[发明专利]一种新闻内容识别方法、模型训练方法和装置在审
申请号: | 201911414722.0 | 申请日: | 2019-12-31 |
公开(公告)号: | CN113127598A | 公开(公告)日: | 2021-07-16 |
发明(设计)人: | 徐佳宏;朱吕亮 | 申请(专利权)人: | 深圳市茁壮网络股份有限公司 |
主分类号: | G06F16/33 | 分类号: | G06F16/33;G06F16/951;G06F40/258;G06K9/00;G06N3/04;G06N3/08 |
代理公司: | 深圳市深佳知识产权代理事务所(普通合伙) 44285 | 代理人: | 王兆林 |
地址: | 518004 广东省*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 新闻 内容 识别 方法 模型 训练 装置 | ||
本申请公开了一种新闻内容识别方法、模型训练方法和装置,以提高对新闻内容中新词语和冷门词语的识别准确性。该新闻内容识别模型训练方法包括:利用网络爬虫技术,从网络上抓取距今预设时间段内的新闻文字内容;以当前抓取的新闻文字内容作为最新的新闻语料,结合预先存储的背景图片和字库,合成训练集;利用所述训练集训练新闻内容识别模型。
技术领域
本发明涉及文字识别技术领域,更具体地说,涉及一种新闻内容识别方法、模型训练方法和装置。
背景技术
自然语言中新词语的不断涌现是一个客观规律,随着社会经济的飞速发展和对外交流的日渐频繁,特别是互联网的普遍使用,为新词语的产生和流行提供了一个广阔的空间。另外,一些冷门词语也可能因突发的舆论热点而变为热词。
在新闻领域,词汇频繁更新,新词语因在语料库中从未出现过、冷门词语因在语料库中较少出现,所以在基于原有的新闻语料库对其进行识别时,识别准确性都不高。例如某地市电视台的新闻视频,如果该地市领导人有变化,由于新任领导人的姓名在原有的新闻语料库中没有出现过,导致识别准确性不高。再例如2019年国产电影《流浪地球》热映之前,作者“刘慈欣”一词相对冷门,后随着电影的大热而在新闻中出现频率陡增,但由于该词在新闻语料库中较少出现所以导致识别准确性不高。
在新闻内容识别过程中,如何提高对新词语和冷门词语的识别准确性,是本领域亟待解决的问题。
发明内容
有鉴于此,本发明提供一种新闻内容识别方法、模型训练方法和装置,以提高对新闻内容中新词语和冷门词语的识别准确性。
一种新闻内容识别模型训练方法,包括:
利用网络爬虫技术,从网络上抓取距今预设时间段内的新闻文字内容;
以当前抓取的新闻文字内容作为最新的新闻语料,结合预先存储的背景图片和字库,合成训练集;
利用所述训练集训练新闻内容识别模型。
可选的,当新闻内容以音频或视频的形式出现时,所述从网络上抓取距今预设时间段内的新闻文字内容,包括:从网络上抓取距今预设时间段内的新闻标题。
可选的,在合成训练集时,还对要合成的训练集设置如下参数中的一种或任意几种:文字大小、文字颜色、文字透明度、文字在图片中的位置、文字之间的间隔、文字的边距等。
可选的,所述以当前抓取的新闻文字内容作为最新的新闻语料,包括:不对当前抓取的新闻文字内容进行去重处理,直接将其作为最新的新闻语料。
可选的,所述新闻内容识别模型的架构为卷积神经网络CNN与循环神经网络RNN相结合的数学模型。
一种新闻内容识别方法,包括:
将新闻视频抽帧成一张张图片;
分别对抽帧成的每张图片进行区域检测,得到文本行图片;
利用新闻内容识别模型分别对每张文本行图片进行文字识别,得到文本行,作为识别结果;
其中,所述新闻内容识别模型是利用上述公开的任一种新闻内容识别模型训练方法进行训练得到。
一种新闻内容识别模型训练装置,包括:
抓取单元,用于利用网络爬虫技术,从网络上抓取距今预设时间段内的新闻文字内容;
合成单元,用于以当前抓取的新闻文字内容作为最新的新闻语料,结合预先存储的背景图片和字库,合成训练集;
训练单元,用于利用所述训练集训练新闻内容识别模型。
可选的,当新闻内容以音频或视频的形式出现时,所述抓取单元具体用于利用网络爬虫技术,从网络上抓取距今预设时间段内的新闻标题。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳市茁壮网络股份有限公司,未经深圳市茁壮网络股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911414722.0/2.html,转载请声明来源钻瓜专利网。
- 内容再现系统、内容提供方法、内容再现装置、内容提供装置、内容再现程序和内容提供程序
- 内容记录系统、内容记录方法、内容记录设备和内容接收设备
- 内容服务系统、内容服务器、内容终端及内容服务方法
- 内容分发系统、内容分发装置、内容再生终端及内容分发方法
- 内容发布、内容获取的方法、内容发布装置及内容传播系统
- 内容提供装置、内容提供方法、内容再现装置、内容再现方法
- 内容传输设备、内容传输方法、内容再现设备、内容再现方法、程序及内容分发系统
- 内容发送设备、内容发送方法、内容再现设备、内容再现方法、程序及内容分发系统
- 内容再现装置、内容再现方法、内容再现程序及内容提供系统
- 内容记录装置、内容编辑装置、内容再生装置、内容记录方法、内容编辑方法、以及内容再生方法