基于人工智能的文本识别方法、装置、计算机设备及介质与流程
本申请涉及人工智能,可应用于金融科技、医疗健康等领域,尤其涉及基于人工智能的文本识别方法、装置、计算机设备及存储介质。
背景技术:
1、文本质量检测,是自然语言处理(nlp)领域中的核心技术任务。在传统的文本错误识别方案中,主要依赖基于规则匹配、统计语言模型的方法,上述方案普遍存在识别准确率较低的问题。具体的,传统方法通常针对单一类型的错误(如仅检测字词错误或仅检测语法错误)进行独立处理,并且在面对特定领域的专业术语、敏感信息和时效性事实时,传统模型的语义理解深度不足,导致漏检率和误检率均较高。这种粗放式的检测方式难以满足金融保险、医疗健康等对文本准确性要求极高的领域需求,可能会因未识别出的错误而引发合规风险或专业信誉损失。
2、例如,在金融保险领域的产品说明书检测场景中,传统方法可能无法准确识别"预期年化收益率为百分之三点五至百分之四点二"与后续"本产品不保本"之间的逻辑矛盾,也难以发现"免赔额一万元"等关键数值的表述错误,导致存在误导投资者风险的文本未能被有效拦截。又如,在医疗健康领域的医学科普文章检测场景中,传统方法可能无法识别"二甲双胍应餐前服用"与实际用药指南"餐后服用"之间的事实性错误,也难以发现"心血管事件发生率百分之八点三"等专业数据的引用偏差,导致含有错误医疗信息的文本被发布,可能对患者的健康决策产生不良影响。
3、因此,亟需提供一种智能化的文本检测方法,以提高文本错误识别的准确率,满足各领域对文本质量的严格要求。
技术实现思路
1、本申请实施例的目的在于提出一种基于人工智能的文本识别方法、装置、计算机设备及存储介质,以解决现有的文本错误识别方案存在识别准确率较低的技术问题。
2、第一方面,提供了一种基于人工智能的文本识别方法,包括:
3、接收待处理的文本数据,并对所述文本数据进行结构化解析得到对应的结构化信息;
4、基于多种不同类型的提示词模板分别对所述结构化信息进行提示词生成处理,得到对应的多个提示词;
5、基于所述结构化信息,调用预设的大语言模型分别对各所述提示词进行错误识别处理,得到对应的多个识别结果;
6、基于预设的敏感词库对所述文本数据进行敏感识别处理,得到对应的敏感识别结果;
7、基于所有所述识别结果与所述敏感识别结果,使用所述大语言模型对所述结构化信息进行质量评估处理,得到对应的质量评估结果;
8、基于预设的合并策略对所有所述识别结果进行合并处理,得到对应的合并识别结果;
9、对所述合并识别结果、所述敏感识别结果以及所述质量评估结果进行融合处理得到对应的错误识别结果,并对所述错误识别结果进行输出处理。
10、第二方面,提供了一种基于人工智能的文本识别装置,包括:
11、第一处理模块,用于接收待处理的文本数据,并对所述文本数据进行结构化解析得到对应的结构化信息;
12、生成模块,用于基于多种不同类型的提示词模板分别对所述结构化信息进行提示词生成处理,得到对应的多个提示词;
13、第一识别模块,用于基于所述结构化信息,调用预设的大语言模型分别对各所述提示词进行错误识别处理,得到对应的多个识别结果;
14、第二识别模块,用于基于预设的敏感词库对所述文本数据进行敏感识别处理,得到对应的敏感识别结果;
15、评估模块,用于基于所有所述识别结果与所述敏感识别结果,使用所述大语言模型对所述结构化信息进行质量评估处理,得到对应的质量评估结果;
16、合并模块,用于基于预设的合并策略对所有所述识别结果进行合并处理,得到对应的合并识别结果;
17、第二处理模块,用于对所述合并识别结果、所述敏感识别结果以及所述质量评估结果进行融合处理得到对应的错误识别结果,并对所述错误识别结果进行输出处理。
18、第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述基于人工智能的文本识别方法的步骤。
19、第四方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述基于人工智能的文本识别方法的步骤。
20、上述基于人工智能的文本识别方法、装置、计算机设备及存储介质所实现的方案中,本申请提供了一种基于大语言模型的多路并发文本识别方法,通过对待处理的文本数据进行结构化解析得到结构化信息,然后基于多种不同类型的提示词模板分别对结构化信息进行提示词生成以得到多个提示词,进而使用大语言模型进行角色专家化的多任务分解,通过对生成的多个提示词进行错误识别处以得到多个识别结果,并同时基于敏感词库对文本数据进行敏感识别以得到敏感识别结果,以及基于大语言模型对结构化信息进行质量评估以得到质量评估结果,进而对得到的多种结果进行融合以得到多维且准确的错误识别结果。基于以上的自动化处理流程,本申请将待处理文本数据解析为结构化信息以统一后续处理的输入基准,再通过多种不同类型的提示词模板生成多个差异化提示词,调用大语言模型从不同维度分别完成错误识别得到多个识别结果,同步基于预设敏感词库完成敏感识别得到敏感识别结果,随后依托大语言模型结合所有识别结果与敏感识别结果开展深度语义层面的质量评估,再通过预设合并策略对多维度识别结果做交叉校验与去重补全,最终将合并识别结果、敏感识别结果与质量评估结果进行全维度融合得到最终错误识别结果。整个流程通过结构化输入统一基准、多提示词分维度识别扩覆盖、敏感规则兜底补盲区、深度质量评估挖隐性问题、多结果交叉校验消误判的逐层递进推导逻辑,彻底规避了传统文本错误识别方案仅针对单一错误类型独立处理、语义理解深度不足的固有缺陷,从多视角交叉验证的路径上系统性降低了漏检率与误检率,显著提升了文本错误识别的整体准确率,能够充分满足高要求领域对文本质量检测的严格标准。
1.一种基于人工智能的文本识别方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的基于人工智能的文本识别方法,其特征在于,所述多种不同类型的提示词模板包括字词错误纠正模板、标点误用纠正模板、语序语法纠正模板、事实不符纠正模板以及敏感语义分析模板;所述基于多种不同类型的提示词模板分别对所述结构化信息进行提示词生成处理,得到对应的多个提示词的步骤,具体包括:
3.根据权利要求2所述的基于人工智能的文本识别方法,其特征在于,所述将所述上下文变量与所述时间变量对应填充至所述敏感语义分析模板中的占位符位置,得到对应的第五提示词的步骤,具体包括:
4.根据权利要求1所述的基于人工智能的文本识别方法,其特征在于,所述基于预设的敏感词库对所述文本数据进行敏感识别处理,得到对应的敏感识别结果的步骤,具体包括:
5.根据权利要求1所述的基于人工智能的文本识别方法,其特征在于,所述基于所有所述识别结果与所述敏感识别结果,使用所述大语言模型对所述结构化信息进行质量评估处理,得到对应的质量评估结果的步骤,具体包括:
6.根据权利要求1所述的基于人工智能的文本识别方法,其特征在于,所述基于预设的合并策略对所有所述识别结果进行合并处理,得到对应的合并识别结果的步骤,具体包括:
7.根据权利要求1所述的基于人工智能的文本识别方法,其特征在于,所述对所述合并识别结果、所述敏感识别结果以及所述质量评估结果进行融合处理得到对应的错误识别结果,并对所述错误识别结果进行输出处理的步骤,具体包括:
8.一种基于人工智能的文本识别装置,其特征在于,包括:
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的文本识别方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的文本识别方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com