CN113536782A - 敏感词识别方法、装置、电子设备及存储介质 - Google Patents
敏感词识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113536782A CN113536782A CN202110780276.6A CN202110780276A CN113536782A CN 113536782 A CN113536782 A CN 113536782A CN 202110780276 A CN202110780276 A CN 202110780276A CN 113536782 A CN113536782 A CN 113536782A
- Authority
- CN
- China
- Prior art keywords
- sequence
- text
- coding
- character
- semantic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 108091026890 Coding region Proteins 0.000 claims abstract description 93
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 201000001119 neuropathy Diseases 0.000 description 3
- 230000007823 neuropathy Effects 0.000 description 3
- 208000033808 peripheral neuropathy Diseases 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 101100324465 Caenorhabditis elegans arr-1 gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及智能决策领域，揭露了一种敏感词识别方法，包括：接收待识别文本及其对应的文本图片，对待识别文本进行字符切割，得到文本字符序列，对文本图片进行尺寸重置，得到重置文本图片；利用文字语义识别模型对文本字符序列进行语义编码，得到语义编码序列；利用图片字形识别模型对重置文本图片进行字形编码，得到字形编码序列；将语义编码序列和字形编码序列进行融合，得到融合编码序列；利用字符类别识别模型识别融合编码序列的字符序列类别，根据字符序列类别，识别待识别文本中的敏感词。此外，本发明还涉及区块链技术，所述待识别文本可存储于区块链中。本发明可以提高敏感词的识别准确性。
Description
技术领域
本发明涉及智能决策领域，尤其涉及一种敏感词识别方法、装置、电子设备及计算机可读存储介质。
背景技术
现有的敏感词识别算法都是基于纯文本的单模态算法，这种单模态算法无法很好地识别视觉上比较相似的敏感词，从而导致敏感词的识别准确度不高。
发明内容
本发明提供一种敏感词识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高敏感词的识别准确度。
为实现上述目的，本发明提供的一种敏感词识别方法，包括：
接收待识别文本及其对应的文本图片，对所述待识别文本进行字符切割，得到文本字符序列，并对所述文本图片进行尺寸重置，得到重置文本图片；
利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列；
利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列；
将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列；
利用字符类别识别模型识别所述融合编码序列的字符序列类别，并根据所述字符序列类别，识别所述待识别文本中的敏感词。
可选地，所述利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列，包括：
利用所述文字语义识别模型中的位置编码层对所述文本字符序列进行位置编码，得到位置编码字符序列；
利用所述文字语义识别模型中的注意力编码层对所述位置编码字符序列进行上下文语义识别，得到语义字符序列；
利用所述文字语义识别模型中的残差连接层将所述语义字符序列和所述文本字符序列进行连接，并利用所述字语义识别模型中的全连接层输出连接后的所述语义字符序列和所述文本字符序列，得到语义编码序列。
可选地，所述利用所述文字语义识别模型中的位置编码层对所述文本字符序列进行位置编码，得到位置编码字符序列，包括：
利用所述位置编码层中的字符嵌入模块对所述文本字符序列进行字符位置编码，得到字符位置序列；
利用所述位置编码层中的词嵌入模块对所述文本字符序列进行词位置编码，得到词位置序列；
利用所述位置编码层的位置编码函数标记所述文本字符序列的指针位置序列；
根据所述字符位置序列、词位置序列以及指针位置序列，生成所述位置编码字符序列。
可选地，所述利用所述文字语义识别模型中的注意力编码层对所述位置编码字符序列进行上下文语义识别，得到语义字符序列，包括：
利用所述注意力编码层中的压缩模块对所述位置编码字符序列进行降维；
利用所述注意力编码层中的编码器对降维后的所述位置编码字符序列进行语义编码；
利用所述注意力编码层中的解码器对语义编码后的所述位置编码字符序列进行语义识别，得到语义编码序列。
可选地，所述利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列，包括：
利用所述图片字形识别模型中的卷积层对所述重置文本图片进行特征提取，得到特征图片；
利用所述图片字形识别模型中的批标准化层对所述特征图片进行标准化操作，得到标准特征图片；
利用所述图片字形识别模型中的激活函数计算所述标准特征图片的字形编码结果；
利用所述图片字形识别模型中的全连接层输出所述字形编码结果，得到字形编码序列。
可选地，所述利用所述批标准化层对所述特征图片进行标准化操作，得到标准特征图片，包括：
利用所述批标准化层中的归一化模块对所述特征图片进行归一化处理，得到归一化图片；
利用所述批标准层中融合模块对所述归一化图片和所述重置文本图片进行底层特征融合，得到标准特征图片。
可选地，所述将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列，包括：
对所述语义编码序列和所述字形编码序列进行拼接，得到拼接编码序列，并构建所述拼接编码序列的维度向量；
根据所述维度向量，计算所述拼接编码序列的权重值，根据所述权重值，更新所述拼接编码序列的权重信息；
对更新权重信息后的所述融合编码序列进行映射，得到所述融合编码序列。
为了解决上述问题，本发明还提供一种敏感词识别装置，所述装置包括：
数据预处理模块，用于接收待识别文本及其对应的文本图片，对所述待识别文本进行字符切割，得到文本字符序列，并对所述文本图片进行尺寸重置，得到重置文本图片；
语义编码模块，用于利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列；
字形编码模块，用于利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列；
序列融合模块，用于将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列；
敏感词识别模块，用于利用字符类别识别模型识别所述融合编码序列的字符序列类别，并根据所述字符序列类别，识别所述待识别文本中的敏感词。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的敏感词识别方法。
为了解决上述问题，本发明还提供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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的敏感词识别方法。
本发明实施例首先对待识别文本及其对应的文本图片分别进行字符切割和尺寸重置，得到文本字符序列和重置文本图片，可以切割出所述待识别文本中所有的文字，提高后续待识别文本中字符敏感度的识别能力，及可以将所述文本图片的尺寸固定为预设尺寸，保障后续图片处理模型输入的图片尺寸一致性，提高图片处理速度；其次，本发明实施例利用文字语义识别模型和图片字形识别模型分别对所述文本字符序列和所述重置文本图片进行语义编码和字形编码，得到语义编码序列和字形编码序列，可以识别出所述文本字符序列的语义表征信息和字形表征信息，从而可以提取出所述文本字符序列的文字语义和所述重置文本图片的文字视觉特征；进一步地，本发明实施例将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列，可以使得所述语义编码序列对应的文本字符序列具有字形表征能力，增强后续模型对视觉上相近的文字识别能力，从而提高文本敏感词识别准确性，并利用字符类别识别模型识别所述融合编码序列的字符序列类别，以实现多模态的文本敏感词识别，进一步提高文本敏感词的识别准确性。因此，本发明提出的一种敏感词识别方法、装置、电子设备以及计算机可读存储介质可以提高敏感词的识别准确性。
附图说明
图1为本发明一实施例提供的敏感词识别方法的流程示意图；
图2为本发明一实施例提供的敏感词识别装置的模块示意图；
图3为本发明一实施例提供的实现敏感词识别方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种敏感词识别方法。所述敏感词识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述敏感词识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的敏感词识别方法的流程示意图。在本发明实施例中，所述敏感词识别方法包括：
S1、接收待识别文本及其对应的文本图片，对所述待识别文本进行字符切割，得到文本字符序列，并对所述文本图片进行尺寸重置，得到重置文本图片。
本发明实施例中，所述待识别文本是指需要审核是否具有非法内容(如色情、暴力等言论)的文本数据，其基于不同的业务场景产生，如在直博行业中的用户弹幕，在金融行业中的宣传文案等。可选的，所述待识别文本包括：宣传文本、言论文本以及法律文本等。所述文本图片是指包含所述待识别文本内容的图片，如用户弹幕图片，宣传文案图片等。
本发明实施例可以通过将待识别文本进行图形转换操作得到所述待识别文本对应的文本图片，或者将包含待识别文本内容的文本图片进行文字字符识别，得到文本图片对应的待识别文本。
应该了解，在所述待识别文本中会存在许多文本文句以及文本文字，若是直接对所述待识别文本进行处理，会影响待识本文本的准确度计算和处理时效，因此，本发明实施例通过对所述待识别文本进行字符切割，以切割出所述待识别文本中所有的文字，提高后续待识别文本中字符敏感度的识别能力。
作为本发明的一个实施例，所述对所述待识别文本进行字符切割，得到文本字符序列包括：对所述待识别文本进行语句分割，得到文本语句，根据所述文本语句中的文字位置，依次对所述文本语句中的文字进行切分，得到文本字符序列。例如，存在待识文本为“小明，你是神经病吗”，则对该文本进行字符切割得到文本字符序列为“小->明->，->你-> 有->神->经->病->吗->？”。
进一步的，由于实际业务场景的多端变化和复杂性，所述文本图片的来源多样性，会导致所述文本图片的尺寸不一致性，例如用户A输入的文本图片尺寸为800*750，用户B输入的文本图片尺寸为1200*1000，因此，本发明实施例通过对所述文本图片进行尺寸重置，得到重置文本图片，以将所述文本图片的尺寸固定为预设尺寸，保障后续图片处理模型输入的图片尺寸一致性，提高图片处理速度。可选的是，所述文本图片的尺寸重置根据不同业务场景设置，如接收的文本图片尺寸为1024*768，则尺寸重置后的文本图片尺寸可以为416*416。
进一步地，为保障所述待识别文本的复用性和隐私性，所述待识别文本还可存储于一区块链节点中。
S2、利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列。
本发明实施例中，所述文字语义识别模型通过ResBERT神经网络构建，用于识别文本字符序列的文字语义，保障文本字符序列的敏感标签分类前提，其包括：位置编码层、注意力编码层、残差连接层以及全连接层，其中，所述位置编码层用于标记所述文本字符序列在所述文字语义模型中的空间位置信息，所述注意力编码层用于对所述文本字符序列进行压缩编码，以学习所述文本字符序列与其相关的语义信息，所述残差连接层用于对注意力编码层处理后的文本字符序列与原始文本字符序列进行残差连接，以避免因在所述文字语义识别模型中的神经网络出现梯度消散导致文本字符序列出现语义识别错误的现象，所述全连接层用于输出所述文本字符序列进行语义编码后的序列向量。
作为本发明的一个实施例，所述利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列，包括：利用所述文字语义识别模型中的位置编码层对所述文本字符序列进行位置编码，得到位置编码字符序列；利用所述文字语义识别模型中的注意力编码层对所述位置编码字符序列进行上下文语义识别，得到语义字符序列；利用所述文字语义识别模型中的残差连接层将所述语义字符序列和所述文本字符序列进行连接，并利用所述字语义识别模型中的全连接层输出连接后的所述语义字符序列和所述文本字符序列，得到语义编码序列。
进一步地，本发明一可选实施例中，所述利用所述文字语义识别模型中的位置编码层对所述文本字符序列进行位置编码，得到位置编码字符序列，包括：利用所述位置编码层中的字符嵌入模块对所述文本字符序列进行字符位置编码，得到字符位置序列，利用所述位置编码层中的词嵌入模块对所述文本字符序列进行词位置编码，得到词位置序列，利用所述位置编码层的位置编码函数标记所述文本字符序列的指针位置序列，根据所述字符位置序列、词位置序列以及指针位置序列，生成所述位置编码字符序列。
其中，所述字符位置序列用于表征所述文本字符序列在所述位置编码层的空间位置信息，所述词位置序列用于表征所述文本字符序列的上下文字符序列在所述位置编码层的空间位置信息，所述指针位置序列用于表征所述文本字符序列在其对应文本语句中的位置信息。
进一步地，本发明一可选实施例中，所述利用所述文字语义识别模型中的注意力编码层对所述位置编码字符序列进行上下文语义识别，得到语义字符序列，包括：利用所述注意力编码层中的压缩模块对所述位置编码字符序列进行降维，利用所述注意力编码层中的编码器对降维后的所述位置编码字符序列进行语义编码，利用所述注意力编码层的解码器对语义编码后的所述位置编码字符序列进行语义识别，得到语义编码序列。
其中，所述位置编码字符序列的降维用于对所述位置编码字符序列进行信息压缩，提高模型处理速度，所述编码器用于计算所述位置编码字符序列与其上下文字符序列的权重关系，所述解码器用于识别所述位置编码字符序列与其上下文字符序列的语义关系。
进一步地，本发明一可选实施例中，所述语义字符序列和所述文本字符序列的连接通过所述残差连接层的残差网络将所述语义字符序列和所述文本字符序列进行求和实现。
进一步地，本发明一可选实施例中，所述连接后的所述语义字符序列和所述文本字符序列的输出通过所述全连接层的激活函数实现。
进一步需要说明的是，本发明实施例中，所述文字语义识别模型是指预先训练过的文本语义识别模型，其已具有较强的鲁棒性和识别能力。
S3、利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列。
本发明实施例中，所述图片字形识别模型通过ConvNet神经网络构建，用于识别所述重置文本图片的文字表征信息，以提取出所述重置文本图片的文字视觉特征，其包括：卷积层、批标准化层、激活函数以及全连接层，所述卷积层用于提取所述重置文本图片的特征信息，所述批标准化层用于将所述重置文本图片进行标准化，提高所述重置文本图片的处理速度和模型识别能力，所述激活函数用于计算所述重置文本图片的字形编码结果，所述全连接层用于输出所述重置文本图片的字形编码结果。
作为本发明的一个实施例，所述利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列，包括：利用所述图片字形识别模型中的卷积层对所述重置文本图片进行特征提取，得到特征图片；利用所述图片字形识别模型中的批标准化层对所述特征图片进行标准化操作，得到标准特征图片；利用所述图片字形识别模型中的激活函数计算所述标准特征图片的字形编码结果，利用所述图片字形识别模型中的全连接层输出所述字形编码结果，得到字形编码序列。
一个可选实施例中，所述重置文本图片的特征提取通过所述卷积层中的卷积核实现，本发明实施例中，每个卷积层可以3*3个卷积核。
一个可选实施例中，所述利用所述批标准化层对所述特征图片进行标准化操作，得到标准特征图片，包括：利用所述批标准化层中的归一化模块对所述特征图片进行归一化处理，得到归一化图片，利用所述批标准层中融合模块对所述归一化图片和所述重置文本图片进行底层特征融合，得到标准特征图片。
其中，所述归一化用于将所述特征图片进行降维，使其数据分布在【0,1】区间，加快模型收敛速度，所述底层特征是指图片的基本特征，如颜色、长度以及宽度等，其融合是用于减小对不同增益引起的图像灰度变化影响。
一个可选实施例中，所述激活函数可以为relu函数，所述字形编码结果包括：文字位置、文字向量信息等。
需要说明的是，本发明实施例中，所述图片字形识别模型是指预先训练过的图片字形识别模型，其已具有较强的鲁棒性和识别能力。
S4、将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列。
本发明实施例通过将所述语义编码序列和所述字形编码序列进行融合，可以使得所述语义编码序列对应的文本字符序列具有字形表征能力，增强后续模型对视觉上相近的文字识别能力。作为本发明的一个实施例，所述将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列，包括：对所述语义编码序列和所述字形编码序列进行拼接，得到拼接编码序列，并构建所述拼接编码序列的维度向量，根据所述维度向量，计算所述拼接编码序列的权重值，根据所述权重值，更新所述拼接编码序列的权重信息，对更新权重信息后的所述融合编码序列进行映射，得到所述融合编码序列。
其中，所述维度向量包括：Query、key及value，所述Query可以理解为待计算权重值的拼接编码序列，所述key可以理解为所述拼接编码序列的位置指针，所述value可以理解为拼接编码序列的上下文编码序列。
一个可选实施例中，所述语义编码序列和所述字形编码序列的拼接可以通过拼接函数实现，如Concat()函数，例如，存在语义编码序列为“arr1＝(X1，Y1)”，字形编码序列为“arr2＝(X2，Y2)”，采用所述Concat()函数将所述arr1和arr2进行拼接形成“(X1， Y1，X2，Y2)”。
一个可选实施例中，所述拼接编码序列的权重值计算可以通过自注意机制实现，所述融合编码序列的映射可以通过前馈神经网络实现。
S5、利用字符类别识别模型识别所述融合编码序列的字符序列类别，并根据所述字符序列类别，识别所述待识别文本中的敏感词。
本发明实施例中，所述字符类别识别模型通过条件随机场网络(ConditionalRandom Fields，CRF)构建，其用于识别所述融合编码序列中字符序列的类别，即用于识别所述融合编码序列对应字符序列是否属于敏感字符序列类别，其中，所述字符序列类别包括：B-d (敏感词起始字符)、I-d(敏感词中间字符)、B-g(非敏感词起始字符)、I-g(非敏感词中间字符)、O(其他非汉字字符(即标点符号、字母、数字等)。进一步地，本发明实施例根据所述字符序列类别，从所述待识别文本中识别敏感字符，得到敏感词，示例性的，存在待识别文本包含：“小明，你有神经病吗”，根据所述字符类别识别模型识别出该待识别文本的字符序列类别包括：B-g,B-g,O,B-g,B-g,B-d,I-d,I-d,B-g,O，以识别出“B-d,I-d,I-d”的字符序列类别为敏感字符，从而识别所述待识别文本中“神经病”为敏感词。
需要说明的是，本发明实施例中，所述字符类别识别模型是指预先训练过的文字符类别识别模型，其已具有较强的鲁棒性和识别能力。
本发明实施例首先对待识别文本及其对应的文本图片分别进行字符切割和尺寸重置，得到文本字符序列和重置文本图片，可以切割出所述待识别文本中所有的文字，提高后续待识别文本中字符敏感度的识别能力，及可以将所述文本图片的尺寸固定为预设尺寸，保障后续图片处理模型输入的图片尺寸一致性，提高图片处理速度；其次，本发明实施例利用文字语义识别模型和图片字形识别模型分别对所述文本字符序列和所述重置文本图片进行语义编码和字形编码，得到语义编码序列和字形编码序列，可以识别出所述文本字符序列的语义表征信息和字形表征信息，从而可以提取出所述文本字符序列的文字语义和所述重置文本图片的文字视觉特征；进一步地，本发明实施例将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列，可以使得所述语义编码序列对应的文本字符序列具有字形表征能力，增强后续模型对视觉上相近的文字识别能力，从而提高文本敏感词识别准确性，并利用字符类别识别模型识别所述融合编码序列的字符序列类别，以实现多模态的文本敏感词识别，进一步提高文本敏感词的识别准确性。因此，本发明提出的一种敏感词识别方法可以提高敏感词的识别准确性。
如图2所示，是本发明敏感词识别装置的功能模块图。
本发明所述敏感词识别装置100可以安装于电子设备中。根据实现的功能，所述敏感词识别装置可以包括数据预处理模块101、语义编码模块102、字形编码模块103、序列融合模块104以及敏感词识别模块105。本发所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据预处理模块101，用于接收待识别文本及其对应的文本图片，对所述待识别文本进行字符切割，得到文本字符序列，并对所述文本图片进行尺寸重置，得到重置文本图片；
所述语义编码模块102，用于利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列；
所述字形编码模块103，用于利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列；
所述序列融合模块104，用于将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列；
所述敏感词识别模块105，用于利用字符类别识别模型识别所述融合编码序列的字符序列类别，并根据所述字符序列类别，识别所述待识别文本中的敏感词。
详细地，本发明实施例中所述敏感词识别装置100中的所述各模块在使用时采用与上述的图1中所述的敏感词识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现敏感词识别方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如敏感词识别程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器 11内的程序或者模块(例如执行敏感词识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如敏感词识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称 PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管) 触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的敏感词识别程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
接收待识别文本及其对应的文本图片，对所述待识别文本进行字符切割，得到文本字符序列，并对所述文本图片进行尺寸重置，得到重置文本图片；
利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列；
利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列；
将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列；
利用字符类别识别模型识别所述融合编码序列的字符序列类别，并根据所述字符序列类别，识别所述待识别文本中的敏感词。
具体地，所述处理器10对上述计算机程序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。
进一步地，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，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
接收待识别文本及其对应的文本图片，对所述待识别文本进行字符切割，得到文本字符序列，并对所述文本图片进行尺寸重置，得到重置文本图片；
利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列；
利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列；
将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列；
利用字符类别识别模型识别所述融合编码序列的字符序列类别，并根据所述字符序列类别，识别所述待识别文本中的敏感词。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
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。
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。
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。系统权利要求中陈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)
1.一种敏感词识别方法，其特征在于，所述方法包括：
接收待识别文本及其对应的文本图片，对所述待识别文本进行字符切割，得到文本字符序列，并对所述文本图片进行尺寸重置，得到重置文本图片；
利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列；
利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列；
将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列；
利用字符类别识别模型识别所述融合编码序列的字符序列类别，并根据所述字符序列类别，识别所述待识别文本中的敏感词。
2.如权利要求1所述的敏感词识别方法，其特征在于，所述利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列，包括：
利用所述文字语义识别模型中的位置编码层对所述文本字符序列进行位置编码，得到位置编码字符序列；
利用所述文字语义识别模型中的注意力编码层对所述位置编码字符序列进行上下文语义识别，得到语义字符序列；
利用所述文字语义识别模型中的残差连接层将所述语义字符序列和所述文本字符序列进行连接，并利用所述字语义识别模型中的全连接层输出连接后的所述语义字符序列和所述文本字符序列，得到语义编码序列。
3.如权利要求2所述的敏感词识别方法，其特征在于，所述利用所述文字语义识别模型中的位置编码层对所述文本字符序列进行位置编码，得到位置编码字符序列，包括：
利用所述位置编码层中的字符嵌入模块对所述文本字符序列进行字符位置编码，得到字符位置序列；
利用所述位置编码层中的词嵌入模块对所述文本字符序列进行词位置编码，得到词位置序列；
利用所述位置编码层的位置编码函数标记所述文本字符序列的指针位置序列；
根据所述字符位置序列、词位置序列以及指针位置序列，生成所述位置编码字符序列。
4.如权利要求2所述的敏感词识别方法，其特征在于，所述利用所述文字语义识别模型中的注意力编码层对所述位置编码字符序列进行上下文语义识别，得到语义字符序列，包括：
利用所述注意力编码层中的压缩模块对所述位置编码字符序列进行降维；
利用所述注意力编码层中的编码器对降维后的所述位置编码字符序列进行语义编码；
利用所述注意力编码层中的解码器对语义编码后的所述位置编码字符序列进行语义识别，得到语义编码序列。
5.如权利要求1所述的敏感词识别方法，其特征在于，所述利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列，包括：
利用所述图片字形识别模型中的卷积层对所述重置文本图片进行特征提取，得到特征图片；
利用所述图片字形识别模型中的批标准化层对所述特征图片进行标准化操作，得到标准特征图片；
利用所述图片字形识别模型中的激活函数计算所述标准特征图片的字形编码结果；
利用所述图片字形识别模型中的全连接层输出所述字形编码结果，得到字形编码序列。
6.如权利要求5所述的敏感词识别方法，其特征在于，所述利用所述批标准化层对所述特征图片进行标准化操作，得到标准特征图片，包括：
利用所述批标准化层中的归一化模块对所述特征图片进行归一化处理，得到归一化图片；
利用所述批标准层中融合模块对所述归一化图片和所述重置文本图片进行底层特征融合，得到标准特征图片。
7.如权利要求1至6中任意一项所述的敏感词识别方法，其特征在于，所述将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列，包括：
对所述语义编码序列和所述字形编码序列进行拼接，得到拼接编码序列，并构建所述拼接编码序列的维度向量；
根据所述维度向量，计算所述拼接编码序列的权重值，根据所述权重值，更新所述拼接编码序列的权重信息；
对更新权重信息后的所述融合编码序列进行映射，得到所述融合编码序列。
8.一种敏感词识别装置，其特征在于，所述装置包括：
数据预处理模块，用于接收待识别文本及其对应的文本图片，对所述待识别文本进行字符切割，得到文本字符序列，并对所述文本图片进行尺寸重置，得到重置文本图片；
语义编码模块，用于利用文字语义识别模型对所述文本字符序列进行语义编码，得到语义编码序列；
字形编码模块，用于利用图片字形识别模型对所述重置文本图片进行字形编码，得到字形编码序列；
序列融合模块，用于将所述语义编码序列和所述字形编码序列进行融合，得到融合编码序列；
敏感词识别模块，用于利用字符类别识别模型识别所述融合编码序列的字符序列类别，并根据所述字符序列类别，识别所述待识别文本中的敏感词。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的敏感词识别方法。
10.一种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7中任意一项所述的敏感词识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110780276.6A CN113536782B (zh) | 2021-07-09 | 2021-07-09 | 敏感词识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110780276.6A CN113536782B (zh) | 2021-07-09 | 2021-07-09 | 敏感词识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113536782A true CN113536782A (zh) | 2021-10-22 |
| CN113536782B CN113536782B (zh) | 2023-12-26 |
Family
ID=78127364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110780276.6A Active CN113536782B (zh) | 2021-07-09 | 2021-07-09 | 敏感词识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113536782B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114448563A (zh) * | 2021-12-13 | 2022-05-06 | 北京邮电大学 | 语义编码传输方法及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502738A (zh) * | 2018-05-18 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 中文命名实体识别方法、装置、设备和查询系统 |
| CN111368535A (zh) * | 2018-12-26 | 2020-07-03 | 珠海金山网络游戏科技有限公司 | 一种敏感词识别方法、装置及设备 |
| CN111626062A (zh) * | 2020-05-29 | 2020-09-04 | 苏州思必驰信息科技有限公司 | 文本语义编码方法及系统 |
| US20210081729A1 (en) * | 2019-09-16 | 2021-03-18 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for image text recognition, apparatus, device and storage medium |
| WO2021098689A1 (zh) * | 2019-11-20 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 自然场景的文本识别方法、存储装置和计算机设备 |
-
2021
- 2021-07-09 CN CN202110780276.6A patent/CN113536782B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502738A (zh) * | 2018-05-18 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 中文命名实体识别方法、装置、设备和查询系统 |
| CN111368535A (zh) * | 2018-12-26 | 2020-07-03 | 珠海金山网络游戏科技有限公司 | 一种敏感词识别方法、装置及设备 |
| US20210081729A1 (en) * | 2019-09-16 | 2021-03-18 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for image text recognition, apparatus, device and storage medium |
| WO2021098689A1 (zh) * | 2019-11-20 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 自然场景的文本识别方法、存储装置和计算机设备 |
| CN111626062A (zh) * | 2020-05-29 | 2020-09-04 | 苏州思必驰信息科技有限公司 | 文本语义编码方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王冲;张虎;王鑫;刘全明;: "融合敏感词规则和字符级RCNN模型的用户意图识别", 计算机应用与软件, no. 03 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114448563A (zh) * | 2021-12-13 | 2022-05-06 | 北京邮电大学 | 语义编码传输方法及电子设备 |
| CN114448563B (zh) * | 2021-12-13 | 2024-03-08 | 北京邮电大学 | 语义编码传输方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113536782B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507936B (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
| US11055327B2 (en) | Unstructured data parsing for structured information | |
| CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
| CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| CN112446207A (zh) | 标题生成方法、装置、电子设备及存储介质 | |
| CN113704614A (zh) | 基于用户画像的页面生成方法、装置、设备及介质 | |
| CN113342977B (zh) | 发票图像分类方法、装置、设备及存储介质 | |
| CN114399775A (zh) | 文档标题生成方法、装置、设备及存储介质 | |
| CN114267064A (zh) | 一种人脸识别方法、装置、电子设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113887438A (zh) | 人脸图像的水印检测方法、装置、设备及介质 | |
| CN114898373A (zh) | 文件脱敏方法、装置、电子设备及存储介质 | |
| CN113850643A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113536782B (zh) | 敏感词识别方法、装置、电子设备及存储介质 | |
| CN113704474A (zh) | 银行网点设备操作指引生成方法、装置、设备及存储介质 | |
| CN113420684A (zh) | 基于特征提取的报表识别方法、装置、电子设备及介质 | |
| CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
| CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
| CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
| CN115114408A (zh) | 多模态情感分类方法、装置、设备及存储介质 | |
| CN113888760A (zh) | 基于软件应用的违规信息监控方法、装置、设备及介质 | |
| CN112184465B (zh) | 用户数据画像生成方法、装置、电子设备及存储介质 | |
| CN113626605A (zh) | 信息分类方法、装置、电子设备及可读存储介质 |
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 |