[發(fā)明專利]文本相似度量化方法、設(shè)備及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010313564.6
• 申請(qǐng)日: 2020-04-17
• 公開（公告）號(hào): CN111985519B
• 公開（公告）日: 2021-07-27
• 發(fā)明（設(shè)計(jì)）人: 李若愚
• 申請(qǐng)（專利權(quán)）人: 創(chuàng)新先進(jìn)技術(shù)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/34
• 代理公司: 北京博思佳知識(shí)產(chǎn)權(quán)代理有限公司 11415
• 代理人: 韓果

本發(fā)明提供了文本相似度量化方法、設(shè)備及系統(tǒng)。該設(shè)備包括：處理器；包括計(jì)算機(jī)程序代碼的存儲(chǔ)器。存儲(chǔ)器和計(jì)算機(jī)程序代碼與處理器一起促使該設(shè)備：獲得用編輯文本字符串更正光學(xué)字符識(shí)別(OCR)文本字符串的多個(gè)最短操作路徑，其中，每個(gè)最短操作路徑包括一個(gè)或多個(gè)編輯對(duì)，每個(gè)編輯對(duì)表示在用所述編輯文本字符串進(jìn)行更正期間對(duì)所述OCR文本字符串中的字符可執(zhí)行的操作；確定多個(gè)相似度得分，每個(gè)相似度得分對(duì)應(yīng)所述多個(gè)最短操作路徑之一，其中每個(gè)相似度得分是通過對(duì)每個(gè)最短操作路徑中的一個(gè)或多個(gè)編輯對(duì)的歷史相似度得分進(jìn)行求和來確定的；選擇所述多個(gè)相似度得分中最小相似度得分來量化所述OCR文本字符串與所述編輯文本字符串之間的文本相似度。

技術(shù)領(lǐng)域

本發(fā)明通常涉及文本相似度量化方法、設(shè)備及系統(tǒng)。

背景技術(shù)

光學(xué)字符識(shí)別(通常縮寫為OCR)是一種識(shí)別圖像或物理文檔中的文本并將識(shí)別出的文本轉(zhuǎn)換為機(jī)器編碼文本的技術(shù)。機(jī)器編碼文本通常被稱為OCR文本。

eKYC(electronic-Know Your Customer，電子了解您的客戶)是一種數(shù)字盡職調(diào)查過程，由企業(yè)執(zhí)行以驗(yàn)證其客戶的身份并評(píng)估在業(yè)務(wù)關(guān)系上是否存在非法意圖(例如洗錢)的潛在風(fēng)險(xiǎn)。

當(dāng)執(zhí)行eKYC時(shí)，OCR可用于識(shí)別例如身份證、護(hù)照等官方身份(ID)文件中的文本內(nèi)容(例如，姓名、地址、身份證號(hào)等)。通常，在用戶界面上顯示OCR文本，以用于用戶進(jìn)行確認(rèn)或編輯。如果用戶使用編輯文本來更正OCR文本，則出于風(fēng)險(xiǎn)控制考慮，有必要先驗(yàn)證編輯文本是否合理，再接受更正。因此，評(píng)估OCR文本與用戶編輯文本之間的相似度以驗(yàn)證編輯文本是否合理變得有用。

目前，編輯距離(Edit Distance)技術(shù)和杰卡德距離(Jaccard Distance)技術(shù)用于評(píng)估兩個(gè)文本字符串之間的相似度。然而，編輯距離技術(shù)基于將一個(gè)文本字符串轉(zhuǎn)換為另一個(gè)文本字符串所需的最少操作次數(shù)來評(píng)估相似度，但是忽略了兩個(gè)文本字符串之間的視覺相似度；另一方面，杰卡德距離技術(shù)忽略了視覺相似度和兩個(gè)文本字符串中字符的順序。

下表1中顯示了如何根據(jù)編輯距離技術(shù)評(píng)估2個(gè)文本字符串之間的相似度的示例。

如表1所示，在編輯距離技術(shù)中，編輯距離用于指示將文本字符串A轉(zhuǎn)換為文本字符串B所需的最少操作次數(shù)。在示例1中，需要一次操作：用字母“O”替換數(shù)字“0”，以將“B0B”轉(zhuǎn)換為“BOB”。在示例2中，需要一次操作：用數(shù)字“1”替換字母“B”，以將“BOB”轉(zhuǎn)換為“1OB”。示例1和示例2中的編輯距離相同，即每個(gè)編輯距離等于1。這樣，在編輯距離技術(shù)中，“B0B”和“BOB”之間的相似度以及“BOB”和“1OB”之間的相似度被認(rèn)為是相同的。這樣的相似度評(píng)估僅考慮最少操作次數(shù)，而忽略了每次操作中的字符對(duì)之間的視覺相似度，不正確地將“0”和“O”與“B”和“1”視為相同。

因此，存在提供如下方法和設(shè)備的需求，該方法和設(shè)備不僅評(píng)估將一個(gè)文本字符串轉(zhuǎn)換為另一文本字符串所需的最少操作次數(shù)，而且還評(píng)估兩個(gè)文本字符串之間的相關(guān)性，即這些操作在這兩個(gè)文本字符串之間發(fā)生的可能性，從而提供改進(jìn)文本相似度評(píng)估的整體綜合機(jī)制。

借助于改進(jìn)的文本相似度評(píng)估機(jī)制，本發(fā)明中的方法和設(shè)備不僅用于評(píng)估(即確定“是否相似”)兩個(gè)文本字符串之間的文本相似度，還用于量化(即確定“有多相似”)這兩個(gè)文本字符串之間的文本相似度，從而便于eKYC系統(tǒng)以及其他任何采用OCR技術(shù)的電子系統(tǒng)以更高的準(zhǔn)確性和可靠性來對(duì)OCR文本的手動(dòng)更正進(jìn)行自動(dòng)驗(yàn)證。

發(fā)明內(nèi)容