CN114154477A - 文本数据处理方法及装置、电子设备和可读存储介质 - Google Patents

Abstract

本公开提供了一种文本数据处理方法及装置、电子设备和计算机可读存储介质，本公开涉及互联网技术领域。该文本数据处理方法包括：获取待处理文本数据；基于相似度检测算法，确定待处理文本数据的特征值；依次使用第一缓存数据库中存储的多个第一文本数据的特征值与待处理文本数据的特征值进行相似度计算，得到第一相似度数值；以及响应于当前计算得到的第一相似度数值小于或等于第一预设值，确定待处理文本数据为目标文本数据。

Description

文本数据处理方法及装置、电子设备和可读存储介质

技术领域

本公开涉及互联网技术领域，更具体地，涉及一种文本数据处理方法及装置、电子设备、可读存储介质和一种计算机程序产品。

背景技术

随着互联网技术的发展，目前互联网基于用户偏好给用户推荐的文章越来越多，但是文章下相似的冗余评论，以及由机器生成的重复评论过多，使用户的体验感较差。

相关技术中，对于评论等文本数据，通常采用基于人工神经网络的方法进行文本的识别，例如通过有监督/无监督的文本相似度计算、DSSM-LSTM计算短文本相似性等，以确定该文本是否为冗余信息。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：相关方法的实现较重，依赖于机器学习，对运算资源的需求量大。

发明内容

有鉴于此，本公开提供了一种文本数据处理方法及装置、电子设备、可读存储介质和一种计算机程序产品。

本公开的一个方面提供了一种文本数据处理方法，包括：

获取待处理文本数据；

基于相似度检测算法，确定上述待处理文本数据的特征值；

依次使用第一缓存数据库中存储的多个第一文本数据的特征值与上述待处理文本数据的特征值进行相似度计算，得到第一相似度数值；以及

响应于当前计算得到的第一相似度数值小于或等于第一预设值，确定上述待处理文本数据为目标文本数据。

根据本公开的实施例，上述方法还包括：

在计算得到的所有第一相似度数值均大于上述第一预设值的情况下，从第二缓存数据库中随机选择预设数量的文本数据，得到多个第二文本数据；

使用多个上述第二文本数据的特征值分别与上述待处理文本数据的特征值进行相似度计算，得到多个第二相似度数值；

基于多个上述第二相似度数值，确定第三文本数据的数量，其中，上述第三文本数据包括上述第二相似度数值小于或等于上述第一预设值的上述第二文本数据；

在上述第三文本数据的数量小于第二预设值的情况下，将上述待处理文本数据存储至上述第二缓存数据库中；以及

在上述第三文本数据的数量大于或等于上述第二预设值的情况下，将上述第二缓存数据库中的上述第三文本数据删除，并确定上述待处理文本数据和上述第三文本数据为目标文本数据。

根据本公开的实施例，上述方法还包括：

在将上述待处理文本数据存储至上述第二缓存数据库时，基于系统时间和预设时长为上述待处理文本数据设置时间标识。

根据本公开的实施例，上述方法还包括：

轮询上述第二缓存数据库中的文本数据的时间标识；

在当前文本数据的时间标识表征的时间晚于当前系统时间的情况下，从上述第二缓存数据库中提取上述当前文本数据；以及

将上述当前文本数据存储至数据库中。

根据本公开的实施例，上述方法还包括：

将上述目标文本数据存储至上述第一缓存数据库中。

根据本公开的实施例，上述方法还包括：

设置定时任务；

响应于触发上述定时任务，删除上述第一缓存数据库和上述第二缓存数据库中存储的文本数据。

根据本公开的实施例，其中，上述基于相似度检测算法，确定上述待处理文本数据的特征值，包括：

采用分词工具，将上述待处理文本数据分解为词语集；

计算上述词语集中每个词语的哈希值；

基于预设权值，对上述词语集中各个词语的哈希值进行加权求和，得到上述待处理文本数据的签名值；以及

对上述签名值进行降维处理，得到上述待处理文本数据的特征值。

根据本公开的实施例，其中，上述依次使用第一缓存数据库中存储的多个第一文本数据的特征值与上述待处理文本数据的特征值进行相似度计算，得到第一相似度数值，包括：

依次对于每个上述第一文本数据，计算上述第一文本数据的特征值与上述待处理文本数据的特征值之间的海明距离，得到上述第一相似度数值。

本公开的另一个方面提供了一种文本数据处理装置，包括获取模块、第一确定模块、第一计算模块和第二确定模块。

其中，获取模块，用于获取待处理文本数据；

第一确定模块，用于基于相似度检测算法，确定上述待处理文本数据的特征值；

第一计算模块，用于依次使用第一缓存数据库中存储的多个第一文本数据的特征值与上述待处理文本数据的特征值进行相似度计算，得到第一相似度数值；以及

第二确定模块，用于响应于当前计算得到的第一相似度数值小于或等于第一预设值，确定上述待处理文本数据为目标文本数据。

根据本公开的实施例，上述装置还包括选择模块、第二计算模块、第三确定模块、第一存储模块和第四确定模块。

其中，选择模块，用于在计算得到的所有第一相似度数值均大于上述第一预设值的情况下，从第二缓存数据库中随机选择预设数量的文本数据，得到多个第二文本数据；

第二计算模块，用于使用多个上述第二文本数据的特征值分别与上述待处理文本数据的特征值进行相似度计算，得到多个第二相似度数值；

第三确定模块，用于基于多个上述第二相似度数值，确定第三文本数据的数量，其中，上述第三文本数据包括上述第二相似度数值小于或等于上述第一预设值的上述第二文本数据；

第一存储模块，用于在上述第三文本数据的数量小于第二预设值的情况下，将上述待处理文本数据存储至上述第二缓存数据库中；以及

第四确定模块，用于在上述第三文本数据的数量大于或等于上述第二预设值的情况下，将上述第二缓存数据库中的上述第三文本数据删除，并确定上述待处理文本数据和上述第三文本数据为目标文本数据。

根据本公开的实施例，上述装置还包括第一设置模块。

其中，第一设置模块，用于在将上述待处理文本数据存储至上述第二缓存数据库时，基于系统时间和预设时长为上述待处理文本数据设置时间标识。

根据本公开的实施例，上述装置还包括轮询模块、提取模块和第二存储模块。

其中，轮询模块，用于轮询上述第二缓存数据库中的文本数据的时间标识；

提取模块，用于在当前文本数据的时间标识表征的时间晚于当前系统时间的情况下，从上述第二缓存数据库中提取上述当前文本数据；以及

第二存储模块，用于将上述当前文本数据存储至数据库中。

根据本公开的实施例，上述装置还包括第三存储模块。

其中，第三存储模块，用于将上述目标文本数据存储至上述第一缓存数据库中。

根据本公开的实施例，上述装置还包括第二设置模块和删除模块。

其中，第二设置模块，用于设置定时任务；

删除模块，用于响应于触发上述定时任务，删除上述第一缓存数据库和上述第二缓存数据库中存储的文本数据。

根据本公开的实施例，其中，第一确定模块包括分解单元、第一计算单元、求和单元和降维单元。

其中，分解单元，用于采用分词工具，将上述待处理文本数据分解为词语集；

第一计算单元，用于计算上述词语集中每个词语的哈希值；

求和单元，用于基于预设权值，对上述词语集中各个词语的哈希值进行加权求和，得到上述待处理文本数据的签名值；以及

降维单元，用于对上述签名值进行降维处理，得到上述待处理文本数据的特征值。

根据本公开的实施例，其中，第一计算模块包括第二计算单元。

其中，第二计算单元，用于依次对于每个上述第一文本数据，计算上述第一文本数据的特征值与上述待处理文本数据的特征值之间的海明距离，得到上述第一相似度数值。

本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，因为采用了通过检测待处理文本数据和第一文本数据的特征值的方式来对待处理文本进行识别的技术手段，其中，第一文本数据为存储在第一缓存数据库中的已确定为冗余信息的文本，当待处理文本与第一文本数据的相似度小于第一预设值时，可以认为该待处理文本为冗余信息，所以至少部分地克服了相关技术中实现较重，依赖于机器学习，对运算资源的需求量大的技术问题，进而达到了提高文本的识别效率，降低对运算资源的消耗的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了可以应用本公开的文本数据处理方法和装置的示例性系统架构；

图2示意性示出了根据本公开实施例的文本数据处理方法的流程图；

图3示意性示出了根据本公开实施例的确定目标文本数据的方法流程图；

图4示意性示出了根据本公开实施例的存储当前文本数据的方法流程图；

图5示意性示出了根据本公开实施例的得到待处理文本数据特征值的方法流程图；

图6示意性示出了根据本公开实施例的simhash算法的整体流程示意图；

图7示意性示出了根据本公开实施例的删除文本数据的方法流程图；

图8示意性示出了根据本公开实施例的文本数据处理方法的整体流程示意图；

图9示意性示出了根据本公开实施例的文本数据处理装置的框图；以及

图10示意性示出了根据本公开实施例的适于实现文本数据处理方法的计算机系统的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

目前互联网基于用户偏好给用户推荐的文章越来越多，但是文章下相似的评论冗余，以及由机器生成的重复评论过多，使用户的体验感较差。

相关技术中，对于评论等文本数据，通常采用基于人工神经网络的方法进行文本的识别，例如通过有监督/无监督的文本相似度计算、DSSM-LSTM计算短文本相似性等，以确定该文本是否为冗余信息。

但是，现有的方法存在以下缺点：现有技术的实现相对较重，往往通过将评论数据以结构化数据或者日志的形式，存放在MaxComputer中，每天离线构建异构数据，使用分布式的tensorflow模型识别系统，根据建好的图和标签来识别冗余文本；被识别的冗余评论或者文本信息被ProcessCenter进行删除和禁言，反向系统还可以进行反向样本训练。整个实现过程对数据模型的要求较高，依赖于机器学习，并且系统服务较多，整体复杂度较高。

另外，网络文章的评论在短时间内刷屏，或者IM内实时聊天记录，都属于风险信息，需要识别筛选；而相隔较长时间的相似评论或聊天可能不属于风险信息，现有技术尚不存在针对不同时间段进行风险信息的区分的方法。

为了至少部分地解决相关技术中存在的技术问题，本公开提供了一种文本数据处理方法及装置、电子设备和计算机可读存储介质，本公开涉及互联网技术领域。该文本数据处理方法包括：获取待处理文本数据；基于相似度检测算法，确定待处理文本数据的特征值；依次使用第一缓存数据库中存储的多个第一文本数据的特征值与待处理文本数据的特征值进行相似度计算，得到第一相似度数值；以及响应于当前计算得到的第一相似度数值小于或等于第一预设值，确定待处理文本数据为目标文本数据。

在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1示意性示出了根据本公开实施例的可以应用文本数据处理方法的示例性系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构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，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所使用的客户端应用提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户输入数据进行分析处理，并将处理结果(例如根据用户输入数据生成的评论信息)反馈给终端设备。

需要说明的是，本公开实施例所提供的文本数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的文本数据处理装置一般可以设置于服务器105中。本公开实施例所提供的文本数据处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的文本数据处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的文本数据处理方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的文本数据处理装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

例如，用户可以在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)上输入待处理文本数据。然后，终端设备101可以在本地执行本公开实施例所提供的文本数据处理方法，或者将待处理文本数据发送到其他终端设备、服务器、或服务器集群，并由接收该待处理文本数据的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的文本数据处理方法。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的文本数据处理方法的流程图。

如图2所示，该文本数据处理方法包括操作S201～S204。

在操作S201，获取待处理文本数据。

根据本公开的实施例，待处理文本数据可以包括评论或者实时聊天数据等。

在操作S202，基于相似度检测算法，确定待处理文本数据的特征值。

根据本公开的实施例，相似度检测算法可以包括TF-IDF算法、BM25算法、simhash算法、LSI(Latent Semantic Indexing，潜在语义索引)模型和基于深度学习的文本匹配模型等。

根据本公开的实施例，特征值可以包括由相似度检测算法计算得到的一个二进制值。

在操作S203，依次使用第一缓存数据库中存储的多个第一文本数据的特征值与待处理文本数据的特征值进行相似度计算，得到第一相似度数值。

根据本公开的实施例，第一缓存数据库例如可以为redis数据库，redis是key-value的非关系型数据库，数据存储在内存中。

根据本公开的实施例，redis支持存储的value类型可以包括字符串、链表、集合、有序集合和哈希类型等。

根据本公开的实施例，第一文本数据可以包括已确认属于冗余评论的评论文本。

根据本公开的实施例，相似度计算方法可以包括最小编辑距离、欧式距离、余弦距离、杰卡德相似度和海明距离等。

根据本公开的实施例，第一相似度数值可以表征第一文本数据的特征值和待处理文本数据的特征值的相似度。

在操作S204，响应于当前计算得到的第一相似度数值小于或等于第一预设值，确定待处理文本数据为目标文本数据。

根据本公开的实施例，在得到待处理文本数据的特征值后，可以遍历第一缓存数据库中存储的第一文本数据的特征值，计算其与待处理文本数据的特征值的第一相似度数值，当第一相似度数值小于或等于第一预设值时，可以确定该待处理文本数据为冗余评论的目标文本数据。

根据本公开的实施例，因为采用了通过检测待处理文本数据和第一文本数据的特征值的方式来对待处理文本进行识别的技术手段，其中，第一文本数据为存储在第一缓存数据库中的已确定为冗余信息的文本，当待处理文本与第一文本数据的相似度小于第一预设值时，可以认为该待处理文本为冗余信息，所以至少部分地克服了相关技术中实现较重，依赖于机器学习，对运算资源的需求量大的技术问题，进而达到了提高文本的识别效率，降低对运算资源的消耗的技术效果。

下面参考图3～图9，结合具体实施例对图2所示的方法做进一步说明。

图3示意性示出了根据本公开实施例的确定目标文本数据的方法流程图。

如图3所示，该确定目标文本数据的方法包括操作S301～S305。

在操作S301，在计算得到的所有第一相似度数值均大于第一预设值的情况下，从第二缓存数据库中随机选择预设数量的文本数据，得到多个第二文本数据。

根据本公开的实施例，第二缓存数据库例如可以为redis数据库。

根据本公开的实施例，第二缓存数据库中可以存储有非冗余评论，并存储与该条评论数据相似的评论的数量，以及设定数据更新的时间。

根据本公开的实施例，可以从第二缓存数据库随机取出部分数据与待处理文本数据进行对比分析。

根据本公开的实施例，第二文本数据可以包括从第二缓存数据库中随机选择出的预设数量的非冗余评论文本数据。

在操作S302，使用多个第二文本数据的特征值分别与待处理文本数据的特征值进行相似度计算，得到多个第二相似度数值。

根据本公开的实施例，第二相似度数值可以表征第二文本数据的特征值和待处理文本数据的特征值的相似度。

在操作S303，基于多个第二相似度数值，确定第三文本数据的数量，其中，第三文本数据包括第二相似度数值小于或等于第一预设值的第二文本数据。

根据本公开的实施例，第三文本数据可以包括第二相似度数值小于或等于第一预设值的第二文本数据。

在操作S304，在第三文本数据的数量小于第二预设值的情况下，将待处理文本数据存储至第二缓存数据库中。

根据本公开的实施例，例如可以将第二预设值设置为10，当第三文本数据的数量小于10时，可以将该待处理文本数据存储至第二缓存数据库中。

在操作S305，在第三文本数据的数量大于或等于第二预设值的情况下，将第二缓存数据库中的第三文本数据删除，并确定待处理文本数据和第三文本数据为目标文本数据。

根据本公开的实施例，例如可以将第二预设值设置为10，当第三文本数据的数量大于或者等于10时，可以删除第二缓存数据库中与该待处理文本数据相似的所有第三文本数据，并可以将该待处理文本数据确认为冗余评论的目标文本数据。

根据本公开的实施例，第二缓存数据库具有定时清除数据的功能，可以实现在一定时间间隔内，计算文本相似度并进行过滤筛选。

根据本公开的实施例，文本数据处理方法还包括：

将目标文本数据存储至第一缓存数据库中。

根据本公开的实施例，通过从第二缓存数据库中随机选择预设数量的第二文本数据，并使用多个第二文本数据的特征值分别与待处理文本数据的特征值进行相似度计算，得到第二相似度数值，然后基于第二相似度数值，根据得到的第三文本数据的数量判断待处理文本数据是否为冗余评论，同时依靠redis的特性，实现了筛选冗余评论的效果。

图4示意性示出了根据本公开实施例的存储当前文本数据的方法流程图。

如图4所示，该存储当前文本数据的方法包括操作S401～S403。

在操作S401，轮询第二缓存数据库中的文本数据的时间标识。

根据本公开的实施例，在将待处理文本数据存储至第二缓存数据库时，基于系统时间和预设时长为待处理文本数据设置时间标识。

根据本公开的实施例，轮询可以指由CPU定时发出询问，依序询问每一个周边设备是否需要其服务，有即给予服务，服务结束后再询问下一个周边，不断周而复始。

根据本公开的实施例，可以基于终端设备的系统时间，以及期望待处理文本数据存储时间的预设时长，为待处理文本数据设置时间标识。

在操作S402，在当前文本数据的时间标识表征的时间晚于当前系统时间的情况下，从第二缓存数据库中提取当前文本数据。

在操作S403，将当前文本数据存储至数据库中。

根据本公开的实施例，第二缓存数据库中的数据在一定时间内可以持久化存储到数据库中。

根据本公开的实施例，通过在当前文本数据的时间标识表征的时间晚于当前系统时间的情况下，将该当前文本数据存储至数据库中，可以实现将第二缓存数据库中的数据在一定时间内的持久化存储。

图5示意性示出了根据本公开实施例的得到待处理文本数据特征值的方法流程图；图6示意性示出了根据本公开实施例的simhash算法的整体流程示意图。

结合图5和图6所示，该得到待处理文本数据特征值的方法包括操作S501～S504。

在操作S501，采用分词工具，将待处理文本数据分解为词语集。

根据本公开的实施例，可以使用分词工具对句子S进行分词，例如HanLP等，生成一个词语集{W1，W2，…Wn}。由于每个词包含的信息是不一样的，所以可以对每个词设置权重λi，i表示第i个词，假设权重包括1～5的5个级别。

根据本公开的实施例，例如文章评论：“三年级二班小明称作业有9道习题，需独立尽快完成”，分词后为“三年级(4)二班(5)小明(3)称(1)作业(2)有(1)9道(3)习题(5)需(1)独立(3)尽快(4)完成(5)”，括号里数字为词的权重。

在操作S502，计算词语集中每个词语的哈希值。

根据本公开的实施例，可以通过simhash算法计算词语集中每个词语的哈希值，simhash算法是一种基于文本hash值的文本相似度检测算法。

根据本公开的实施例，可以通过hash算法计算每个词的hash值。例如，“三年级”通过hash算法计算hash值为100101，“二班”通过hash算法计算hash值为101011，由此可得到hash值集{H1，H2，…Hn}，Hi表示第i个词的hash值。

在操作S503，基于预设权值，对词语集中各个词语的哈希值进行加权求和，得到待处理文本数据的签名值。

根据本公开的实施例，根据S502中计算的hash值与S501设置的权重，可以将词语赋予权重得到每个词的签名值。假设权值为λ，则该位散列值为1时记作+λ，散列值为0时记作-λ。例如，“三年级(4)”的签名值为“4 -4 -4 4 -4 4”，“二班(5)”的签名值为“5 -5 5 -55 5”。

根据本公开的实施例，可以把每个单词算出来的签名值累加，得到一个序列串{Simhl，Simh2，…Simhn}，其中Simhj＝∑ni＝1λHij，Hij表示第i个词的hash值的第j位，λ为词的权值。

根据本公开的实施例，累加可以为将句子所有词hash值的第一位与第一位相加，第二位与第二位相加，以此类推。例如，将“三年级”与“二班”两个词的合并结果为“9-91-119”。

在操作S504，对签名值进行降维处理，得到待处理文本数据的特征值。

根据本公开的实施例，可以将S503的结果变成二进制值01串，遍历每一位，Simh1大于0该位置为1，否则置为0。例如，“9 -9 1 -1 1 9”的降维结果为“101011”。

根据本公开的实施例，文本数据处理方法还包括：

依次对于每个第一文本数据，计算第一文本数据的特征值与待处理文本数据的特征值之间的海明距离，得到第一相似度数值。

根据本公开的实施例，海明距离可以指两个相同长度的字符串相同位置上不同的字符的个数。

根据本公开的实施例，可以通过各个待处理文本数据计算出的二进制值，来计算第一文本数据的特征值与待处理文本数据的特征值之间的海明距离。

根据本公开的实施例，可以根据海明距离来比较文本数据之间的相似度，得到第一相似度数值。

根据本公开的实施例，可以将两个01串对应位进行异或后1的个数，即对应位不同的个数就是海明距离。例如，Simhash值1为0 1 0 1 0 0 1 1，Simhash值2为0 0 0 1 0 1 01时，两个simhash值的海明距离为3，即对应的两个文本的相似度为3。

根据本公开的实施例，海明距离小于或者等于3时可以认为两个文本相似，也可以由本领域技术人员根据实际需求设置阈值。

根据本公开的实施例，通过将simhash算法得到待处理文本数据的特征值，并利用海明距离计算得到两个文本数据之间的第一相似度数值，可以地点第一文本数据与待处理文本数据之间的相似度，以便后续根据第一相似度数值和第一预设值的大小关系，确定待处理文本数据是否为冗余评论。

图7示意性示出了根据本公开实施例的删除文本数据的方法流程图。

如图7所示，该删除文本数据的方法包括操作S701～S702。

在操作S701，设置定时任务。

根据本公开的实施例，例如可以设置定时任务为每天12：00和24：00。

在操作S702，响应于触发定时任务，删除第一缓存数据库和第二缓存数据库中存储的文本数据。

根据本公开的实施例，可以在12：00和24：00时，触发定时任务，清除第一缓存数据库和第二缓存数据库中缓存的文本数据。

根据本公开的实施例，通过定时清除缓存数据库中的文本数据，可以实现针对某个时间段内的冗余评论的区分。

图8示意性示出了根据本公开实施例的文本数据处理方法的整体流程示意图。

根据本公开的实施例，可以将新评论作为待处理文本数据，并对该待处理文本数据利用simhash算法计算文本hash值，利用海明距离计算相似度。

根据本公开的实施例，可以利用两个缓存数据库进行数据筛选。

根据本公开的实施例，第一缓存数据库(记为redisl)中可以存储冗余评论的hash值，当计算得到待处理文本数据的hash值后，可以遍历第一缓存数据库中存储的hash值，并计算与得到待处理文本数据的hash值的相似度，相似度高说明该待处理文本数据为冗余评论，可以将此待处理文本数据删除。

根据本公开的实施例，第二缓存数据库(记为redis2)中可以存储非冗余评论，并存储与该条评论相似的评论数量，以及设定数据更新的时间。例如，可以设置第二预设值为10，如果相似的评论数量大于或者等于10，可以表明该条评论为冗余评论，此时，可以删除第二缓存数据库中与该条评论相似的所有数据，并将这些数据存储到第一缓存数据库中；如果相似的评论数量小于10，可以将该条评论存储到第二缓存数据库中。

根据本公开的实施例，可以将存储到第二缓存数据库中的评论设置预设时长为10分钟，以便进行后续的风控判断和数据入库等，可以实现将第二缓存数据库中的数据在一定时间内的持久化存储。

根据本公开的实施例，可以设置定时任务为每天12：00和24：00，从而可以触发定时任务，清除第一缓存数据库和第二缓存数据库中缓存的文本数据。

根据本公开的实施例，本公开提供的文本数据处理方法的特点是轻量实现，通过使用两个缓存数据库，实现针对文章下的风险或者敏感信息的实时过滤筛选，其中，风险或者敏感信息包括在短时间间隔内发送的多个相似评论，缓存数据库可以将评论数据存储在内存中，过滤删除消耗的资源较低、速度较快。

根据本公开的实施例，可以利用敏感信息系统处理文本数据。

根据本公开的实施例，敏感信息系统可以包括词库管理、策略配置、用户配置、内容处理和数据统计等模块。

根据本公开的实施例，其中，词库管理可以包括敏感词维护、词库设置和敏感词评估等；敏感词维护可以包括词维护、词库设置、抽样设置和词添加等；词库设置可以包括词库维护和词库添加等。

根据本公开的实施例，其中，策略配置可以包括策略管理、业务管理和词库管理等；策略管理可以包括红线词库、危险词库和敏感词库等；业务管理可以包括搜索业务、生产业务和个人信息等；词库管理可以包括红线词库、危险词库和敏感词库等。

根据本公开的实施例，其中，用户配置可以包括用户策略等。

根据本公开的实施例，其中，内容处理可以包括用户命中和文字命中等；用户命中与用户策略相关联，文字命中与策略管理相关联。

根据本公开的实施例，敏感信息系统在处理文本数据时，可能涉及用户端和后台管理端。

根据本公开的实施例，在用户端，用户在使用APP搜索业务、生产业务、填写个人信息和文本信息时，会经由策略路由，并基于simhash算法计算特征值，并将该特征值传输给缓存数据库；同时可以根据特征值将该特征值对应的文本数据反馈给后台管理端，以便进行新词提醒。

根据本公开的实施例，在后台管理端，系统可以通过创建词库和初始化词库，对缓存数据库进行词添加；同时可以通过红线词库、危险词库和敏感词库等对缓存数据库实现策略维护。

需要说明的是，本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序，或者不同操作在技术实现上存在执行的先后顺序，否则，多个操作之间的执行顺序可以不分先后，多个操作也可以同时执行。

图9示意性示出了根据本公开实施例的文本数据处理装置的框图。

如图9所示，文本数据处理装置900包括获取模块901、第一确定模块902、第一计算模块903和第二确定模块904。

获取模块901，用于获取待处理文本数据。

第一确定模块902，用于基于相似度检测算法，确定上述待处理文本数据的特征值。

第一计算模块903，用于依次使用第一缓存数据库中存储的多个第一文本数据的特征值与上述待处理文本数据的特征值进行相似度计算，得到第一相似度数值。

第二确定模块904，用于响应于当前计算得到的第一相似度数值小于或等于第一预设值，确定上述待处理文本数据为目标文本数据。

根据本公开的实施例，因为采用了通过检测待处理文本数据和第一文本数据的特征值的方式来对待处理文本进行识别的技术手段，其中，第一文本数据为存储在第一缓存数据库中的已确定为冗余信息的文本，当待处理文本与第一文本数据的相似度小于第一预设值时，可以认为该待处理文本为冗余信息，所以至少部分地克服了相关技术中实现较重，依赖于机器学习，对运算资源的需求量大的技术问题，进而达到了提高文本的识别效率，降低对运算资源的消耗的技术效果。

根据本公开的实施例，上述文本数据处理装置900还包括选择模块、第二计算模块、第三确定模块、第一存储模块和第四确定模块。

选择模块，用于在计算得到的所有第一相似度数值均大于上述第一预设值的情况下，从第二缓存数据库中随机选择预设数量的文本数据，得到多个第二文本数据。

第二计算模块，用于使用多个上述第二文本数据的特征值分别与上述待处理文本数据的特征值进行相似度计算，得到多个第二相似度数值。

第三确定模块，用于基于多个上述第二相似度数值，确定第三文本数据的数量，其中，上述第三文本数据包括上述第二相似度数值小于或等于上述第一预设值的上述第二文本数据。

第一存储模块，用于在上述第三文本数据的数量小于第二预设值的情况下，将上述待处理文本数据存储至上述第二缓存数据库中。

第四确定模块，用于在上述第三文本数据的数量大于或等于上述第二预设值的情况下，将上述第二缓存数据库中的上述第三文本数据删除，并确定上述待处理文本数据和上述第三文本数据为目标文本数据。

根据本公开的实施例，上述文本数据处理装置900还包括第一设置模块。

第一设置模块，用于在将上述待处理文本数据存储至上述第二缓存数据库时，基于系统时间和预设时长为上述待处理文本数据设置时间标识。

根据本公开的实施例，上述文本数据处理装置900还包括轮询模块、提取模块和第二存储模块。

轮询模块，用于轮询上述第二缓存数据库中的文本数据的时间标识。

提取模块，用于在当前文本数据的时间标识表征的时间晚于当前系统时间的情况下，从上述第二缓存数据库中提取上述当前文本数据。

第二存储模块，用于将上述当前文本数据存储至数据库中。

根据本公开的实施例，上述文本数据处理装置900还包括第三存储模块。

第三存储模块，用于将上述目标文本数据存储至上述第一缓存数据库中。

根据本公开的实施例，其中，第一确定模块902包括分解单元、第一计算单元、求和单元和降维单元。

分解单元，用于采用分词工具，将上述待处理文本数据分解为词语集。

第一计算单元，用于计算上述词语集中每个词语的哈希值。

求和单元，用于基于预设权值，对上述词语集中各个词语的哈希值进行加权求和，得到上述待处理文本数据的签名值。

降维单元，用于对上述签名值进行降维处理，得到上述待处理文本数据的特征值。

根据本公开的实施例，其中，第一计算模块903包括第二计算单元。

第二计算单元，用于依次对于每个上述第一文本数据，计算上述第一文本数据的特征值与上述待处理文本数据的特征值之间的海明距离，得到上述第一相似度数值。

根据本公开的实施例，上述文本数据处理装置900还包括第二设置模块和删除模块。

第二设置模块，用于设置定时任务。

删除模块，用于响应于触发上述定时任务，删除上述第一缓存数据库和上述第二缓存数据库中存储的文本数据。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块901、第一确定模块902、第一计算模块903和第二确定模块904中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，获取模块901、第一确定模块902、第一计算模块903和第二确定模块904中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块901、第一确定模块902、第一计算模块903和第二确定模块904中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中文本数据处理装置部分与本公开的实施例中文本数据处理方法部分是相对应的，文本数据处理装置部分的描述具体参考文本数据处理方法部分，在此不再赘述。

图10示意性示出了根据本公开实施例的适于实现文本数据处理方法的计算机系统的框图。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，根据本公开实施例的计算机电子设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

根据本公开的实施例，根据本公开实施例的方法流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存储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部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：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)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的文本数据处理方法。

在该计算机程序被处理器1001执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(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，上述模块、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，框图或流程图中的每个方框、以及框图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。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (12)

1.一种文本数据处理方法，包括：

获取待处理文本数据；

基于相似度检测算法，确定所述待处理文本数据的特征值；

依次使用第一缓存数据库中存储的多个第一文本数据的特征值与所述待处理文本数据的特征值进行相似度计算，得到第一相似度数值；以及

响应于当前计算得到的第一相似度数值小于或等于第一预设值，确定所述待处理文本数据为目标文本数据。

2.根据权利要求1所述的方法，还包括：

在计算得到的所有第一相似度数值均大于所述第一预设值的情况下，从第二缓存数据库中随机选择预设数量的文本数据，得到多个第二文本数据；

使用多个所述第二文本数据的特征值分别与所述待处理文本数据的特征值进行相似度计算，得到多个第二相似度数值；

基于多个所述第二相似度数值，确定第三文本数据的数量，其中，所述第三文本数据包括所述第二相似度数值小于或等于所述第一预设值的所述第二文本数据；

在所述第三文本数据的数量小于第二预设值的情况下，将所述待处理文本数据存储至所述第二缓存数据库中；以及

在所述第三文本数据的数量大于或等于所述第二预设值的情况下，将所述第二缓存数据库中的所述第三文本数据删除，并确定所述待处理文本数据和所述第三文本数据为目标文本数据。

3.根据权利要求2所述的方法，还包括：

在将所述待处理文本数据存储至所述第二缓存数据库时，基于系统时间和预设时长为所述待处理文本数据设置时间标识。

4.根据权利要求3所述的方法，还包括：

轮询所述第二缓存数据库中的文本数据的时间标识；

在当前文本数据的时间标识表征的时间晚于当前系统时间的情况下，从所述第二缓存数据库中提取所述当前文本数据；以及

将所述当前文本数据存储至数据库中。

5.根据权利要求1～4中任一项所述的方法，还包括：

将所述目标文本数据存储至所述第一缓存数据库中。

6.根据权利要求1～4中任一项所述的方法，还包括：

设置定时任务；

响应于触发所述定时任务，删除所述第一缓存数据库和所述第二缓存数据库中存储的文本数据。

7.根据权利要求1所述的方法，其中，所述基于相似度检测算法，确定所述待处理文本数据的特征值，包括：

采用分词工具，将所述待处理文本数据分解为词语集；

计算所述词语集中每个词语的哈希值；

基于预设权值，对所述词语集中各个词语的哈希值进行加权求和，得到所述待处理文本数据的签名值；以及

对所述签名值进行降维处理，得到所述待处理文本数据的特征值。

8.根据权利要求7所述的方法，其中，所述依次使用第一缓存数据库中存储的多个第一文本数据的特征值与所述待处理文本数据的特征值进行相似度计算，得到第一相似度数值，包括：

依次对于每个所述第一文本数据，计算所述第一文本数据的特征值与所述待处理文本数据的特征值之间的海明距离，得到所述第一相似度数值。

9.一种文本数据处理装置，包括：

获取模块，用于获取待处理文本数据；

第一确定模块，用于基于相似度检测算法，确定所述待处理文本数据的特征值；

第一计算模块，用于依次使用第一缓存数据库中存储的多个第一文本数据的特征值与所述待处理文本数据的特征值进行相似度计算，得到第一相似度数值；以及

第二确定模块，用于响应于当前计算得到的第一相似度数值小于或等于第一预设值，确定所述待处理文本数据为目标文本数据。

10.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个指令，

其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有可执行指令，所述可执行指令被处理器执行时使处理器实现权利要求1至8中任一项所述的方法。

12.一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述计算机可执行指令在被执行时用于实现权利要求1至8中任一项所述的方法。

Images