买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国家计算机网络与信息安全管理中心

摘要：本发明提供一种基于TextCNN‑Bert融合模型算法的不良信息识别方法，属于基于模型算法的不良信息识别技术领域；所要解决的技术问题为：提供一种采用TextCNN‑Bert融合模型算法进行不良信息识别方法的改进；解决该技术问题采用的技术方案为：对待识别的文本进行分词、词性标注、去除停用词的预处理，将经过预处理的文本按照序列输入融合模型进行识别处理；将预处理文本输入融合模型中的敏感领域主题识别模块进行处理：若对敏感领域主题识别为假，则判定与敏感领域无关，作为一般文本信息进行输出；若对敏感领域主题识别为真，则输入情感隐喻识别模块，做进一步判定；本发明应用于不良信息识别。

主权项：1.一种基于TextCNN-Bert融合模型算法的不良信息识别方法，其特征在于：包括如下信息识别步骤：步骤一：对待识别的文本进行分词、词性标注、去除停用词的预处理，将经过预处理的文本按照序列X＝{x1，x2，x3，…xn}n＞0输入TextCNN-Bert融合模型进行识别处理；步骤二：将预处理文本输入TextCNN-Bert融合模型中的敏感领域主题识别模块进行处理：若对敏感领域主题识别为假，则判定与敏感领域无关，作为非敏感文本信息进行输出；若对敏感领域主题识别为真，则输入敏感情感隐喻识别模块，做进一步判定；所述敏感领域主题识别模块对预处理文本识别的具体步骤为：步骤2.1：建立敏感领域主题识别模型，在敏感领域的词库上对已经训练好的Word2Vec模型进行微调，以得到更适合该领域的词向量；步骤2.1.1：准备敏感领域语料和公开的大规模语料；步骤2.1.2：将大规模公开的语料库输入通用的Word2Vec模型进行训练，得到通用的词向量表示内容；步骤2.1.3：基于获得敏感领域的专业术语和常用词汇，构建领域词库；步骤2.1.4：对领域相关的词向量进行微调更新；步骤2.2：将微调更新的词向量输入TextCNN卷积神经网络模型做进一步处理：将词向量输入模型第一层的输入层，通过接收输入的文本序列，转化为词嵌入向量，每个单词对应一个向量，并将这些向量按序列顺序组成一个矩阵，然后输入第二层；输入的第二层为卷积层，通过多个不同大小的卷积核对输入的文本矩阵进行卷积操作，从而提取文本的局部特征，然后输入第三层；输入的第三层为池化层，用于压缩特征图的维度和提取重要的特征，然后输入第四层；输入的第四层为全连接层，将池化层的输出连接到一个或多个全连接层，用于学习特征之间的关系和进行最终的分类，最后进入输出层，输出结果为敏感领域文本和非敏感领域文本两个类别；步骤三：将预处理文本输入TextCNN-Bert融合模型中的情感隐喻识别模块进行处理：若对情感隐喻识别为真，则判定为敏感文本信息进行输出；若对情感隐喻识别为假，则判定为非敏感文本信息进行输出；步骤四：基于步骤二和步骤三做出的判定，输出不良信息的判定结果。

全文数据：

权利要求：

百度查询： 国家计算机网络与信息安全管理中心 一种基于TextCNN-Bert融合模型算法的不良信息识别方法