提取文本的风险信息方法及装置、电子装置及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115774770A(43)申请公布日2023.03.10(21)申请号202211649597.3(22)申请日2022.12.21(71)申请人山石网科通信技术股份有限公司地址215163江苏省苏州市高新区景润路181号(72)发明人杜关万朝华韦云川(74)专利代理机构北京康信知识产权代理有限责任公司11240专利代理师黄海英(51)Int.Cl.G06F16/33(2019.01)G06F16/35(2019.01)G06F40/211(2020.01)G06F40/279(2020.01)G06F40/289(2020.01)权利要求书2页说明书11页附图3页(54)发明名称提取文本的风险信息方法及装置、电子装置及存储介质(57)摘要本申请公开了一种提取文本的风险信息方法及装置、电子装置及存储介质。该方法包括：获取待检测文本，并判断待检测文本是否包含陷落指标；在待检测文本包含陷落指标的情况下，对待检测文本进行分句，得到多个待检测句子；将每个待检测句子分别输入第一模型，得到用于表征待检测句子是否包含陷落指标的输出结果；将包含陷落指标的待检测句子输入第二模型，得到包含陷落指标的待检测句子的实体信息，并由所有包含陷落指标的待检测句子以及每个待检测句子的实体信息构成待检测文本的风险信息。通过本申请，解决了相关技术中对文本风险信息的检测不够精确和完整的问题。CN115774770ACN115774770A权利要求书1/2页1.一种提取文本的风险信息的方法，其特征在于，包括：获取待检测文本，并判断所述待检测文本是否包含陷落指标；在所述待检测文本包含陷落指标的情况下，对所述待检测文本进行分句，得到多个待检测句子；将每个待检测句子分别输入第一模型，得到用于表征待检测句子是否包含陷落指标的输出结果，其中，所述第一模型由多组第一样本数据训练得到，每组第一样本数据包含句子以及第一标注结果，所述第一标注结果用于指示句子是否包含陷落指标；将包含陷落指标的待检测句子输入第二模型，得到所述包含陷落指标的待检测句子的实体信息，并由所有包含陷落指标的待检测句子以及每个待检测句子的实体信息构成所述待检测文本的风险信息，其中，所述第二模型由多组第二样本数据训练得到，每组第二样本数据包含句子以及第二标注结果，所述第二标注结果用于指示句子包含的实体信息。2.根据权利要求1所述的方法，其特征在于，判断所述待检测文本是否包含陷落指标包括：将所述待检测文本中的各个句子转换为向量，得到多个向量；由所述多个向量确定所述待检测文本的相似矩阵，根据所述相似矩阵构建拉普拉斯矩阵，将所述拉普拉斯矩阵转换为特征矩阵，并将所述特征矩阵的每个行矩阵确定为一个样本，得到多个样本；将所述多个样本输入聚类模型，得到所述待检测文本所属的类别，其中，所述类别至少包含第一类别和第二类别，所述第一类别指示文本包含陷落指标，所述第二类别指示文本不包含陷落指标。3.根据权利要求2所述的方法，其特征在于，将所述待检测文本中的各个句子转换为向量，得到多个向量包括：对所述待检测文本的每个句子分别进行分词，得到多组词汇；计算每个词的词频和逆文本频率指数，将每个词的词频和逆文本频率指数的乘积确定为词对应的向量，并由每组词的向量构成一个句子的向量，其中，每个词的词频为初始词频和预设权重的乘积，标题词汇的预设权重大于非标题词汇的预设权重。4.根据权利要求1所述的方法，其特征在于，所述第一模型通过以下方式训练得到：获取多个样本文本，并从所述多个样本文本中提取包含陷落指标的句子；由所述包含陷落指标的句子和不包含陷落指标的句子确定所述多组第一样本数据；由所述多组第一样本数据训练双向编码表征模型，得到所述第一模型。5.根据权利要求4所述的方法，其特征在于，从所述多个样本文本中提取包含陷落指标的句子：对所述多个样本文本进行分句，得到多个样本句子；分别将所述多个样本句子转换为向量，得到多个句子的向量；对所述多个句子的向量进行聚类，得到聚类结果；从所述聚类结果中获取由包含陷落指标的句子构成的簇，并提取所述簇中的句子，得到所述包含陷落指标的句子。6.根据权利要求1所述的方法，其特征在于，所述第二模型通过以下方式训练得到：获取多个样本文本，并从所述多个样本文本中提取包含陷落指标的句子；2CN115774770A权利要求书2/2页对所述包含陷落指标的句子进行命名实体识别标注，得到所述多组第二样本数据；由所述多组第二样本数据训练组合模型，得到所述第二模型，其中，所述组合模型由双向编码表征模型、双向长短期记忆网络模型、条件随机场模型串联构成。7.根据权利要求6所述的方法，其特征在于，将包含陷落指标的待检测句子输入第二模型，得到所述包含陷落指标的待检测句子的实体信息包含：将所述