[发明专利]一种样本数据获得方法、装置、电子设备及存储介质

说明书

本发明实施例提供了一种样本数据获得方法、装置、电子设备及存储介质，涉及计算机技术领域，方法包括：从预先获得的文本语料中获得多组连续字符，将每一组连续字符作为一个样本标题，其中，所获得的样本标题对应的第一分布信息与第一参考信息一致，所述第一分布信息表征：不同字符数量的样本标题的标题数量分布情况，所述第一参考信息表征：不同字符数量的真实标题的标题数量分布情况；参考真实标题的字符样式，对所获得的样本标题的字符样式进行调整；针对每一调整后的样本标题，获得内容包含该调整后的样本标题的图像，作为样本数据。应用本发明实施例提供的样本数据获得方案，可以提高样本数据获得效率。

技术领域

本发明涉及计算机技术领域，特别是涉及一种样本数据获得方法、装置、电子设备及存储介质。

背景技术

在对新闻、文章、广告等信息进行审核时，通常需要对上述信息的标题进行识别。

现有技术中，通常对文本格式的信息的标题进行扫描，得到包含信息的标题的图像，再利用OCR(Optical Character Recognition，光学字符识别)模型对扫描得到的图像进行字符识别，从而得到信息的标题。在训练OCR模型时，需要获得样本数据。当前一般从各处收集包含信息的标题的图像，例如，对包含信息的标题的网页进行截图，对包含信息的标题的报纸、杂志进行图像采集等，从而收集得到包含信息的标题的图像，并将得到的图像作为样本数据。

应用上述方式虽然可以获得样本数据，但是需要花费大量的人力、物力定位包含信息的标题的内容，才能获得样本数据，导致样本数据的获得效率低。

发明内容

本发明实施例的目的在于提供一种样本数据获得方法、装置、电子设备及存储介质，以提高样本数据获得效率。具体技术方案如下：

在本发明实施的第一方面，首先提供了一种样本数据获得方法，所述方法包括：

从预先获得的文本语料中获得多组连续字符，将每一组连续字符作为一个样本标题，其中，所获得的样本标题对应的第一分布信息与第一参考信息一致，所述第一分布信息表征：不同字符数量的样本标题的标题数量分布情况，所述第一参考信息表征：不同字符数量的真实标题的标题数量分布情况；

参考真实标题的字符样式，对所获得的样本标题的字符样式进行调整；

针对每一调整后的样本标题，获得内容包含该调整后的样本标题的图像，作为样本数据。

本发明的一个实施例中，在所述字符样式包括字符大小的情况下，所述参考真实标题的字符样式，对所获得的样本标题的字符样式进行调整，包括：

对所获得的样本标题的字符大小进行调整，使得调整后样本标题对应的第二分布信息与第二参考信息一致，其中，所述第二分布信息表征：不同字符大小的样本标题的标题数量分布情况，所述第二参考信息表征：不同字符大小的真实标题的标题数量分布情况。

本发明的一个实施例中，在所述字符样式包括字符字体的情况下，所述参考真实标题的字符样式，对所获得的样本标题的字符样式进行调整，包括：

对所获得的样本标题的字符字体进行调整，使得调整后不同字符字体的样本标题所占比重与真实标题中不同字符字体的真实标题所占比重之间的差异减小。

本发明的一个实施例中，在所述字符样式包括字符颜色的情况下，所述参考真实标题的字符样式，对所获得的样本标题的字符样式进行调整，包括：

从真实标题存在的字符颜色中，选择至少一字符颜色，作为参考颜色；

针对每一样本标题，将该样本标题的字符颜色设置为所述参考颜色中的至少一颜色。

本发明的一个实施例中，所述针对每一调整后的样本标题，获得内容包含该调整后的样本标题的图像，作为样本数据，包括：