[发明专利]识别目标文字内容和原图相关性的方法、系统、装置、终端、及存储介质

说明书

本发明提供识别目标文字内容和原图相关性的方法、系统、装置、终端、及存储介质。至少包括以下步骤：步骤1：通过图像搜索引擎搜索原图，得到至少一个网页，所述至少一个网页包含所述原图或与所述原图类似的图片；步骤2：获取所述至少一个网页中的图片相关文本；步骤3：计算所述目标文字内容和所述图片相关文本之间的相关性结果；步骤4：根据所述相关性结果，得到所述目标文字内容和所述原图之间的相关性。

技术领域

本发明涉及识别目标文字内容和原图相关性的方法、系统、装置、终端、及存储介质。

背景技术

大部分网络社区的内容排序算法会让内容的受欢迎程度影响其排名。比如在BBS里，过去一段时间内被浏览和评论最多的帖子在帖子列表里排序会比较高。再比如在知识问答社区(如悟空问答和知乎)，给定一个问题，用户的答案被其它用户点赞越多，在所有答案中的排名也会越高。这是一种朴素的，符合用户需求的算法，但是这种算法容易使图文无关内容不当获利。所谓图文无关内容，是指用户在发布文字内容的时候上传一张特别吸引人眼球的，但是和文字内容没有任何关系的图片。比如回答历史问题的时候除了以文字内容回答之外还放一张美女图片(所谓福利图)，这样的回答往往点赞率还不低，但是对于其它认真回答的问题就不太公平。

还有一类内容会把广告信息作为图片和文字内容一起发布出来，文字内容是正常的。这类内容也是一种典型的图文无关内容，这种内容的发布对平台的用户体验不好，也侵害了网络社区运营方的商业利益(大部分网络社区禁止用户私自发布广告，广告的发布需要通过社区运营方在制定位置发布，需要通过审查有没有违法内容，并缴纳一定费用)。

作为网络社区管理者，希望能够自动识别出用户发布内容中是否存在上述的图文无关内容，以便能够及时对该图文无关内容采取删除、屏蔽、禁止回复等措施以避免或减小其不良影响。

以往，针对图文无关内容，存在以下识别方法。方法一：比如色情图片识别，可以识别出有色情意味的图片，如果用户发布的文字内容没有色情词，就可以认定为图文无关。方法二：比如OCR(Optical Character Recognition)技术，可以从图片中提取出现在图片中的文字信息，然后通过比对提取的文字信息和用户发布的文字内容，确认是否图文无关。

此外，在实际应用中，特别是大型的网络社区，由于用户发布的图文无关内容五花八门，所以需要一种通用方法。作为较容易想到的通用方法是，方法三：用近年来不断成熟的图像分类技术对图像分类然后再用文本分类器判别用户发布的文字内容是否和图片属于同一类。

发明内容

现有的上述图文无关的方法存在以下问题。方法一仅能适用于有限类型的图片，对于特定类型以外的图片无法识别。方法二仅能适用于图片中包含文字信息的图片，对于不包含文字信息的图片无法识别。

因此，现有的图文无关内容的识别方法往往基于图像识别技术并针对某一类问题。

方法三虽然意图针对所有类型图文通用地进行无关识别，但是，实际中缺乏一个和图像分类对应的文本分类体系，例如，典型的图像分类标签的例子包括：【猴子】、【猫】、【人物】，而文字内容的分类标签的例子包括：【历史】、【财经】、【股票】、【互联网】，导致这种方法理论上可行，实际上效果很差。

因此，目前尚没有一种通用的，能有效识别所有类型图文无关内容的方法。

本发明鉴于上述的问题，其目的在于提供一种基于图像搜索引擎的识别目标文字内容和原图相关性的方法、系统、装置、终端、及存储介质，在实际中基本可以解决所有类型的图文无关问题，而且识别的准确率非常高。