CN114647728A - 文本处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种文本处理方法，可以应用于人工智能技术领域。该文本处理方法包括：针对待处理文本进行第一预处理，得到至少一个分句文本；将至少一个分句文本输入第一目标模型，得到与至少一个分句文本中每个分句文本对应的类别；针对属于第一类别的至少一个第一分句文本，分别确定每个第一分句文本的至少一个第一文本要素；根据每个第一分句文本和与每个第一分句文本关联的至少一个第一文本要素，分别对每个第一分句文本进行第一处理，得到至少一个目标分句文本；以及针对至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。本公开还提供了一种文本处理装置、设备、存储介质和程序产品。

Description

文本处理方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能领域，具体涉及文本分类，更具体地涉及一种文本处理方法、装置、电子设备、存储介质和程序产品。

背景技术

目前，针对待处理文本进行文本要素提取时，采用的方法包括基于正则表达式进行正则匹配和序列标注模型。

基于正则表达式进行正则匹配进行文本要素提取时，需要预设大量的正则表达式，以满足确定文本要素的需求。基于序列标注模型进行文本要素提取时，在训练序列标注模型时，用于训练的标注样本是由大规模预训练语言模型对待处理文本进行处理得到的。由于大规模与训练语言模型所需的资源较多，推理速度过慢，当文本长度过长时，会导致系统出现宕机风险，不满足在线处理待处理文本的要求。

此外，目前针对待处理文本，进行序列标注后得到的文本要素和与每个文本要素对应的分句文本需要工作人员检验，并针对错误的文本要素和与每个文本要素对应的分句文本进行人工修正，以提高文本处理的准确率。

发明内容

鉴于上述问题，本公开提供了提高文本要素提取准确率的文本处理方法、装置、电子设备、存储介质和程序产品。

根据本公开的第一个方面，提供了一种文本处理方法，包括：针对待处理文本进行第一预处理，得到至少一个分句文本；将所述至少一个分句文本输入第一目标模型，得到与所述至少一个分句文本中每个分句文本对应的类别；针对属于第一类别的至少一个第一分句文本，分别确定每个第一分句文本的至少一个第一文本要素；根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别对所述每个第一分句文本进行第一处理，得到至少一个目标分句文本；以及针对所述至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。

根据本公开的实施例，所述将所述至少一个分句文本输入第一目标模型，得到与所述至少一个分句文本中每个分句文本对应的类别包括：将所述至少一个分句文本输入句向量转换模型，确定与每个分句文本分别对应的分句向量，得到至少一个分句向量；根据分类函数，确定与每个分句向量对应的数值；以及根据所述与每个分句向量对应的数值，确定所述每个分句文本所属的类别。

根据本公开的实施例，所述根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别对所述每个第一分句文本进行第一处理，得到至少一个目标分句文本包括：根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别确定每个第一文本要素所属的类型；以及根据所述类型，分别对与所述每个第一文本要素关联的第一分句文本进行第一处理，得到至少一个目标分句文本。

根据本公开的实施例，所述根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别确定每个第一文本要素所属的类型包括：在确定多个不同的第一文本要素与所述第一分句文本关联的情况下，确定所述多个不同的第一文本要素属于第一类型；在确定至少一个第一文本要素中存在连续两个相同的第一文本要素一致的情况下，确定所述连续两个相同的第一文本要素属于第二类型；以及在确定第一文本要素与正则表达式库中的第一文本要素一致的情况下，确定所述第一文本要素属于第三类型。

根据本公开的实施例，所述根据所述类型，分别对与所述每个第一文本要素关联的第一分句文本进行第一处理，得到至少一个目标分句文本包括：在确定所述多个不同的第一文本要素属于第一类型的情况下，将与所述多个不同的第一文本要素相关联的第一分句文本进行第二处理，得到第一目标分句；在确定所述连续两个相同的第一文本要素属于第二类型的情况下，将与所述连续两个相同的第一文本要素分别相关联的第一分句文本拼接，得到第二目标分句文本；以及在确定所述第一文本要素属于第三类型的情况下，对与所述第一文本要素分别相关联的第一分句文本执行正则表达式提取，得到第三目标分句文本，其中，所述第二处理包括：针对所述第一分句文本进行第二预处理，得到多个第一子分句文本；将所述至少一个分句文本输入第二目标模型，确定所述多个第一子分句文本中每个第一子分句文本所属的类别；以及将属于第一类别的至少一个第二子分句文本中的每个第二子分句文本，分别确定为第一目标分句文本。

根据本公开的实施例，所述针对所述至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素包括：根据至少一个所述第一目标分句文本，确定每个第一目标分句文本的第二文本要素；确定所述连续两个相同的第一文本要素为第二文本要素；以及确定所述第一文本要素为第二文本要素。

根据本公开的实施例，所述目标模型包括第一目标模型和第二目标模型，所述方法还包括：接收训练文本，所述训练文本包括属于第二类别的多个第二分句文本；将所述训练文本分别输入第一模型和第二模型，得到与所述训练文本分别对应的类别；以及将所述类别和所述训练样本作为蒸馏样本，对第三模型进行模型蒸馏，得到目标模型。

根据本公开的实施例，提供了一种文本处理方法，还包括：验证所述第二文本要素；在确定所述第二文本要素未通过验证的情况下，确定所述第二文本要素未通过验证的原因；基于所述未通过验证的原因，获取修正规则；以及基于所述修正规则，确定与所述目标分句文本对应的目标文本要素。

本公开的另一方面提供了一种文本处理装置，包括：预处理模块，用于针对待处理文本进行第一预处理，得到至少一个分句文本；分类模块，用于将所述至少一个分句文本输入第一目标模型，得到与所述至少一个分句文本中每个分句文本对应的类别；第一确定模块，用于针对属于第一类别的至少一个第一分句文本，分别确定每个第一分句文本的至少一个第一文本要素；第一处理模块，用于根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别对所述每个第一分句文本进行第一处理，得到至少一个目标分句文本；以及第二确定模块，用于针对所述至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。

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程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述文本处理方法。

本公开的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述文本处理方法。

本公开的另一方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述文本处理方法。

通过针对经序列标注得到的第一文本要素进行再分类，根据分类结果，利用与分类结果对应的处理规则对与第一文本要素关联的分句文本进行再处理，针对处理后分句文本确定第二文本要素，最后对第二文本要素进行验证，确定目标文本要素。通过以上对序列标注所得的结果进行再处理，大大提高了文本处理得到文本要素与分句文本的准确率。此外，采用经过模型蒸馏后的轻量第一目标模型对待处理文本进行处理，由此降低了第一目标模型在线上运行过程中所需的资源，提高了推理速度，满足在线处理待处理文本的要求。

附图说明

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

图1示意性示出了根据本公开实施例的文本处理方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的文本处理方法的流程图；

图3示意性示出了根据本公开另一实施例的文本处理方法的流程图；

图4A示意性示出了根据本公开实施例的文本第一预处理方法的示意图；

图4B示意性示出了根据本公开另一实施例的文本预处理方法的示意图；

图5示意性示出了根据本公开另一实施例的文本处理方法的示意图；

图6示意性示出了根据本公开实施例的文本处理装置的结构框图；以及

图7示意性示出了根据本公开实施例的适于实现文本处理方法的电子设备的方框图。

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)。

本公开的实施例提供了一种文本处理方法，针对待处理文本进行第一预处理，得到至少一个分句文本；将至少一个分句文本输入第一目标模型，得到与至少一个分句文本中每个分句文本对应的类别；针对属于第一类别的至少一个第一分句文本，分别确定每个第一分句文本的至少一个第一文本要素；根据每个第一分句文本和与每个第一分句文本关联的至少一个第一文本要素，分别对每个第一分句文本进行第一处理，得到至少一个目标分句文本；以及针对至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。

图1示意性示出了根据本公开实施例的文本处理的应用场景图。

如图1所示，根据该实施例的应用场景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。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、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所浏览的网站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请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)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。

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。

以下将基于图1描述的场景，通过图2～图5对公开实施例的文本处理方法进行详细描述。

图2示意性示出了根据本公开实施例的文本处理方法的流程图。

如图2所示，该实施例的文本处理方法200包括操作S210～操作S250，该文本处理方法可以由服务器执行。

在操作S210，针对待处理文本进行第一预处理，得到至少一个分句文本。

根据本公开实施例，接收待处理图像，对待处理图像进行文本提取处理，得到与该待处理图像对应的待处理文本。

第一预处理包括分句处理。分句处理包括根据分句规则进行处理，分句规则例如可以包括根据回车键、标点符号、字符数进行分句。

例如，基于待处理图像提取到的待处理文本为“XXX超市2022年1月21日印发”。在预设的分句规则为回车键分句的情况下，针对该待处理文本进行分句得到的分句文本包括“XXX超市2022年1月21日印发”。在预设的分句规则为每隔六个字符数进行分句的情况下，在“X”为两个字符的情况下，针对该待处理文本进行分句处理后得到的分句文本包括“XXX”、“超市20”、“22年1”、“月21日”和“印发”。需要注意的是，根据预设字符数进行分句时，由待处理文本分出的至少一个分句文本中的每个分句文本均需小于等于该预设字符数。

在操作S220，将至少一个分句文本输入第一目标模型，得到与至少一个分句文本中每个分句文本对应的类别。

根据本公开实施例，第一目标模型例如可以为任何可以确定分句文本的类别的模型，例如大规模语言预训练模型。分句文本的类别表征该分句文本在该待文本处理文本中表示的要素类型，例如标题类别和起草单位类别等。

例如，分句文本为“XXX超市2022年1月21日印发”，基于第一目标模型对该分句文本进行处理，可以得到与该分句文本对应的类别包括发布单位类别和发布时间类别。

根据本公开另一实施例，分句文本所属的类别包括第一类别和第二类别，第一类别表征该分句文本中包括文本要素，第二类别表征该分句文本中不包括分句要素。将至少一个分句文本与每个类别进行匹配；根据匹配度函数，分别计算每个分句文本与每个类别的匹配度，得到多个匹配度；针对每个分句文本，分别确定与该分句文本关联的匹配度中满足预设要求的匹配度为目标匹配度；将与该目标匹配度关联的类别确定为每个分句文本的类别。预设要求包括：最大的匹配度和匹配度阈值。

根据本公开另一实施例，操作S220还包括：将至少一个分句文本输入句向量转换模型，确定与每个分句文本分别对应的分句向量，得到至少一个分句向量；根据分类函数，确定与每个分句向量对应的数值；以及根据与每个分句向量对应的数值，确定每个分句文本所属的类别。

分句文本所属的类别包括第一类别和第二类别，第一类别表征该分句文本中包括文本要素，第二类别表征该分句文本中不包括分句要素。在与分句文本对应的数值符合第一类别的预设条件的情况下，确定与该数值关联的分句文本属于第一类别，在与分句文本对应的数值符合第二类别的预设条件的情况下，确定与该数值关联的分句文本属于第二类别。

句向量转换模型包括任何可以将文本转换为向量的模型，例如预训练基于变换器的双向编码表征量模型。分类函数包括任何可以将向量进行分类的函数，例如Sigmoid激活函数、双曲正切激活函数、ReLU激活函数和Softmax激活函数等。

例如，分句文本为“XXX超市2022年1月21日印发”，基于句向量转换模型，将该分句文本转换为分句向量(x₁，x₂，x₃，x₄，x₅)，将该分句向量输入分类函数，得到该分句向量的数值“0.8”。在第一类别的预设条件为分句向量的数值阈值为0.75的情况下，确定该文本文本“XXX超市2022年1月21日印发”属于第一类别。

在操作S230，针对属于第一类别的至少一个第一分句文本，分别确定每个第一分句文本的至少一个第一文本要素。

根据本公开实施例，分句文本的类别表征该分句文本在该待文本处理文本中表示的要素类型，第一目标模型为任何可以确定分句文本的类别的模型的情况下，将每个分句文本的类别确定为与每个分句文本对应的第一预文本要素；在确定第一预文本要素与第一文本要素库中的文本要素相一致的情况下，确定与该第一预文本要素对应的分句文本为第一分句文本，确定该第一预文本要素为第一文本要素。第一文本要素库中包括至少一个文本要素，该文本要素为预设需要提取的文本要素。

根据本公开另一实施例，在分句文本所属的类别包括第一类别和第二类别，第一类别表征该分句文本中包括文本要素，第二类别表征该分句文本中不包括分句要素的情况下，将属于第一类别的分句文本确定为第一分句文本，得到至少一个分句文本；将每个第一分句文本作为序列输入标注模型，得到与每个第一分句文本分别对应的第一文本要素。标注模型包括任何可以针对分句文本确定该分句文本文本要素的模型，例如，隐马尔科夫模型和条件随机场模型。

将每个第一分句文本作为序列输入标注模型，得到与每个第一分句文本分别对应的第一文本要素包括：分别确定每个第一分句文本与第一文本要素库中每个文本要素的相似度；针对每个第一分句文本，分别将与该第一分句文本对应的多个相似度与预设阈值条件进行对比；针对每个第一分句文本，确定满足预设阈值条件的相似度；确定与该相似度对应的文本要素为该第一分句文本的第一文本要素。预设阈值条件包括相似度阈值。

例如，第一分句文本为“XXX超市2022年1月21日印发”，将该第一分句文本输入标注模型，得到该第一分句文本与“发布单位”的相似度为0.9，与“发布时间”的相似度为0.9，在预设相似度阈值为0.85的情况下，与该第一分句文本对应的第一文本要素为“发布单位”和“发布时间”。

根据本公开另一个实施例，第一目标模型包括：接收训练文本，训练文本包括属于第二类别的多个第二分句文本；将训练文本分别输入第一模型和第二模型，得到与训练文本分别对应的类别；以及将类别和训练样本作为蒸馏样本，对第三模型进行模型蒸馏，得到第一目标模型。

基于以上针对大规模的第一模型和第二模型进行模型蒸馏，得到了第一目标模型，以至于降低了第一目标模型在运行过程中所需的资源，提高了推理速度，满足在线处理待处理文本的要求。

在操作S240，根据每个第一分句文本和与每个第一分句文本关联的至少一个第一文本要素，分别对每个第一分句文本进行第一处理，得到至少一个目标分句文本。

根据本公开实施例，分别确定与每个第一文本要素相关联的处理规则；分别根据该处理规则，对与该第一文本要素相关联的第一分句文本进行第一处理，得到至少一个目标分句本文。

根据本公开另一个实施例，操作S240还包括：根据每个第一分句文本和与每个第一分句文本关联的至少一个第一文本要素，分别确定每个第一文本要素所属的类型；以及根据类型，分别对与每个第一文本要素关联的第一分句文本进行第一处理，得到至少一个目标分句文本。

预先设置根据第一分句文本和与每个第一分句文本关联的至少一个第一文本要素匹配第一分句文本对应的类型的匹配表，和预设设置与每个类型关联的文本处理规则。

将接收的每个第一分句文本和与每个第一分句文本关联的至少一个第一文本要素，分别与该匹配表进行匹配，分别确定每个第一文本要素所属的类型。针对每个第一分句文本，根据该类型，确定文本处理规则。基于多个文本处理规则，对每个第一分句文本进行第一处理，得到至少一个目标分句文本。

根据本公开另一个实施例，根据每个第一分句文本和与每个第一分句文本关联的至少一个第一文本要素，分别确定每个第一文本要素所属的类型还包括：在确定多个不同的第一文本要素与第一分句文本关联的情况下，确定多个不同的第一文本要素属于第一类型；在确定至少一个第一文本要素中存在连续两个相同的第一文本要素一致的情况下，确定连续两个相同的第一文本要素属于第二类型；以及在确定第一文本要素与正则表达式库中的第一文本要素一致的情况下，确定第一文本要素属于第三类型。

例如，第一分句文本为“XXX超市2022年1月21日印发”，在确定与该第一分句文本关联的第一文本要素为“发布单位和发布时间”的情况下，确定该第一文本要素“发布单位和发布时间”属于第一类型。

例如，多个第一分句文本包括“XXX超市”、“关于本周末超市打折的”和“若干商品及价格通知”，在与该多个第一分句文本关联的多个第一文本要素均为“标题”的情况下，确定该多个第一文本要素“标题”为第二类型。

例如，第一分句文本为“XXX[2022]90号”，在确定与该第一分句文本关联的第一文本要素为“文号”的情况下，将“文号”与正则表达式库中的第一文本要素进行对比，在确定正则表达式库中含有“文号”的情况下，确定该第一文本要素“文号”为第三类型。需要说明的是正则表达式库中存储至少一个正则表达式，正则表达式用于检索替换符合某个格式的文本。正则表达式库中存储有多个类型的正则表达式，每个类型均与一个第一文本要素相关联。

根据本公开另一个实施例，在确定多个不同的第一文本要素属于第一类型的情况下，将与多个不同的第一文本要素相关联的第一分句文本进行第二处理，得到第一目标分句；在确定连续两个相同的第一文本要素属于第二类型的情况下，将与连续两个相同的第一文本要素分别相关联的第一分句文本拼接，得到第二目标分句文本；以及在确定第一文本要素属于第三类型的情况下，对与第一文本要素分别相关联的第一分句文本执行正则表达式提取，得到第三目标分句文本，其中，第二处理包括：针对第一分句文本进行第二预处理，得到多个第一子分句文本；将至少一个分句文本输入第二目标模型，确定多个第一子分句文本中每个第一子分句文本所属的类别；以及将属于第一类别的至少一个第二子分句文本中的每个第二子分句文本，分别确定为第一目标分句文本。

第二预处理包括分字或分词处理。

第二目标模型包括：接收训练文本，训练文本包括属于第二类别的多个第二分句文本；将训练文本分别输入第一模型和第二模型，得到与训练文本分别对应的类别；以及将类别和训练样本作为蒸馏样本，对第三模型进行模型蒸馏，得到第二目标模型。

基于以上针对大规模的第一模型和第二模型进行模型蒸馏，得到了第一目标模型，以至于降低了第一目标模型在运行过程中所需的资源，提高了推理速度，满足在线处理待处理文本的要求。

例如，第一分句文本为“XXX超市2022年1月21日印发”，在确定该第一文本要素“发布单位和发布时间”属于第一类型的情况下，确定第一子分句文本分包括“XXX超市”、“2022年1月21日”和“印发”的情况下，确定“XXX超市”和“2022年1月21日”分别为第二子分句文本。将第二子分句文本“XXX超市”和“2022年1月21日”分别确定为第一目标分句文本。

例如，多个第一分句文本包括“XXX超市”、“关于本周末超市打折的”和“若干商品及价格通知”，确定该多个第一文本要素“标题”为第二类型的情况下，将多个第一分句文本进行拼接，确定拼接得到的“XXX超市关于本周末超市打折的若干商品及价格通知”为第二目标分句文本。

例如，第一分句文本为“XXX[2022]90号”，在确定该第一文本要素“文号”为第三类型的情况下，根据“文号”在正则表达式库中获取目标正则表达式，根据该目标正则表达式，针对第一文本“XXX[2022]90号”进行正则表达式提取，确定“XXX[2022]90号”为第三目标分句文本。

在操作S250，针对至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。

根据本公开实施例，根据至少一个第一目标分句文本，确定每个第一目标分句文本的第二文本要素；确定连续两个相同的第一文本要素为第二文本要素；以及确定第一文本要素为第二文本要素。

需要注意的是，根据至少一个第一目标分句文本，确定每个第一目标分句文本的第二文本要素的操作例如可以采用如操作S230所示的操作。

例如，在第一目标分句文本包括“XXX超市”和“2022年1月21日”的情况下，确定第一目标分句文本“XXX超市”的第二文本要素为“发布单位”和第一目标分句文本“2022年1月21日”的第二文本要素为“发布时间”。

例如，在第二目标分句文本为“XXX超市关于本周末超市打折的若干商品及价格通知”的情况下，确定原多个第一文本要素“标题”为与该第二目标分句文本的第二文本要素。

例如，在第三目标分句文本为“XXX[2022]90号”的情况下，确定原第一文本要素“文号”为与该第三目标分句文本第二文本要素。

图3示意性示出了根据本公开另一实施例的文本处理方法的流程图。

如图3所示，该实施例的文本处理方法300包括操作S3060～操作S3110，该文本处理方法可以由服务器执行。

在操作S3060，验证第二文本要素。

根据本公开实施例，将基于待处理文本处理后得到的全部第二文本要素汇总。针对全部第二文本要素进行验证包括：汇总后的全部第二文本要素是否有重复的第二文本要素，和在全部第二文本要素中括“发布日期”、“实施日期”和“废止日期”中至少两个的情况下，第二文本要素中的“发布日期”是否小于等于“实施日期”或“废止日期”，“实施日期”是否大于等于“发布日期”且小于等于“废止日期”，“废止日期”大于等于“实施日期”或“发布日期”。

在操作S3070，确定第二文本要素是否通过验证。

在操作S3080，确定第二文本要素为目标文本要素。

在操作S3090，确定第二文本要素未通过验证的原因。

根据本公开实施例，在确定第二文本要素通过验证的情况下，执行操作S3080，确定第二文本要素为目标文本要素。在确定第二文本要素未通过验证的情况下，执行操作S3090，确定第二文本要素未通过验证的原因。

操作S3090还包括：获取文本要素未通过验证的原因的原因清单，基于两个不连续的第二文本要素“发布日期”与原因清单进行匹配，获取该第二文本要素未通过验证的原因。

例如，在汇总后的多个第二文本要素包括两个不连续的第二文本要素“发布日期”。确定该两个文本要素未通过验证的原因为两个第二文本要素中有一个第二文本要素确定错误，应为“实施日期”。

在操作S3100，基于未通过验证的原因，获取修正规则。

在操作S3110，基于修正规则，确定与目标分句文本对应的目标文本要素。

例如，在确定该两个文本要素未通过验证的原因为两个第二文本要素中有一个第二文本要素确定错误，应为“实施日期”的情况下，修正规则包括获取与两个不连续的相同的第二文本要素关联的目标分句文本。确定两个目标分句文本标识的时间在前的为“发布日期”，确定两个目标分句文本标识的时间在后的为“实施日期”。

通过针对通过序列标注得到的第一文本要素进行再分类，根据分类结果，利用与分类结果对应的处理规则对与第一文本要素关联的分句文本进行再处理，针对处理后分句文本确定第二文本要素，最后对第二文本要素进行验证，确定目标文本要素。通过以上对序列标注所得的结果进行再处理，大大提高了文本处理得到文本要素与分句文本的准确率。此外，采用经过模型蒸馏后的轻量第一目标模型对待处理文本进行处理，由此降低了第一目标模型在线上运行过程中所需的资源，提高了推理速度，满足在线处理待处理文本的要求。

图4A示意性示出了根据本公开实施例的文本第一预处理方法的示意图。

如图4A所示，该实施例的文本第一预处理方法包括待处理文本410和已预处理文本420。

接收待处理图像，针对接收的待处理图像进行文本提取，得到待处理文本410。针对待处理文本410进行分区处理，针对分区处理之后的已预处理文本再进行分句处理。

分区处理表征针对待处理文本按照待处理文本中的文字所处区域进行处理。

例如，对待处理文本410中的文本按照该文本所在的区域进行分区处理，得到已预处理文本420。已预处理文本420包括第一文本421、第二文本422、第三文本423和第四文本424。

对已预处理文本420进行分句处理，分句处理包括按照回车键进行分句。

第一文本421中有回车键，对第一文本421进行分句处理，得到如图4B中的三个分句文本。由于第二文本中没有回车键，确定第二文本422为分句文本。类似地，对第三文本423和第四文本422进行分句处理，分别确定第三文本423和第四文本422为分句文本。

图4B示意性示出了根据本公开另一实施例的文本第一预处理方法的示意图。

如图4B所示，该实施例的文本第一预处理方法包括文本第一预处理包括第一文本421。

第一文本421中有回车键，对第一文本421进行分句处理，得到三个分句文本，三个分句文本包括第五文本4211，第六文本4212和第七文本4213。

本领域技术人员可以理解，以上实施例仅作为示例，本公开具体分句文本的数量并不局限于此。

图5示意性示出了根据本公开另一实施例的文本处理方法的示意图。

如图5所示，该实施例的文本处理方法包括待处理文本510和输出结果520。

对待处理文本510进行第一预处理，得到与该待处理文本510对应的多个分句文本。分句文本包括“XXX超市”、“关于本周末超市打折的”、“若干商品及价格通知”、“XXX[2022]90号”、“市民采购大米、牛肉……”和“XXX超市2022年1月20日印发”。

将多个分句文本输入第一目标模型，得到与每个分句文本对应的类别。确定“XXX超市”、“关于本周末超市打折的”、“若干商品及价格通知”、“XXX[2022]90号”和“XXX超市2022年1月20日印发”为第一类别，“市民采购大米、牛肉……”为第二类别。

确定第一类别的分句文本的第一文本要素。确定“XXX[2022]90号”的第一文本要素为“文号”。确定“XXX超市2022年1月20日印发”的第一文本要素为“发布单位”和“发布日期”。确定“XXX超市”、“关于本周末超市打折的”和“若干商品及价格通知”的第一文本要素均为“标题”。

对每个分句文本进行第一处理，得到至少一个目标分句文本。针对“XXX[2022]90号”进行第一处理，得到第三目标分句文本“XXX[2022]90号”。针对“XXX超市2022年1月20日印发”进行第一处理，得到第一目标分句文本“XXX超市”和“2022年1月20日”。针对“XXX超市”、“关于本周末超市打折的”和“若干商品及价格通知”进行第一处理，得到第二目标分句文本“XXX超市关于本周末超市打折的若干商品及价格通知”。

针对第一目标分句文本、第二目标分句文本和第三目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。确定第三目标分句文本“XXX[2022]90号”的第二文本要素为“文号”。确定第一目标分句文本“XXX超市”和“2022年1月20日”的第二文本要素分别为“发布单位”和“发布时间”。确定第二目标分句文本“XXX超市关于本周末超市打折的若干商品及价格通知”的第二文本要素为“标题”。

针对多个第二文本要素进行验证，在多个第二文本要素通过验证的情况下，输出与待处理文本510对应的输出结果520。输出结果520包括第一输出结果521、第二输出结果522、第三输出结果523和第四输出结果524。第一输出结果521包括目标文本要素“标题”和目标分句文本“XXX超市关于本周末超市打折的若干商品及价格通知”。第二输出结果522包括目标文本要素“文号”和目标分句文本“XXX[2022]90号”。第三输出结果523包括目标文本要素“发布单位”和目标分句文本“XXX超市”。第四输出结果524包括目标文本要素“发布时间”和目标分句文本“2022年1月20日”。

本领域技术人员可以理解，以上实施例仅作为示例，本公开具体目标文本要素和目标分句文本的数量并不局限于此。

基于上述文本处理方法，本公开还提供了一种文本处理装置。以下将结合图6对该装置进行详细描述。

图6示意性示出了根据本公开实施例的文本处理装置的结构框图。

如图6所示，该实施例的文本处理装置600包括预处理模块610、分类模块620、第一确定模块630、第一处理模型640和第二确定模块650。

预处理模块610用于针对待处理文本进行第一预处理，得到至少一个分句文本。在一实施例中，预处理模块610可以用于执行前文描述的操作S210，在此不再赘述。

分类模块620用于将至少一个分句文本输入第一目标模型，得到与至少一个分句文本中每个分句文本对应的类别。在一实施例中，分类模块620可以用于执行前文描述的操作S220，在此不再赘述。

根据本公开的实施例，分类模块620还用于将至少一个分句文本输入句向量转换模型，确定与每个分句文本分别对应的分句向量，得到至少一个分句向量；根据分类函数，确定与每个分句向量对应的数值；以及根据与每个分句向量对应的数值，确定每个分句文本所属的类别。

根据本公开实施例，分类模块620中的第一目标模型包括接收训练文本，训练文本包括属于第二类别的多个第二分句文本；将训练文本分别输入第一模型和第二模型，得到与训练文本分别对应的类别；以及将类别和训练样本作为蒸馏样本，对第三模型进行模型蒸馏，得到第一目标模型。

第一确定模块630用于针对属于第一类别的至少一个第一分句文本，分别确定每个第一分句文本的至少一个第一文本要素。在一实施例中，第一确定模块630可以用于执行前文描述的操作S230，在此不再赘述。

第一处理模块640用于根据每个第一分句文本和与每个第一分句文本关联的至少一个第一文本要素，分别对每个第一分句文本进行第一处理，得到至少一个目标分句文本。在一实施例中，第一处理模块640可以用于执行前文描述的操作S240，在此不再赘述。

根据本公开实施例，第一处理模块640还用于根据每个第一分句文本和与每个第一分句文本关联的至少一个第一文本要素，分别确定每个第一文本要素所属的类型；以及根据类型，分别对与每个第一文本要素关联的第一分句文本进行第一处理，得到至少一个目标分句文本。

根据本公开实施例，第一处理模块640还用于在确定多个不同的第一文本要素与第一分句文本关联的情况下，确定多个不同的第一文本要素属于第一类型；在确定至少一个第一文本要素中存在连续两个相同的第一文本要素一致的情况下，确定连续两个相同的第一文本要素属于第二类型；以及在确定第一文本要素与正则表达式库中的第一文本要素一致的情况下，确定第一文本要素属于第三类型。

根据本公开实施例，第一处理模块640还用于在确定多个不同的第一文本要素属于第一类型的情况下，将与多个不同的第一文本要素相关联的第一分句文本进行第二处理，得到第一目标分句；在确定连续两个相同的第一文本要素属于第二类型的情况下，将与连续两个相同的第一文本要素分别相关联的第一分句文本拼接，得到第二目标分句文本；以及在确定第一文本要素属于第三类型的情况下，对与第一文本要素分别相关联的第一分句文本执行正则表达式提取，得到第三目标分句文本，其中，第二处理包括：针对第一分句文本进行第二预处理，得到多个第一子分句文本；将至少一个分句文本输入第二目标模型，确定多个第一子分句文本中每个第一子分句文本所属的类别；以及将属于第一类别的至少一个第二子分句文本中的每个第二子分句文本，分别确定为第一目标分句文本。

根据本公开实施例，第一处理模块640还用于根据至少一个第一目标分句文本，确定每个第一目标分句文本的第二文本要素；确定连续两个相同的第一文本要素为第二文本要素；以及确定第一文本要素为第二文本要素。

根据本公开实施例，第一处理模块640中的第二目标模型包括接收训练文本，训练文本包括属于第二类别的多个第二分句文本；将训练文本分别输入第一模型和第二模型，得到与训练文本分别对应的类别；以及将类别和训练样本作为蒸馏样本，对第三模型进行模型蒸馏，得到第二目标模型。

第二确定模块650用于针对至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。在一实施例中，第二确定模块650可以用于执行前文描述的操作S250，在此不再赘述。

根据本公开实施例，第二确定模块650还用于根据至少一个第一目标分句文本，确定每个第一目标分句文本的第二文本要素；确定连续两个相同的第一文本要素为第二文本要素；以及确定第一文本要素为第二文本要素。

根据本公开实施例，该实施例的文本处理装置600还包括验证模块、第三确定模块、获取模块和第四确定模块。

验证模块用于验证第二本文要素。在一实施例中，验证模块可以用于执行前文描述的操作S3060，在此不再赘述。

第三确定模块用于在确定第二文本要素未通过验证的情况下，确定第二文本要素未通过验证的原因。在一实施例中，第三确定模块可以用于执行前文描述的操作S3090，在此不再赘述。

获取模块用于基于未通过验证的原因，获取修正规则。在一实施例中，获取模块可以用于执行前文描述的操作S3100，在此不再赘述。

第四确定模块用于基于修正规则，确定与目标分句文本对应的目标文本要素。在一实施例中，第四确定模块可以用于执行前文描述的操作S3110，在此不再赘述。

根据本公开的实施例，预处理模块610、分类模块620、第一确定模块630、第一处理模型640和第二确定模块650中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，预处理模块610、分类模块620、第一确定模块630、第一处理模型640和第二确定模块650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，预处理模块610、分类模块620、第一确定模块630、第一处理模型640和第二确定模块650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。

图7示意性示出了根据本公开实施例的适于实现文本处理方法的电子设备的方框图。

如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701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701还可以包括用于缓存用途的板载存储器。处理器701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 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM702和/或RAM 703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ROM702和RAM 703以外的一个或多个存储器中。处理器701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700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

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渎存储介质，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)、只渎存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只渎存储器(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 702和/或RAM 703和/或ROM 702和RAM 703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流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。

在该计算机程序被处理器701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709被下载和安装，和/或从可拆卸介质711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。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701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。

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)

1.一种文本处理方法，包括：

针对待处理文本进行第一预处理，得到至少一个分句文本；

将所述至少一个分句文本输入第一目标模型，得到与所述至少一个分句文本中每个分句文本对应的类别；

针对属于第一类别的至少一个第一分句文本，分别确定每个第一分句文本的至少一个第一文本要素；

根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别对所述每个第一分句文本进行第一处理，得到至少一个目标分句文本；以及

针对所述至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。

2.根据权利要求1所述的方法，其中，所述将所述至少一个分句文本输入第一目标模型，得到与所述至少一个分句文本中每个分句文本对应的类别包括：

将所述至少一个分句文本输入句向量转换模型，确定与每个分句文本分别对应的分句向量，得到至少一个分句向量；

根据分类函数，确定与每个分句向量对应的数值；以及

根据所述与每个分句向量对应的数值，确定所述每个分句文本所属的类别。

3.根据权利要求1所述的方法，其中，所述根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别对所述每个第一分句文本进行第一处理，得到至少一个目标分句文本包括：

根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别确定每个第一文本要素所属的类型；以及

根据所述类型，分别对与所述每个第一文本要素关联的第一分句文本进行第一处理，得到至少一个目标分句文本。

4.根据权利要求3所述的方法，其中，所述根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别确定每个第一文本要素所属的类型包括：

在确定多个不同的第一文本要素与所述第一分句文本关联的情况下，确定所述多个不同的第一文本要素属于第一类型；

在确定至少一个第一文本要素中存在连续两个相同的第一文本要素一致的情况下，确定所述连续两个相同的第一文本要素属于第二类型；以及

在确定第一文本要素与正则表达式库中的第一文本要素一致的情况下，确定所述第一文本要素属于第三类型。

5.根据权利要求4所述的方法，其中，所述根据所述类型，分别对与所述每个第一文本要素关联的第一分句文本进行第一处理，得到至少一个目标分句文本包括：

在确定所述多个不同的第一文本要素属于第一类型的情况下，将与所述多个不同的第一文本要素相关联的第一分句文本进行第二处理，得到第一目标分句；

在确定所述连续两个相同的第一文本要素属于第二类型的情况下，将与所述连续两个相同的第一文本要素分别相关联的第一分句文本拼接，得到第二目标分句文本；以及

在确定所述第一文本要素属于第三类型的情况下，对与所述第一文本要素分别相关联的第一分句文本执行正则表达式提取，得到第三目标分句文本，

其中，所述第二处理包括：

针对所述第一分句文本进行第二预处理，得到多个第一子分句文本；

将所述至少一个分句文本输入第二目标模型，确定所述多个第一子分句文本中每个第一子分句文本所属的类别；以及

将属于第一类别的至少一个第二子分句文本中的每个第二子分句文本，分别确定为第一目标分句文本。

6.根据权利要求5所述的方法，其中，所述针对所述至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素包括：

根据至少一个所述第一目标分句文本，确定每个第一目标分句文本的第二文本要素；

确定所述连续两个相同的第一文本要素为第二文本要素；以及

确定所述第一文本要素为第二文本要素。

7.根据权利要求2或5所述的方法，其中，所述目标模型包括第一目标模型和第二目标模型，所述方法还包括：

接收训练文本，所述训练文本包括属于第二类别的多个第二分句文本；

将所述训练文本分别输入第一模型和第二模型，得到与所述训练文本分别对应的类别；以及

将所述类别和所述训练样本作为蒸馏样本，对第三模型进行模型蒸馏，得到目标模型。

8.根据权利要求1所述的方法，还包括：

验证所述第二文本要素；

在确定所述第二文本要素未通过验证的情况下，确定所述第二文本要素未通过验证的原因；

基于所述未通过验证的原因，获取修正规则；以及

基于所述修正规则，确定与所述目标分句文本对应的目标文本要素。

9.一种文本处理装置，包括：

预处理模块，用于针对待处理文本进行第一预处理，得到至少一个分句文本；

分类模块，用于将所述至少一个分句文本输入第一目标模型，得到与所述至少一个分句文本中每个分句文本对应的类别；

第一确定模块，用于针对属于第一类别的至少一个第一分句文本，分别确定每个第一分句文本的至少一个第一文本要素；

第一处理模块，用于根据每个第一分句文本和与所述每个第一分句文本关联的至少一个第一文本要素，分别对所述每个第一分句文本进行第一处理，得到至少一个目标分句文本；以及

第二确定模块，用于针对所述至少一个目标分句文本，确定与每个目标分句文本分别对应的第二文本要素。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序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执行根据权利要求1～8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，该指令被处理器执行时使处理器执行根据权利要求1～8中任一项所述的方法。

12.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～8中任一项所述的方法。

Images