CN116432650A - 文本处理方法、装置、可读介质及电子设备 - Google Patents
文本处理方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN116432650A CN116432650A CN202310333786.8A CN202310333786A CN116432650A CN 116432650 A CN116432650 A CN 116432650A CN 202310333786 A CN202310333786 A CN 202310333786A CN 116432650 A CN116432650 A CN 116432650A
- Authority
- CN
- China
- Prior art keywords
- text
- name
- sample
- target
- determined
- 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
- 238000003672 processing method Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Character Discrimination (AREA)
Abstract
本公开实施例涉及一种文本处理方法、装置、可读介质及电子设备。该方法包括:获取待处理的目标文本,将目标文本输入预先生成的目标人名识别模型中,得到该目标人名识别模型输出的人名信息;其中,该目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,该目标样本文本为根据第一待定样本文本生成的文本,第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,第二待定样本文本为包含待定人名的文本。这样,通过对样本中的待定人名进行调整,可以获取多样化的样本,提高训练后得到的目标人名识别模型的识别准确率。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种文本处理方法、装置、可读介质及电子设备。
背景技术
随着计算机技术的发展,可以通过人工智能模型进行人名识别,例如,从文本中识别出人名。人名识别可以广泛应用于机器翻译、搜索引擎、语音识别等许多应用场景。
但是,在相关技术中,人名识别的准确率较低。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
根据本公开实施例的第一方面,提供一种文本处理方法,所述方法包括:
获取待处理的目标文本;
将所述目标文本输入预先生成的目标人名识别模型中,得到所述目标人名识别模型输出的人名信息;
其中,所述目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,所述目标样本文本为根据第一待定样本文本生成的文本,所述第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,所述第二待定样本文本为包含所述待定人名的文本。
根据本公开实施例的第二方面,提供一种文本处理装置,所述装置包括:
获取模块,用于获取待处理的目标文本;
处理模块,用于将所述目标文本输入预先生成的目标人名识别模型中,得到所述目标人名识别模型输出的人名信息;
其中,所述目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,所述目标样本文本为根据第一待定样本文本生成的文本,所述第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,所述第二待定样本文本为包含所述待定人名的文本。
根据本公开实施例的第三方面,提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理装置执行时实现本公开第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
采用上述技术方案,获取待处理的目标文本,将目标文本输入预先生成的目标人名识别模型中,得到该目标人名识别模型输出的人名信息;其中,该目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,该目标样本文本为根据第一待定样本文本生成的文本,第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,第二待定样本文本为包含待定人名的文本。这样,通过对样本中的待定人名进行调整,可以获取多样化的样本,提高训练后得到的目标人名识别模型的识别准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种文本处理方法的流程图。
图2是根据一示例性实施例示出的一种生成目标人名识别模型的方法的流程图。
图3是根据图2所示实施例示出的一种S202步骤的流程图。
图4是根据图2所示实施例示出的另一种S202步骤的流程图。
图5是根据一示例性实施例示出的一种文本处理装置的框图。
图6是根据一示例性实施例示出的一种文本处理装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本公开使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。在本公开的描述中,除非另有说明,“多个”是指两个或多于两个,其它量词与之类似;“至少一项(个)”、“一项(个)或多项(个)”或其类似表达,是指的这些项(个)中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,至少一项(个)a,可以表示任意数目个a;再例如,a,b和c中的一项(个)或多项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个;“和/或”是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。字符“/”表示前后关联对象是一种“或”的关系。单数形式的“一个”、“一种”、“一项”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
在本公开实施例中尽管在附图中以特定的顺序描述操作或步骤,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作或步骤,或是要求执行全部所示的操作或步骤以得到期望的结果。在本公开的实施例中,可以串行执行这些操作或步骤;也可以并行执行这些操作或步骤;也可以执行这些操作或步骤中的一部分。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时,可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
下面结合具体实施例对本公开进行说明。
图1是根据一示例性实施例示出的一种文本处理方法的流程图。该方法可以应用于电子设备,该电子设备可以包括终端设备,例如智能手机、智能可穿戴设备、智能音箱、智能平板、PDA(Personal Digital Assistant,个人数字助理)、CPE(Customer PremiseEquipment,客户终端设备)、个人计算机、车载终端等;该电子设备也可以包括服务器,例如本地服务器或云服务器。如图1所示,该方法可以包括:
S101、获取待处理的目标文本。
在一些实施例中,该目标文本可以是用户输入的文本。
在一些实施例中,该目标文本可以是基于音频识别得到的文本。示例地,可以将目标音频输入预先生成的语音识别模型中,得到该语音识别模型输出的目标文本。该目标音频可以是包含人类语音的任意音频,例如,该目标音频可以是会议音频,该会议音频可以是基于会议录音或会议视频获取的音频,该会议的参与人数可以是任意人数。
在另外一些实施例中,该目标文本可以是基于视频识别得到的文本。示例地,可以将目标视频输入预先生成的视频识别模型中,得到该视频识别模型输出的目标文本。同样地,该目标视频可以是任意视频,例如,该目标音频可以是会议视频,该会议的参与人数同样可以是任意人数。
在又一些实施例中,该目标文本也可以是基于图像视频得到的文本。示例地,可以将目标图像输入预先生成的图像识别模型中,得到该图像识别模型输出的目标文本。该目标图像可以是包含文本的任意图像。
在一些实施例中,该目标文本的语言类型可以是简体中文或繁体中文。
在另一些实施例中,该目标文本的语言类型也可以是英文、日语或德语等任意语言。
S102、将目标文本输入预先生成的目标人名识别模型中,得到该目标人名识别模型输出的人名信息。
其中,该目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,该目标样本文本为根据第一待定样本文本生成的文本,该第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,第二待定样本文本为包含待定人名的文本。
在一些实施例中,该目标人名识别模型可以包括命名实体识别(Named EntityRecognizer,NER),通过该命名实体识别可以识别文本红的人名信息。
在一些实施例中,该人名信息可以用于指示目标文本中的人名文本的位置信息。
可选地,在获取该人名信息后,可以将目标文本中的人名文本设定为预设格式,该预设格式可以包括该人名文本的字体、文字颜色和背景颜色等格式中的至少一项。示例地,可以将该目标文本中的人名文本的背景颜色设置为高亮显示,方便查找。
采用上述方法,获取待处理的目标文本,将目标文本输入预先生成的目标人名识别模型中,得到该目标人名识别模型输出的人名信息;其中,该目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,该目标样本文本为根据第一待定样本文本生成的文本,第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,第二待定样本文本为包含待定人名的文本。这样,通过对样本中的待定人名进行调整,可以获取多样化的样本,提高训练后得到的目标人名识别模型的识别准确率。
在本公开的一些实施例中,该目标文本可以是会议记录文本。该会议记录文本中可以包括人名文本,该会议可以是线上会议,也可以是线下会议。
在一些实施例中,还可以根据该人名信息与预设参会人员信息,确定目标人名文本,并根据该目标人名文本对目标文本进行调整。
示例地,该人名信息可以包括第一人名文本,该预设参会人员信息可以包括多个参会人名文本,在该参会人名文本不包含该第一人名文本的情况下,可以获取该第一人名文本与每个参会人名文本的相似度,在该相似度大于或等于预设相似度阈值的至少一个参会人名文本中,选择相似度最大的参会人名文本作为目标人名文本,并将目标文本中该人名信息对应的第一人名文本替换为该目标人名文本。
在该参会人名文本包含该第一人名文本的情况下,可以不对该目标文本中的人名信息进行调整,也可以将该第一人名文本作为目标人名文本。
在一些实施例中,该会议记录文本可以是根据会议音频得到的文本。示例地,可以将会议音频输入预先生成的语音识别模型中,得到该语音识别模型输出的目标文本。该会议音频可以是基于会议录音或会议视频获取的音频,该会议的参与人数可以是任意人数。
这样,可以提高会议场景下的文本识别的准确性。
图2是根据一示例性实施例示出的一种生成目标人名识别模型的方法的流程图。如图2所示,该方法可以包括:
S201、获取第二待定样本文本。
其中,该第二待定样本文本可以是标注有待定人名的文本。
在一些实施例中,该待定人名的标注信息包括特殊字符,该特殊字符可以是双引号、@、空格等字符,示例地,可以将@和空格之间的文本作为待定人名。
在另一些实施例中,该待定人名的标注信息可以是人名位置信息,该人名位置信息可以用于指示该待定人名在该第二待定样本中的起始位置和结束位置;或者,该人名位置信息可以用于指示该待定人名的字符数和该待定人名在该第二待定样本中的起始位置或结束位置。
该第二待定样本文本可以是一个或多个。
S202、调整第二待定样本文本中的待定人名,得到第一待定样本文本。
在一些实施例中,可以将该待定人名替换为样本人名,该样本人名可以是预先设定的人名,或者,该样本人名可以是随机生成的人名。
在另一些实施例中,可以删除该待定人名中的姓氏字符后,得到该第一待定样本文本。该姓氏字符可以是该待定人名的首个字符或前两个字符。
S203、根据第一待定样本文本生成目标样本文本。
在一些实施例中,可以将该第一待定样本文本作为目标样本文本。
在另一些实施例中,可以将该第一待定样本文本和第二待定样本文本作为目标样本文本。
示例地,将该第一待定样本文本和第二待定样本文本合并后作为目标样本文本,这样,可以扩充样本数量。
在一些实施例中,该目标样本文本还可以包括负例样本,该负例样本可以是无样本人名的样本文本。该负例样本的数量在总样本数量中的占比可以小于或等于预设比例,该预设比例可以是预先设置的任意比例,例如5%、10%或20%。上述包括样本人名的样本文本可以称为正例样本。
这样,通过该正例样本和负例样本对模型进行训练,可以进一步提高训练后的模型的人名识别准确率。
在本公开的一些实施例中,可以在确定该第一待定样本文本的样本人名的首字符不是该第一待定样本文本的首字符的情况下,根据第一待定样本文本获取目标样本文本。
例如,在样本人名处于第一待定样本文本的中间位置的情况下,也就是样本人名之前和之后均存在其他文本的情况下,可以将该第一待定样本文本作为目标样本文本,也可以将该第一待定样本文本和该第二待定样本文本作为该目标样本文本。
再例如,在样本人名处于第一待定样本文本的结尾位置的情况下,也就是样本人名之前存在其他文本的情况下,可以将该第一待定样本文本作为目标样本文本,也可以将该第一待定样本文本和该第二待定样本文本作为该目标样本文本。
这样,可以筛选人名不在文本最开头的样本文本用于模型训练,可以进一步提高模型训练的效率。
在另一些实施例中,在确定该第一待定样本文本的样本人名的首字符不是该第一待定样本文本的首字符的情况下,可以提高该第一待定样本文本的样本权重,以使得训练后的模型对该类文本的识别准确率得到提高。
S204、根据目标样本文本对待定人名识别模型进行训练,生成目标人名识别模型。
示例地,可以循环执行模型训练步骤,直至根据该目标损失函数确定训练后的待定人名识别模型满足预设停止迭代条件,则将训练后的待定人名识别模型作为上述目标人名识别模型。
其中,该模型训练步骤可以包括:
S11、将目标样本文本输入待定人名识别模型,得到待定人名识别模型输出的预测人名信息。
S12、通过目标损失函数计算得到该预测人名信息与该目标样本文本对应的样本人名信息的目标损失值。
其中,该目标损失值用于表征该预测人名信息和该目标样本文本对应的样本人名信息的差异度,该样本人名信息可以是人工标准的人名信息。该目标损失函数可以是相关技术中常用的损失函数,本公开对此不作限制。
S13、在根据该目标损失值确定该待定人名识别模型不满足预设停止迭代条件的情况下,则根据该目标损失值更新该待定人名识别模型的参数,得到训练后的待定人名识别模型,并将该训练后的待定人名识别模型作为新的待定人名识别模型。
该预设停止迭代条件可以包括该目标损失值小于或等于预设损失阈值,或者该目标损失值在一定迭代次数内的变化值小于预设变化阈值,也可以是相关技术中常用的停止迭代的条件,本公开对此也不作限定。上述预设损失阈值或预设变化阈值均可以是预先设定的任意数值。
另外,若根据该目标损失值确定该待定人名识别模型满足预设停止迭代条件,则可以停止执行该模型训练步骤。
这样,可以确定目标样本文本,并根据目标样本文本对待定人名识别模型进行训练,生成目标人名识别模型。
图3是根据图2所示实施例示出的一种S202步骤的流程图。如图3所示,上述S202步骤可以包括以下子步骤:
S2021、获取人名文本集合。
其中,该人名文本集合中可以包括多个候选人名。
该人名文本集合也可以称为人名知识库。示例地,该人名知识库中可以包括100W以上的候选人名。
在一些实施例中,该候选人名可以包括中文简体人名、中文繁体人名、外语人名的汉字表述等。
在一些实施例中,该候选人名还可以包括英文人名、日语人名、德语人名等外语人名。
在一些实施例中,该候选人名中可以包括生僻字。该生僻字可以是预先设定的任意汉字,示例地,该生僻字可以是未包含在常用汉字集中的汉字,该常用汉字集可以是GB2312汉字集和/或GB18030汉字集。
在一种实现方式中,该人名文本集合中的每个候选人名可以均包含生僻字。
在另一种实现方式中,该人名文本集合中的多个候选人名中,部分人名包含生僻字,部分人名不包含生僻字。
S2022、从人名文本集合中随机确定一个候选人名作为第一样本人名。
在一些实施例中,可以通过第一随机函数,从该人名文本集合中随机选择一个候选人名作为第一样本人名。
在另一些实施例中,该人名文本集合的每个候选人名可以包括候选权重,包含生僻字的候选人名的候选权重可以大于不包含生僻字的候选人名的候选权重。可以基于该候选权重和第二随机函数,从该人名文本集合中随机选择一个候选人名作为第一样本人名。该第二随机函数可以使得候选权重大的候选人名被选中的概率也较大。
S2023、将第二待定样本文本中的待定人名替换为第一样本人名,得到第一待定样本文本。
这样,可以通过随机替换的方式调整第二待定样本文本中的待定人名,得到第一待定样本文本。
图4是根据图2所示实施例示出的另一种S202步骤的流程图。如图4所示,上述S202步骤可以包括以下子步骤:
S2025、在确定待定人名包含姓氏的情况下,将待定人名删除姓氏后得到第一文本。
在一些实施例中,可以预先确定姓氏文本集,通过该待定人名的前N个字符是否为姓氏文本集中的文本,确定该待定人名是否包含姓氏。
S2026、根据第一文本确定第二样本人名。
在一些实施例中,在第一文本的字数小于或等于预设值的情况下,可以在第一文本之前增加预设前缀字符,得到第二样本人名。
其中,上述预设值可以是预先设定的任意数值,例如,可以是1。上述预设前缀字符可以是预先设置的任意数值,例如,可以是“小”或“阿”。
在另一些实施例中,在第一文本的字数大于预设值的情况下,可以将第一文本作为第二样本人名。
在另一些实施例中,可以在第一文本之后增加预设后缀字符,得到第二样本人名。
其中,该预设后缀字符可以是称谓字符,该称谓字符可以是“哥”、“姐”、“弟”、“妹”、“老师”、“同学”或“总”等中的任意一项。
S2027、将第二待定样本文本中的待定人名替换为第二样本人名,得到第一待定样本文本。
这样,可以通过去掉姓氏的方式调整第二待定样本文本中的待定人名,得到第一待定样本文本。
在本公开的一些实施例中,可以通过随机替换和去掉姓氏相结合的方式,调整第二待定样本文本中的待定人名,得到第一待定样本文本。
示例地,可以从人名文本集合中随机确定一个候选人名作为第一样本人名,在确定该第一样本人名包含姓氏的情况下,将该第一样本人名删除姓氏后得到第二文本,根据该第二文本确定第三样本人名,将第二待定样本文本中的待定人名替换为第三样本人名,得到第一待定样本文本。
这样,可以进一步使得样本文本更加多样化,从而进一步提高模型训练的质量。
在本公开的一些实施例中,通过上述方式训练得到的目标人名识别模型对人名识别的准确率如下表1所示:
表1
如表1所示:第一人名识别模型为预训练的人名识别模型,例如可以是线上现有的NER模型,该第一人名识别模型的人名识别精准率为94.97%,人名识别召回率为63.91%,人名识别综合准确率为76.40%。第二人名识别模型可以是基于第一人名识别模型的基础上,基于第二待定样本文本训练得到的模型,该第二人名识别模型的人名识别精准率为90.61%,人名识别召回率为70.24%,人名识别综合准确率为79.14%。目标人名识别模型可以是本公开实施例提供的上述模型,该目标人名识别模型的人名识别精准率为92.12%,人名识别召回率为80.59%,人名识别综合准确率为85.97%。
需要说明的是,上述人名识别精准率(Precision)也可以称为查准率,用于表征识别的人名的准确率,例如,该人名识别精准率可以是针对预测结果进行统计的,可以用表征在所有被预测为正的样本中实际为正的样本的概率;上述人名识别召回率(Recall)也可以称为查全率,例如,该人名识别召回率可以是针对样本总数进行统计的,可以用于表征在实际为正的样本中被预测为正样本的概率;上述人名识别综合准确率可以是根据人名识别精准率和人名识别召回率计算能得到的综合评价指标。
图5是根据一示例性实施例示出的一种文本处理装置1100的框图,如图5所示,该装置1100可以包括:
获取模块1101,用于获取待处理的目标文本;
处理模块1102,用于将所述目标文本输入预先生成的目标人名识别模型中,得到所述目标人名识别模型输出的人名信息;
其中,所述目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,所述目标样本文本为根据第一待定样本文本生成的文本,所述第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,所述第二待定样本文本为包含所述待定人名的文本。
图6是根据一示例性实施例示出的另一种文本处理装置1100的框图,如图6所示,该装置1100还可以包括:
模型生成模块1103,用于获取所述第二待定样本文本;调整所述第二待定样本文本中的待定人名,得到所述第一待定样本文本;根据所述第一待定样本文本生成所述目标样本文本;根据所述目标样本文本对所述待定人名识别模型进行训练,生成目标人名识别模型。
根据本公开的一个或多个实施例,所述模型生成模块1103,用于获取人名文本集合;所述人名文本集合中包括多个候选人名,所述候选人名中包括生僻字;从所述人名文本集合中随机确定一个候选人名作为第一样本人名;将所述第二待定样本文本中的所述待定人名替换为所述第一样本人名,得到所述第一待定样本文本。
根据本公开的一个或多个实施例,所述模型生成模块1103,用于在确定所述待定人名包含姓氏的情况下,将所述待定人名删除姓氏后得到第一文本;根据所述第一文本确定第二样本人名;将所述第二待定样本文本中的所述待定人名替换为所述第二样本人名,得到所述第一待定样本文本。
根据本公开的一个或多个实施例,所述模型生成模块1103,用于在所述第一文本的字数小于或等于预设值的情况下,在所述第一文本之前增加预设前缀字符,得到所述第二样本人名;或者,在所述第一文本的字数大于所述预设值的情况下,将所述第一文本作为所述第二样本人名。
根据本公开的一个或多个实施例,所述模型生成模块1103,用于在确定所述第一待定样本文本的样本人名的首字符不是所述第一待定样本文本的首字符的情况下,根据所述第一待定样本文本获取所述目标样本文本。
根据本公开的一个或多个实施例,所述模型生成模块1103,用于将所述第一待定样本文本作为所述目标样本文本;或者,
将所述第一待定样本文本和所述第二待定样本文本作为所述目标样本文本。
根据本公开的一个或多个实施例,所述获取模块1101,用于将目标音频输入预先生成的语音识别模型中,得到所述语音识别模型输出的目标文本。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备2000(例如终端设备或服务器)的结构示意图。本公开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)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)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。本公开实施例中的服务器可以包括但不限于诸如本地服务器、云服务器、单个服务器、分布式服务器等。图7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7所示,电子设备2000可以包括处理装置(例如中央处理器、图形处理器等)2001,其可以根据存储在只读存储器(ROM)2002中的程序或者从存储装置2008加载到随机访问存储器(RAM)2003中的程序而执行各种适当的动作和处理。在RAM2003中,还存储有电子设备2000操作所需的各种程序和数据。处理装置2001、ROM2002以及RAM2003通过总线2004彼此相连。输入/输出(I/O)接口2005也连接至总线2004。
通常,以下装置可以连接至输入/输出接口2005: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2006;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置2007;包括例如磁带、硬盘等的存储装置2008;以及通信装置2009。通信装置2009可以允许电子设备2000与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备2000,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。
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,其包括承载在非暂态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2009从网络上被下载和安装,或者从存储装置2008被安装,或者从ROM2002被安装。在该计算机程序被处理装置2001执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上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可以包括但不限于电、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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
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:获取待处理的目标文本;将所述目标文本输入预先生成的目标人名识别模型中,得到所述目标人名识别模型输出的人名信息;其中,所述目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,所述目标样本文本为根据第一待定样本文本生成的文本,所述第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,所述第二待定样本文本为包含所述待定人名的文本。
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操作的计算机程序代码,上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取待处理的目标文本的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,提供了一种文本处理方法,所述方法包括:
获取待处理的目标文本;
将所述目标文本输入预先生成的目标人名识别模型中,得到所述目标人名识别模型输出的人名信息;
其中,所述目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,所述目标样本文本为根据第一待定样本文本生成的文本,所述第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,所述第二待定样本文本为包含所述待定人名的文本。
根据本公开的一个或多个实施例,所述目标人名识别模型为通过以下方式生成的:
获取所述第二待定样本文本;
调整所述第二待定样本文本中的待定人名,得到所述第一待定样本文本;
根据所述第一待定样本文本生成所述目标样本文本;
根据所述目标样本文本对所述待定人名识别模型进行训练,生成目标人名识别模型。
根据本公开的一个或多个实施例,所述调整所述第二待定样本文本中的待定人名,得到所述第一待定样本文本包括:
获取人名文本集合;所述人名文本集合中包括多个候选人名,所述候选人名中包括生僻字;
从所述人名文本集合中随机确定一个候选人名作为第一样本人名;
将所述第二待定样本文本中的所述待定人名替换为所述第一样本人名,得到所述第一待定样本文本。
根据本公开的一个或多个实施例,所述调整所述第二待定样本文本中的待定人名,得到所述第一待定样本文本包括:
在确定所述待定人名包含姓氏的情况下,将所述待定人名删除姓氏后得到第一文本;
根据所述第一文本确定第二样本人名;
将所述第二待定样本文本中的所述待定人名替换为所述第二样本人名,得到所述第一待定样本文本。
根据本公开的一个或多个实施例,所述根据所述第一文本确定第二样本人名包括:
在所述第一文本的字数小于或等于预设值的情况下,在所述第一文本之前增加预设前缀字符,得到所述第二样本人名;或者,
在所述第一文本的字数大于所述预设值的情况下,将所述第一文本作为所述第二样本人名。
根据本公开的一个或多个实施例,所述根据所述第一待定样本文本生成所述目标样本文本包括:
在确定所述第一待定样本文本的样本人名的首字符不是所述第一待定样本文本的首字符的情况下,根据所述第一待定样本文本获取所述目标样本文本。
根据本公开的一个或多个实施例,所述根据所述第一待定样本文本生成所述目标样本文本包括:
将所述第一待定样本文本作为所述目标样本文本;或者,
将所述第一待定样本文本和所述第二待定样本文本作为所述目标样本文本。
根据本公开的一个或多个实施例,所述获取待处理的目标文本包括:
将目标音频输入预先生成的语音识别模型中,得到所述语音识别模型输出的目标文本。
根据本公开的一个或多个实施例,提供了一种文本处理装置,所述装置包括:
获取模块,用于获取待处理的目标文本;
处理模块,用于将所述目标文本输入预先生成的目标人名识别模型中,得到所述目标人名识别模型输出的人名信息;
其中,所述目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,所述目标样本文本为根据第一待定样本文本生成的文本,所述第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,所述第二待定样本文本为包含所述待定人名的文本。
根据本公开的一个或多个实施例,所述装置还包括模型生成模块,用于获取所述第二待定样本文本;调整所述第二待定样本文本中的待定人名,得到所述第一待定样本文本;根据所述第一待定样本文本生成所述目标样本文本;根据所述目标样本文本对所述待定人名识别模型进行训练,生成目标人名识别模型。
根据本公开的一个或多个实施例,所述模型生成模块,用于获取人名文本集合;所述人名文本集合中包括多个候选人名,所述候选人名中包括生僻字;从所述人名文本集合中随机确定一个候选人名作为第一样本人名;将所述第二待定样本文本中的所述待定人名替换为所述第一样本人名,得到所述第一待定样本文本。
根据本公开的一个或多个实施例,所述模型生成模块,用于在确定所述待定人名包含姓氏的情况下,将所述待定人名删除姓氏后得到第一文本;根据所述第一文本确定第二样本人名;将所述第二待定样本文本中的所述待定人名替换为所述第二样本人名,得到所述第一待定样本文本。
根据本公开的一个或多个实施例,所述模型生成模块,用于在所述第一文本的字数小于或等于预设值的情况下,在所述第一文本之前增加预设前缀字符,得到所述第二样本人名;或者,在所述第一文本的字数大于所述预设值的情况下,将所述第一文本作为所述第二样本人名。
根据本公开的一个或多个实施例,所述模型生成模块,用于在确定所述第一待定样本文本的样本人名的首字符不是所述第一待定样本文本的首字符的情况下,根据所述第一待定样本文本获取所述目标样本文本。
根据本公开的一个或多个实施例,所述模型生成模块,用于将所述第一待定样本文本作为所述目标样本文本;或者,
将所述第一待定样本文本和所述第二待定样本文本作为所述目标样本文本。
根据本公开的一个或多个实施例,所述获取模块,用于将目标音频输入预先生成的语音识别模型中,得到所述语音识别模型输出的目标文本。
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,本公开中所涉及的公开范围,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公开构思的情况下,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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (11)
1.一种文本处理方法,其特征在于,所述方法包括:
获取待处理的目标文本;
将所述目标文本输入预先生成的目标人名识别模型中,得到所述目标人名识别模型输出的人名信息;
其中,所述目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,所述目标样本文本为根据第一待定样本文本生成的文本,所述第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,所述第二待定样本文本为包含所述待定人名的文本。
2.根据权利要求1所述的方法,其特征在于,所述目标人名识别模型为通过以下方式生成的:
获取所述第二待定样本文本;
调整所述第二待定样本文本中的待定人名,得到所述第一待定样本文本;
根据所述第一待定样本文本生成所述目标样本文本;
根据所述目标样本文本对所述待定人名识别模型进行训练,生成目标人名识别模型。
3.根据权利要求2所述的方法,其特征在于,所述调整所述第二待定样本文本中的待定人名,得到所述第一待定样本文本包括:
获取人名文本集合;所述人名文本集合中包括多个候选人名,所述候选人名中包括生僻字;
从所述人名文本集合中随机确定一个候选人名作为第一样本人名;
将所述第二待定样本文本中的所述待定人名替换为所述第一样本人名,得到所述第一待定样本文本。
4.根据权利要求2所述的方法,其特征在于,所述调整所述第二待定样本文本中的待定人名,得到所述第一待定样本文本包括:
在确定所述待定人名包含姓氏的情况下,将所述待定人名删除姓氏后得到第一文本;
根据所述第一文本确定第二样本人名;
将所述第二待定样本文本中的所述待定人名替换为所述第二样本人名,得到所述第一待定样本文本。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一文本确定第二样本人名包括:
在所述第一文本的字数小于或等于预设值的情况下,在所述第一文本之前增加预设前缀字符,得到所述第二样本人名;或者,
在所述第一文本的字数大于所述预设值的情况下,将所述第一文本作为所述第二样本人名。
6.根据权利要求2所述的方法,其特征在于,所述根据所述第一待定样本文本生成所述目标样本文本包括:
在确定所述第一待定样本文本的样本人名的首字符不是所述第一待定样本文本的首字符的情况下,根据所述第一待定样本文本获取所述目标样本文本。
7.根据权利要求2所述的方法,其特征在于,所述根据所述第一待定样本文本生成所述目标样本文本包括:
将所述第一待定样本文本作为所述目标样本文本;或者,
将所述第一待定样本文本和所述第二待定样本文本作为所述目标样本文本。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述获取待处理的目标文本包括:
将目标音频输入预先生成的语音识别模型中,得到所述语音识别模型输出的目标文本。
9.一种文本处理装置,其特征在于,所述装置包括:
获取模块,用于获取待处理的目标文本;
处理模块,用于将所述目标文本输入预先生成的目标人名识别模型中,得到所述目标人名识别模型输出的人名信息;
其中,所述目标人名识别模型为根据目标样本文本对待定人名识别模型进行训练后生成的模型,所述目标样本文本为根据第一待定样本文本生成的文本,所述第一待定样本为对第二待定样本文本中的待定人名进行调整后得到的文本,所述第二待定样本文本为包含所述待定人名的文本。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理装置执行时实现权利要求1至8中任一项所述方法的步骤。
11.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310333786.8A CN116432650A (zh) | 2023-03-30 | 2023-03-30 | 文本处理方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310333786.8A CN116432650A (zh) | 2023-03-30 | 2023-03-30 | 文本处理方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432650A true CN116432650A (zh) | 2023-07-14 |
Family
ID=87090131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310333786.8A Pending CN116432650A (zh) | 2023-03-30 | 2023-03-30 | 文本处理方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432650A (zh) |
-
2023
- 2023-03-30 CN CN202310333786.8A patent/CN116432650A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110971969B (zh) | 视频配乐方法、装置、电子设备及计算机可读存储介质 | |
CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
CN112037792A (zh) | 一种语音识别方法、装置、电子设备及存储介质 | |
CN115908640A (zh) | 生成图像的方法、装置、可读介质及电子设备 | |
CN115640815A (zh) | 翻译方法、装置、可读介质及电子设备 | |
CN115270717A (zh) | 一种立场检测方法、装置、设备及介质 | |
CN114765025A (zh) | 语音识别模型的生成方法、识别方法、装置、介质及设备 | |
CN112990176B (zh) | 书写质量评价方法、装置和电子设备 | |
CN113011169B (zh) | 一种会议纪要的处理方法、装置、设备及介质 | |
CN114067327A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN112257459B (zh) | 语言翻译模型的训练方法、翻译方法、装置和电子设备 | |
CN116912734A (zh) | 视频摘要数据集构建方法、装置、介质及电子设备 | |
CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN116244431A (zh) | 文本分类方法、装置、介质及电子设备 | |
CN114429629A (zh) | 图像处理方法、装置、可读存储介质及电子设备 | |
CN112651231B (zh) | 口语信息处理方法、装置和电子设备 | |
CN115270981A (zh) | 对象处理方法、装置、可读介质及电子设备 | |
CN115129845A (zh) | 文本信息处理方法、装置和电子设备 | |
CN111581455B (zh) | 文本生成模型的生成方法、装置和电子设备 | |
CN110852043B (zh) | 一种文本转写方法、装置、设备及存储介质 | |
CN116432650A (zh) | 文本处理方法、装置、可读介质及电子设备 | |
CN113420723A (zh) | 获取视频热点的方法、装置、可读介质和电子设备 | |
CN112651221A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 |
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 |