CN113779980A - 用于识别文本的方法和装置 - Google Patents
用于识别文本的方法和装置 Download PDFInfo
- Publication number
- CN113779980A CN113779980A CN202110127068.6A CN202110127068A CN113779980A CN 113779980 A CN113779980 A CN 113779980A CN 202110127068 A CN202110127068 A CN 202110127068A CN 113779980 A CN113779980 A CN 113779980A
- Authority
- CN
- China
- Prior art keywords
- word
- merged
- original
- determining
- array
- 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
- G06F40/284—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2255—Hash tables
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)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了用于识别文本的方法和装置。该方法的一具体实施方式包括:获取身份标识和待识别的原始文本;基于预设的分词策略,对原始文本分词,得到原始词集合;对于原始词集合中的每一个原始词,执行如下步骤:将原始词与身份标识合并,得到合并后的原始词;采用第一哈希映射,确定合并后的原始词的第一哈希值;基于合并后的原始词的第一哈希值,确定合并后的原始词在预先生成的第一二进制数组中对应的下标;响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词。通过数组位置的状态确定原始词是否为目标词,可以根据用户的身份标识对文本进行识别,并提高文本识别的运算效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及文本识别领域,尤其涉及一种用于识别文本的方法和装置。
背景技术
互联网的各种业务场景均需要UGC(User Generated Content,用户生成)内容进行内容风险管控。其中敏感词过滤算法以其运营简单、识别效率高、技术难度低的特点,得以在各种类型的风控系统中广泛应用。基于敏感词过滤的风控策略可以有效识别违规内容(例如涉黄、涉政、涉恐、诈骗、骚扰、色情内容等)。
相关技术中,敏感词过滤算法包括两种:一种是基于正则表达式的敏感词匹配算法,其原理是将敏感词库组成固定规则的正则表达式,对于需要识别的文本内容,进行正则匹配;另一种是基于DFA(Deterministic Finite Automaton,确定的有穷自动机)的敏感词算法,包括各类有穷自动机算法,其原理是采用本地内存中的哈希表结构,存储每个敏感词的起始字符,使用树型结构存储敏感词非起始字符。在过滤阶段,按字符进行哈希查找,如果字符命中则继续进行树型查询,以此识别文本中是否存在敏感词。
发明内容
本公开的实施例提出了用于识别文本的方法和装置。
第一方面,本公开的实施例提供了一种用于识别文本的方法,该方法包括:获取身份标识和待识别的原始文本;基于预设的分词策略,对原始文本分词,得到原始词集合;对于原始词集合中的每个原始词,执行如下识别步骤:将原始词与身份标识合并,得到合并后的原始词;采用第一哈希映射,确定合并后的原始词的第一哈希值;基于合并后的原始词的第一哈希值,确定合并后的原始词在预先生成的第一二进制数组中对应的下标;响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词。
在一些实施例中,第一哈希映射包括第一预设数量个第一散列函数,每个第一散列函数对应一个第一哈希值;以及,响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词,包括:响应于合并后的原始词在第一二进制数组中对应的下标指向的第一预设数量个数组位置的状态全为1,确定原始词为目标词。
在一些实施例中,第一二进制数组经由如下步骤生成:获取目标词集合和身份标识;构建第一初始二进制数组;将各目标词分别与身份标识合并,得到各合并后的目标词;采用第一哈希映射,分别确定各合并后的目标词的第一哈希值;基于各合并后的目标词的第一哈希值,分别确定各合并目标词在第一初始二进制数组中对应的下标;将各第一初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第一二进制数组。
在一些实施例中,该方法还包括:响应于添加目标词的请求指令,获取该请求指令指示的身份标识和待添加的新增目标词;将新增目标词与该请求指令指示的身份标识合并,得到合并后的新增目标词;采用第一哈希映射,确定合并后的新增目标词的第一哈希值;基于合并后的新增目标词的第一哈希值,确定合并后的新增目标词在第一二进制数组中对应的下标;将合并后的新增目标词在第一二进制数组中对应的下标指向的数组位置的状态设置为1。
在一些实施例中,该方法还包括:响应于删除目标词的请求指令,获取该请求指令指示的身份标识和待删除目标词;构建第二初始二进制数组;将待删除目标词与该请求指令指示的身份标识合并,得到合并后的待删除目标词;采用第二哈希映射,分别确定各合并后的待删除目标词的第二哈希值;基于各合并后的待删除目标词的第二哈希值,分别确定各合并后的待删除目标词在第二初始二进制数组中对应的下标;将各第二初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第二二进制数组;以及,响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词,包括:响应于确定目标下标指向的数组位置的状态为1,采用第二哈希映射,确定合并后的原始词第二哈希值;基于合并后的原始词第二哈希值,确定合并后的原始词在第二二进制数组中对应的下标;响应于确定合并后的原始词在第二二进制数组中对应的下标指向的数组位置的状态为0,确定原始词为目标词。
在一些实施例中,第二哈希映射包括第二预设数量个第二散列函数,每个第二散列函数对应一个第二哈希值;以及,响应于确定原始词在第二二进制数组中对应的下标指向的数组位置的状态为0,确定原始词为目标词,包括:响应于确定原始词在第二二进制数组中对应的下标指向的第二预设数量个数组位置的状态不全为1,确定原始词为目标词。
第二方面,本公开的实施例提供了一种用于识别文本的装置,装置包括:获取单元,被配置成获取身份标识和待识别的原始文本;分词单元,被配置成基于预设的分词策略,对原始文本分词,得到原始词集合;识别单元,被配置成对于原始词集合中的每个原始词,执行如下识别步骤:将原始词与身份标识合并,得到合并后的原始词;采用第一哈希映射,确定合并后的原始词的第一哈希值;基于合并后的原始词的第一哈希值,确定合并后的原始词在预先生成的第一二进制数组中对应的下标;响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词。
在一些实施例中,第一哈希映射包括第一预设数量个第一散列函数,每个第一散列函数对应一个第一哈希值;以及,识别单元被进一步配置成:响应于合并后的原始词在第一二进制数组中对应的下标指向的第一预设数量个数组位置的状态全为1,确定原始词为目标词。
在一些实施例中,该装置还包括第一数组生成单元,被配置成:获取目标词集合和身份标识;构建第一初始二进制数组;将各目标词分别与身份标识合并,得到各合并后的目标词;采用第一哈希映射,分别确定各合并后的目标词的第一哈希值;基于各合并后的目标词的第一哈希值,分别确定各合并目标词在第一初始二进制数组中对应的下标;将各第一初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第一二进制数组
在一些实施例中,该装置还包括目标词添加单元,被配置成:响应于添加目标词的请求指令,获取该请求指令指示的身份标识和待添加的新增目标词;将新增目标词与该请求指令指示的身份标识合并,得到合并后的新增目标词;采用第一哈希映射,确定合并后的新增目标词的第一哈希值;基于合并后的新增目标词的第一哈希值,确定合并后的新增目标词在第一二进制数组中对应的下标;将合并后的新增目标词在第一二进制数组中对应的下标指向的数组位置的状态设置为1。
在一些实施例中,该装置还包括删除目标词单元,被配置成:响应于删除目标词的请求指令,获取该请求指令指示的身份标识和待删除目标词;构建第二初始二进制数组;将待删除目标词与该请求指令指示的身份标识合并,得到合并后的待删除目标词;采用第二哈希映射,分别确定各合并后的待删除目标词的第二哈希值;基于各合并后的待删除目标词的第二哈希值,分别确定各合并后的待删除目标词在第二初始二进制数组中对应的下标;将各第二初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第二二进制数组;以及,识别单元被进一步配置成:响应于确定目标下标指向的数组位置的状态为1,采用第二哈希映射,确定合并后的原始词的第二哈希值;基于合并后的原始词的第二哈希值,确定合并后的原始词在第二二进制数组中对应的下标;响应于确定原始词在第二二进制数组中对应的下标指向的数组位置的状态为0,确定原始词为目标词。
在一些实施例中,第二哈希映射包括第二预设数量个第二散列函数,每个第二散列函数对应一个第二哈希值;以及,识别单元被进一步配置成:响应于确定合并后的原始词在第二二进制数组中对应的下标指向的第二预设数量个数组位置的状态不全为1,确定原始词为目标词。
本公开的实施例提供的用于识别文本的方法和装置,将原始文本分词后得到的原始词与身份标识合并,通过哈希映射将合并后的原始词映射至二进制数组的对应位置,通过数组位置的状态确定原始词是否为目标词,可以根据用户的身份标识对文本进行识别,并提高文本识别的运算效率。
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:
图1是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于识别文本的方法的一个实施例的流程图;
图3是图2所示的用于识别文本的方法的一个实施例的应用场景示意图;
图4是根据本公开的用于识别文本的方法的又一个实施例的流程图;
图5是根据本公开的用于识别文本的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实施例的用于识别文本的方法或用于识别文本的装置的示例性系统架构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。例如终端设备上可以装载有各种交互类应用(例如购物应用、社交应用或视频直播类应用),用户可以通过交互类应用将信息发送至服务器,并从服务器接收信息。
用户还可以通过终端设备将待识别的原始文本和身份标识发送至服务器,由服务器对原始文本进行识别,以确定原始文本中是否存在目标词(例如可以是敏感词或关键词)。
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,可以是具备通信功能的电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、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电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的用户信息进行交互(例如针对用户发送的消息进行回复)的后台信息服务器。后台数据服务器还可以对接收到的用户信息进行识别,以确定用户发送的消息中是否存在目标词。
需要说明的是,本公开的实施例所提供的用于识别文本的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于识别文本的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。在此不做具体限定。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,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。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
继续参考图2,示出了根据本公开的用于识别文本的方法的一个实施例的流程200。该用于识别文本的方法,包括以下步骤:
步骤201,获取身份标识和待识别的原始文本。
在本实施例中,身份标识表征用户对目标词的自定义规则。例如,同一个词可能会被用户A认定为目标词,但可能会被用户B认定为非目标词。身份标识可以是字符组成的字符串。原始文本可以是短句、词组或文字段落,可以是实时消息也可以是历史文本,本申请对此不作限定。
以电商平台的在线客服系统为例,执行主体可以是电商平台的业务服务器,用户通过终端上装载的电商平台的客户端与执行主体进行信息交互。执行主体可以实时获取用户发送的文本消息,作为待识别的原始文本,此时的身份标识可以是电商平台自身的身份标识,表征目标词是由电商平台的操作人员定义的。
再例如,在视频直播场景中,执行主体可以是直播平台的业务服务器,观看直播的用户可以通过直播平台的客户端与执行主体进行信息交互。执行主体可以实时获取用户发送的文本消息,作为待识别的原始文本,此时的身份标识可以是直播间的身份标识,表征该场景下的目标词是由直播间的操作人员自定义的。
再例如,执行主体还可以是图1中示出的终端设备,用户可以根据自身需求定义目标词,并为该目标词规则设置身份标识。然后用户可以将待识别的原始文本以及设备标识发送至终端设备。
步骤202,基于预设的分词策略,对原始文本分词,得到原始词集合。
在本实施例中,分词策略可以基于预设的目标词确定。
作为示例,若目标词集合中包括“有偿刷单”,执行主体可以在文本分词器中为“有偿刷单”设置较高的分词权重。例如执行主体在步骤201中获取到的原始文本为“请搜索有偿刷单”,则执行主体将该原始文本输入文本分词器之后得到的原始词集合为“请”、“搜索”、“有偿刷单”。若目标词集合中包括“刷单”,则执行主体可以在文本分词器中为“刷单”设置较高的分词权重,如此,执行主体从文本分词器中得到的原始词集合为“请”、“搜索”、“有偿”和“刷单”。
执行主体得到原始词集合之后,对于原始词集合中的每个原始词,执行步骤203至步骤206。
步骤203,将原始词与身份标识合并,得到合并后的原始词。
作为示例,执行主体可以将原始词与身份标识连接成字符串,即为合并后的原始词。
步骤204,采用第一哈希映射,确定合并后的原始词的第一哈希值。
在本实施例中,执行主体可以将合并后的原始词输入预先设置的散列函数,得到合并后的原始词的第一哈希值。
步骤205,基于合并后的原始词的第一哈希值,确定合并后的原始词在预先生成的第一二进制数组中对应的下标。
在本实施例中,执行主体可以基于第一二进制数组的数组长度与第一哈希值进行“&”运算,确定出合并后的原始词在第一二进制数组中对应的下标。
作为示例,执行主体可以将第一二进制数组的数组长度和合并后的原始词的第一哈希值转化为二进制数,然后对合并后的原始词的第一哈希值和第一二进制数组的数组长度进行“&”运算,得到的数字即为合并后的原始词在第一二进制数组中对应的下标。
步骤206,响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词。
在本实施例中,数组位置的状态用于表征对应于该数组位置的词是否属于目标词。例如,数组位置的状态为1,表示对应于该位置的词为目标词,数组位置的状态为0,表示对应于该位置的词为非目标词。
在本实施例的一些可选的实现方式中,第一哈希映射包括第一预设数量个第一散列函数,每个第一散列函数对应一个第一哈希值;以及,响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词,包括:响应于合并后的原始词在第一二进制数组中对应的下标指向的第一预设数量个数组位置的状态全为1,确定原始词为目标词。
通常,哈希映射会存在一定的碰撞几率,即不同的词通过哈希映射得到的哈希值可能是相同的。为了降低碰撞几率,提高文本识别的准确度,本实现方式中的第一哈希映射为多级哈希映射。
作为示例,第一哈希映射包括3个散列函数,则执行主体经步骤204后,可以得到合并后的原始词的3个第一哈希值,进而,经步骤205可以得到3个下标。之后,执行主体可以分别获取3个下标在第一二进制数组中指向的数组位置的状态,若3个数组位置的状态均为1,表示该原始词为目标词。若3各数组位置的状态不全为1,表示原始词为非目标词。
在本实施例的一些可选的实现方式中,第一二进制数组经由如下步骤生成:获取目标词集合和身份标识;构建第一初始二进制数组;将各目标词分别与身份标识合并,得到各合并后的目标词;采用第一哈希映射,分别确定各合并后的目标词的第一哈希值;基于各合并后的目标词的第一哈希值,分别确定各合并目标词在第一初始二进制数组中对应的下标;将各第一初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第一二进制数组。
在本实现方式中,执行主体将用户的身份标识和预先选定的目标词合并,然后通过第一哈希映射,将合并后的目标词映射至第一二进制数组中对应的数组位置,通过数组位置的状态表征目标词,实现了将目标词集合转化为第一二进制数组中的数组位置的状态。一方面可以有效地缩减目标词集合的存储空间,以20亿位的二进制数组为例,这个长度的二进制数组消耗的内存大约为在120M,如果每个目标词在数组中映射为8个比特位,则该数组可存储的目标词可达到2.5亿条的理论存储量。另一方面,可以将目标词与用户的身份标识耦合,同一个词与不同身份标识合并之后映射至第一二进制数组中不同的数组位置,两者不存在关联,如此基于实现了目标词集合的业务隔离。
在一个具体的示例中,执行主体为直播平台的业务服务器,执行主体可以通过网络接收直播间的操作员选定的目标词(例如可以是敏感词:A、B和C),并以该直播间的ID(Identity document,身份标识)为身份标识(直播间ID例如可以是123)。之后,执行主体可以构建第一初始二进制数组,该第一初始二进制数组的长度可以基于目标词的数量确定,例如可以是3。执行主体将各个目标词分别与直播间ID合并,得到的合并后的目标词为:123A、123B和123C。然后,执行主体采用第一哈希映射分别确定出合并后的目标词的第一哈希值。再然后,执行主体基于第一哈希值与第一初始二进制数组的数组长度,确定出3个合并后的目标词对应的数组下标。最后将3个数组下标指向的数组位置的状态置为1,即得到第一二进制数组。、
如此,执行主体可以基于直播间自定义的目标词与直播间ID合并,分别映射至不同的数组位置,使得各个直播间的目标词集合互不干扰。当执行主体结合直播间的身份标识对各个直播间中的实时消息进行识别时,作为示例,直播间ID为456的直播间自定义的目标词为B和C,则包含A的消息在ID为123的直播间中会被认定为目标词,而在ID为456的直播间中不会被认定为目标词。
需要说明的是,本实现方式中的第一哈希映射也可以采用多级映射,以降低构建第一二进制数组的过程中的碰撞几率。结合上述示例进行说明,若第一哈希映射为3级映射,则第一初始二进制数组的数组长度为映射级数与目标词数量的乘积:9。并且,每个合并后的目标词均对应于3个第一哈希值以及3个数组位置。
在本实施例的一些可选的实现方式中,该方法还包括:响应于添加目标词的请求指令,获取该请求指令指示的身份标识和待添加的新增目标词;将新增目标词与该请求指令指示的身份标识合并,得到合并后的新增目标词;采用第一哈希映射,确定合并后的新增目标词的第一哈希值;基于合并后的新增目标词的第一哈希值,确定合并后的新增目标词在第一二进制数组中对应的下标;将合并后的新增目标词在第一二进制数组中对应的下标指向的数组位置的状态设置为1。
在本实现方式中,用户可以通过添加请求指令添加目标词,如此,可以提高本公开的实施例提供的文本识别的时效性和灵活性。
需要说明的是,本实现方式中的第一哈希映射,同样可以采用多级映射,已降低添加目标词的过程中的碰撞几率。
继续参见图3,图3是如2所示方法的一个实施例的流程示意图。在图3所示的场景中,用户可以通过智能手机301上装载的电商平台客户端与电商平台的业务服务器302进行交互,例如用户在电商平台的客服系统中输入信息“需要帮店铺刷单吗?”。服务器302可以实时获取该信息,并作为原始文本进行识别,以确定该信息中是否含有敏感词。服务器302获取到的待识别的原始文本303以及当前对话场景对应的身份标识“客服”。之后,服务器302将原始文本303输入分文本词器,得到原始词集合305,包括:“需要”、“帮”、“店铺”、“刷单”。后将原始词与身份标识304合并,得到合并后的原始词集合,包括:“客服需要”、“客服帮”、“客服店铺”、“客服刷单”。再然后,服务器302采用第一哈希映射将合并后的原始词映射至第一二进制数组307中的数组位置,例如“客服需要”对应的数组位置为第1位,“客服帮”对应的数组位置为第3位,“客服店铺”对应的数组位置为第5位,“客服刷单”对应的数组位置为第7位,其中只有第一二进制数组中的第5位和第7位的状态为1,由此可以确定原始文本中的“店铺”和“刷单”为敏感词。
本公开的实施例提供的用于识别文本的方法和装置,将原始文本分词后得到的原始词与身份标识合并,通过哈希映射将合并后的原始词映射至二进制数组的对应位置,通过数组位置的状态确定原始词是否为目标词,可以根据用户的身份标识对文本进行识别,并提高文本识别的运算效率。
进一步参考图4,其示出了用于识别文本的方法的又一个实施例的流程400。该用于识别文本的方法的流程400,包括以下步骤:
步骤401,获取待识别的原始文本和身份标识。
步骤402,基于预设的分词策略,对原始文本分词,得到原始词集合。
步骤403,将原始词与身份标识合并,得到合并后的原始词。
步骤404,采用第一哈希映射,确定合并后的原始词的第一哈希值。
步骤405,基于合并后的原始词的第一哈希值,确定合并后的原始词在预先生成的第一二进制数组中对应的下标。
步骤401至步骤405与前述步骤201至步骤205相对应,此处不再赘述。
步骤406,响应于确定目标下标指向的数组位置的状态为1,采用第二哈希映射,确定合并后的原始词的第二哈希值。
在本实施例中,用于识别文本的方法还包括以下删除目标词的步骤:响应于删除目标词的请求指令,获取该请求指令指示的身份标识和待删除目标词;构建第二初始二进制数组;将待删除目标词与该请求指令指示的身份标识合并,得到合并后的待删除目标词;采用第二哈希映射,分别确定各合并后的待删除目标词的第二哈希值;基于各合并后的待删除目标词的第二哈希值,分别确定各合并后的待删除目标词在第二初始二进制数组中对应的下标;将各第二初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第二二进制数组。
通常,第一二进制数组中数组位置的状态只能置为1,不能置为0,因此,本实施例中的执行主体可以通过第二二进制数组中的数组位置的状态表征被删除的目标词。例如,若第二二进制数组中的数组位置的状态为1,表示该数组位置对应的词为已删除的目标词。
构建第二二进制数组的步骤与构建第一二进制数组的步骤相近,此处不再赘述。
步骤407,基于合并后的原始词的第二哈希值,确定原始词在第二二进制数组中对应的下标。
执行主体可以基于合并后的原始词的第二哈希值与第二二进制的数组长度,确定出合并后的原始词在第二二进制数组中对应的下标。
步骤408,响应于确定合并后的原始词在第二二进制数组中对应的下标指向的数组位置的状态为0,确定原始词为目标词。
在本实施例中,第二二进制数组中的数组位置为0,表示映射至该数组位置的目标词没有被删除,此时,可以确定原始词为目标词。
在本实施例的一些可选的实现方式中,第二哈希映射包括第二预设数量个第二散列函数,每个第二散列函数对应一个第二哈希值;以及,响应于确定原始词在第二二进制数组中对应的下标指向的数组位置的状态为0,确定原始词为目标词,包括:响应于确定原始词在第二二进制数组中对应的下标指向的第二预设数量个数组位置的状态不全为1,确定原始词为目标词。
在本实现方式中,第二哈希映射采用多级映射,可以降低删除目标词的过程以及确定目标词是否被删除的过程中哈希映射的碰撞几率,提高文本识别的准确度。
作为示例,执行主体可以采用3个第一散列函数作为第一哈希映射的哈希函数,并采用5个第二散列函数作为第二哈希映射的哈希函数。如此,每一个合并后的原始词均对应3个第一哈希值以及3个第一二进制数值中的3个数组位置。若合并后的原始词在第一二进制数值中的3个数组位置的状态均为1,则采用第二哈希映射,确定该合并后的原始词的5个第二哈希值以及第二二进制数组中的5个数组位置,若第二二进制数组中的5个数组位置的状态不全为0,则确定原始词为目标词。
从图4中可以看出,本实施例中的用于识别文本的方法的流程400体现了文本识别过程中通过第二二进制数组中数组位置的状态确定原始词所匹配的目标词是否被删除的步骤,采用第二二进制数组表征待删除目标词,可以提高用户自定义目标词的灵活性。
本上述实施例的一些可选实现方式中,该方法还可以包括一下更新分词策略的步骤:响应于添加目标词的请求指令,基于新增目标词更新分词策略;响应于删除目标词的请求指令,基于待删除目标词更新分词策略。
在本实现方式中,可以基于目标词集合的更新指令,同步更新分词策略,如此可以提高分词的准确度,进而提高文本识别的准确度。
作为示例,执行主体接收到添加目标词的请求指令时,可以在文本分词中为新增目标词设置较高的分词权重;执行主体接收到删除目标词的请求指令时可以在文本分词器中为带删除目标词设置较低的分词权重。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于识别文本的装置的一个实施例,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,本实施例的用于识别文本的装置500包括:获取单元501,被配置成获取身份标识和待识别的原始文本;分词单元502,被配置成基于预设的分词策略,对原始文本分词,得到原始词集合;识别单元503,被配置成对于原始词集合中的每个原始词,执行如下识别步骤:将原始词与身份标识合并,得到合并后的原始词;采用第一哈希映射,确定合并后的原始词的第一哈希值;基于合并后的原始词的第一哈希值,确定合并后的原始词在预先生成的第一二进制数组中对应的下标;响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词。
在本实施例中,第一哈希映射包括第一预设数量个第一散列函数,每个第一散列函数对应一个第一哈希值;以及,识别单元503被进一步配置成:响应于合并后的原始词在第一二进制数组中对应的下标指向的第一预设数量个数组位置的状态全为1,确定原始词为目标词。
在本实施例中,该装置500还包括第一数组生成单元,被配置成:获取目标词集合和身份标识;构建第一初始二进制数组;将各目标词分别与身份标识合并,得到各合并后的目标词;采用第一哈希映射,分别确定各合并后的目标词的第一哈希值;基于各合并后的目标词的第一哈希值,分别确定各合并目标词在第一初始二进制数组中对应的下标;将各第一初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第一二进制数组
在本实施例中,该装置500还包括目标词添加单元,被配置成:响应于添加目标词的请求指令,获取该请求指令指示的身份标识和待添加的新增目标词;将新增目标词与该请求指令指示的身份标识合并,得到合并后的新增目标词;采用第一哈希映射,确定合并后的新增目标词的第一哈希值;基于合并后的新增目标词的第一哈希值,确定合并后的新增目标词在第一二进制数组中对应的下标;将合并后的新增目标词在第一二进制数组中对应的下标指向的数组位置的状态设置为1。
在本实施例中,该装置500还包括删除目标词单元,被配置成:响应于删除目标词的请求指令,获取该请求指令指示的身份标识和待删除目标词;构建第二初始二进制数组;将待删除目标词与该请求指令指示的身份标识合并,得到合并后的待删除目标词;采用第二哈希映射,分别确定各合并后的待删除目标词的第二哈希值;基于各合并后的待删除目标词的第二哈希值,分别确定各合并后的待删除目标词在第二初始二进制数组中对应的下标;将各第二初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第二二进制数组;以及,识别单元503被进一步配置成:响应于确定目标下标指向的数组位置的状态为1,采用第二哈希映射,确定合并后的原始词的第二哈希值;基于合并后的原始词的第二哈希值,确定合并后的原始词在第二二进制数组中对应的下标;响应于确定合并后的原始词在第二二进制数组中对应的下标指向的数组位置的状态为0,确定原始词为目标词。
在本实施例中,第二哈希映射包括第二预设数量个第二散列函数,每个第二散列函数对应一个第二哈希值;以及,识别单元503被进一步配置成:响应于确定合并后的原始词在第二二进制数组中对应的下标指向的第二预设数量个数组位置的状态不全为1,确定原始词为目标词。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的终端设备仅仅是一个示例,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,电子设备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,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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、加速度计、陀螺仪等的输入装置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可以允许电子设备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。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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,本公开的实施例所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。在本公开的实施例中,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。而在本公开的实施例中,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:获取身份标识和待识别的原始文本;基于预设的分词策略,对原始文本分词,得到原始词集合;对于原始词集合中的每个原始词,执行如下识别步骤:将原始词与身份标识合并,得到合并后的原始词;采用第一哈希映射,确定合并后的原始词的第一哈希值;基于合并后的原始词的第一哈希值,确定合并后的原始词在预先生成的第一二进制数组中对应的下标;响应于确定合并后的原始词在第一二进制数组中对应的下标指向的数组位置的状态为1,确定原始词为目标词。
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实施例的操作的计算机程序代码,所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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、分词单元和识别单元。其中,这些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“获取身份标识和待识别的原始文本的单元”。
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,本公开的实施例中所涉及的发明范围,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发明构思的情况下,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的实施例中公开的(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 (14)
1.一种用于识别文本的方法,其中,包括:
获取身份标识和待识别的原始文本;
基于预设的分词策略,对所述原始文本分词,得到原始词集合;
对于所述原始词集合中的每个原始词,执行如下识别步骤:将所述原始词与所述身份标识合并,得到合并后的原始词;采用第一哈希映射,确定所述合并后的原始词的第一哈希值;基于所述合并后的原始词的第一哈希值,确定所述合并后的原始词在预先生成的第一二进制数组中对应的下标;响应于确定所述合并后的原始词在所述第一二进制数组中对应的下标指向的数组位置的状态为1,确定所述原始词为目标词。
2.根据权利要求1所述的方法,其中,所述第一哈希映射包括第一预设数量个第一散列函数,每个所述第一散列函数对应一个第一哈希值;以及,
响应于确定所述合并后的原始词在所述第一二进制数组中对应的下标指向的数组位置的状态为1,确定所述原始词为目标词,包括:
响应于所述合并后的原始词在所述第一二进制数组中对应的下标指向的第一预设数量个数组位置的状态全为1,确定所述原始词为目标词。
3.根据权利要求1所述的方法,其中,所述第一二进制数组经由如下步骤生成:
获取目标词集合和所述身份标识;
构建第一初始二进制数组;
将各所述目标词分别与所述身份标识合并,得到各合并后的目标词;
采用第一哈希映射,分别确定各所述合并后的目标词的第一哈希值;
基于各所述合并后的目标词的第一哈希值,分别确定各所述合并目标词在所述第一初始二进制数组中对应的下标;
将各所述第一初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到所述第一二进制数组。
4.根据权利要求1所述的方法,所述方法还包括:
响应于添加目标词的请求指令,获取该请求指令指示的身份标识和待添加的新增目标词;
将所述新增目标词与该请求指令指示的身份标识合并,得到合并后的新增目标词;
采用第一哈希映射,确定所述合并后的新增目标词的第一哈希值;
基于所述合并后的新增目标词的第一哈希值,确定所述合并后的新增目标词在所述第一二进制数组中对应的下标;
将所述合并后的新增目标词在所述第一二进制数组中对应的下标指向的数组位置的状态设置为1。
5.根据权利要求1所述的方法,其中,所述方法还包括:
响应于删除目标词的请求指令,获取该请求指令指示的身份标识和待删除目标词;构建第二初始二进制数组;将所述待删除目标词与该请求指令指示的身份标识合并,得到合并后的待删除目标词;采用第二哈希映射,分别确定各所述合并后的待删除目标词的第二哈希值;基于各所述合并后的待删除目标词的第二哈希值,分别确定各所述合并后的待删除目标词在所述第二初始二进制数组中对应的下标;将各所述第二初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第二二进制数组;
以及,响应于确定所述合并后的原始词在所述第一二进制数组中对应的下标指向的数组位置的状态为1,确定所述原始词为目标词,包括:
响应于确定所述目标下标指向的数组位置的状态为1,采用第二哈希映射,确定所述合并后的原始词的第二哈希值;基于所述合并后的原始词的第二哈希值,确定所述合并后的原始词在所述第二二进制数组中对应的下标;响应于确定所述合并后的原始词在所述第二二进制数组中对应的下标指向的数组位置的状态为0,确定所述原始词为目标词。
6.根据权利要求5所述的方法,其中,所述第二哈希映射包括第二预设数量个第二散列函数,每个所述第二散列函数对应一个第二哈希值;
以及,响应于确定所述原始词在所述第二二进制数组中对应的下标指向的数组位置的状态为0,确定所述原始词为目标词,包括:
响应于确定所述合并后的原始词在所述第二二进制数组中对应的下标指向的第二预设数量个数组位置的状态不全为1,确定所述原始词为目标词。
7.一种用于识别文本的装置,其中,包括:
获取单元,被配置成获取身份标识和待识别的原始文本;
分词单元,被配置成基于预设的分词策略,对所述原始文本分词,得到原始词集合;
识别单元,被配置成对于所述原始词集合中的每个原始词,执行如下识别步骤:将所述原始词与所述身份标识合并,得到合并后的原始词;采用第一哈希映射,确定所述合并后的原始词的第一哈希值;基于所述合并后的原始词的第一哈希值,确定所述合并后的原始词在预先生成的第一二进制数组中对应的下标;响应于确定所述合并后的原始词在所述第一二进制数组中对应的下标指向的数组位置的状态为1,确定所述原始词为目标词。
8.根据权利要求7所述的装置,其中,所述第一哈希映射包括第一预设数量个第一散列函数,每个所述第一散列函数对应一个第一哈希值;以及,
所述识别单元被进一步配置成:响应于所述合并后的原始词在所述第一二进制数组中对应的下标指向的第一预设数量个数组位置的状态全为1,确定所述原始词为目标词。
9.根据权利要求7所述的装置,所述装置还包括第一数组生成单元,被配置成:
获取目标词集合和所述身份标识;
构建第一初始二进制数组;
将各所述目标词分别与所述身份标识合并,得到各合并后的目标词;
采用第一哈希映射,分别确定各所述合并后的目标词的第一哈希值;
基于各所述合并后的目标词的第一哈希值,分别确定各所述合并目标词在所述第一初始二进制数组中对应的下标;
将各所述第一初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到所述第一二进制数组。
10.根据权利要求7所述的装置,所述装置还包括目标词添加单元,被配置成:
响应于添加目标词的请求指令,获取该请求指令指示的身份标识和待添加的新增目标词;
将所述新增目标词与该请求指令指示的身份标识合并,得到合并后的新增目标词;
采用第一哈希映射,确定所述合并后的新增目标词的第一哈希值;
基于所述合并后的新增目标词的第一哈希值,确定所述合并后的新增目标词在所述第一二进制数组中对应的下标;
将所述合并后的新增目标词在所述第一二进制数组中对应的下标指向的数组位置的状态设置为1。
11.根据权利要求7之一所述的装置,所述装置还包括删除目标词单元,被配置成:响应于删除目标词的请求指令,获取该请求指令指示的身份标识和待删除目标词;构建第二初始二进制数组;将所述待删除目标词与该请求指令指示的身份标识合并,得到合并后的待删除目标词;采用第二哈希映射,分别确定各所述合并后的待删除目标词的第二哈希值;基于各所述合并后的待删除目标词的第二哈希值,分别确定各所述合并后的待删除目标词在所述第二初始二进制数组中对应的下标;将各所述第二初始二进制数组中对应的下标指向的数组位置的状态设置为1,得到第二二进制数组;
以及,所述识别单元被进一步配置成:
响应于确定所述目标下标指向的数组位置的状态为1,采用第二哈希映射,确定所述合并后的原始词的第二哈希值;基于所述合并后的原始词的第二哈希值,确定所述合并后的原始词在所述第二二进制数组中对应的下标;响应于确定所述合并后的原始词在所述第二二进制数组中对应的下标指向的数组位置的状态为0,确定所述原始词为目标词。
12.根据权利要求11所述的装置,其中,所述第二哈希映射包括第二预设数量个第二散列函数,每个所述第二散列函数对应一个第二哈希值;
以及,所述识别单元被进一步配置成:响应于确定所述合并后的原始词在所述第二二进制数组中对应的下标指向的第二预设数量个数组位置的状态不全为1,确定所述原始词为目标词。
13.一种电子设备,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,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。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被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 |
---|---|---|---|
CN202110127068.6A CN113779980A (zh) | 2021-01-29 | 2021-01-29 | 用于识别文本的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127068.6A CN113779980A (zh) | 2021-01-29 | 2021-01-29 | 用于识别文本的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779980A true CN113779980A (zh) | 2021-12-10 |
Family
ID=78835449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110127068.6A Pending CN113779980A (zh) | 2021-01-29 | 2021-01-29 | 用于识别文本的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779980A (zh) |
-
2021
- 2021-01-29 CN CN202110127068.6A patent/CN113779980A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400504B (zh) | 企业关键人的识别方法和装置 | |
CN110096584B (zh) | 一种应答方法和装置 | |
CN109189857B (zh) | 基于区块链的数据共享系统、方法和装置 | |
US20180248879A1 (en) | Method and apparatus for setting access privilege, server and storage medium | |
CN110633423B (zh) | 目标账号识别方法、装置、设备及存储介质 | |
CN111314388B (zh) | 用于检测sql注入的方法和装置 | |
CN110704833A (zh) | 数据权限配置方法、设备、电子设备及存储介质 | |
CN111314063A (zh) | 一种基于物联网大数据信息管理方法、系统及装置 | |
US20210004406A1 (en) | Method and apparatus for storing media files and for retrieving media files | |
US11763204B2 (en) | Method and apparatus for training item coding model | |
WO2022188534A1 (zh) | 信息推送的方法和装置 | |
CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
CN111899747B (zh) | 用于合成音频的方法和装置 | |
CN111915689B (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
CN113468344A (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
CN113191257A (zh) | 笔顺检测方法、装置和电子设备 | |
CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
CN111382365A (zh) | 用于输出信息的方法和装置 | |
CN111914535B (zh) | 一种单词识别方法、装置、计算机设备和存储介质 | |
CN113393288B (zh) | 订单处理信息生成方法、装置、设备和计算机可读介质 | |
CN114925680A (zh) | 物流兴趣点信息生成方法、装置、设备和计算机可读介质 | |
CN113779980A (zh) | 用于识别文本的方法和装置 | |
CN114239501A (zh) | 合同生成方法、装置、设备及介质 | |
CN113780827A (zh) | 一种物品筛选方法、装置、电子设备及计算机可读介质 | |
CN112148848A (zh) | 一种问答处理方法及装置 |
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 |