次级学习器，并将所述训练数据输入至所述次级学习器中，得到第二预测结果；
计算所述第二预测结果与所述标注结果的第二文本相似度；
计算预设需求与所述第一文本相似度的差值，得到第一数值，并计算所述预设需求与所述第二文本相似度的差值，得到第二数值；
若所述第一数值与所述第二数值的比值小于或者等于预设学习率，将所述次级学习器确定为所述初始解析模型。
其中，所述标注结果是指所述训练数据的真实结果。
所述学习器可以是BILSTM网络，所述学习器也可以是BERT网络。
所述网络参数是指所述学习器中初始化设定好的参数。例如，所述学习器包括卷积层，则所述网络参数可以包括，但不限于：卷积核的层数、卷积核的大小等。
所述预设需求是根据所述初始解析模型的解析准确度确定的，例如，所述解析准确度为90%，则所述预设需求通常设定为0.9。
所述预设学习率是根据需求设定的。
通过所述预设需求能够确保所述初始解析模型的解析准确性，通过所述预设学习率能够避免所述初始解析模型存在过拟合的问题。
在本发明的至少一个实施例中，若所述第一数值与所述第二数值的比值大于所述预设学习率，调整所述次级学习器中的网络参数。
在本发明的至少一个实施例中，若所述请求发起方存在于所述预设列表中，根据所述文本解析请求获取待处理信息，并将所述待处理信息输入至所述初始解析模型中，得到数据结果。
通过上述实施方式，所述请求发起方存在于所述预设列表中，也就是说，所述待处理信息属于明文数据，由于所述初始解析模型是根据明文训练数据直接调整生成的，因此，可以直接将所述待处理信息输入至所述初始解析模型中进行处理，提高所述数据结果的生成效率。
S13，根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本。
在本发明的至少一个实施例中，所述样本数量是指所述第一密文样本的样本个数。
所述第二密文样本是指对部分所述训练数据加密处理后生成的数据。
在本发明的至少一个实施例中，所述电子设备根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本包括：
统计所述训练数据的数量，得到训练数量，并根据所述训练数量及预设比例生成调参样本的最低限度值；
若所述样本数量小于所述最低限度值，计算所述最低限度值与所述样本数量的差值，得到需求量；
基于所述需求量从所述训练数据中随机提取目标数据；
检测所述第一密文样本的加密版本；
基于所述加密版本对所述目标数据进行加密处理，得到所述第二密文样本。
其中，所述最低限度值是根据所述训练数量与所述预设比例的乘积生成的。
所述加密版本可以包括明文与密文的映射关系，所述加密版本也可以包括具体的加密算法。
通过所述训练数量及所述样本数量能够确定出所需加密的训练数据的数量，而无需对所有训练数据进行加密，能够提高加密效率，进而基于所述加密版本对所述目标数据进行加密，能够确保所述第二密文样本的统一性。
在本发明的至少一个实施例中，根据所述训练数量及配置比值生成所述调参样本的最高限度值，若所述样本数量大于所述最高限度值，根据所述最高限度值从所述第一密文样本中提取调参样本。
其中，所述最高限度值是根据所述训练数量与所述配置比值的乘积生成的，所述预设比例小于所述配置比值，也就是说，所述最低限度值小于所述最高限度值。
通过所述最高限度值能够控制调整所述初始解析模型的样本的数量，从而提高目标解析模型的训练效率。
S14，将所述第一密文样本及所述第二密文样本确定为调参样本。
在本发明的至少一个实施例中，所述调参样本包括所述第一密文样本及所述第二密文样本。所述第二密文样本包括对所述目标数据进行加密处理后所得到的密文数据及所述目标数据。
S15，根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型。
在本发明的至少一个实施例中，所述模型参数是指所述初始解析模型中与所述网络参数对应的参数。例如，所述网络参数为所述学习器中的卷积核大小，则所述模型参数为所述初始解析模型中的卷积核大小。
所述损失值包括所述初始解析模型对所述训练数据的损失及所述初始解析模型对所述调参样本的损失。
所述目标解析模型是指使所述训练数据及所述调参样本的损失值不再降低时的初始解析模型。
在本发明的至少一个实施例中，所述调参样本包括文本密文及所述文本密文的解析信息，所述电子设备根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型包括：
从所述文本密文中提取字符信息及词汇信息；
基于第一预设规则对所述字符信息进行编码，得到第一编码，并基于第二预设规则对所述词汇信息进行编码，得到第二编码；
根据所述字符信息及所述词汇信息在所述文本密文中的信息位置拼接所述第一编码及所述第二编码，得到所述文本密文的编码序列；
对所述编码序列进行遮挡处理，得到所述文本密文的密文向量；
将所述密文向量输入至所述初始解析模型中，得到密文预测信息；
基于所述密文预测信息与所述解析信息的相似度调整所述模型参数，直至所述损失值不再降低，得到所述目标解析模型。
其中，所述文本密文包括所述第一密文样本中的所述加密后的文本信息及所述第二密文样本中的所述密文数据，所述解析信息包括所述第一密文样本中的所述文本信息及所述第二密文样本中的所述目标数据。
所述第一预设规则及所述第二预设规则是根据不同文本特征而生成的不同编码方式。
通过所述第一预设规则及所述第二预设规则能够生成表征不同文本特征的编码序列，进而对所述编码序列进行遮挡，能够提高所述目标解析模型的上下文预测能力，进一步结合所述训练数据的损失及所述调参样本的损失调整所述模型参数，能够避免所述目标解析模型的过拟合，提高所述目标解析模型对明文及密文的文本解析准确度。
具体地，所述电子设备对所述编码序列进行遮挡处理，得到所述文本密文的密文向量包括：
将所述编码序列中的随机字符替换为预设字符，得到所述密文向量。
其中，所述预设字符是指不用于表征任何含义的字符，例如，所述预设字符可以是mask。
S16，根据所述文本解析请求获取目标信息。
在本发明的至少一个实施例中，所述目标信息是指需要进行文本解析的信息。
可以理解的是，由于所述请求发起方不在所述预设列表中，因此，所述目标信息属于密文类数据。
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析请求获取目标信息包括：
解析所述文本解析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取路径信息；
将所述路径信息写入预设模板中，得到查询语句；
基于所述请求标识封装所述查询语句，得到数据采集请求；
在预设间隔后，当接收到基于所述数据采集请求的数据授权结果时，运行所述查询语句，得到所述目标信息。
其中，所述数据信息包括，但不限于：所述路径信息等。
所述预设模板中包括查询事件。
所述预设间隔可以根据网络延迟时间设定。
通过解析所述报文，能够快速获取到所述路径信息，进而根据所述请求标识对所述查询语句进行封装，以便所述数据采集请求能够被准确识别，进一步在接收到所述数据授权结果时，对所述目标信息的获取，能够确保所述目标信息的获取合法性。
S17，基于所述目标解析模型处理所述目标信息，得到所述目标信息的解析结果。
在本发明的至少一个实施例中，所述解析结果是指对所述目标信息进行文本解析后得到的结果。
需要强调的是，为进一步保证上述解析结果的私密和安全性，上述解析结果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，所述电子设备基于所述目标解析模型处理所述目标信息的方式与所述电子设备根据所述调参样本调整所述初始解析模型的模型参数的方式类似，本发明对此不再赘述。
由以上技术方案可以看出，本发明基于所述第一密文样本的样本数量处理所述训练数据，能够确保所述调参样本的数量，进而能够确保所述目标解析模型对加密数据的文本解析能力，从而提高所述解析结果的准确性，进而基于所述调参样本对所述模型参数进行调整，生成了具备解析密文能力的目标解析模型，解决了所述目标解析模型无法解析加密数据的问题。另外，本发明无需重构所述初始解析模型，因此，能够提高文本解析效率。
如图2所示，是本发明基于人工智能的文本解析装置的较佳实施例的功能模块图。所述基于人工智能的文本解析装置11包括识别单元110、检测单元111、获取单元112、处理单元113、确定单元114、调整单元115、输入单元116及计算单元117。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。
当接收到文本解析请求时，识别单元110识别所述文本解析请求的请求发起方。
在本发明的至少一个实施例中，所述文本解析请求包括，但不限于：地址信息、请求标识等。
所述请求发起方是指生成所述文本解析请求的设备。
在本发明的至少一个实施例中，所述识别单元110识别所述文本解析请求的请求发起方包括：
解析所述文本解析请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中提取发起地址，并获取所述发起地址的日志数据；
获取所述文本解析请求的接收时间，并根据所述接收时间及预设时间生成时间区间；
获取所述文本解析请求的请求标识；
根据所述时间区间及所述请求标识从所述日志数据中筛选目标日志；
检测所述目标日志中是否存在预设事件；
若所述目标日志中存在所述预设事件，将所述发起地址所对应的设备确定为所述请求发起方。
其中，所述地址信息包括所述发起地址及所述文本解析请求的接收地址。
所述日志数据是指所述发起地址所对应的设备的过程性事件记录数据。
所述接收时间是指所述电子设备接收所述文本解析请求的时间。
所述预设时间区间可以根据网络延迟时间确定。
所述请求标识用于唯一指示所述文本解析请求。
所述目标日志是指日志时间处于所述时间区间，且，包含有所述请求标识的日志数据。
所述预设事件用于指示请求生成事件。
通过所述发起地址，能够快速确定出所述日志数据，进而根据所述时间区间及所述请求标识筛选出所述目标日志，由于所述时间区间是根据所述接收时间及所述预设时间生成的，因此能够避免由于系统延迟而造成无法准确的筛选出所述目标日志，进一步能够直接分析目标日志，由于无需对所述日志数据进行逐条分析，因此能够提高所述请求发起方的识别效率。
检测单元111检测所述请求发起方是否存在预设列表中。
在本发明的至少一个实施例中，所述预设列表中存储的数据是根据需求添加的，本发明对所述预设列表中的数据的格式不作限定，例如，所述预设列表可以同时存储有地址信息，设备标识等。
在本发明的至少一个实施例中，所述检测单元111检测所述请求发起方是否存在预设列表中包括：
检测所述预设列表中数据的存储类型；
根据所述存储类型获取所述请求发起方的多个识别码；
基于所述多个识别码遍历所述预设列表；
若任一识别码与所述预设列表中的任一数据匹配，确定所述请求发起方存在于所述预设列表中；或者
若所述多个识别码与所述预设列表中所有数据均不匹配，确定所述请求发起方不在所述预设列表中。
其中，所述存储类型是指数据在所述预设列表中的展示形式，例如，所述存储类型可以包括：IP地址类型、设备名称等。
每个识别码都用于唯一指示所述请求发起方。
通过上述实施方式，能够获取到与所述存储类型相对应的多个识别码，从而能够避免所述预设列表中存在所述请求发起方的其他标识而造成检测结果不准确的问题，提高了检测结果的准确性，同时，还能够避免获取到所述请求发起方的其余识别码，从而避免了对其余识别码的遍历，提高了检测效率。
若所述请求发起方不在所述预设列表中，获取单元112获取预先训练好的初始解析模型，并获取第一密文样本。
在本发明的至少一个实施例中，所述初始解析模型是根据训练数据生成的，所述训练数据通常是明文数据。
所述第一密文样本包括文本信息及加密后的文本信息。所述第一密文样本可以从样本库中获取到，所述第一密文样本的数量与所述样本库中存储的样本数量相等。例如，所述样本库中存储有800个样本，则所述第一密文样本的数量为800。
在本发明的至少一个实施例中，在获取预先训练好的初始解析模型之前，所述获取单元112获取所述训练数据的标注结果；
输入单元116将所述训练数据输入至预先构建好的初级学习器中，得到第一预测结果；
计算单元117计算所述第一预测结果与所述标注结果的第一文本相似度；
调整单元115基于所述第一文本相似度调整所述初级学习器中的网络参数，得到次级学习器，并将所述训练数据输入至所述次级学习器中，得到第二预测结果；
所述计算单元117计算所述第二预测结果与所述标注结果的第二文本相似度；
所述计算单元117计算预设需求与所述第一文本相似度的差值，得到第一数值，并计算所述预设需求与所述第二文本相似度的差值，得到第二数值；
若所述第一数值与所述第二数值的比值小于或者等于预设学习率，确定单元114将所述次级学习器确定为所述初始解析模型。
其中，所述标注结果是指所述训练数据的真实结果。
所述学习器可以是BILSTM网络，所述学习器也可以是BERT网络。
所述网络参数是指所述学习器中初始化设定好的参数。例如，所述学习器包括卷积层，则所述网络参数可以包括，但不限于：卷积核的层数、卷积核的大小等。
所述预设需求是根据所述初始解析模型的解析准确度确定的，例如，所述解析准确度为90%，则所述预设需求通常设定为0.9。
所述预设学习率是根据需求设定的。
通过所述预设需求能够确保所述初始解析模型的解析准确性，通过所述预设学习率能够避免所述初始解析模型存在过拟合的问题。
在本发明的至少一个实施例中，若所述第一数值与所述第二数值的比值大于所述预设学习率，调整所述次级学习器中的网络参数。
在本发明的至少一个实施例中，若所述请求发起方存在于所述预设列表中，根据所述文本解析请求获取待处理信息，并将所述待处理信息输入至所述初始解析模型中，得到数据结果。
通过上述实施方式，所述请求发起方存在于所述预设列表中，也就是说，所述待处理信息属于明文数据，由于所述初始解析模型是根据明文训练数据直接调整生成的，因此，可以直接将所述待处理信息输入至所述初始解析模型中进行处理，提高所述数据结果的生成效率。
处理单元113根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本。
在本发明的至少一个实施例中，所述样本数量是指所述第一密文样本的样本个数。
所述第二密文样本是指对部分所述训练数据加密处理后生成的数据。
在本发明的至少一个实施例中，所述处理单元113根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本包括：
统计所述训练数据的数量，得到训练数量，并根据所述训练数量及预设比例生成调参样本的最低限度值；
若所述样本数量小于所述最低限度值，计算所述最低限度值与所述样本数量的差值，得到需求量；
基于所述需求量从所述训练数据中随机提取目标数据；
检测所述第一密文样本的加密版本；
基于所述加密版本对所述目标数据进行加密处理，得到所述第二密文样本。
其中，所述最低限度值是根据所述训练数量与所述预设比例的乘积生成的。
所述加密版本可以包括明文与密文的映射关系，所述加密版本也可以包括具体的加密算法。
通过所述训练数量及所述样本数量能够确定出所需加密的训练数据的数量，而无需对所有训练数据进行加密，能够提高加密效率，进而基于所述加密版本对所述目标数据进行加密，能够确保所述第二密文样本的统一性。
在本发明的至少一个实施例中，根据所述训练数量及配置比值生成所述调参样本的最高限度值，若所述样本数量大于所述最高限度值，根据所述最高限度值从所述第一密文样本中提取调参样本。
其中，所述最高限度值是根据所述训练数量与所述配置比值的乘积生成的，所述预设比例小于所述配置比值，也就是说，所述最低限度值小于所述最高限度值。
通过所述最高限度值能够控制调整所述初始解析模型的样本的数量，从而提高目标解析模型的训练效率。
所述确定单元114将所述第一密文样本及所述第二密文样本确定为调参样本。
在本发明的至少一个实施例中，所述调参样本包括第一密文样本及所述第二密文样本。所述第二密文样本是指对所述目标数据进行加密处理后所得到的密文数据及所述目标数据。
所述调整单元115根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型。
在本发明的至少一个实施例中，所述模型参数是指所述初始解析模型中与所述网络参数对应的参数。例如，所述网络参数为所述学习器中的卷积核大小，则所述模型参数为所述初始解析模型中的卷积核大小。
所述损失值包括所述初始解析模型对所述训练数据的损失及所述初始解析模型对所述调参样本的损失。
所述目标解析模型是指使所述训练数据及所述调参样本的损失值不再降低时的初始解析模型。
在本发明的至少一个实施例中，所述调参样本包括文本密文及所述文本密文的解析信息，所述调整单元115根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型包括：
从所述文本密文中提取字符信息及词汇信息；
基于第一预设规则对所述字符信息进行编码，得到第一编码，并基于第二预设规则对所述词汇信息进行编码，得到第二编码；
根据所述字符信息及所述词汇信息在所述文本密文中的信息位置拼接所述第一编码及所述第二编码，得到所述文本密文的编码序列；
对所述编码序列进行遮挡处理，得到所述文本密文的密文向量；
将所述密文向量输入至所述初始解析模型中，得到密文预测信息；
基于所述密文预测信息与所述解析信息的相似度调整所述模型参数，直至所述损失值不再降低，得到所述目标解析模型。
其中，所述文本密文包括所述第一密文样本中的所述加密后的文本信息及所述第二密文样本中的所述密文数据，所述解析信息包括所述第一密文样本中的所述文本信息及所述第二密文样本中的所述目标数据。
所述第一预设规则及所述第二预设规则是根据不同文本特征而生成的不同编码方式。
通过所述第一预设规则及所述第二预设规则能够生成表征不同文本特征的编码序列，进而对所述编码序列进行遮挡，能够提高所述目标解析模型的上下文预测能力，进一步结合所述训练数据的损失及所述调参样本的损失调整所述模型参数，能够避免所述目标解析模型的过拟合，提高所述目标解析模型对明文及密文的文本解析准确度。
具体地，所述调整单元115对所述编码序列进行遮挡处理，得到所述文本密文的密文向量包括：
将所述编码序列中的随机字符替换为预设字符，得到所述密文向量。
其中，所述预设字符是指不用于表征任何含义的字符，例如，所述预设字符可以是mask。
所述获取单元112根据所述文本解析请求获取目标信息。
在本发明的至少一个实施例中，所述目标信息是指需要进行文本解析的信息。
可以理解的是，由于所述请求发起方不在所述预设列表中，因此，所述目标信息属于密文类数据。
在本发明的至少一个实施例中，所述获取单元112根据所述文本解析请求获取目标信息包括：
解析所述文本解析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取路径信息；
将所述路径信息写入预设模板中，得到查询语句；
基于所述请求标识封装所述查询语句，得到数据采集请求；
在预设间隔后，当接收到基于所述数据采集请求的数据授权结果时，运行所述查询语句，得到所述目标信息。
其中，所述数据信息包括，但不限于：所述路径信息等。
所述预设模板中包括查询事件。
所述预设间隔可以根据网络延迟时间设定。
通过解析所述报文，能够快速获取到所述路径信息，进而根据所述请求标识对所述查询语句进行封装，以便所述数据采集请求能够被准确识别，进一步在接收到所述数据授权结果时，对所述目标信息的获取，能够确保所述目标信息的获取合法性。
所述处理单元113基于所述目标解析模型处理所述目标信息，得到所述目标信息的解析结果。
在本发明的至少一个实施例中，所述解析结果是指对所述目标信息进行文本解析后得到的结果。
需要强调的是，为进一步保证上述解析结果的私密和安全性，上述解析结果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，所述处理单元113基于所述目标解析模型处理所述目标信息的方式与所述调整单元115根据所述调参样本调整所述初始解析模型的模型参数的方式类似，本发明对此不再赘述。
由以上技术方案可以看出，本发明基于所述第一密文样本的样本数量处理所述训练数据，能够确保所述调参样本的数量，进而能够确保所述目标解析模型对加密数据的文本解析能力，从而提高所述解析结果的准确性，进而基于所述调参样本对所述模型参数进行调整，生成了具备解析密文能力的目标解析模型，解决了所述目标解析模型无法解析加密数据的问题。另外，本发明无需重构所述初始解析模型，因此，能够提高文本解析效率。
如图3所示，是本发明实现基于人工智能的文本解析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，例如基于人工智能的文本解析程序。
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识别单元110、检测单元111、获取单元112、处理单元113、确定单元114、调整单元115、输入单元116及计算单元117。
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基于人工智能的文本解析方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到文本解析请求时，识别所述文本解析请求的请求发起方；
检测所述请求发起方是否存在预设列表中；
若所述请求发起方不在所述预设列表中，获取预先训练好的初始解析模型，并获取第一密文样本；
根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本；
将所述第一密文样本及所述第二密文样本确定为调参样本；
根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型；
根据所述文本解析请求获取目标信息；
基于所述目标解析模型处理所述目标信息，得到所述目标信息的解析结果。
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：
当接收到文本解析请求时，识别所述文本解析请求的请求发起方；
检测所述请求发起方是否存在预设列表中；
若所述请求发起方不在所述预设列表中，获取预先训练好的初始解析模型，并获取第一密文样本；
根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本；
将所述第一密文样本及所述第二密文样本确定为调参样本；
根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型；
根据所述文本解析请求获取目标信息；
基于所述目标解析模型处理所述目标信息，得到所述目标信息的解析结果。
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)

1.一种基于人工智能的文本解析方法，其特征在于，所述基于人工智能的文本解析方法包括：
当接收到文本解析请求时，识别所述文本解析请求的请求发起方；
检测所述请求发起方是否存在预设列表中；
若所述请求发起方不在所述预设列表中，获取预先训练好的初始解析模型，并获取第一密文样本；
根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本；
将所述第一密文样本及所述第二密文样本确定为调参样本；
根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型；
根据所述文本解析请求获取目标信息；
基于所述目标解析模型处理所述目标信息，得到所述目标信息的解析结果。
2.如权利要求1所述的基于人工智能的文本解析方法，其特征在于，所述识别所述文本解析请求的请求发起方包括：
解析所述文本解析请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中提取发起地址，并获取所述发起地址的日志数据；
获取所述文本解析请求的接收时间，并根据所述接收时间及预设时间生成时间区间；
获取所述文本解析请求的请求标识；
根据所述时间区间及所述请求标识从所述日志数据中筛选目标日志；
检测所述目标日志中是否存在预设事件；
若所述目标日志中存在所述预设事件，将所述发起地址所对应的设备确定为所述请求发起方。
3.如权利要求2所述的基于人工智能的文本解析方法，其特征在于，所述根据所述文本解析请求获取目标信息包括：
解析所述文本解析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取路径信息；
将所述路径信息写入预设模板中，得到查询语句；
基于所述请求标识封装所述查询语句，得到数据采集请求；
在预设间隔后，当接收到基于所述数据采集请求的数据授权结果时，运行所述查询语句，得到所述目标信息。
4.如权利要求1所述的基于人工智能的文本解析方法，其特征在于，所述检测所述请求发起方是否存在预设列表中包括：
检测所述预设列表中数据的存储类型；
根据所述存储类型获取所述请求发起方的多个识别码；
基于所述多个识别码遍历所述预设列表；
若任一识别码与所述预设列表中的任一数据匹配，确定所述请求发起方存在于所述预设列表中；或者
若所述多个识别码与所述预设列表中所有数据均不匹配，确定所述请求发起方不在所述预设列表中。
5.如权利要求1所述的基于人工智能的文本解析方法，其特征在于，在获取预先训练好的初始解析模型之前，所述基于人工智能的文本解析方法还包括：
获取所述训练数据的标注结果；
将所述训练数据输入至预先构建好的初级学习器中，得到第一预测结果；
计算所述第一预测结果与所述标注结果的第一文本相似度；
基于所述第一文本相似度调整所述初级学习器中的网络参数，得到次级学习器，并将所述训练数据输入至所述次级学习器中，得到第二预测结果；
计算所述第二预测结果与所述标注结果的第二文本相似度；
计算预设需求与所述第一文本相似度的差值，得到第一数值，并计算所述预设需求与所述第二文本相似度的差值，得到第二数值；
若所述第一数值与所述第二数值的比值小于或者等于预设学习率，将所述次级学习器确定为所述初始解析模型。
6.如权利要求1所述的基于人工智能的文本解析方法，其特征在于，所述根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本包括：
统计所述训练数据的数量，得到训练数量，并根据所述训练数量及预设比例生成所述调参样本的最低限度值；
若所述样本数量小于所述最低限度值，计算所述最低限度值与所述样本数量的差值，得到需求量；
基于所述需求量从所述训练数据中随机提取目标数据；
检测所述第一密文样本的加密版本；
基于所述加密版本对所述目标数据进行加密处理，得到所述第二密文样本。
7.如权利要求1所述的基于人工智能的文本解析方法，其特征在于，所述调参样本包括文本密文及所述文本密文的解析信息，所述根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型包括：
从所述文本密文中提取字符信息及词汇信息；
基于第一预设规则对所述字符信息进行编码，得到第一编码，并基于第二预设规则对所述词汇信息进行编码，得到第二编码；
根据所述字符信息及所述词汇信息在所述文本密文中的信息位置拼接所述第一编码及所述第二编码，得到所述文本密文的编码序列；
对所述编码序列进行遮挡处理，得到所述文本密文的密文向量；
将所述密文向量输入至所述初始解析模型中，得到密文预测信息；
基于所述密文预测信息与所述解析信息的相似度调整所述模型参数，直至所述损失值不再降低，得到所述目标解析模型。
8.一种基于人工智能的文本解析装置，其特征在于，所述基于人工智能的文本解析装置包括：
识别单元，用于当接收到文本解析请求时，识别所述文本解析请求的请求发起方；
检测单元，用于检测所述请求发起方是否存在预设列表中；
获取单元，用于若所述请求发起方不在所述预设列表中，获取预先训练好的初始解析模型，并获取第一密文样本；
处理单元，用于根据所述第一密文样本的样本数量处理所述初始解析模型的训练数据，得到第二密文样本；
确定单元，用于将所述第一密文样本及所述第二密文样本确定为调参样本；
调整单元，用于根据所述调参样本调整所述初始解析模型的模型参数，直至所述初始解析模型对所述训练数据及所述调参样本的损失值不再降低，得到目标解析模型；
所述获取单元，还用于根据所述文本解析请求获取目标信息；
所述处理单元，还用于基于所述目标解析模型处理所述目标信息，得到所述目标信息的解析结果。
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中任意一项所述的基于人工智能的文本解析方法。
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中任意一项所述的基于人工智能的文本解析方法。
CN202111053179.3A 2021-09-09 2021-09-09 基于人工智能的文本解析方法、装置、设备及存储介质 Active CN113536770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111053179.3A CN113536770B (zh) 2021-09-09 2021-09-09 基于人工智能的文本解析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111053179.3A CN113536770B (zh) 2021-09-09 2021-09-09 基于人工智能的文本解析方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113536770A true CN113536770A (zh) 2021-10-22
CN113536770B CN113536770B (zh) 2021-11-30

Family

ID=78093099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111053179.3A Active CN113536770B (zh) 2021-09-09 2021-09-09 基于人工智能的文本解析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113536770B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186552A (zh) * 2021-12-13 2022-03-15 北京百度网讯科技有限公司 文本分析方法、装置、设备及计算机存储介质
CN114444550A (zh) * 2022-04-02 2022-05-06 中国人民解放军火箭军工程大学 结构化数据解析方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647272A (zh) * 2018-04-28 2018-10-12 江南大学 一种基于数据分布的小样本扩充方法
CN108717514A (zh) * 2018-05-21 2018-10-30 中国人民大学 一种机器学习中的数据隐私保护方法和系统
CN110704599A (zh) * 2019-09-30 2020-01-17 支付宝(杭州)信息技术有限公司 为预测模型生成样本、预测模型训练的方法及装置
WO2020029585A1 (zh) * 2018-08-10 2020-02-13 深圳前海微众银行股份有限公司 基于迁移学习的神经网络联邦建模方法、设备及存储介质
CN111723209A (zh) * 2020-06-28 2020-09-29 上海携旅信息技术有限公司 半监督文本分类模型训练方法、文本分类方法、系统、设备及介质
CN112417860A (zh) * 2020-12-08 2021-02-26 携程计算机技术（上海）有限公司 训练样本增强方法、系统、设备及存储介质
US20210232974A1 (en) * 2018-08-10 2021-07-29 Webank Co., Ltd Federated-learning based method of acquiring model parameters, system and readable storage medium

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647272A (zh) * 2018-04-28 2018-10-12 江南大学 一种基于数据分布的小样本扩充方法
CN108717514A (zh) * 2018-05-21 2018-10-30 中国人民大学 一种机器学习中的数据隐私保护方法和系统
WO2020029585A1 (zh) * 2018-08-10 2020-02-13 深圳前海微众银行股份有限公司 基于迁移学习的神经网络联邦建模方法、设备及存储介质
US20210232974A1 (en) * 2018-08-10 2021-07-29 Webank Co., Ltd Federated-learning based method of acquiring model parameters, system and readable storage medium
CN110704599A (zh) * 2019-09-30 2020-01-17 支付宝(杭州)信息技术有限公司 为预测模型生成样本、预测模型训练的方法及装置
CN111723209A (zh) * 2020-06-28 2020-09-29 上海携旅信息技术有限公司 半监督文本分类模型训练方法、文本分类方法、系统、设备及介质
CN112417860A (zh) * 2020-12-08 2021-02-26 携程计算机技术（上海）有限公司 训练样本增强方法、系统、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186552A (zh) * 2021-12-13 2022-03-15 北京百度网讯科技有限公司 文本分析方法、装置、设备及计算机存储介质
CN114186552B (zh) * 2021-12-13 2023-04-07 北京百度网讯科技有限公司 文本分析方法、装置、设备及计算机存储介质
CN114444550A (zh) * 2022-04-02 2022-05-06 中国人民解放军火箭军工程大学 结构化数据解析方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113536770B (zh) 2021-11-30

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
CN113536770B (zh) 基于人工智能的文本解析方法、装置、设备及存储介质
CN113283675B (zh) 指标数据分析方法、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
CN113408268B (zh) 槽位填充方法、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
CN114035827A (zh) 应用程序更新方法、装置、设备及存储介质
CN112668453A (zh) 视频识别方法及相关设备
CN112948418A (zh) 动态查询方法、装置、设备及存储介质
CN113918467A (zh) 金融系统测试方法、装置、设备及存储介质
CN114510487A (zh) 数据表合并方法、装置、设备及存储介质
CN114116108A (zh) 动态渲染方法、装置、设备及存储介质
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN113268597A (zh) 文本分类方法、装置、设备及存储介质
CN113283389A (zh) 手写文字质量检测方法、装置、设备及存储介质
CN113420545B (zh) 摘要生成方法、装置、设备及存储介质
CN113283677B (zh) 指标数据处理方法、装置、设备及存储介质
CN115037790B (zh) 异常注册识别方法、装置、设备及存储介质
CN115205032A (zh) 征信查询方法、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
CN112989044B (zh) 文本分类方法、装置、设备及存储介质
CN114003784A (zh) 请求录制方法、装置、设备及存储介质
CN113886263A (zh) 系统测试方法、装置、设备及存储介质
CN113326365A (zh) 回复语句生成方法、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