CN115618242A - 一种重复文本识别方法、装置、电子设备和存储介质 - Google Patents
一种重复文本识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115618242A CN115618242A CN202211337802.2A CN202211337802A CN115618242A CN 115618242 A CN115618242 A CN 115618242A CN 202211337802 A CN202211337802 A CN 202211337802A CN 115618242 A CN115618242 A CN 115618242A
- Authority
- CN
- China
- Prior art keywords
- text
- similarity
- historical
- vector
- acquiring
- 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
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种重复文本识别方法,涉及文本信息处理领域,该方法包括:响应于获取到待识别的第一文本,获取第一文本与历史文本的文本相似度;根据第一文本的触发时间以及历史文本的触发时间,获取第一文本与历史文本的文本关联度;基于文本关联度和文本相似度,获取第一文本与历史文本的信息匹配度;若第一文本与历史文本的信息匹配度大于等于预设匹配阈值,则确定第一文本为重复文本。本发明实施例的技术方案,通过文本相似度反映了第一文本与历史文本在文本内容上的相似程度,同时还通过文本关联度反映了第一文本与历史文本在时间维度上的关联程度,提高了重复文本的识别精度,避免了重复文本的误判导致投诉举报信息的遗漏。
Description
技术领域
本发明涉及文本信息处理领域,尤其涉及一种重复文本识别方法、装置、电子设备和存储介质。
背景技术
随着互联网技术的不断发展,业务系统获取到的投诉举报类型的文本信息也呈几何倍数的增长,而大量的投诉举报信息中往往存在重复文本,导致业务系统的数据负载过大,因此,对于重复文本的有效识别、筛选也变得尤为重要。
现有技术中,通常是基于文本内容,通过对投诉举报文本进行一致性比对,来确定当前投诉举报文本是否与已获取到文本相同,或者通过人工审核的方式进行重复文本识别。
然而,基于文本内容对投诉举报文本进行一致性比对时,由于同一类型事件的投诉举报信息的文字表述较为接近,往往会将不同的投诉举报文本,误判定为重复文本,进而导致出现信息遗漏现象;而人工审核方式,不但需要耗费大量的人力成本,审核效率较低,且存在较强的主观性。
发明内容
本发明提供了一种重复文本识别方法、装置、电子设备和存储介质,以解决投诉举报信息中重复文本无法有效识别的问题。
根据本发明的一方面,提供了一种重复文本识别方法,包括:
响应于获取到待识别的第一文本,获取所述第一文本与历史文本的文本相似度;
根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度;
基于所述文本关联度和所述文本相似度,获取所述第一文本与所述历史文本的信息匹配度;
若所述第一文本与所述历史文本的信息匹配度大于等于预设匹配阈值,则确定所述第一文本为重复文本。
根据本发明的另一方面,提供了一种重复文本识别装置,包括:
文本相似度获取模块,用于响应于获取到待识别的第一文本,获取所述第一文本与历史文本的文本相似度;
文本关联度获取模块,用于根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度;
信息匹配度获取模块,用于基于所述文本关联度和所述文本相似度,获取所述第一文本与所述历史文本的信息匹配度;
重复文本确定模块,用于若所述第一文本与所述历史文本的信息匹配度大于等于预设匹配阈值,则确定所述第一文本为重复文本。
根据本发明的另一方面,提供了一种电子设备,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,以使所述至少一个处理器能够执行本发明任一实施例所述的重复文本识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的重复文本识别方法。
本发明实施例的技术方案,根据获取到的第一文本与历史文本的文本相似度以及文本关联度,获取第一文本与历史文本的信息匹配度,并根据信息匹配度判断第一文本是否为重复文本,使得通过文本相似度反映了第一文本与历史文本在文本内容上的相似程度,同时还通过文本关联度反映了第一文本与历史文本在时间维度上的关联程度,极大地提高了重复文本的识别精度,避免了重复文本的误判导致投诉举报信息的遗漏,另外,在节省大量人力成本,提高投诉举报文本审核效率的同时,确保了审核结果的客观性和保密性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种重复文本识别方法的流程图;
图2是根据本发明实施例二提供的一种重复文本识别方法的流程图;
图3是根据本发明实施例三提供的一种重复文本识别方法的流程图;
图4是根据本发明实施例四提供的一种重复文本识别装置的结构示意图;
图5是实现本发明实施例的重复文本识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种重复文本识别方法的流程图,本实施例可适用于基于历史文本,判断当前待识别的第一文本是否为重复文本,该方法可以由重复文本识别装置来执行,该重复文本识别装置可以采用硬件和/或软件的形式实现,该重复文本识别装置可配置于电子设备中,典型的,可以配置于业务系统的管理服务器中。如图1所示,该方法包括:
S101、响应于获取到待识别的第一文本,获取所述第一文本与历史文本的文本相似度。
文本相似度是表示两个文本之间匹配程度的度量参数,文本相似度的数值越大,表示两个文本的相似程度越高;历史文本,是过去一段时间内获取到的与投诉举报相关的文本信息;可以通过设置时间阈值,获取过去指定时间内的历史文本;由此,分别获取当前待识别的第一文本与各个历史文本之间的文本相似度。
具体的,当获取到第一文本后,首先可以对第一文本进行预处理,包括切分、分词以及停用词去除等操作;例如,可以通过结巴分词工具,对第一文本进行分词处理;然后根据预处理后的文本词汇,提取第一文本的文本特征,并通过预先构建完成的评价函数,计算各个特征的评估分值,以按照分值排序结果选取分值较高的关键特征;其中,文本特征即文本的元数据,用于表示文本的主题含义,包括描述性特征(例如,标题、日期、主题词等)和语义性特征(例如,作者、正文内容等);最后将提取出的关键特征进行向量化,转化为特征向量,文本相似度也即特征向量之间的向量相似度,例如,通过获取第一文本的特征向量与各个历史文本的特征向量之间的欧式距离、余弦相似度或者余弦距离,以此获取第一文本与各个历史文本之间的文本相似度。
可选的,在本发明实施例中,所述获取所述第一文本与历史文本的文本相似度,包括:通过词频及逆文本频率获取所述第一文本中第一预设数量的关键词,并基于所述关键词,通过词向量生成模型获取所述第一文本的关键词向量;根据所述第一文本的关键词向量以及所述历史文本的关键词向量,获取所述第一文本与所述历史文本的文本内容相似度。
具体的,词频(Term Frequency,TF),表示词汇在当前文本中的出现频率;逆文件频率(Inverse Document Frequency,IDF),是词汇普遍重要性的度量,如果包含该词汇的文本越少,那么IDF越大,即该词汇具有较好的区别特征;关键词的数量可以根据需要设定,例如,将第一预设数量设置为20,即根据词频及逆文本频率的计算结果,获取数值最大的20个词汇作为关键词。通过获取第一文本中各个词汇的词频及逆文本频率,提高了关键词的获取准确性。
词向量生成模型,即word2vec模型,相比于传统的one-hot编码方式将每个词汇转换为特定的向量,无法体现不同词汇之间的差异性,存在明显的数据稀疏问题,而word2vec模型可以将每个关键词分别映射为N维的数值化向量,较好的体现了各个关键词之间的差异性,提高了构建的关键词向量的准确性;特别的,根据第一文本的关键词向量以及历史文本的关键词向量获取到的文本相似度,实质上是文字内容上的相似度,也即文本内容相似度。
可选的,在本发明实施例中,所述词向量生成模型包括卷积神经网络模型、循环神经网络模型以及Transformer神经网络模型中的至少一个。卷积神经网络(ConvolutionalNeural Networks,CNN)通过卷积运算的应用,提高了文本特征的提取精度,池化层的应用则进一步降低了文本特征的计算复杂度;Transformer神经网络模型,即基于Transformer结构的神经网络模型,作为一种Attention(注意力)机制的神经网络模型,Transformer神经网络模型可以将文本中的各个关键词视为等距离字符,保证了每个关键词的独立性;循环神经网络(Recurrent Neural Network,RNN),则是将前后输入的连续信息作为关联信息,保证文本的内容连贯性;特别的,还可以将上述三种神经网络模型获取到的关键词向量进行数据融合,以根据各个神经网络模型及其对应的权重值,获取融合后的关键词向量,以充分利用不同结构的神经网络模型的计算特点,获取准确的关键词向量。
S102、根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度。
对于一个文本发出方而言,往往会在一段时间内对同一对象或者事件,重复发出相同或者相似的投诉举报文本;其中,相似文本是指对原投诉举报文本进行了简单的形式修改,在不改变原投诉举报文本主要内容的前提下,生成的新投诉举报文本,显然新投诉举报文本与原投诉举报文本实质上仍为同一个投诉举报文本。
而随着时间的推移,该文本发出方再次发出该投诉举报文本的可能性会大大降低,因此除了文本相似度之外,还可以将时间属性作为两个文本是否匹配的另一个评价指标;触发时间即文本获取时间,若两个文本的触发时间相距较近,那么这两个文本的文本关联度较高,也即上述两个文本为相同文本或者相近文本的可能性较高;由此,将文本之间的触发时间差与文本关联度,预先设置为线性或者非线性的负相关关系,进而根据第一文本与历史文本之间的触发时间差,即可获取对应的文本关联度。
可选的,在本发明实施例中,所述根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度,包括:基于高斯函数以及预设处理周期,根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度。
具体的,通过对历史记录中重复文本的数据统计,可以获知两个文本之间的触发时间差,与上述两个文本之间的文本关联度符合高斯分布曲线(即正态分布曲线),因此,基于预设处理时间和高斯函数,预先绘制完成对应的高斯分布曲线;其中,预设处理时间,是当前业务系统接收到一个投诉举报文本后,进行调查、取证,进而得出处理结果的所需时间;由此,根据当前业务系统中业务调查及取证难度,为当前业务系统预先设置对应的预设处理时间;例如,将预设处理时间设置为10天,即将10天作为高斯分布曲线的时间跨度;高斯分布曲线可通过如下公式进行绘制:
其中,f(t)是第一文本与历史文本的文本关联度,t是第一文本的触发时间,t0是历史文本的触发时间,T是预设处理时间。
S103、基于所述文本关联度和所述文本相似度,获取所述第一文本与所述历史文本的信息匹配度。
可以将文本相似度与文本关联度的乘积结果或者求和结果,作为第一文本与历史文本的信息匹配度,也可以为文本相似度与文本关联度分别设置不同的权重值,例如,文本相似度的权重值大于文本关联度的权重值,再将文本相似度与对应权重值的乘积,以及文本关联度与对应权重值的乘积,进行求和,求和结果作为信息匹配度。
S104、若所述第一文本与所述历史文本的信息匹配度大于等于预设匹配阈值,则确定所述第一文本为重复文本。
如果信息匹配度大于等于预设匹配阈值,即可确定第一文本为重复出现的文本,不需要对该文本执行后续处理操作;如果信息匹配度小于预设匹配阈值,即可确定第一文本不是重复出现的文本,需要对该文本执行后续的调查及取证处理。
本发明实施例的技术方案,根据获取到的第一文本与历史文本的文本相似度以及文本关联度,获取第一文本与历史文本的信息匹配度,并根据信息匹配度判断第一文本是否为重复文本,使得通过文本相似度反映了第一文本与历史文本在文本内容上的相似程度,同时还通过文本关联度反映了第一文本与历史文本在时间维度上的关联程度,极大地提高了重复文本的识别精度,避免了重复文本的误判导致投诉举报信息的遗漏,另外,在节省大量人力成本,提高投诉举报文本审核效率的同时,确保了审核结果的客观性和保密性。
实施例二
图2为本发明实施例二提供的一种重复文本识别方法的流程图,本实施例与上述实施例之间的关系在于,将文本字体相似度也作为文本相似度的一个评价维度;如图2所示,该方法包括:
S201、响应于获取到待识别的第一文本,通过词频及逆文本频率获取所述第一文本中第一预设数量的关键词,并基于所述关键词,通过词向量生成模型获取所述第一文本的关键词向量。
S202、根据所述第一文本的关键词向量以及所述历史文本的关键词向量,获取所述第一文本与所述历史文本的文本内容相似度。
S203、获取所述第一文本与所述历史文本的文本字体相似度;其中,文本字体包括字体类型、字体大小和字体颜色中的至少一项。
具体的,虽然每个文本发出方撰写电子文本时的撰写习惯不同,但同一个文本发出方的撰写习惯相对固定,尤其是针对同一类型的文本(如上述技术方案中的投诉举报文本)而言,往往会采用相同的文本字体进行撰写;以文本字体包括字体类型(例如,宋体、仿宋、楷体等)、字体大小(例如,10号字、12号字、14号字等)和字体颜色(例如,黑色、红色、黄色等)为例;获取第一文本中所有文字使用的字体类型,并将出现次数最多的字体类型,作为第一文本中的字体类型;同样的,获取第一文本中所有文字使用的字体大小和字体颜色,并将出现次数最多的字体大小和字体颜色,分别作为第一文本中的字体大小和字体颜色;而历史文本的字体类型、字体大小和字体颜色同样可以基于上述方式获取。
同时,预先为不同的字体类型、字体颜色和字体大小设置了不同的分值,字体类型越接近,分值越接近;例如,宋体与仿宋的分值较为较近,宋体与楷体的分值较为疏远;字体颜色越接近,分值越接近,例如,黑色与灰色的分值较为接近,黑色与红色的分值较为疏远;字体大小越接近,分值越接近,例如,10号字和12号字的分值较为接近,10号字与2号字的分值较为疏远;获取第一文本与历史文本分别在字体类型维度、字体颜色维度和字体大小维度下的分值差,当前维度下的分值差越大,该维度下的相似度越小,当前维度下的分值差越小,该维度下的相似度越大;由此,获取第一文本与历史文本分别在字体类型维度、字体颜色维度和字体大小维度下的相似度;再根据各维度分别对应的权重,即可获取第一文本与历史文本在文本字体上的相似度,也即文本字体相似度。
S204、根据所述第一文本与所述历史文本的文本内容相似度以及文本字体相似度,获取所述第一文本与所述历史文本的文本相似度。
可以将文本内容相似度与文本字体相似度的乘积结果或者求和结果,作为第一文本与历史文本的文本相似度,还可以为文本内容相似度和文本字体相似度分别设置不同的权重值,例如,文本内容相似度的权重值大于文本字体相似度的权重值,再将文本内容相似度与对应权重值的乘积,以及文本字体相似度与对应权重值的乘积,进行求和,求和结果作为文本相似度;由此,文本相似度,不但反映了内容上的相似性,还反映了文本发出方在文本字体上的撰写习惯,进一步提高了文本相似度的获取结果。
可选的,在本发明实施例中,所述获取所述第一文本与所述历史文本的文本字体相似度,包括:根据所述第一文本中所述关键词的文本字体,确定所述第一文本的文本字体。具体的,获取第一文本中所有关键词使用的字体类型,并将使用次数最多的字体类型,作为第一文本中的字体类型;同样的,获取第一文本中所有关键词使用的字体大小和字体颜色,并将使用次数最多的字体大小和字体颜色,分别作为第一文本中的字体大小和字体颜色。
相比于获取第一文本中所有文字或词汇的文本字体,关键词的数量远小于整个文本的词汇数量,且在本发明实施例中,已通过词频及逆文本频率,获取到第一文本中的关键词,可直接利用上述关键词的文本字体,确定第一文本的字体类型,极大地提高了文本字体的获取效率;同时,很多文本发出方的撰写习惯是将重点词汇进行重点标记,以区别于文本中的其它词汇,因此,仅获取关键词的文本字体,更准确的反映了文本发出方的实际撰写习惯。
S205、根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度。
S206、基于所述文本关联度和所述文本内容相似度,获取所述第一文本与所述历史文本的信息匹配度。
S207、若所述第一文本与所述历史文本的信息匹配度大于等于预设匹配阈值,则确定所述第一文本为重复文本。
本发明实施例的技术方案,在获取第一文本与历史文本的文本字体相似度之后,根据文本内容相似度以及文本字体相似度,获取第一文本与历史文本的文本相似度,不但通过文本相似度反映了第一文本与历史文本在文本内容上的相似程度,还通过文本字体相似度反映了文本格式上文本发出方的撰写习惯,进一步提高了文本相似度获取结果的准确性。
实施例三
图3为本发明实施例二提供的一种重复文本识别方法的流程图,本实施例与上述实施例之间的关系在于,在卷积神经网络模型、循环神经网络模型以及Transformer神经网络模型,分别获取到的第一关键词向量、第二关键词向量和第三关键词向量中,选择所需的目标关键词向量;如图3所示,该方法包括:
S301、响应于获取到待识别的第一文本,通过词频及逆文本频率获取所述第一文本中第一预设数量的关键词。
S302、基于所述关键词,通过卷积神经网络模型、循环神经网络模型以及Transformer神经网络模型,分别获取所述第一文本的第一关键词向量、第二关键词向量和第三关键词向量。
S303、根据所述第一关键词向量与所述第二关键词向量的第一向量相似度,所述第一关键词向量与所述第三关键词向量的第二向量相似度,以及所述第二关键词向量与所述第三关键词向量的第三向量相似度,分别获取所述第一关键词向量、第二关键词向量和第三关键词向量对应的向量相似度求和结果。
S304、将最大向量相似度求和结果对应的目标关键词向量,作为所述第一文本的关键词向量。
第一关键词向量对应的向量相似度求和结果,是第一向量相似度与第二向量相似度的求和结果;第二关键词向量对应的向量相似度求和结果,是第一向量相似度与第三向量相似度的求和结果;第三关键词向量对应的向量相似度求和结果,是第二向量相似度与第三向量相似度的求和结果;每个向量相似度对应的向量相似度求和结果,均反映了该向量相似度,与其它两个向量相似度的匹配程度,由此将第一关键词向量、第二关键词向量和第三关键词向量,分别对应的向量相似度求和结果中,数值最大的最大向量相似度求和结果对应的目标关键词向量,作为第一文本的关键词向量,以在不同结构的神经网络模型下获取到的关键词向量中,选择误差最小的关键词向量。
S305、根据所述第一文本的关键词向量以及所述历史文本的关键词向量,获取所述第一文本与所述历史文本的文本内容相似度。
S306、根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度。
S307、基于所述文本关联度和所述文本内容相似度,获取所述第一文本与所述历史文本的信息匹配度。
S308、若所述第一文本与所述历史文本的信息匹配度大于等于预设匹配阈值,则确定所述第一文本为重复文本。
本发明实施例公开的技术方案,在通过卷积神经网络模型、循环神经网络模型以及Transformer神经网络模型,分别获取所述第一文本的第一关键词向量、第二关键词向量和第三关键词向量之后,获取每个向量相似度对应的向量相似度求和结果,进而选择最大向量相似度求和结果对应的目标关键词向量,作为第一文本的关键词向量,以在不同结构的神经网络模型下获取到的关键词向量中,获取到计算误差最小的关键词向量,进一步提高了获取到的文本相似度的准确性。
实施例四
图4是本发明实施例四所提供的一种重复文本识别装置的结构框图,该装置具体包括:
文本相似度获取模块401,用于响应于获取到待识别的第一文本,获取所述第一文本与历史文本的文本相似度;
文本关联度获取模块402,用于根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度;
信息匹配度获取模块403,用于基于所述文本关联度和所述文本相似度,获取所述第一文本与所述历史文本的信息匹配度;
重复文本确定模块404,用于若所述第一文本与所述历史文本的信息匹配度大于等于预设匹配阈值,则确定所述第一文本为重复文本。
本发明实施例的技术方案,根据获取到的第一文本与历史文本的文本相似度以及文本关联度,获取第一文本与历史文本的信息匹配度,并根据信息匹配度判断第一文本是否为重复文本,使得通过文本相似度反映了第一文本与历史文本在文本内容上的相似程度,同时还通过文本关联度反映了第一文本与历史文本在时间维度上的关联程度,极大地提高了重复文本的识别精度,避免了重复文本的误判导致投诉举报信息的遗漏,另外,在节省大量人力成本,提高投诉举报文本审核效率的同时,确保了审核结果的客观性和保密性。
可选的,文本相似度获取模块401,具体包括:
关键词向量获取单元,用于通过词频及逆文本频率获取所述第一文本中第一预设数量的关键词,并基于所述关键词,通过词向量生成模型获取所述第一文本的关键词向量;
文本内容相似度获取单元,用于根据所述第一文本的关键词向量以及所述历史文本的关键词向量,获取所述第一文本与所述历史文本的文本内容相似度。
可选的,文本相似度获取模块401,具体还包括:
文本字体相似度获取单元,用于获取所述第一文本与所述历史文本的文本字体相似度;其中,文本字体包括字体类型、字体大小和字体颜色中的至少一项;
文本相似度获取单元,用于根据所述第一文本与所述历史文本的文本内容相似度以及文本字体相似度,获取所述第一文本与所述历史文本的文本相似度。
可选的,文本字体相似度获取单元,具体用于根据所述第一文本中所述关键词的文本字体,确定所述第一文本的文本字体。
可选的,文本关联度获取模块402,具体用于基于高斯函数以及预设处理周期,根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度。
可选的,所述词向量生成模型包括卷积神经网络模型、循环神经网络模型以及Transformer神经网络模型中的至少一个。
可选的,关键词向量获取单元,具体用于基于所述关键词,通过卷积神经网络模型、循环神经网络模型以及Transformer神经网络模型,分别获取所述第一文本的第一关键词向量、第二关键词向量和第三关键词向量;根据所述第一关键词向量与所述第二关键词向量的第一向量相似度,所述第一关键词向量与所述第三关键词向量的第二向量相似度,以及所述第二关键词向量与所述第三关键词向量的第三向量相似度,分别获取所述第一关键词向量、第二关键词向量和第三关键词向量对应的向量相似度求和结果;将最大向量相似度求和结果对应的目标关键词向量,作为所述第一文本的关键词向量。
上述装置可执行本发明任意实施例所提供的重复文本识别方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的重复文本识别方法。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,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,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如重复文本识别方法。
在一些实施例中,重复文本识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的重复文本识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行重复文本识别方法。
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)、负载可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种重复文本识别方法,其特征在于,包括:
响应于获取到待识别的第一文本,获取所述第一文本与历史文本的文本相似度;
根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度;
基于所述文本关联度和所述文本相似度,获取所述第一文本与所述历史文本的信息匹配度;
若所述第一文本与所述历史文本的信息匹配度大于等于预设匹配阈值,则确定所述第一文本为重复文本。
2.根据权利要求1所述的方法,其特征在于,所述获取所述第一文本与历史文本的文本相似度,包括:
通过词频及逆文本频率获取所述第一文本中第一预设数量的关键词,并基于所述关键词,通过词向量生成模型获取所述第一文本的关键词向量;
根据所述第一文本的关键词向量以及所述历史文本的关键词向量,获取所述第一文本与所述历史文本的文本内容相似度。
3.根据权利要求2所述的方法,其特征在于,所述获取所述第一文本与历史文本的文本相似度,还包括:
获取所述第一文本与所述历史文本的文本字体相似度;其中,文本字体包括字体类型、字体大小和字体颜色中的至少一项;
根据所述第一文本与所述历史文本的文本内容相似度以及文本字体相似度,获取所述第一文本与所述历史文本的文本相似度。
4.根据权利要求3所述的方法,其特征在于,所述获取所述第一文本与所述历史文本的文本字体相似度,包括:
根据所述第一文本中所述关键词的文本字体,确定所述第一文本的文本字体。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度,包括:
基于高斯函数以及预设处理周期,根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度。
6.根据权利要求2所述的方法,其特征在于,所述词向量生成模型包括卷积神经网络模型、循环神经网络模型以及Transformer神经网络模型中的至少一个。
7.根据权利要求6所述的方法,其特征在于,所述基于所述关键词,通过词向量生成模型获取所述第一文本的关键词向量,包括:
基于所述关键词,通过卷积神经网络模型、循环神经网络模型以及Transformer神经网络模型,分别获取所述第一文本的第一关键词向量、第二关键词向量和第三关键词向量;
根据所述第一关键词向量与所述第二关键词向量的第一向量相似度,所述第一关键词向量与所述第三关键词向量的第二向量相似度,以及所述第二关键词向量与所述第三关键词向量的第三向量相似度,分别获取所述第一关键词向量、第二关键词向量和第三关键词向量对应的向量相似度求和结果;
将最大向量相似度求和结果对应的目标关键词向量,作为所述第一文本的关键词向量。
8.一种重复文本识别装置,其特征在于,包括:
文本相似度获取模块,用于响应于获取到待识别的第一文本,获取所述第一文本与历史文本的文本相似度;
文本关联度获取模块,用于根据所述第一文本的触发时间以及所述历史文本的触发时间,获取所述第一文本与所述历史文本的文本关联度;
信息匹配度获取模块,用于基于所述文本关联度和所述文本相似度,获取所述第一文本与所述历史文本的信息匹配度;
重复文本确定模块,用于若所述第一文本与所述历史文本的信息匹配度大于等于预设匹配阈值,则确定所述第一文本为重复文本。
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权利要求1-7中任一项所述的重复文本识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的重复文本识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211337802.2A CN115618242A (zh) | 2022-10-28 | 2022-10-28 | 一种重复文本识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211337802.2A CN115618242A (zh) | 2022-10-28 | 2022-10-28 | 一种重复文本识别方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618242A true CN115618242A (zh) | 2023-01-17 |
Family
ID=84877312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211337802.2A Pending CN115618242A (zh) | 2022-10-28 | 2022-10-28 | 一种重复文本识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618242A (zh) |
-
2022
- 2022-10-28 CN CN202211337802.2A patent/CN115618242A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797210A (zh) | 基于用户画像的信息推荐方法、装置、设备及存储介质 | |
CN114549874A (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
CN112990035B (zh) | 一种文本识别的方法、装置、设备以及存储介质 | |
CN114818708B (zh) | 关键信息抽取方法、模型训练方法、相关装置及电子设备 | |
EP4113321A1 (en) | Data mining method, data mining apparatus, electronic device and storage medium | |
CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN113392218A (zh) | 文本质量评估模型的训练方法和确定文本质量的方法 | |
CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
CN114020904A (zh) | 试题文件筛选方法、模型训练方法、装置、设备及介质 | |
CN117216275A (zh) | 一种文本处理方法、装置、设备以及存储介质 | |
CN117076610A (zh) | 一种数据敏感表的识别方法、装置、电子设备及存储介质 | |
CN112906368A (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
CN116662484A (zh) | 一种文本正则化方法、装置、设备以及存储介质 | |
CN114969334B (zh) | 异常日志检测方法、装置、电子设备及可读存储介质 | |
CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
CN114118049B (zh) | 信息获取方法、装置、电子设备及存储介质 | |
CN115600592A (zh) | 文本内容的关键信息提取方法、装置、设备及介质 | |
CN115116080A (zh) | 表格解析方法、装置、电子设备和存储介质 | |
CN115618242A (zh) | 一种重复文本识别方法、装置、电子设备和存储介质 | |
CN114138976A (zh) | 数据处理与模型训练方法、装置、电子设备和存储介质 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
CN112560437A (zh) | 文本通顺度的确定方法、目标模型的训练方法及装置 | |
CN117556050B (zh) | 数据分类分级方法、装置、电子设备及存储介质 | |
CN116089586B (zh) | 基于文本的问题生成方法及问题生成模型的训练方法 |
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 |