文本识别方法、装置、设备及存储介质与流程

1.本公开涉及文本识别技术领域，具体地，涉及一种文本识别方法、装置、设备及存储介质。


背景技术：

2.随着互联网的蓬勃发展，在网络上发布的信息不断增加。面对海量的文本数据，相关技术人员通常通过文本识别技术来获取和利用文本中的有用信息。文本识别包括识别文字以及对文本进行分类，其中，对文本进行分类即是识别文本所属的类别。
3.通常，文本具有较为明确的主题，可通过一些技术较为成熟的文本识别模型进行识别。而汇编文本是一种内容离散的文本，在相关技术中，可通过基于bert(bidirectional encoder representation from transformers，双向编码器表示)的文本识别模型以及基于simcse(simple contrastive learning of sentence embeddings，句子嵌入的简单对比学习)的文本识别模型来对汇编文本进行识别。然而，这两种模型均是基于单纯的语义信息来对文本进行识别的。对于内容离散的汇编文本，单纯基于语义信息识别文本，难以识别其离散结构，因而利用这些模型识别汇编文本的效果不佳。


技术实现要素：

4.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。
5.第一方面，本公开提供一种文本识别方法，所述方法包括：
6.获取待识别的文本；
7.通过识别模型对所述文本进行识别，得到所述文本的识别结果，所述识别结果用于标识所述文本是否为汇编文本，其中，所述识别模型包括深度模型和宽度模型，所述识别模型用于通过如下方式对所述文本进行识别：
8.基于所述文本确定目标特征，所述目标特征包括所述文本对应的向量特征、字数特征、标题与正文的相关度特征和话题离散度特征；
9.将所述目标特征中的所述向量特征输入所述深度模型，得到第一识别结果，并将所述目标特征中的所述向量特征或所述目标特征包括的所述字数特征、所述标题与正文的相关度特征和所述话题离散度特征输入所述宽度模型，得到第二识别结果；
10.将所述第一识别结果和所述第二识别结果进行加权合并，得到所述文本的识别结果。
11.第二方面，本公开提供一种文本识别装置，所述装置包括：
12.获取模块，用于获取待识别的文本；
13.识别模块，用于通过识别模型对所述文本进行识别，得到所述文本的识别结果，所述识别结果用于标识所述文本是否为汇编文本，其中，所述识别模型包括深度模型和宽度
模型，所述识别模型用于通过如下方式对所述文本进行识别：
14.基于所述文本确定目标特征，所述目标特征包括所述文本对应的向量特征、字数特征、标题与正文的相关度特征和话题离散度特征；
15.将所述目标特征中的所述向量特征输入所述深度模型，得到第一识别结果，并将所述目标特征中的所述向量特征或所述目标特征包括的所述字数特征、所述标题与正文的相关度特征和所述话题离散度特征输入所述宽度模型，得到第二识别结果；
16.将所述第一识别结果和所述第二识别结果进行加权合并，得到所述文本的识别结果。
17.第三方面，本公开提供一种电子设备，包括：
18.存储装置，其上存储有计算机程序；
19.处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
20.第四方面，本公开提供一种非临时性计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。
21.本公开采用宽度模型和深度模型构成的识别模型来对文本进行识别，通过提取文本的向量特征、字数特征、标题与正文的相关度特征以及话题离散度特征等目标特征，以及基于深度模型和宽度模型的特性有选择地将这些特征输入深度模型和宽度模型，并将深度模型和宽度模型输出的识别结果加权合并，得到对文本的识别结果。这样，就可以利用深度模型传递特征的能力提升识别模型的泛化能力，以及利用宽度模型学习特征的能力提升识别模型的识别特征的能力，进而提升模型识别汇编文本的准确性。采用本公开的这种方法，相比采用bert以及simcse等主流的自然语言处理方案，可以更加准确地识别汇编文本。
22.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
23.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：
24.图1是根据本公开一示例性实施例示出的一种文本识别方法的流程图。
25.图2是根据本公开一示例性实施例示出的一种识别模型的示意图。
26.图3是根据本公开一示例性实施例示出的一种文本识别装置的框图。
27.图4是根据本公开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
28.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。
29.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。
30.本文使用的术语“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。
31.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。
32.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”。
33.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。
34.图1是根据本公开一示例性实施例示出的一种文本识别方法的流程图。参照图1，该文本识别方法可以应用于终端设备，包括：
35.步骤s101，获取待识别的文本。
36.步骤s102，通过识别模型对文本进行识别，得到文本的识别结果，该识别结果用于标识文本是否为汇编文本。
37.其中，汇编文本可以是指对多条不同内容的子文本进行汇总得到的文本。例如，各相关平台放送的早间新闻通常通过提炼不同内容的新闻文本的核心要点，得到多条精炼的子新闻文本，并将这些子新闻文本汇总得到汇编新闻文本。应说明的是，虽然汇编文本中的各条子文本内容不同，但通常是属于同一大类的文本，这样，才可以有针对性地向对某一大类感兴趣的用户推送相应的汇编文本。
38.不难理解的是，虽然汇编文本中的各条子文本通常属于同一大类，但这些子文本各自表达的内容不尽相同，往往可以二次细分出各个小类。例如，在健康大类下，还可以细分出养生、疾病以及医疗等不同小类。而相关技术中的文本识别技术通常是针对一小类的文本进行识别的。这是因为，类别涵盖的范围越大，其中文本的内容差异就越大，相应地，文本识别模型就越难从这些文本中找到共性，因而也就不能基于这些共性准确识别出同类别的文本。也就是说，相关技术中的文本识别模型难以准确识别汇编文本。
39.在一实施例中，通过汇编文本训练得到的基于bert(bidirectional encoder representation from transformers，双向编码器表示)的文本识别模型以及基于simcse(simple contrastive learning of sentence embeddings，句子嵌入的简单对比学习)的文本识别模型均存在较为严重的过拟合现象，难以在实际应用中用于对汇编文本的识别。这是因为，基于bert的文本识别模型以及基于simcse的文本识别模型，均是基于单纯的语义信息来对文本进行识别的。而汇编文本的内容通常是离散的，单纯基于语义信息识别文本，难以识别到汇编文本的离散结构，因而利用这些模型识别汇编文本的效果不佳。
40.有鉴于此，本公开实施例提出一种识别模型，该识别模型包括深度模型和宽度模型，该识别模型用于通过如下方式对文本进行识别：
41.基于文本确定目标特征，该目标特征包括文本对应的向量特征、字数特征、标题与正文的相关度特征和话题离散度特征；
42.将目标特征中的向量特征输入深度模型，得到第一识别结果，并将目标特征中的
向量特征或目标特征包括的字数特征、标题与正文的相关度特征和话题离散度特征输入宽度模型，得到第二识别结果；
43.将第一识别结果和第二识别结果进行加权合并，得到文本的识别结果。
44.在相关技术中，通常利用训练完成的神经网络模型进行文本识别。模型识别文本所属类别的准确率依赖于模型训练时输入模型的相关类别的文本的特征。为了使得模型可以有针对性地识别某一类别的文本，针对不同类别的文本所提取的特征不同。在此基础之上，基于汇编文本的特性，可以确定的目标特征包括汇编文本对应的向量特征、字数特征、标题与正文的相关度特征和话题离散度特征。其中，向量特征可以包括汇编文本对应的字向量、词向量和句向量中的一者或多者。可以理解，汇编文本可以包括标题和正文，在此基础之上，可以分别确定标题字数、正文字数、标题中文字数、正文中文字数、标题词数以及正文词数等字数特征，还可以通过标题向量与正文向量的余弦相似度来确定标题与正文的相关度特征，也可以分别确定标题向量以及正文向量的话题离散度特征。其中，标题向量以及正文向量均包括字向量、词向量和句向量中的一者或多者，即，标题向量可以包括标题字向量、标题词向量和标题句向量中的一者或多者，正文向量可以包括正文字向量、正文词向量和正文句向量中的一者或多者。
45.示例地，标题与正文的相关度特征可以包括：标题字向量与正文字向量的余弦相似度、标题词向量与正文词向量的余弦相似度、标题句向量与正文句向量的余弦相似度、标题字向量与标题词向量的余弦相似度、标题字向量与标题句向量的余弦相似度、标题词向量与标题句向量的余弦相似度、正文字向量与正文词向量的余弦相似度、正文字向量与正文句向量的余弦相似度以及正文词向量与正文句向量的余弦相似度。可以理解，可以通过余弦相似度来确定两个向量特征的相关度，其中，若用a来表示第一个向量，用b来表示第二个向量，那么a和b的余弦相似度可以按照如下公式进行计算：
[0046][0047]
示例地，标题向量或正文向量的话题离散度特征的确定过程可以包括：以标题字向量为例，首先将标题的文字表示为字向量，并确定标题文字对应的平均向量，然后可以确定每个字向量与平均向量的差的平方之和，最后将所得结果除以标题文字的字数，即可得到话题离散度特征。例如，若标题文字字数为2，则其字向量可以表示为：[[2,1,4],[4,5,6]]。在此基础上，可以确定标题文字的平均向量为：[(2 4)/2,(1 5)/2,(4 6)/2]＝[3,3,5]，进一步可以确定每个字向量与平均向量的差的平方之和为：(2-3)2 (4-3)2 (1-3)2 (5-3)2 (4-5)2 (6-5)2＝12，从而可以确定话题离散度特征为12/2＝6。
[0048]
应说明的是，识别模型可以是将wide&deep模型(基于宽度和深度的机器学习模型)或者deepfm模型应用到文本识别中得到的模型。这两种模型均是由浅层模型和深层模型联合训练得到的。需说明的是，在wide&deep模型中，浅层模型可以是一种线性模型(例如lr，logistic regression，逻辑回归)，用于使识别模型具有较强的“记忆能力”，即学习样本特征的能力，因此，浅层模型的输入通常为各种类型的特征，通过学习这些特征可以提升模型的准确率。深层模型可以是一种深度神经网络，用于使识别模型具有较强的“泛化能力”，即传递样本特征的能力，因此，深层模型的输入通常为稠密向量，通过学习稠密向量可
以捕捉特征相关性，从而提升模型的泛化能力。通过将浅层模型和深层模型的输出进行加权合并，共同计算损失函数并进行迭代训练，即可得到准确率和泛化性兼得的识别模型。而在deepfm模型中，将浅层的线性模型部分替换为fm模型(factorization machines)，fm模型可以自动学习各种类型的特征，从而优化了浅层模型中获取各种类型的特征的步骤，也就是说，浅层模型和深层模型可以使用相同的输入进行训练。
[0049]
在一实施例中，基于wide&deep模型构建本公开实施例中的识别模型，可以将目标特征中的向量特征输入深度模型(即深层模型)，得到第一识别结果，以及将目标特征中的字数特征、标题与正文的相关度特征以及话题离散度特征输入宽度模型(即浅层模型)，得到第二识别结果。其中，输入深度模型的向量特征例如可以是300维标题向量和300维正文向量拼接而成的600维向量。例如，若向量a1＝[1,2,3]，a2＝[4,5,6]，那么拼接a1和a2得到的向量为[1,2,3,4,5,6]。输入宽度模型的特征可以包括字数特征、话题离散度特征以及标题向量与正文向量的相关度特征。
[0050]
在另一实施例中，基于deepfm模型构建本公开实施例中的识别模型，可以将目标特征中的向量特征输入深度模型和宽度模型，并分别得到深度模型输出的第一识别结果和宽度模型输出的第二识别结果。
[0051]
在得到第一识别结果和第二识别结果后，可以将第一识别结果和第二识别结果进行加权合并，得到识别模型对文本的识别结果。根据该识别结果，即可以确定该文本是否为汇编文本。
[0052]
在可能的实现方式中，参照图2，图2是根据本公开一示例性实施例示出的一种识别模型100的示意图。该识别模型100包括深度模型101以及宽度模型102，其中深度模型101中可以包括多层感知机(mlp，multilayer perceptron)。多层感知机是含有至少一个隐层(hidden layer)的全连接的神经网络。
[0053]
示例地，基于文本确定目标特征。其中，文本可以包括标题和正文，在此基础上，可以分别确定标题和正文对应的向量特征、字数特征、话题离散度特征以及确定标题与正文的相关度特征。在确定目标特征后，可以将由300维标题向量和300维正文向量拼接而成的600维向量输入深度模型，得到第一识别结果，以及将目标特征中的字数特征、话题离散度特征以及标题向量与正文向量的相关度特征输入宽度模型，得到第二识别结果。在得到第一识别结果和第二识别结果后，可以将第一识别结果和第二识别结果进行加权合并，得到识别模型对文本的识别结果。根据该识别结果，即可以确定该文本是否为汇编文本。
[0054]
示例地，识别模型输出的识别结果可以是汇编文本分数，汇编文本分数越高，文本属于汇编文本的概率越大。
[0055]
需要说明的是，本公开实施例提供的文本识别方法可以应用于各种领域内对汇编文本的识别，例如可以用于识别新闻文本是否为汇编新闻文本。在应用到对汇编新闻文本的识别中时，可以将新闻文本作为训练样本输入识别模型中以对识别模型进行训练。
[0056]
可选地，识别模型的训练过程可包括多次训练过程，每次训练过程执行如下操作：
[0057]
从业务系统抽取文本样本，并将与预设匹配规则匹配的文本样本标记为正样本，将与预设匹配规则不匹配的文本样本标记为负样本；
[0058]
根据正样本和负样本训练识别模型，并基于识别模型针对正样本和负样本输出的预测识别结果，更新预设匹配规则，直到达到预设的训练停止条件，其中，更新的预设匹配
规则被用于在下次迭代训练过程中确定正样本和负样本。
[0059]
其中，业务系统是存储有相关训练样本的系统，例如可以是发布相应文本的网站等，本公开对此不作具体限定。可以理解的是，业务系统中可存储有文本样本。在从业务系统中抽取文本样本后，可以基于预设匹配规则确定正样本和负样本。预设匹配规则可以是基于预先收集的正样本(即属于汇编文本样本的文本样本)确定的。
[0060]
在一实施例中，获取对少量文本样本的样本类型的人工识别结果，基于该人工识别结果确定其中样本类型为正样本的文本样本，分析该文本样本的内容和格式，并生成相应的预设匹配规则。
[0061]
在另一实施例中，获取人工确定的预设匹配规则，该预设匹配规则是由人工根据少量样本类型为正样本的文本样本确定的。
[0062]
例如，在汇编文本样本的标题的预设位置(预设位置可以是一个范围，例如标题的第4～7个字符所在的位置，本公开对此不作具体限定)通常被设置有竖线符号“|”，在标题的末尾通常被设置有日期，不同的汇编文本样本中通常具有相同或相似的关键词/字符串等。基于这些共性，可以得到相应的预设匹配规则。
[0063]
在可能的实现方式中，预设匹配规则可以是正则表达式，例如在python框架下，可以采用re.match(pattern,string,flags＝0)函数匹配预设的字符串(即参数string)。
[0064]
应说明的是，通过预设匹配规则匹配文本样本，可以匹配文本样本的标题，也可以匹配文本样本的正文，还可以匹配文本样本的标题和正文。示例地，可将文本样本的标题与预设匹配规则匹配的文本样本标记为正样本，将标题与预设匹配规则不匹配的文本样本标记为负样本。
[0065]
在本实施例中，可以根据正样本和负样本训练识别模型，并基于识别模型针对正样本和负样本输出的预测识别结果，更新预设匹配规则，直到达到预设的训练停止条件。其中，预设的训练停止条件可以是模型的准确率大于或等于预设准确率，也可以是模型的损失值小于或等于预设损失值，本公开对此不作具体限定。
[0066]
可选地，识别模型输出的预测识别结果可用于表征文本样本为汇编文本样本的概率，基于识别模型针对正样本和负样本输出的预测识别结果，更新预设匹配规则，可以包括：
[0067]
基于识别模型针对正样本和负样本输出的预测识别结果对应的概率，将文本样本进行排序，并选取满足预设排序位置的目标文本样本；
[0068]
根据目标文本样本，更新预设匹配规则。
[0069]
应说明的是，可在利用随机梯度下降优化方法充分训练识别模型后，基于预测识别结果对应的概率对文本样本进行排序。在对文本样本进行排序后，所选取的满足预设排序位置的目标文本样本是经过实验确定的困难样本。困难样本是指难以被模型正确识别是否属于汇编文本样本的文本样本。应当理解，在基于预测识别结果对应的概率对文本样本进行排序后，若进行的是降序排序，那么位置越靠前的文本样本分数越高，并且该文本样本属于汇编文本样本的概率越大。在此种情况下，若已确定在实际业务生产环境中汇编文本样本发布的占比，那么在根据占比确定汇编文本样本的数量后，可以将第一个位置的文本样本以后(包括该第一个位置的文本样本)位置的相同数量的文本样本确定为汇编文本样本，并且将所确定的最后一个汇编文本样本位置之后(不包括该最后一个汇编文本样本)的
部分文本样本确定为困难样本。这是因为，汇编文本样本在实际业务生产环境中的文本样本的占比通常很低，所确定的最后一个汇编文本样本位置之后的部分文本样本的识别结果所表征的概率仍然高于大部分文本样本，但根据实际确定的占比，这部分文本样本却不能被视作汇编文本样本，也就是说，这部分文本样本可能具有较高的损失值，因此可以作为困难样本。在具体实现中，所确定的最后一个汇编文本样本位置之后的部分文本样本的数量可以约占所确定的汇编文本样本数量的60％。可以理解，预设排序位置为所确定的最后一个汇编文本样本位置之后的部分文本样本的位置。
[0070]
示例地，在实际的新闻业务生产环境中，抽取93647条新闻文本，通过匹配预设匹配规则，可以确定正样本的数量约为200～500条(即占比为0.21％～0.53％)。在此基础之上，通过分别选取识别结果所表征的汇编文本分数最高(即预测识别结果确定的正样本)和最低的500条新闻文本(即预测识别结果确定的负样本)，并确定对这些新闻文本的样本类型的人工识别结果，可以得到识别结果所表征的汇编文本分数最高的部分新闻文本的准确率为84％，识别结果所表征的汇编文本分数最低的部分新闻文本的准确率为99.8％。可见，识别模型对于负样本的识别准确率很高。而在预测识别结果确定的正样本之外，约有16％未被识别模型正确识别的正样本，这部分正样本具有较高的损失值。在按照汇编文本分数排序的情况下，这部分正样本通常分布在根据预测识别结果所确定的最后一个正样本之后的部分新闻样本中。
[0071]
可以理解，在将文本样本进行排序后，可以选取满足预设排序位置的目标文本样本。在获取对目标文本样本的样本类型的人工识别结果后，可以根据人工识别结果得到目标文本样本中的正样本。在一实施例中，可以通过分析该正样本的内容和格式，更新预设匹配规则。在另一实施例中，可以获取人工更新的预设匹配规则，该更新的预设匹配规则是由人工根据该正样本确定的。
[0072]
例如，除了在汇编文本样本的标题的预设位置设置竖线符号“|”，还可设置冒号“：”，基于此，可以将在预设位置匹配冒号的规则更新至预设匹配规则，得到更新后的预设匹配规则。
[0073]
可以理解的是，在对识别模型的多次训练过程中，可根据所选取的困难样本不断更新预设匹配规则。这样，可以提升根据预设匹配规则确定正样本和负样本的准确性。
[0074]
可选地，在将与预设匹配规则匹配的文本样本标记为正样本，将与预设匹配规则不匹配的文本样本标记为负样本后，本公开实施例提供的方法还可包括：
[0075]
获取对目标文本样本的样本类型的人工识别结果，并在目标文本样本中确定人工识别结果和预测识别结果不同的误标文本样本，其中，样本类型为负样本类型或正样本类型；
[0076]
基于误标文本样本，生成目标匹配规则；
[0077]
基于目标匹配规则在文本样本中进行匹配，得到匹配文本，并基于误标文本样本的样本类型，修改对匹配文本标记的样本类型。
[0078]
需说明的是，在获取对目标文本样本的样本类型的人工识别结果后，可以确定目标文本样本中人工识别结果和预测识别结果不同的误标文本样本。在一实施例中，可以通过分析误标文本样本的内容和格式，生成匹配规则。在另一实施例中，可以获取人工确定的匹配规则，该人工确定的匹配规则是由人工根据误标文本样本确定的。
[0079]
示例地，误标文本样本可以是将正样本误标为负样本的文本样本。例如，在误标文本样本的标题的末尾被设置有由日期和作者姓名组成的字符串的情况下，由于误标文本样本的标题的末尾不是单纯的日期字符串，因此根据可匹配日期的预设匹配规则，误标文本样本被识别模型识别为负样本。在此种情况下，可根据标题的末尾被设置有由日期和作者姓名组成的字符串的特性，生成相应的匹配规则。进一步地，可基于该匹配规则在文本样本中进行匹配，得到匹配文本，并基于误标文本样本的样本类型(即正样本被误标为负样本)，修改对匹配文本标记的样本类型(即将匹配文本中为负样本的文本样本的样本类型修改为正样本)。
[0080]
可以理解的是，通过将基于误标文本样本生成的匹配规则在文本样本中进行匹配，并基于误标文本样本的样本类型，修改匹配得到的匹配文本标记的样本类型，可以提升样本类型标记的准确性。并且，由于通过数量较少的误标文本样本的样本类型和匹配规则来修改数量较多的文本样本标记的样本类型，可以减小人工校正带来的人力耗费，也即，可以结合少量人工校正来提升样本标记类型的准确性。
[0081]
此外还需说明的是，误标文本样本也可以是将负样本误标为正样本的文本样本。这种情况的处理思路和上述过程类似，也是根据被误标为正样本的负样本的样本类型，将匹配得到的、为正样本的匹配文本修改为负样本，此处不再赘述。
[0082]
可选地，在将与预设匹配规则匹配的文本样本标记为正样本后，本公开实施例提供的方法还可以包括：
[0083]
基于正样本的标题和正文，在正样本中筛选目标正样本，并确定对目标正样本的样本类型的人工识别结果；
[0084]
若目标正样本标记的样本类型与目标正样本对应的人工识别结果不一致，则将目标正样本标记为负样本。
[0085]
示例地，若文本样本标题和正文第一句话一致，则可以判定该文本样本的标题为默认标题。在此基础之上，基于正样本的标题和正文，可以确定标题为默认标题的目标正样本，并确定对目标正样本的人工识别结果。在确定目标正样本标记的样本类型与人工识别结果不一致时，可将目标正样本的样本类型标记为负样本。
[0086]
通过从正样本中筛选出目标正样本，并获取对目标正样本的人工识别结果，以及基于人工识别结果修改目标正样本的样本类型，可以提升正样本标记的准确性。可以理解，还可以通过其他方式从文本样本中筛选出目标文本样本，并获取对目标文本样本的人工识别结果，以及基于人工识别结果修改目标文本样本的样本类型。
[0087]
应说明的是，常见类别的文本样本(例如新闻文本)通常数量较多且容易获取，而稀少类别的文本样本(例如汇编新闻文本)通常数量较少且难以获取。这样，就导致识别某些稀少类别文本的模型效果不佳。
[0088]
可选地，本公开实施例提供的方法可以基于较少的汇编文本样本，通过如下方式从业务系统抽取文本样本，从而扩充汇编文本样本的数量：
[0089]
基于预设匹配规则对业务系统在预设时间段内的文本样本进行匹配，得到候选文本样本，并确定候选文本样本的发布用户；
[0090]
从业务系统中抽取发布用户发布的所有文本样本。
[0091]
应当理解的是，预设匹配规则可以是基于预先收集的少量正样本(即属于汇编文
本样本的文本样本)确定的。基于预设匹配规则对业务系统在预设时间段(该预设时间段可以是一个月，本公开对此不作具体限定)内的文本样本进行匹配，可以得到类别为汇编文本样本的候选文本样本。在此基础之上，可以确定候选文本样本的发布用户，并从业务系统中抽取这些发布用户自建号以来的所有文本样本。可以理解，通过预设匹配规则确定的候选文本样本的发布用户所发布的文本样本中类别为汇编文本样本的数量通常大于其它发布用户。也就是说，本公开实施例提供的技术方案可以在一定程度上基于少量汇编文本样本扩充从业务系统中所抽取的汇编文本样本的数量。
[0092]
可选地，目标特征还包括文本对应的向量与预设词向量的相关度特征，其中，文本对应的向量包括文本对应的字向量、词向量和句向量中的任一者，预设词向量为用于表征预设文本类型的关键词对应的向量。
[0093]
需要说明的是，为了使得识别模型准确地识别某一领域内的汇编文本，可以选取某一领域内的关键词，并将该关键词对应的向量作为预设词向量。在此基础之上，可以将该预设词向量作为模型的输入特征对模型进行训练，从而提升模型对该领域内汇编文本的准确性。
[0094]
示例地，可以在获得预设词向量与文本对应的向量的相关度特征后，将该相关度特征输入识别模型，以提升模型识别该预设词向量对应的关键词所属领域内的汇编文本的准确性。
[0095]
应说明的是，发明人通过实验得知，在实际的新闻业务生产环境中，与政经民生类的汇编新闻文本联系较为密切的关键词为“新闻”。在将“新闻”对应的词向量与新闻文本对应的向量的相关度特征输入识别模型后，训练得到的识别模型识别政经民生类的汇编新闻文本的准确率可达到97.1％。其中，“新闻”对应的词向量与新闻文本对应的向量的相关度特征可包括：“新闻”对应的词向量分别与标题字向量、正文字向量、标题词向量、正文词向量、标题句向量以及正文句向量的相关度。
[0096]
可选地，在得到文本的识别结果之后，本公开实施例提供的方法还可以包括：
[0097]
将文本的识别结果作为特征输入落地页模型，以对落地页模型进行训练，其中，落地页模型用于根据用户对目标页面的操作信息在落地页显示对应的文本内容，目标页面为与落地页关联的页面。
[0098]
可以理解的是，落地页是当潜在用户点击广告或者利用搜索引擎搜索后，打开给用户看的网页。落地页模型可用于根据用户对目标页面的操作信息在落地页显示对应的文本内容，目标页面为与落地页关联的页面，即用户点击广告的页面或者搜索引擎所在的页面。另外应当理解的是，用户对目标页面的操作信息是经过用户授权后获得的，也即是说落地页模型可以在经过用户授权后获取用户对目标页面的操作信息，从而根据用户对目标页面的操作信息在落地页显示对应的文本内容。
[0099]
在相关技术中，用户的操作信息中可包括用户所期望浏览的主题内容。落地页模型还可用于对召回的文章进行质量评估，所召回的文章内容与用户所期望浏览的主题内容越相似，则文章的质量评估得分越高。由于汇编文本的离散特性，其可能包含多种主题内容，这就导致落地页模型可能将同一篇汇编文本划分至不同用户所期望浏览的主题内容。然而汇编文本的每一种主题内容通常记载不详，不能满足用户了解相关主题内容的需求，无论落地页模型将汇编文本划分至哪一种主题内容中，均难以在将该汇编文本展示在对应
的落地页中后达到用户的浏览需求。在此基础之上，可将识别模型对文本的识别结果作为特征输入落地页模型，以对落地页模型进行训练，从而可以避免落地页模型将汇编文本展示在落地页中。
[0100]
在本公开实施例提供的技术方案中，通过将识别模型对文本的识别结果作为特征输入落地页模型，可将落地页模型的准确率从85.1％提升至85.6％。
[0101]
本公开采用宽度模型和深度模型构成的识别模型来对文本进行识别，通过提取文本的向量特征、字数特征、标题与正文的相关度特征以及话题离散度特征等目标特征，以及基于深度模型和宽度模型的特性有选择地将这些特征输入深度模型和宽度模型，并将深度模型和宽度模型输出的识别结果加权合并，得到对文本的识别结果。这样，就可以利用深度模型传递特征的能力提升识别模型的泛化能力，以及利用宽度模型学习特征的能力提升识别模型的识别特征的能力，进而提升模型识别汇编文本的准确性。采用本公开的这种方法，相比采用bert以及simcse等主流的自然语言处理方案，可以更加准确地识别汇编文本。
[0102]
基于同一构思，本公开实施例还提供一种文本识别装置，该装置可以通过软件、硬件或者两者结合的方式成为电子设备的部分或全部。图3是根据本公开一示例性实施例示出的一种文本识别装置的框图。参照图3，该文本识别装置200可以包括：
[0103]
获取模块201，用于获取待识别的文本；
[0104]
识别模块202，用于通过识别模型对所述文本进行识别，得到所述文本的识别结果，所述识别结果用于标识所述文本是否为汇编文本，其中，所述识别模型包括深度模型和宽度模型，所述识别模型用于通过如下方式对所述文本进行识别：
[0105]
基于所述文本确定目标特征，所述目标特征包括所述文本对应的向量特征、字数特征、标题与正文的相关度特征和话题离散度特征；
[0106]
将所述目标特征中的所述向量特征输入所述深度模型，得到第一识别结果，并将所述目标特征中的所述向量特征或所述目标特征包括的所述字数特征、所述标题与正文的相关度特征和所述话题离散度特征输入所述宽度模型，得到第二识别结果；
[0107]
将所述第一识别结果和所述第二识别结果进行加权合并，得到所述文本的识别结果。
[0108]
本公开采用宽度模型和深度模型构成的识别模型来对文本进行识别，通过提取文本的向量特征、字数特征、标题与正文的相关度特征以及话题离散度特征等目标特征，以及基于深度模型和宽度模型的特性有选择地将这些特征输入深度模型和宽度模型，并将深度模型和宽度模型输出的识别结果加权合并，得到对文本的识别结果。这样，就可以利用深度模型传递特征的能力提升识别模型的泛化能力，以及利用宽度模型学习特征的能力提升识别模型的识别特征的能力，进而提升模型识别汇编文本的准确性。采用本公开的这种装置，相比采用bert以及simcse等主流的自然语言处理方案，可以更加准确地识别汇编文本。
[0109]
可选地，所述装置200包括训练模块，所述识别模型的训练过程包括多次训练过程，所述训练模块用于执行每次训练过程，每次训练过程用于执行如下操作：
[0110]
从业务系统抽取新闻文本，并将与预设匹配规则匹配的文本样本标记为正样本，将与所述预设匹配规则不匹配的文本样本标记为负样本；
[0111]
根据所述正样本和所述负样本训练所述识别模型，并基于所述识别模型针对所述正样本和所述负样本输出的预测识别结果，更新所述预设匹配规则，直到达到预设的训练
停止条件，其中，更新的所述预设匹配规则被用于在下次迭代训练过程中确定正样本和负样本。
[0112]
可选地，所述识别模型输出的预测识别结果用于表征所述文本样本为汇编文本样本的概率，所述训练模块还用于：
[0113]
基于所述识别模型针对所述正样本和所述负样本输出的预测识别结果对应的概率，将所述文本样本进行排序，并选取满足预设排序位置的目标文本样本；
[0114]
根据所述目标文本样本，更新所述预设匹配规则。
[0115]
可选地，所述训练模块还包括第一执行模块，所述第一执行模块用于：
[0116]
在将与预设匹配规则匹配的文本样本标记为正样本，将与所述预设匹配规则不匹配的文本样本标记为负样本后，获取对所述目标文本样本的样本类型的人工识别结果，并在所述目标文本样本中确定所述人工识别结果和所述预测识别结果不同的误标文本样本，其中，所述样本类型为负样本类型或正样本类型；
[0117]
基于所述误标文本样本，生成目标匹配规则；
[0118]
基于所述目标匹配规则在所述文本样本中进行匹配，得到匹配文本，并基于所述误标文本样本的样本类型，修改对所述匹配文本标记的样本类型。
[0119]
可选地，所述训练模块还包括第二执行模块，所述第二执行模块用于：
[0120]
在将与预设匹配规则匹配的文本样本标记为正样本后，基于所述正样本的标题和正文，在所述正样本中筛选目标正样本，并确定对所述目标正样本的样本类型的人工识别结果；
[0121]
若所述目标正样本标记的样本类型与所述目标正样本对应的所述人工识别结果不一致，则将所述目标正样本标记为负样本。
[0122]
可选地，所述训练模块还用于：
[0123]
基于所述预设匹配规则对所述业务系统在预设时间段内的文本样本进行匹配，得到候选文本样本，并确定所述候选文本样本的发布用户；
[0124]
从所述业务系统中抽取所述发布用户发布的所有文本样本。
[0125]
可选地，所述目标特征还包括所述文本对应的向量与预设词向量的相关度特征，其中，所述文本对应的向量包括文本对应的字向量、词向量和句向量中的任一者，所述预设词向量为用于表征预设文本类型的关键词对应的向量；
[0126]
可选地，所述装置200还包括输入模块，所述输入模块用于：
[0127]
在得到所述文本的识别结果之后，将所述文本的识别结果作为特征输入落地页模型，以对所述落地页模型进行训练，其中，所述落地页模型用于根据用户对目标页面的操作信息在落地页显示对应的文本内容，所述目标页面为与所述落地页关联的页面。
[0128]
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。
[0129]
基于同一构思，本公开还提供一种非临时性计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述文本识别方法的步骤。
[0130]
基于同一构思，本公开实施例还提供一种电子设备，包括：
[0131]
存储装置，其上存储有计算机程序；
[0132]
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述文本识别方
法的步骤。
[0133]
下面参考图4，其示出了适于用来实现本公开实施例的电子设备300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。图4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。
[0134]
如图4所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储装置308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0135]
通常，以下装置可以连接至i/o接口305：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306；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备300，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。
[0136]
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309从网络上被下载和安装，或者从存储装置308被安装，或者从rom 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
[0137]
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例如可以是——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。
[0138]
在一些实施方式中，可以利用诸如http(hypertext transfer protocol，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。
[0139]
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。
[0140]
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：获取待识别的文本；通过识别模型对所述文本进行识别，得到所述文本的识别结果，所述识别结果用于标识所述文本是否为汇编文本，其中，所述识别模型包括深度模型和宽度模型，所述识别模型用于通过如下方式对所述文本进行识别：基于所述文本确定目标特征，所述目标特征包括所述文本对应的向量特征、字数特征、标题与正文的相关度特征和话题离散度特征；将所述目标特征中的所述向量特征输入所述深度模型，得到第一识别结果，并将所述目标特征中的所述向量特征或所述目标特征包括的所述字数特征、所述标题与正文的相关度特征和所述话题离散度特征输入所述宽度模型，得到第二识别结果；将所述第一识别结果和所述第二识别结果进行加权合并，得到所述文本的识别结果。
[0141]
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)。
[0142]
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。
[0143]
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。
[0144]
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。
[0145]
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。
[0146]
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。
[0147]
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。
[0148]
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。