[发明专利]一种内容识别方法、装置、电子设备及可读存储介质

说明书

本发明的实施例提供了一种内容识别方法、装置、电子设备及可读存储介质。涉及内容识别领域，所述方法包括：通过获取网页信息中的源文本数据、源图像数据以及视频数据，并将视频数据转化为对应的图像数据，通过第一和第二学习模型分别对源文本数据、源图像数据以及视频数据转化的图像数据进行识别，并标记，从而实现同时对网页中的文字、图像和视频数据进行识别。本方法满足了对多模态网页内容进行识别的要求，同时还能够极大的提高识别的效率。

技术领域

本发明涉及内容识别领域，具体而言，涉及一种内容识别方法、装置、 电子设备及可读存储介质。

背景技术

随着互联网技术的发展，互联网平台成为了人们信息获取的主要平台，在各类互联网平台上，时时刻刻都有海量的文本、图像和视频数据产生，而在这些海量的数据中，极有可能会产生危害网络健康的不安全内容。

对于不安全内容的审核如果依靠传统人工审核方式来应对互联网海量 内容的审核需求，存在审核成本高、审核效率低、审核准确性不可控等问题。

现有技术往往通过单一的内容识别技术来对网站中的文本或图像进行 检测，其只能针对单一的文字或者图像进行识别，无法满足对多模态网页内 容进行内容识别的要求。

发明内容

本发明的目的在于提供了一种内容识别方法、装置、电子设备及可读存 储介质，其能够对多模态的网页内容进行有效识别。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，一种内容识别方法，所述方法包括:

获取网页信息；

提取所述网页信息中的源文本数据、源图像数据以及视频数据，将所述 视频数据转化为第一图像数据；

通过训练得到的第一学习模型识别所述源文本数据，提取违规源文本 数据，并对所述违规源文本数据进行标记，生成源文本识别结果；

通过训练得到的第二学习模型识别所述源图像数据和第一图像数据， 提取违规源图像数据与违规第一图像数据，并对所述违规源图像数据与所 述违规第一图像数据进行标记，生成源图像识别结果和视频识别结果；

根据所述源文本识别结果、所述源图像识别结果以及所述视频识别结 果得到第一网页识别结果。

可选的，所述在得到第一网页识别结果的步骤之后，所述方法还包括：

提取所述源图像数据和所述第一图像数据中的文本数据，生成第二文 本数据和第三文本数据；

通过所述第一学习模型识别所述第二文本数据和第三文本数据，提取 违规第二文本数据和违规第三文本数据，并对违规第二文本数据和违规第 三文本数据进行标记，生成源图像文本识别结果和视频文本识别结果；

根据所述源图像文本识别结果和视频文本识别结果得到第二网页识别 结果。

可选的，所述提取所述源图像数据和所述第一图像数据中的文本数据， 生成第二文本数据和第三文本数据的步骤包括:

通过光学字符识别技术提取所述源图像数据和所述第一图像数据中的 文本数据，生成第二文本数据和第三文本数据。

可选的，所述对所述违规源文本数据进行标记的步骤包括：

根据所述违规源文本数据的违规类型，绑定对应的第一级标签；

所述对所述违规源图像数据与所述违规第一图像数据进行标记的步骤 包括：

根据所述违规源图像数据与所述违规第一图像数据的违规类型，绑定 对应的第一级标签。

可选的，所述根据所述违规源文本数据的违规类型，绑定对应的第一级 标签的步骤之后，所述方法还包括：