CN114724146A - 异常文本识别方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了一种异常文本识别方法及装置、电子设备和存储介质，涉及人工智能技术领域，尤其涉及信息安全、自然语言处理技术领域。实现方案为：提取待识别文本的第一文本特征；基于所述第一文本特征，从预设的异常文本库中确定目标异常文本，所述目标异常文本的第二文本特征与所述第一文本特征的相似度大于或等于相似度阈值；获取所述目标异常文本的置信度，所述置信度用于表示所述目标异常文本的异常程度；基于所述相似度和所述置信度，确定所述待识别文本是否为异常文本。

Description

异常文本识别方法及装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及信息安全、自然语言处理技术领域，具体涉及一种异常文本识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

用户经常在互联网中发布文本内容，例如发布文章、评论、弹幕等。用户发布的文本可能包含涉及恶意推广、欺诈、低俗等方面的异常信息。为了净化网络环境、维护信息安全，需要对用户发布的文本进行审核，以识别并拦截异常文本(即包含异常信息的文本)。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种异常文本识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种异常文本识别方法，包括：提取待识别文本的第一文本特征；基于所述第一文本特征，从预设的异常文本库中确定目标异常文本，所述目标异常文本的第二文本特征与所述第一文本特征的相似度大于或等于相似度阈值；获取所述目标异常文本的置信度，所述置信度用于表示所述目标异常文本的异常程度；基于所述相似度和所述置信度，确定所述待识别文本是否为异常文本。

根据本公开的一方面，提供了一种异常文本识别装置，包括：提取模块，被配置为提取待识别文本的第一文本特征；第一确定模块，被配置为基于所述第一文本特征，从预设的异常文本库中确定目标异常文本，所述目标异常文本的第二文本特征与所述第一文本特征的相似度大于或等于相似度阈值；获取模块，被配置为获取所述目标异常文本的置信度，所述置信度用于表示所述目标异常文本的异常程度；第二确定模块，被配置为基于所述相似度和所述置信度，确定所述待识别文本是否为异常文本。

根据本公开的一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器，该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述方法。

根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行上述任一方面的方法。

根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，能够提高异常文本识别的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的异常文本识别方法的流程图；

图3示出了根据本公开的实施例的并行检索特征库的示意图；

图4示出了根据本公开的实施例的异常文本识别装置的结构框图；以及

图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在本公开中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

为了净化网络环境、维护信息安全，需要对用户发布的文本进行审核，以识别并拦截包含恶意推广、欺诈、低俗等信息的异常文本。

相关技术中，可以预先构建异常文本库，通过计算用户发布的文本与异常文本库中的异常文本的相似度来判断用户发布的文本是否为异常文本。

由于互联网中时刻有新文本产生，人工构建异常文本库的工作量很大，因此异常文本库通常由机器构建。例如，机器可以基于预设的违规词表、文本过滤规则或文本分类模型来召回异常文本，并将异常文本加入异常文本库。但是，由于机器缺乏灵活性，难以辨别复杂的语言场景，因此很可能出现正常文本的误召回，即，将正常文本误判为异常文本，使得异常文本库中混有正常文本。异常文本库中混杂的正常文本可能造成用户发布的正常文本被误判为异常文本，降低了异常文本识别的准确性。

为此，本公开的实施例提供一种异常文本识别方法，能够减小异常文本库中的正常文本对异常文本识别的影响，提高异常文本识别的准确性。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行异常文本识别方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来发布文本内容，例如发布文章、评论、弹幕等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、WindowsPhone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、Wi-Fi)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如文本、图像、音乐文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据一些实施例，客户端设备101-106中可以包括具有文本发布功能的应用，例如社交应用(可以发布动态信息)、购物应用(可以发布商品评论)、视频应用(可以发布弹幕)等。与此相应地，服务器120可以是该应用对应的服务器。当用户通过应用提交文本发布请求时，服务器120例如可以通过执行本公开实施例的异常文本识别方法，来判断用户的待发布的文本是否为异常文本。如果判定为异常文本，则拒绝用户的文本发布请求；如果判定为正常文本，则允许用户的文本发布请求，将用户的文本发布至互联网。进一步地，如果用户对服务器120的异常文本识别结果存在异议，可以通过应用来提交申诉请求。相应地，服务器120可以对该申诉请求进行处理。

图2示出了根据本公开实施例的异常文本识别方法200的流程图。方法200通常在服务器(例如图1中所示的服务器120)处执行。在一些实施例中，方法200也可以在客户端设备(例如图1中所示的客户端设备101、102、103、104、105和106)处执行。也即，方法200的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和106。

如图2所示，方法200包括步骤S210-S240。

在步骤S210中，提取待识别文本的第一文本特征。

在步骤S220中，基于第一文本特征，从预设的异常文本库中确定目标异常文本，目标异常文本的第二文本特征与第一文本特征的相似度大于或等于相似度阈值。

在步骤S230中，获取目标异常文本的置信度，置信度用于表示目标异常文本的异常程度。

在步骤S240中，基于相似度和置信度，确定待识别文本是否为异常文本。

根据本公开的实施例，为异常文本库中的各个异常文本标注置信度，置信度用于表示相应异常文本的异常程度。在对待识别文本进行审核时，不仅考虑了待识别文本与目标异常文本的相似度，还考虑了目标异常文本本身的置信度。综合相似度和置信度来判断待识别文本是否为异常文本，能够提高异常文本识别的准确性，避免将正常的待识别文本误判为异常。

以下详细介绍本公开实施例的各个步骤。

在步骤S210中，提取待识别文本的第一文本特征。

根据一些实施例，可以获取用户的文本发布请求，将文本发布请求中的待发布文本作为待识别文本。

根据另一些实施例，可以对用户的待发布文本进行预处理，例如删除标点符号、删除停用词、删除图片链接、删除HTML(HyperText Mark-up Language)标签、进行同义词替换等，将预处理后的文本作为待识别文本。

需要说明的是，在本公开的实施例中，第一、第二用于区分待识别文本和异常文本库中的异常文本。第一文本特征是待识别文本的向量表示，第二文本特征是异常文本库中的异常文本的向量表示。

根据一些实施例，第一文本特征可以是第一字面特征，例如simhash(一种局部敏感哈希算法)特征、TF(Term Frequency)特征、TF-IDF(Term Frequency-Inverse DocumentFrequency)特征等。

根据另一些实施例，第一文本特征也可以是第一语义特征，例如通过文本表示模型(例如word2vec、BERT(Bidirectional Encoder Representations from Transformer)等)提取出的语义特征等。

根据另一些实施例，第一文本特征也可以是第一违规信息编码，例如待识别文本中的违规信息的MD5(Message-Digest algorithm 5)编码等。违规信息例如包括例如恶意推广的联系方式、网址等。

如上所述，第一文本特征可以是第一字面特征、第一语义特征、第一违规信息编码等不同类型的特征。

根据一些实施例，可以仅提取待识别文本的一个第一文本特征。

根据另一些实施例，可以提取待识别文本的多个第一文本特征，并且多个第一文本特征的类型各不相同。由此能够基于多种文本特征来从异常文本库中检索出目标异常文本，从而提高异常文本识别的效率和准确性。

在步骤S220中，基于第一文本特征，从预设的异常文本库中确定目标异常文本，目标异常文本的第二文本特征与第一文本特征的相似度大于或等于相似度阈值。

异常文本库中包括多个异常文本。根据一些实施例，在通过步骤S210提取了待识别文本的多个第一文本特征的情况下，步骤S220可以包括以下步骤S222和S224。

在步骤S222中，对于多个第一文本特征中的每个第一文本特征：获取该第一文本特征对应的第二文本特征库，第二文本特征库包括与多个异常文本分别对应的多个第二文本特征，多个第二文本特征的类型与该第一文本特征的类型相同；以及分别计算该第一文本特征与多个第二文本特征的相似度。

在步骤S224中，响应于多个第一文本特征中的任一第一文本特征与目标第二文本特征的相似度大于或等于相似度阈值，将目标第二文本特征对应的异常文本作为目标异常文本。

根据上述实施例，能够基于多种文本特征来从异常文本库中检索出目标异常文本，从而提高异常文本识别的效率和准确性。

根据一些实施例，多个第一文本特征可以包括第一字面特征、第一语义特征和第一违规信息编码，第一违规信息编码为待识别文本中的违规信息(例如违规的联系方式、网址等)的编码。

相应地，第二文本特征库可以包括第二字面特征库、第二语义特征库和第二违规信息编码库。第二字面特征库、第二语义特征库和第二违规信息编码库分别通过提取异常文本库中的每个异常文本的第二字面特征、第二语义特征和第二违规信息编码而形成。

基于第一字面特征、第一语义特征和第一违规信息编码，并行地对第二字面特征库、第二语义特征库和第二违规信息编码库进行检索。即，计算第一字面特征与第二字面特征库中的第二字面特征的相似度、计算第一语义特征与第二语义特征库中的第二语义特征的相似度、计算第一违规信息编码与第二违规信息编码库中的第二违规信息编码的相似度的过程可以并行进行。

应当理解，不同文本特征对应的相似度的计算方式可以不同。例如，对于字面特征，可以基于第一字面特征与第二字面特征的海明距离来确定二者的相似度，海明距离越小，相似度越大。对于语义特征，可以基于第一语义特征和第二语义特征的欧氏距离或余弦距离来确定二者的相似度，欧氏距离、余弦距离越小，相似度越大。对于违规信息编码，可以基于第一违规信息编码与第二违规信息编码的字符串匹配程度来确定二者的相似度，字符串越匹配，相似度越大。

与上述相似度的计算方式类似地，应当理解，不同文本特征对应的相似度阈值也可以不同。根据一些实施例，可以将相似度归一化到0～1的范围内，相应地，相似度阈值可以是0～1之间的任意数值。特别地，对于违规信息编码来说，由于不同的编码对应于不同的违规信息，为了实现违规信息的准确识别，可以将相似度阈值设置为1，即，只有当第一违规信息编码与第二违规信息编码相同时，才将第二违规信息编码对应的异常文本作为目标异常文本。

图3示出了根据本公开实施例的并行检索特征库的示意图。在图3中，异常文本库310是基于机器或人工召回的多个异常文本构建的。采用正则表达式来提取异常文本库中的违规信息，基于提取出的违规信息构建违规信息库311。违规信息可以包括恶意推广的联系方式(例如电话号码、社交网络账号等)、网址等。

提取异常文本库310中的每个异常文本的simhash特征(即第二字面特征)，生成字面特征库312。将异常文本库310中的每个异常文本输入经过知识蒸馏的轻量化BERT模型(即图3中的TinyBert)，得到每个异常文本的语义特征(即第二语义特征)，生成语义特征库313。

生成违规信息库311中的每个联系方式的MD5编码(即第二违规信息编码)，得到联系方式编码库314。生成违规信息库311中的每个网址的MD5编码(即第二违规信息编码)，得到网址编码库315。

当用户发起文本发布请求时，获取文本发布请求中的待发布文本，通过对待发布文本进行预处理，得到待识别文本320。

提取待识别文本320的simhash特征，作为字面特征322(即第一字面特征)。将待识别文本320输入TinyBert模型，得到语义特征323(即第一语义特征)。采用正则表达式提取出待识别文本320中的联系方式、网址等违规信息，并计算联系方式、网址的MD5编码，得到联系方式编码324和网址编码325(即第一违规信息编码)。

随后，通过计算字面特征322与字面特征库312中的字面特征的海明距离、计算语义特征323与语义特征库313中的语义特征的欧氏距离或余弦距离、判断联系方式编码324与联系方式编码库314中的联系方式编码是否相同、判断网址编码325与网址编码库315中的网址编码是否相同，来确定与待识别文本320相似的目标异常文本。

在确定了目标异常文本后，可以获取目标异常文本的置信度，置信度用于表示目标异常文本的异常程度。

需要说明的是，在本公开的实施例中，异常文本库中的每个异常文本均具有置信度属性。置信度用于表示相应异常文本的异常程度。置信度越高，相应的异常文本的异常程度越高，越可能是真实的异常文本(而不是被误召回的正常文本)。置信度例如可以是0～1范围内的数值。

根据一些实施例，在异常文本被添加至异常文本库时，可以将其置信度设置为初始值。初始值可以是一个固定的常数，也可以按照一定的算法计算得出。异常文本的置信度可以基于用户的行为发生变化。例如，若某个异常文本被用户发起申诉请求，则该异常文本可能实际上是正常文本，相应地可以降低该异常文本的置信度。若某个异常文本在一段时间内没有被用户发起申诉请求，则该异常文本跟可能是真实异常文本，相应地可以增大该异常文本的置信度。

仅根据待识别文本与目标异常文本的相似度来判断待识别文本是否为异常文本，可能导致错误的判断结果。例如，如果仅基于相似度来判断待识别文本是否为异常文本，那么由于待识别文本与目标异常文本相似，则将待识别文本判定为异常文本。但是，在目标异常文本实际上是被误召回的正常文本的情况下，与目标异常文本相似的待识别文本大概率也是正常文本，因此在这种情况下会将正常的待识别文本误判为异常文本，降低了异常文本识别的准确性。

由上可见，目标异常文本的置信度影响待识别文本的识别结果。因此，在本公开的实施例中，基于待识别文本与目标异常文本的相似度以及目标异常文本本身的置信度来确定待识别文本是否为异常文本，从而提高异常文本识别的准确性。

具体地，根据一些实施例，可以基于相似度和置信度，确定待识别文本为异常文本的概率。然后基于概率来确定待识别文本是否为异常文本。

根据一些实施例，可以将相似度归一化为0～1范围内的数值，然后将相似度与置信度的乘积作为待识别文本为异常文本的概率。

根据一些实施例，响应于概率大于或等于概率阈值，可以确定待识别文本为异常文本。目标异常文本的置信度越高，越可能是真实的异常文本，相应地，与目标异常文本相似的待识别文本越可能是异常文本(即概率越高)。当概率达到概率阈值时，可以直接判定待识别文本为异常文本。

根据一些实施例，响应于概率小于概率阈值，生成待识别文本的审核任务；以及接收审核任务的审核结果，审核结果用于指示待识别文本是否为异常文本。目标异常文本的置信度越低，越可能是正常文本，相应地，与目标异常文本相似的待识别文本越可能是正常文本(即概率越低)。为避免误判，当概率低于概率阈值时，生成审核任务，人工审核待识别文本是否为异常文本，并获取人工审核结果。由此可以保证异常文本识别的准确性，避免将正常的待识别文本误判为异常文本。

根据一些实施例，响应于确定待识别文本为异常文本，将待识别文本加入异常文本库，并初始化待识别文本的置信度。由此能够实现异常文本库的动态扩充。

初始化待识别文本的置信度的方式有多种。例如，可以将待识别文本的置信度初始化为某个固定的常数，或者初始化为待识别文本与目标异常文本的相似度与目标异常文本的置信度的乘积(即待识别文本为异常文本的概率)。

通常地，若待识别文本被确定为异常文本，则拒绝待识别文本对应的文本发布请求。若用户对该拒绝持有异议，认为待识别文本为正常文本，则可以针对待识别文本发起申诉请求。

根据一些实施例，响应于用户对待识别文本的申诉请求，降低待识别文本的置信度。若用户发起待识别文本的申诉请求，则待识别文本可能实际上是正常文本，因此需要降低其置信度。

根据一些实施例，响应于待识别文本的置信度小于置信度阈值，从异常文本库中移除待识别文本。

应当理解，同一文本内容(例如待识别文本)可能被不同的用户发布，因此可能被不同的用户多次申诉。每一次申诉均会导致待识别文本的置信度被降低。当待识别文本的置信度小于置信度阈值时，认为待识别文本确为误判，将其从异常文本库中移除。

根据一些实施例，进一步从异常文本库中确定待识别文本的相似文本；以及从异常文本库中移除相似文本。由此能够在待识别文本的置信度小于置信度阈值时，将待识别文本及其相似文本一并从异常文本库中移除，从而保证后续异常文本识别的准确性。

根据一些实施例，响应于预设时长内没有收到用户对待识别文本的申诉请求，提高待识别文本的置信度。若预设时长(例如6h、24h、3天等)内没有收到用户申诉，则待识别文本可能是真实的异常文本，因此提高其置信度。

根据本公开的实施例，还提供了一种异常文本识别装置。图4示出了根据本公开实施例的异常文本识别装置400的结构框图。如图4所示，装置400包括：

提取模块410，被配置为提取待识别文本的第一文本特征；

第一确定模块420，被配置为基于所述第一文本特征，从预设的异常文本库中确定目标异常文本，所述目标异常文本的第二文本特征与所述第一文本特征的相似度大于或等于相似度阈值；

获取模块430，被配置为获取所述目标异常文本的置信度，其中，所述置信度用于表示所述目标异常文本的异常程度；

第二确定模块440，被配置为基于所述相似度和所述置信度，确定所述待识别文本是否为异常文本。

根据本公开的实施例，根据本公开的实施例，为异常文本库中的各个异常文本标注置信度，置信度用于表示相应异常文本的异常程度。在对待识别文本进行审核时，不仅考虑了待识别文本与目标异常文本的相似度，还考虑了目标异常文本本身的置信度。综合相似度和置信度来判断待识别文本是否为异常文本，能够提高异常文本识别的准确性，避免将正常的待识别文本误判为异常。

根据一些实施例，第二确定模块240包括：第一确定单元，被配置为基于所述相似度和所述置信度，确定所述待识别文本为异常文本的概率；以及第二确定单元，被配置为基于所述概率，确定所述待识别文本是否为异常文本。

根据一些实施例，第二确定单元进一步被配置为：响应于所述概率大于或等于概率阈值，确定所述待识别文本为异常文本。

根据一些实施例，第二确定单元进一步被配置为：响应于所述概率小于概率阈值，生成所述待识别文本的审核任务；以及接收所述审核任务的审核结果，所述审核结果用于指示所述待识别文本是否为异常文本。

根据一些实施例，装置400还包括：添加模块，被配置为响应于确定所述待识别文本为异常文本，将所述待识别文本加入所述异常文本库，并初始化所述待识别文本的置信度。

根据一些实施例，装置400还包括：更新模块，被配置为响应于用户对所述待识别文本的申诉请求，降低所述待识别文本的置信度。

根据一些实施例，装置400还包括：第一移除模块，被配置为响应于所述待识别文本的置信度小于置信度阈值，从所述异常文本库中移除所述待识别文本。

根据一些实施例，装置400还包括：第四确定模块，被配置为从所述异常文本库中确定所述待识别文本的相似文本；以及第二移除模块，从所述异常文本库中移除所述相似文本。

应当理解，图4中所示装置400的各个模块或单元可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置400及其包括的模块以及单元。为了简洁起见，某些操作、特征和优点在此不再赘述。

虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。例如，上面描述的提取模块410和第一确定模块420在一些实施例中可以组合成单个模块。

还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图4描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，模块410-430中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。

根据本公开的实施例，还提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器，该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述异常文本识别方法。

根据本公开的实施例，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行上述异常文本识别方法。

根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述异常文本识别方法。

参考图5，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

电子设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、Wi-Fi设备、WiMAX设备、蜂窝通信设备和/或类似物。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (20)

1.一种异常文本识别方法，包括：

提取待识别文本的第一文本特征；

基于所述第一文本特征，从预设的异常文本库中确定目标异常文本，所述目标异常文本的第二文本特征与所述第一文本特征的相似度大于或等于相似度阈值；

获取所述目标异常文本的置信度，其中，所述置信度用于表示所述目标异常文本的异常程度；以及

基于所述相似度和所述置信度，确定所述待识别文本是否为异常文本。

2.根据权利要求1所述的方法，其中，基于所述相似度和所述置信度，确定所述待识别文本是否为异常文本包括：

基于所述相似度和所述置信度，确定所述待识别文本为异常文本的概率；以及

基于所述概率，确定所述待识别文本是否为异常文本。

3.根据权利要求2所述的方法，其中，基于所述概率，确定所述待识别文本是否为异常文本包括：

响应于所述概率大于或等于概率阈值，确定所述待识别文本为异常文本。

4.根据权利要求2所述的方法，其中，基于所述概率，确定所述待识别文本是否为异常文本包括：

响应于所述概率小于概率阈值，生成所述待识别文本的审核任务；以及

接收所述审核任务的审核结果，所述审核结果用于指示所述待识别文本是否为异常文本。

5.根据权利要求1-4中任一项所述的方法，还包括：

响应于确定所述待识别文本为异常文本，将所述待识别文本加入所述异常文本库，并初始化所述待识别文本的置信度。

6.根据权利要求5所述的方法，还包括：

响应于用户对所述待识别文本的申诉请求，降低所述待识别文本的置信度。

7.根据权利要求6所述的方法，还包括：

响应于所述待识别文本的置信度小于置信度阈值，从所述异常文本库中移除所述待识别文本。

8.根据权利要求7所述的方法，还包括：

从所述异常文本库中确定所述待识别文本的相似文本；以及

从所述异常文本库中移除所述相似文本。

9.根据权利要求5所述的方法，还包括：

响应于预设时长内没有收到用户对所述待识别文本的申诉请求，提高所述待识别文本的置信度。

10.根据权利要求1-9中任一项所述的方法，其中，所述异常文本库包括多个异常文本，所述提取待识别文本的第一文本特征包括：提取待识别文本的多个第一文本特征，所述多个第一文本特征的类型各不相同，

并且其中，基于所述第一文本特征，从预设的异常文本库中确定目标异常文本包括：

对于所述多个第一文本特征中的每个第一文本特征：

获取该第一文本特征对应的第二文本特征库，所述第二文本特征库包括与所述多个异常文本分别对应的多个第二文本特征，所述多个第二文本特征的类型与该第一文本特征的类型相同；以及

分别计算该第一文本特征与所述多个第二文本特征的相似度；以及

响应于所述多个第一文本特征中的任一第一文本特征与目标第二文本特征的相似度大于或等于所述相似度阈值，将所述目标第二文本特征对应的异常文本作为所述目标异常文本。

11.根据权利要求10所述的方法，其中，所述多个第一文本特征包括第一字面特征、第一语义特征和第一违规信息编码，所述第一违规信息编码为所述待识别文本中的违规信息的编码。

12.一种异常文本识别装置，包括：

提取模块，被配置为提取待识别文本的第一文本特征；

第一确定模块，被配置为基于所述第一文本特征，从预设的异常文本库中确定目标异常文本，所述目标异常文本的第二文本特征与所述第一文本特征的相似度大于或等于相似度阈值；

获取模块，被配置为获取所述目标异常文本的置信度，其中，所述置信度用于表示所述目标异常文本的异常程度；以及

第二确定模块，被配置为基于所述相似度和所述置信度，确定所述待识别文本是否为异常文本。

13.根据权利要求12所述的装置，其中，所述第二确定模块包括：

第一确定单元，被配置为基于所述相似度和所述置信度，确定所述待识别文本为异常文本的概率；以及

第二确定单元，被配置为基于所述概率，确定所述待识别文本是否为异常文本。

14.根据权利要求13所述的装置，其中，所述第二确定单元进一步被配置为：

响应于所述概率大于或等于概率阈值，确定所述待识别文本为异常文本。

15.根据权利要求13所述的装置，其中，所述第二确定单元进一步被配置为：

响应于所述概率小于概率阈值，生成所述待识别文本的审核任务；以及

接收所述审核任务的审核结果，所述审核结果用于指示所述待识别文本是否为异常文本。

16.根据权利要求12-15中任一项所述的装置，还包括：

添加模块，被配置为响应于确定所述待识别文本为异常文本，将所述待识别文本加入所述异常文本库，并初始化所述待识别文本的置信度。

17.根据权利要求16所述的装置，还包括：

更新模块，被配置为响应于用户对所述待识别文本的申诉请求，降低所述待识别文本的置信度。

18.一种电子设备，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指令，所述指令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权利要求1-11中任一项所述的方法。

19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-11中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-11中任一项所述的方法。

Images