[发明专利]一种差异项判别方法及装置

说明书

本申请公开了一种差异项判别方法及装置，该方法包括：获取第一单句的识别结果与第二单句的识别结果中的目标差异项，目标差异项包括第一差异文本和第二差异文本，第一单句包括公共项和第一差异文本，第二单句包括公共项和第二差异文本；基于语言预测模型以及公共项确定第一差异文本对应的第一概率和第二差异文本对应的第二概率；根据第一概率和第二概率，判断目标差异项是否为真正的差异项。实施本申请，能够有效判别真正的差异项，实现对因OCR识别错误导致的非真正的差异项的过滤，从而提高了单句对比的准确率。

技术领域

本申请涉及计算机领域，尤其涉及一种差异项判别方法及装置。

背景技术

随着业务发展，大量的文档也随之产生，如合同文件、标书等，其中，对于同一文档进行修改可能会产生多份文档。例如，对于同一合同文件，存在一份原始文档和可能的多份修改版本的文档。为了确定某一修改版本的文档相对于另一文档做了哪些修改，需要对这两份相关联的文档的内容进行对比以确定差异项。

通常采用光学字符识别(Optical Character Recognition，OCR)技术对待比较的两份文档进行扫描识别，然后基于OCR输出的识别结果对这两份文档的内容进行对比以确定差异项。然而，OCR识别过程中由于噪声干扰(例如，水印、签章等)会导致OCR识别发生错误，因此，基于OCR的识别结果确定的差异项中有些差异项并不是真正的差异项，从而造成文档对比结果的准确率低。

发明内容

本申请公开了一种差异项判别方法和装置，能够有效判别真正的差异项，实现对文档对比结果中非真正的差异项的过滤，从而提高了文档对比的准确率。

第一方面，本申请提供了一种差异项判别方法，该方法包括：获取第一单句的识别结果与第二单句的识别结果中的目标差异项，目标差异项包括第一差异文本和第二差异文本，第一单句包括公共项和第一差异文本，第二单句包括公共项和第二差异文本，第一差异文本的长度与第二差异文本的长度相同；基于语言预测模型以及公共项确定第一差异文本对应的第一概率和第二差异文本对应的第二概率；根据第一概率和第二概率，判断目标差异项是否为真正的差异项。

上述方法中，对于文档对比后确定的目标差异项，通过语言预测模型基于目标差异项(包括第一差异文本和第二差异文本)对应的两个单句的公共文本对目标差异项进行预测，以确定第一差异文本出现在第一单句中的第一概率以及第二差异文本出现在第二单句中的第二概率，根据第一概率和第二概率确定目标差异项是否为真正的差异项，能有效识别真正的差异项，提高了单句对比结果的准确率。

在第一方面的一种可能的实现方式中，在第一差异文本的长度与第二差异文本的长度不同且第一差异文本包括语义无关词时，该方法还包括：去除第一差异文本中的语义无关词，以使第一差异文本的长度和第二差异文本的长度相同。

在第一方面的一种可能的实现方式中，根据第一概率和第二概率，判断目标差异项是否为真正的差异项包括：在第一概率大于等于第一阈值且第二概率大于等于第一阈值的情况下，判断目标差异项为真正的差异项。

实施上述实现方式，第一概率大于等于第一阈值，即说明第一差异文本是识别正确的，同理，第二概率大于等于第一阈值，即说明第二差异文本是识别准确的，因此，在第一差异文本和第二差异文本均识别正确的情况下，由于第一差异文本与第二差异文本不同，故可判定目标差异项为真正的差异项，从而实现准确辨真正的差异项，提高文了档对比结果的准确率。

在第一方面的一种可能的实现方式中，基于语言预测模型以及公共项确定第一差异文本对应的第一概率和第二差异文本对应的第二概率，包括：获取目标差异项对应的目标句子，目标句子包括公共项和遮挡项；将目标句子输入语言预测模型对遮挡项进行预测，输出遮挡项对应的候选词表，候选词表包括多个预测结果和多个预测结果对应的概率；在候选词表中获取第一差异文本对应的第一概率和第二差异文本对应的第二概率。