[发明专利]一种文本信息识别方法及识别装置

权利要求书

1.一种文本信息识别方法，其特征在于，所述方法包括：

获取待处理的用户原创内容UGC文本，所述UGC文本中包含汉字；

对所述UGC文本进行预处理，得到所述UGC文本的笔顺特征向量和拼音特征向量，其中，所述笔顺特征向量基于所述UGC文本中各汉字的笔顺生成，所述拼音特征向量基于所述UGC文本中各汉字的拼音生成；

将所述笔顺特征向量和所述拼音特征向量输入预先训练好的文本识别模型中，得到所述UGC文本的目标类型识别结果，所述目标类型至少包括：广告类型或者色情类型；

所述对所述UGC文本进行预处理，得到所述UGC文本的笔顺特征向量，包括：

提取所述UGC文本中的汉字；

将所提取的汉字组成字级文本，所述字级文本中，各汉字按照在所述UGC文本中的先后顺序排列；

所述基于所述字级文本中各汉字的笔顺信息生成所述字级文本的笔顺特征向量的步骤，包括：

从预设的字向量字典中，获取所述字级文本中各汉字的字向量，每个汉字的字向量用以表示该汉字的笔顺特征；

生成所述预设的字向量字典，包括：

将样本词语的n元笔顺信息对Skip-Gram模型进行训练；

计算所述样本词语的每个n元笔顺和上下文词向量的相似度；所述n元笔顺是基于笔顺的先后顺序确定的；n≤样本词语的笔顺；

根据损失函数求梯度并对所述上下文词向量和所述n元笔画进行更新得到预设的字向量字典。

2.根据权利要求1所述的方法，其特征在于，所述对所述UGC文本进行预处理，得到所述UGC文本的拼音特征向量的步骤，包括：

提取所述UGC文本中的汉字；

将所提取的汉字组成字级文本，所述字级文本中，各汉字按照在所述UGC文本中的先后顺序排列；

基于所述字级文本中各汉字的拼音信息生成所述字级文本的拼音特征向量。

3.根据权利要求2所述的方法，其特征在于，所述基于所述字级文本中各汉字的拼音信息生成所述字级文本的拼音特征向量的步骤，包括：

将所述字级文本中的各汉字转换为拼音；

将各拼音转化为拼音特征向量。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

如果所述字级文本的长度大于预设长度，则对所述字级文本进行截取处理，使截取后的字级文本的长度等于预设长度；

如果所述字级文本的长度小于预设长度，则对所述字级文本进行补齐处理，使补齐后的字级文本的长度等于预设长度。

5.根据权利要求1所述的方法，其特征在于，所述文本识别模型的训练过程包括：

构建初始文本识别模型；所述初始文本识别模型包括第一循环神经网络RNN层，第一注意力机制处理层，第二RNN层，第二注意力机制处理层，拼接层，以及全连接层，其中，第一RNN层和第一注意力机制处理层用于处理笔顺特征向量，第二RNN层和第二注意力机制处理层用于处理拼音特征向量；

获取样本UGC文本对应的笔顺特征向量和拼音特征向量，并获取所述样本UGC文本对应的类型标签，所述类型标签包括：广告类型或者色情类型；

将所述样本UGC文本对应的笔顺特征向量和拼音特征向量，以及所述样本UGC文本对应的类型标签输入所述初始文本识别模型，训练得到所述文本识别模型。