(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210190635.7 (22)申请日 2022.02.28 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 李硕　刘昊骋　宫健　韩光耀　 岳洪达　 (74)专利代理 机构 北京市汉坤律师事务所 11602 专利代理师 姜浩然　吴丽丽 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/35(2019.01) G06F 21/62(2013.01) G06F 40/30(2020.01) (54)发明名称 文本识别方法、 装置、 电子设备和介质 (57)摘要 本公开提供了一种方法， 涉及人工智能技术 领域， 尤其涉及深度学习技术领域。 实现方案为： 获取目标文本和预设的敏感词列表， 其中敏感词 列表中包含多个敏感词； 利用语义分类模型对目 标文本进行二分类； 响应于目标文本对应于第一 类别， 对目标文本进行实体的提取， 以获取实体 列表， 其中， 第一类别表示目标文本预期包含目 标敏感词， 实体的类型是基于敏感词列表中的敏 感词所对应的类型来确定的； 以及针对实体列表 中的至少一个实体， 响应于该至少一个实体与所 述多个敏感词中的至少一个敏感词的相似度大 于阈值， 将该至少一个实体确定为目标 敏感词。 权利要求书2页 说明书9页 附图4页 CN 114547252 A 2022.05.27 CN 114547252 A 1.一种文本识别方法， 包括： 获取目标文本和预设的敏感词列表， 其中所述敏感词列表中包 含多个敏感词； 利用语义分类模型对所述目标文本进行二分类； 响应于所述目标文本对应于第一类别， 对所述目标文本进行实体的提取， 以获取实体 列表， 其中， 所述第一类别表示所述目标文本预期包含目标敏感词， 所述 实体的类型是基于 所述敏感词列表中的敏感词所对应的类型来确定的； 以及 针对所述实体列表中的至少一个实体， 响应于所述至少一个实体与 所述多个敏感词中 的至少一个敏感词的相似度大于阈值， 将所述至少一个实体确定为所述目标 敏感词。 2.根据权利要求1所述的方法， 其中， 响应于所述目标文本对应于第一类别， 对所述目 标文本进行实体提取， 以获取实体列表包括： 获取实体提取模型， 其中， 所述实体提取模型是基于与所述敏感词列表相关的文本数 据训练得到的； 响应于所述目标文本对应于第 一类别， 利用所述实体提取模型对所述目标文本进行实 体的提取， 以获取实体列表。 3.根据权利要求1或2所述的方法， 其中， 针对所述实体列表中的至少一个实体， 响应于 所述至少一个实体与所述多个敏感词中的至少一个敏感词的相似度大于阈值， 将所述至少 一个实体确定为所述目标 敏感词包括： 获取所述实体列表中的每一个实体以及所述多个敏感词中的每一个敏感词对应的词 向量； 针对所述实体列表中的至少一个实体， 基于所述至少一个实体对应的词向量计算所述 至少一个实体与所述多个敏感词中的每一个敏感词的相似度； 以及 响应于所述至少一个实体与 所述多个敏感词中的至少一个敏感词的相似度大于阈值， 将所述至少一个实体确定为所述目标 敏感词。 4.根据权利要求1所述的方法， 其中， 所述语义分类模型为下列各项中的一项： BERT模型、 GPT模型和ERN IE模型。 5.根据权利要求1 ‑4中任一项所述的方法， 还 包括： 获取纸质文档， 并识别所述 纸质文档中的文字区域以将所述文字区域存 储为图片； 对所述图片进行文字识别， 以得到所述目标文本 。 6.一种文本识别装置， 包括： 第一获取模块， 被配置为获取目标文本和预设的敏感词列表， 其中所述敏感词列表中 包含多个敏感词； 分类模块， 被 配置为利用语义分类模型对所述目标文本进行二分类； 提取模块， 被配置为响应于所述目标文本对应于第一类别， 对所述目标文本进行实体 的提取， 以获取实体列表， 其中， 所述第一类别表示所述目标文本预期包含目标敏感词， 所 述实体的类型 是基于所述敏感词列表中的敏感词所对应的类型来确定的； 以及 确定模块， 被配置为针对所述实体列表中的至少一个实体， 响应于所述至少一个实体 与所述多个敏感词中的至少一个敏感词的相似度大于阈值， 将所述至少一个实体确定为所 述目标敏感词。 7.根据权利要求6所述的装置， 其中， 所述 提取模块包括：权　利　要　求　书 1/2 页 2 CN 114547252 A 2第一获取单元， 被配置为获取实体提取模型， 其中， 所述实体提取模型是基于与所述敏 感词列表相关的文本数据训练得到的； 提取单元， 被配置为响应于所述目标文本对应于第一类别， 利用所述实体提取模型对 所述目标文本进行实体的提取， 以获取实体列表。 8.根据权利要求6或7 所述的装置， 其中， 所述确定模块包括： 第二获取单元， 被配置为获取所述实体列表中的每一个实体以及所述多个敏感词中的 每一个敏感词对应的词向量； 计算单元， 被配置为针对所述实体列表中的至少一个实体， 基于所述至少一个实体对 应的词向量计算所述至少一个实体与所述多个敏感词中的每一个敏感词的相似度； 以及 确定单元， 被配置为响应于所述至少一个实体与 所述多个敏感词中的至少一个敏感词 的相似度大于阈值， 将所述至少一个实体确定为所述目标 敏感词。 9.根据权利要求6所述的装置， 其中， 所述语义分类模型为下列各项中的一项： BERT模型、 GPT模型和ERN IE模型。 10.根据权利要求6 ‑9中任一项所述的装置， 还 包括： 第二获取模块， 被配置为获取纸质文档， 并识别所述纸质文档 中的文字区域以将所述 文字区域存 储为图片； 识别模块， 被 配置为对所述图片进行文字识别， 以得到所述目标文本 。 11.一种电子设备， 包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处 理器能够执 行权利要求1 ‑5中任一项所述的方法。 12.一种存储有计算机指令的非瞬时计算机可读存储介质， 其中， 所述计算机指令用于 使所述计算机执 行根据权利要求1 ‑5中任一项所述的方法。 13.一种计算机程序产品， 包括计算机程序， 其中， 所述计算机程序在被处理器执行时 实现权利要求1 ‑5中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114547252 A 3